数据可视化-地图可视化-Python

师从黑马程序员

基础地图使用

基础地图演示

视觉映射器

具体颜色对应的代码可以在http://www.ab173.com/中查询RGB颜色查询对照表

python 复制代码
from pyecharts.charts import Map
from pyecharts.options import VisualMapOpts

#准备地图对象
map=Map()
#准备数据
data=[
    ("北京",99),
    ("上海",199),
    ("湖南",299),
    ("台湾",399),
    ("广东",499)
]
#添加数据
map.add("测试地图",data,"china")

#设置全局选项
map.set_global_opts(
    visualmap_opts=VisualMapOpts(
        is_show=True,
        is_piecewise=True,#允许手动校准
        pieces=[
            {"min":1,"max":9,"lable":"1-9","color":"#CCFFFF"},
            {"min":10,"max":99,"lable":"10-99","color":"#FF6666"},
            {"min":100,"max":500,"lable":"100-500","color":"#990033"}

        ]

    )
)

#绘图
map.render()

国内疫情地图的构建

python 复制代码
import json
from pyecharts.charts import Map
from pyecharts.options import *

f=open ("D:/疫情.txt","r",encoding="UTF-8")
#读取数据文件
data=f.read()
#关闭文件
f.close()
#取到各省的数据
#将字符串json转化为python的字典
data_dict=json.loads(data)
#从字典中取到各省的数据
province_data_list=data_dict["areaTree"][0]["children"]
#组装每个省份和确诊人数为元组  并将各个省份的数据都封装到列表内
data_list=[]  #绘图需要用到的数据列表
for province_data in province_data_list:
    province_name=province_data["name"]                     #省份名称
    province_confirm=province_data["total"]["confirm"]      #确诊人数
    data_list.append((province_name,province_confirm))

#创建地图对象
map=Map()
#添加数据
map.add("各省确诊人数",data_list,"china")
#设置全局配置,定制分段的视觉映射
map.set_global_opts(
    title_opts=TitleOpts(title="全国疫情地图"),#设置标题
    visualmap_opts=VisualMapOpts(
        is_show=True,#是否显示
        is_piecewise=True,#是否分段
        pieces=[
            {"min":1,"max":99,"lable":"1-99人","color":"#CCFFFF"},
            {"min":100,"max":999,"lable":"100-999人","color":"#FFFF99"},
            {"min":1000,"max":4999,"lable":"1000-4999人","color":"#=FF9966"},
            {"min":5000,"max":9999,"lable":"5000-9999人","color":"FF6666"},
            {"min":10000,"max":99999,"lable":"10000-99999人","color":"#CC3333"},
            {"min":100000,"lable":"100000+","color":"#990033"}

        ]
    )
)
#绘图
map.render("全国疫情地图.html")#设置生成的文件名

疫情地图-省级疫情地图(以河南省为例)

python 复制代码
import json
from pyecharts.charts import Map
from pyecharts.options import *

f=open ("D:/疫情.txt","r",encoding="UTF-8")
#读取数据文件
data=f.read()
#关闭文件
f.close()
#获取到河南省数据
#将字符串json转化为python的字典
data_dict=json.loads(data)
#从字典中取到河南省的数据
cities_data=data_dict["areaTree"][0]["children"][3]["children"]
#准备数据为元组并放到list
data_list=[]
for city_data in cities_data:
    city_name=city_data["name"]   +"市"                  #省份名称
    city_confirm=city_data["total"]["confirm"]      #确诊人数
    data_list.append((city_name,city_confirm))
#手动添加济源市数据
data_list.append(("济源市",5))
#创建地图对象
map=Map()
#添加数据
map.add("河南疫情分布",data_list,"河南")
#设置全局配置,定制分段的视觉映射
map.set_global_opts(
    title_opts=TitleOpts(title="河南省疫情地图"),#设置标题
    visualmap_opts=VisualMapOpts(
        is_show=True,#是否显示
        is_piecewise=True,#是否分段
        pieces=[
            {"min":1,"max":99,"lable":"1-99人","color":"#CCFFFF"},
            {"min":100,"max":999,"lable":"100-999人","color":"#FFFF99"},
            {"min":1000,"max":4999,"lable":"1000-4999人","color":"#=FF9966"},
            {"min":5000,"max":9999,"lable":"5000-9999人","color":"FF6666"},
            {"min":10000,"max":99999,"lable":"10000-99999人","color":"#CC3333"},
            {"min":100000,"lable":"100000+","color":"#990033"}

        ]
    )
)

#绘图
map.render("河南省疫情地图.html")#设置生成的文件名

若有侵权,请联系作者

相关推荐
Python×CATIA工业智造2 小时前
Frida RPC高级应用:动态模拟执行Android so文件实战指南
开发语言·python·pycharm
onceco2 小时前
领域LLM九讲——第5讲 为什么选择OpenManus而不是QwenAgent(附LLM免费api邀请码)
人工智能·python·深度学习·语言模型·自然语言处理·自动化
狐凄3 小时前
Python实例题:基于 Python 的简单聊天机器人
开发语言·python
悦悦子a啊4 小时前
Python之--基本知识
开发语言·前端·python
笑稀了的野生俊6 小时前
在服务器中下载 HuggingFace 模型:终极指南
linux·服务器·python·bash·gpu算力
Naiva6 小时前
【小技巧】Python+PyCharm IDE 配置解释器出错,环境配置不完整或不兼容。(小智AI、MCP、聚合数据、实时新闻查询、NBA赛事查询)
ide·python·pycharm
路来了6 小时前
Python小工具之PDF合并
开发语言·windows·python
蓝婷儿6 小时前
Python 机器学习核心入门与实战进阶 Day 3 - 决策树 & 随机森林模型实战
人工智能·python·机器学习
AntBlack7 小时前
拖了五个月 ,不当韭菜体验版算是正式发布了
前端·后端·python
.30-06Springfield7 小时前
决策树(Decision tree)算法详解(ID3、C4.5、CART)
人工智能·python·算法·决策树·机器学习