python如何根據json數據畫疫情分布地圖

Python如何根據JSON數據畫疫情分布地圖

引言

在當今全球化的世界中，疫情的傳播速度和范圍都達到了前所未有的程度。為了更好地理解和應對疫情，數據可視化成為了一個不可或缺的工具。通過地圖展示疫情分布，可以幫助我們直觀地了解疫情的傳播情況、熱點區域以及趨勢變化。Python作為一種功能強大的編程語言，提供了豐富的庫和工具來處理和可視化數據。本文將詳細介紹如何使用Python根據JSON數據繪制疫情分布地圖。

1. 準備工作

在開始之前，我們需要確保已經安裝了必要的Python庫。以下是本文中將使用到的主要庫：

• pandas：用于數據處理和分析。
• geopandas：用于處理地理空間數據。
• matplotlib：用于繪制圖表。
• folium：用于創建交互式地圖。
• json：用于解析JSON數據。

可以通過以下命令安裝這些庫：

pip install pandas geopandas matplotlib folium

2. 獲取疫情數據

首先，我們需要獲取疫情數據。通常，這些數據以JSON格式提供。我們可以從公開的數據源（如世界衛生組織、約翰斯·霍普金斯大學等）獲取最新的疫情數據。假設我們已經獲取到了一個包含疫情數據的JSON文件，文件名為covid_data.json。

{
    "data": [
        {
            "country": "China",
            "confirmed": 90000,
            "deaths": 3000,
            "recovered": 85000
        },
        {
            "country": "USA",
            "confirmed": 1000000,
            "deaths": 50000,
            "recovered": 200000
        },
        {
            "country": "Italy",
            "confirmed": 200000,
            "deaths": 30000,
            "recovered": 120000
        },
        // 更多國家數據...
    ]
}

3. 解析JSON數據

接下來，我們需要解析JSON數據并將其轉換為Pandas DataFrame，以便后續處理。

import json
import pandas as pd

# 讀取JSON文件
with open('covid_data.json', 'r') as file:
    data = json.load(file)

# 將JSON數據轉換為DataFrame
df = pd.DataFrame(data['data'])

# 查看前幾行數據
print(df.head())

4. 數據處理

在繪制地圖之前，我們需要對數據進行一些處理。首先，我們需要確保每個國家的名稱與地理空間數據中的名稱一致。我們可以使用geopandas庫中的世界地圖數據來進行匹配。

import geopandas as gpd

# 加載世界地圖數據
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))

# 查看地圖數據
print(world.head())

# 合并疫情數據和地圖數據
merged = world.set_index('name').join(df.set_index('country'))

# 查看合并后的數據
print(merged.head())

5. 繪制靜態地圖

使用matplotlib庫，我們可以繪制一個靜態的疫情分布地圖。

import matplotlib.pyplot as plt

# 設置地圖的尺寸
fig, ax = plt.subplots(1, 1, figsize=(15, 10))

# 繪制世界地圖
world.boundary.plot(ax=ax)

# 繪制疫情數據
merged.plot(column='confirmed', ax=ax, legend=True,
            legend_kwds={'label': "Confirmed Cases by Country",
                         'orientation': "horizontal"})

# 設置標題
plt.title('COVID-19 Confirmed Cases by Country')

# 顯示地圖
plt.show()

6. 繪制交互式地圖

雖然靜態地圖可以很好地展示數據，但交互式地圖可以提供更多的信息和靈活性。我們可以使用folium庫來創建交互式地圖。

import folium

# 創建一個基礎地圖
m = folium.Map(location=[20, 0], zoom_start=2)

# 添加疫情數據到地圖
for idx, row in merged.iterrows():
    folium.CircleMarker(
        location=[row['geometry'].centroid.y, row['geometry'].centroid.x],
        radius=row['confirmed'] / 100000,
        color='red',
        fill=True,
        fill_color='red',
        fill_opacity=0.6,
        popup=f"{idx}: {row['confirmed']} confirmed cases"
    ).add_to(m)

# 顯示地圖
m.save('covid_map.html')

7. 進一步優化

為了使地圖更加直觀和有用，我們可以進一步優化地圖的展示方式。例如，我們可以使用不同的顏色來表示不同的疫情嚴重程度，或者添加更多的交互功能。

7.1 使用顏色表示疫情嚴重程度

我們可以根據確診人數的多少來設置不同的顏色。

import branca.colormap as cm

# 創建一個顏色映射
colormap = cm.linear.YlOrRd_09.scale(merged['confirmed'].min(), merged['confirmed'].max())

# 將顏色映射添加到地圖
m.add_child(colormap)

# 添加疫情數據到地圖
for idx, row in merged.iterrows():
    folium.CircleMarker(
        location=[row['geometry'].centroid.y, row['geometry'].centroid.x],
        radius=row['confirmed'] / 100000,
        color=colormap(row['confirmed']),
        fill=True,
        fill_color=colormap(row['confirmed']),
        fill_opacity=0.6,
        popup=f"{idx}: {row['confirmed']} confirmed cases"
    ).add_to(m)

# 顯示地圖
m.save('covid_map_colored.html')

7.2 添加更多交互功能

我們可以添加更多的交互功能，例如點擊某個國家時顯示更多的詳細信息。

# 添加疫情數據到地圖
for idx, row in merged.iterrows():
    folium.CircleMarker(
        location=[row['geometry'].centroid.y, row['geometry'].centroid.x],
        radius=row['confirmed'] / 100000,
        color=colormap(row['confirmed']),
        fill=True,
        fill_color=colormap(row['confirmed']),
        fill_opacity=0.6,
        popup=folium.Popup(f"""
            <h4>{idx}</h4>
            <p>Confirmed: {row['confirmed']}</p>
            <p>Deaths: {row['deaths']}</p>
            <p>Recovered: {row['recovered']}</p>
        """, max_width=300)
    ).add_to(m)

# 顯示地圖
m.save('covid_map_interactive.html')

8. 結論

通過本文的介紹，我們學習了如何使用Python根據JSON數據繪制疫情分布地圖。我們從數據的獲取和解析開始，逐步介紹了如何使用pandas、geopandas、matplotlib和folium等庫來處理和可視化數據。最終，我們創建了靜態和交互式的疫情分布地圖，并通過進一步優化使地圖更加直觀和有用。

數據可視化是理解和應對疫情的重要工具，Python提供了強大的工具和庫來幫助我們實現這一目標。希望本文能夠幫助讀者更好地理解和應用這些工具，為疫情的防控工作提供支持。

9. 參考資料

• Pandas官方文檔
• GeoPandas官方文檔
• Matplotlib官方文檔
• Folium官方文檔

10. 附錄

10.1 完整代碼

以下是本文中使用的完整代碼：

import json
import pandas as pd
import geopandas as gpd
import matplotlib.pyplot as plt
import folium
import branca.colormap as cm

# 讀取JSON文件
with open('covid_data.json', 'r') as file:
    data = json.load(file)

# 將JSON數據轉換為DataFrame
df = pd.DataFrame(data['data'])

# 加載世界地圖數據
world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))

# 合并疫情數據和地圖數據
merged = world.set_index('name').join(df.set_index('country'))

# 繪制靜態地圖
fig, ax = plt.subplots(1, 1, figsize=(15, 10))
world.boundary.plot(ax=ax)
merged.plot(column='confirmed', ax=ax, legend=True,
            legend_kwds={'label': "Confirmed Cases by Country",
                         'orientation': "horizontal"})
plt.title('COVID-19 Confirmed Cases by Country')
plt.show()

# 創建交互式地圖
m = folium.Map(location=[20, 0], zoom_start=2)
colormap = cm.linear.YlOrRd_09.scale(merged['confirmed'].min(), merged['confirmed'].max())
m.add_child(colormap)

for idx, row in merged.iterrows():
    folium.CircleMarker(
        location=[row['geometry'].centroid.y, row['geometry'].centroid.x],
        radius=row['confirmed'] / 100000,
        color=colormap(row['confirmed']),
        fill=True,
        fill_color=colormap(row['confirmed']),
        fill_opacity=0.6,
        popup=folium.Popup(f"""
            <h4>{idx}</h4>
            <p>Confirmed: {row['confirmed']}</p>
            <p>Deaths: {row['deaths']}</p>
            <p>Recovered: {row['recovered']}</p>
        """, max_width=300)
    ).add_to(m)

m.save('covid_map_interactive.html')

10.2 數據源

• 世界衛生組織
• 約翰斯·霍普金斯大學

10.3 相關資源

• Python數據可視化教程
• GeoPandas教程
• Folium教程

通過本文的學習，讀者應該能夠掌握如何使用Python根據JSON數據繪制疫情分布地圖。希望這些知識能夠幫助你在實際工作中更好地應對疫情數據的可視化需求。