**
**
1.英国与俄罗斯疫情分析
2.巴西与美国疫情分析
3.中国和印度疫情分析
一.英国与俄罗斯
1.全国新增确诊趋势图（附件1）
英国
导入python模块中的pandas模块，matplotlib.dates模块与matplotlib.pyplot模块
先运用pandas模块与数据所在的excel建起联系，进行有一定条件的数据筛选与调用，之后利用matplotlib型模块对于所采用的数据进行绘制展现。
对于上图所展现的折线，可以得出英国的每日新增确诊人数总体呈先上升后下降的趋势。自3月12日始，新增确诊人数呈波动上升趋势，在4月11日有大幅度的上升，达到近14000人数的峰值，之后便呈波动下降趋势，至7月初，疫情波动情况已渐渐趋于平稳，接近于3月初即疫情爆发初期的情况，可见英国对于应对疫情采取了一定的措施，并取得了明显的效果。
俄罗斯
导入python模块中的pandas模块，matplotlib.dates模块与matplotlib.pyplot模块
先运用pandas模块与数据所在的excel建起联系，进行有一定条件的数据筛选与调用，之后利用matplotlib型模块对于所采用的数据进行绘制展现。
对于上图所展现的折线，可以得出俄罗斯的每日新增确诊人数总体呈波动上升的趋势。三月下旬开始，疫情情况开始有较大幅度的波动上升，并长久持续的进行下去。其中值得注意的是，在6月19日，突然出现大幅度的下降，达812人，之后在6月20日又剧烈上升，达到2月初到7月初的峰值——近15000人，随后每日新增确诊人数持续下降至7月初，后又开始大幅度的上升。可见俄罗斯疫情局势十分不稳定，自疫情爆发以来每日新增确诊人数一直处于高水平。俄罗斯的疫情应对情况并不乐观，效果并未明显的表现出来。
结合上面两个图以及国家政策，海关政策等分析上述两图的关联：
对以上两图进行综合分析，不难发现俄罗斯的疫情爆发时期远远慢于英国，在这个时期俄罗斯的应对效果要远远高于英国，究其原因，一方面是俄罗斯在疫情爆发初期反应迅速，采取了关闭部分边境，国内严格管控，隔离确诊患者的措施。另一方面是英国在疫情爆发初期采取了令人震惊的“群体免疫”政策，造成了在这个重要的时间段里产生了大量的确诊病例出现，并同时埋伏着数不胜数的“等待免疫”的潜在患者。
但是我们又可以发现的是，在疫情爆发了2、3个月后，英国开始走下坡路，俄罗斯却持续稳定地走上坡路，并几乎居高不下。其中一个导致如今俄罗斯局势紧张的重要原因是欧洲输入，俄罗斯因为历史的关系，有多达几百万的侨民在欧洲。而长期频繁的交往，使得俄罗斯没能注意到危险，只顾管理内部和禁止我国的可能疫情输入，却没防住西方和欧洲。大量从欧洲回国的俄罗斯人，成为俄罗斯疫情的主要来源。另一个原因是俄罗斯的内部管理制度存在漏洞和不足，地方政府的不负责任以及对禁止集会的“非强制”命令。以上因素也是导致俄罗斯如今情况的罪魁祸首之一。
2. 治愈率，死亡率折线图（附件2）
英国
导入python模块中的pandas模块，matplotlib.dates模块与matplotlib.pyplot模块
先运用pandas模块与数据所在的excel建起联系，进行有一定条件的数据筛选与调用，之后利用matplotlib型模块对于所采用的数据进行绘制展现。
从上图表现出来的结果来看，可以简单概括为，英国的治愈率总体呈下降趋势，死亡率总体呈上升趋势，并在3月12日后稳定的高于治愈率。英国的治愈率一开始一直处于大幅度上升的状态，后一直急速下降至3月10日，之后趋于稳定。英国的死亡率开始一直处于波动上升的状态，到4月18日后趋于稳定。至7月初，英国的治愈率趋于0.1%，死亡率趋于1.3%。
俄罗斯
导入python模块中的pandas模块，matplotlib.dates模块与matplotlib.pyplot模块
先运用pandas模块与数据所在的excel建起联系，进行有一定条件的数据筛选与调用，之后利用matplotlib型模块对于所采用的数据进行绘制展现。
从上图表现出来的结果来看，可以简单概括为，俄罗斯的治愈率总体呈上升趋势，死亡率一直趋于稳定，并长期处于较低水平，始终低于治愈率。俄罗斯的治愈率一开始一直急速上升，到2月26日后，又处于急速下降的状态，之后处于波动上升的状态。俄罗斯的死亡率自疫情爆发以来一直无明显的波动，稳定的处于0%左右的低水平线。至7月初，俄罗斯的治愈率趋于0.7%，死亡率趋于0%。
3. 各个国家制作治愈人数，死亡人数占比饼图（附件3）
英国
对装载数据的excel表格预先处理，得出南美洲的治愈、死亡、现有确诊总人数，之后直接带入数据。定义图形的大小，表情，每块的颜色，将所显示的分数设置为小数点后两位，设置列表名为南美洲，同时保证x，y轴刻度设置一致，保证饼图为圆形。运用t.set_size调整字体大小，最后使用plot函数对其进行绘制展现。
对上图进行分析，不难得出死亡人数占最大比例，达97%左右，治愈人数达3%左右。英国的死亡人数比例远远大于治愈人数的比例，英国的疫情治理状况的恶劣程度可以用惨烈来形容。这张饼图直观且突出重点地清晰表达了英国的治愈人数与死亡人数之间的对比。
。
俄罗斯
对装载数据的excel表格预先处理，得出南美洲的治愈、死亡、现有确诊总人数，之后直接带入数据。定义图形的大小，表情，每块的颜色，将所显示的分数设置为小数点后两位，设置列表名为南美洲，同时保证x，y轴刻度设置一致，保证饼图为圆形。运用t.set_size调整字体大小，最后使用plot函数对其进行绘制展现。
对上图进行简单的分析，可以得出治愈人数占比最大，达98%左右，死亡人数达2%左右。俄罗斯的治愈人数比例远远高于死亡人数的比例这一现象，直接反映了俄罗斯在治疗患者方面做的较不错，应对措施效果较明显。这张饼图直观且突出重点地清晰表达了俄罗斯的治愈人数与死亡人数之间的对比。
为什么英国治愈率非常低：
首先要明确的是，英国属于发达国家一列，与俄罗斯相比，医疗条件要远远好于俄罗斯的医疗条件。但是由于短期时间内大量的确诊人数使得医疗资源紧缺，并且其中有大量的老人（英国的老龄化情况严重），直接导致了英国最终的治愈率低，死亡率高。再者，由于英国疫情爆发初期采用的“群体免疫”政策，导致了一部分患者无法得到及时救治。相比而言，俄罗斯积极管控，能对有限的医疗资源进行有效的调配，使得长期以来治愈率较高。
4. 各个国家累计确诊，累计治愈，累计死亡，的并列柱状图（附件4）
英国
读取“英国”表中各国的累计确诊、累计治愈、累计死亡人数，设置行名从2到7，总共6个月份，将列名设置为“疫情情况”，最后使用plot函数对其进行绘制展现。
上图直接且清晰地展示了，2月份相对于其他月份来讲，数值显示为“0”，可见2月份并未开始真正的爆发。3到6月份累计确诊人数与累计死亡一直呈大幅度上升的态势，累计治愈变化一直不明显。6月份到7月份累计确诊、累计死亡、累计治愈三个元素均未发现明显变化，可见英国的疫情得到了一定的控制。在7月份，三者峰值分别是314992人，1372人，43991人。
俄罗斯
读取“俄罗斯”表中各国的累计确诊、累计治愈、累计死亡人数，设置行名从2到7，总共6个月份，将列名设置为“疫情情况”，最后使用plot函数对其进行绘制展现。
对上图进行分析，2月份和3月份相对于其他月份来说数值过小，可见俄罗斯的疫情于4月份左右开始真正的爆发，要晚于英国的疫情爆发时期，或者是疫情初期处理情况要优于英国。在4月份到6月份，累计确诊、累计治愈呈大幅度上升，累计死亡变化并不明显，在6月份到7月份，累计确诊依然有小幅度的增加，累计治愈同样有部分的提升，值得注意的是，累计死亡人数的上升幅度比之前4个阶段要大。在7月份，三者峰值分别是680283人，449995人，10145人。
5. 各个国家按照月份做累计确诊人数的漏斗图（附件5）
英国
导入pyecharts与funnel模块。之后运用funnel模块初始化图形参数，读取所需要的英国每月累计确诊人数数据，使用funnel函数生成所需要的html文件，得到图片。
上图清晰的表达了英国的每月的累计确诊人数在2月份到5月份一直处于激增的状态，5到7月份变化较之前小了很多。英国前段时间疫情爆发速度快，压制效果不明显。后段时间疫情情况趋于稳定，英国采取了有效的应对措施。
俄罗斯
导入pyecharts与funnel模块。之后运用funnel模块初始化图形参数，读取所需要的俄罗斯每月累计确诊人数数据，使用funnel函数生成所需要的html文件，得到图片。
对上图进行分析，容易得到俄罗斯2到3月份较于其他月份几乎“没有”确诊人数，反映了俄罗斯疫情初期的防控措施做得可圈可点。然而，俄罗斯的每月确诊人数在4到7月份一直处于大幅度的上升，幅度并未削减。俄罗斯的前期工作做得有效果，后期的措施存在部分漏洞与不足，导致4到7月份产生难以抑制的爆发式增长。
6. 英国和俄罗斯两个国家的新增疫情对比图（附件6）
导入python模块中的pandas模块，time模块，numpy与matplotlib.pyplot模块，之后利用openpyxl函数与数据库建立联系，读取所需要的数据，之后利用matplotlib.pyplot模块对其进行绘制展现。
对上图进行综合分析。从上图体现出来的明显的两国每日新增确诊之间的对比可以看出，俄罗斯的疫情爆发时期大致处于4月初，英国的大致处于3月中旬，俄罗斯的疫情爆发时期要远远晚于英国。但在4月中旬左右，俄罗斯的每日新增确诊人数开始大于英国，并差距越拉越大，这种“俄大英小”的情况几乎一直稳定且延续至今。可见俄罗斯的早期工作优于英国，但较晚时期的应对措施存在不足。
7. 英国和俄罗斯两个国家的各项数据雷达图（附件7）
导入python模块中的numpy，xlrd与matplotlib.pyplot模块，利用xlrd函数建立与数据之间的联系，从而达到引用数据的目的, 之后利用matplotlib.pyplot模块对其进行绘制展现。
上图明显的表示出了俄罗斯的累计确诊几乎是英国累计确诊人数的两倍，累计治愈远远大于英国的累计治愈人数，但同时累计死亡却小于英国的累计死亡。反映出虽然俄罗斯的疫情感染人数远远大于英国的疫情感染人数，在疫情防治措施上不如英国，但在疫情治疗，即医疗资源的分配上要好于英国，导致最终累计治愈人数要远远大于累计死亡人数。然而，两国的累计确诊跟累计治愈人数依然有很大的差距，在战胜疫情的道路上不免任重而道远。
附件（源代码）
附件1
import matplotlib.dates as mdate
import matplotlib.pyplot as plt
def plot_curve1(data,title):
fig1 = plt.figure(figsize=(40,10))
ax1 = fig1.add_subplot(1,1,1)
ax1.xaxis.set_major_formatter(mdate.DateFormatter('%Y-%m-%d'))
plt.xticks(pd.date_range('2020-02-08','2020-07-06'),rotation=90)
plt.title(title)
plt.plot(data,'o-')
plt.show()
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False
附件2
import matplotlib.dates as mdate
import matplotlib.pyplot as plt
def plot_curve1(data,title):
fig1 = plt.figure(figsize=(40,10))
ax1 = fig1.add_subplot(1,1,1)
ax1.xaxis.set_major_formatter(mdate.DateFormatter('%Y-%m-%d'))
plt.xticks(pd.date_range('2020-02-08','2020-07-06'),rotation=90)
plt.title(title)
plt.plot(data,'o-')
plt.show()
plt.rcParams['font.sans-serif']=
本文来自作者[水清墨韵]投稿，不代表少轩号立场，如若转载，请注明出处：https://m.06lm.cn/zskp/202509-7606.html
评论列表（4条）
我是少轩号的签约作者“水清墨韵”！
希望本篇文章《新冠疫情可视化分析：7月9日至10日数据解读》能对你有所帮助！
本站[少轩号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览：...