源代碼&資料集下載地址：https://download.csdn.net/download/princessyang/12504757

一、獲取世界各國疫情歷史資料

1.1 選取資料源

選擇網易的疫情實時動態播報平臺作為資料源，其地址如下：
https://wp.m.163.com/163/page/news/virus_report/index.html?nw=1&anw=1

# 首先匯入使用的包，使用request進行網頁請求，使用pandas保存資料，
import requests
import pandas as pd
import time
pd.set_option('max_rows',500)

# 設定請求頭，偽裝為瀏覽器
headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/83.0.4103.61 Safari/537.36'
}

# 發起請求，將找到的第一個資料源作為請求目標，
url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-total'   # 定義要訪問的地址
r = requests.get(url, headers=headers)  # 使用requests發起請求
print(r.status_code)  # 查看請求狀態，回應狀態為200表示請求成功
print(type(r.text))    #查看型別， r.text——文本獲取， r.content——圖片、音頻獲取，
print(len(r.text))    # 查看文本長度

200
<class ‘str’>
301443

回傳后的內容是一個30萬長度的字串，由于字串格式不方便進行分析，并且在網頁預覽中發現資料為類似字典的json格式，所以這里將其轉為json格式，

# 將字串格式轉為json格式，
import json
data_json = json.loads(r.text)
data_json.keys()    # data鍵存放著需要的資料

dict_keys([‘reqId’, ‘code’, ‘msg’, ‘data’, ‘timestamp’])

取出 json 中的需要使用的資料

data = data_json['data'] # 取出json中的資料
data.keys()  

dict_keys([‘chinaTotal’, ‘chinaDayList’, ‘lastUpdateTime’, ‘overseaLastUpdateTime’, ‘areaTree’])

資料中總共有四個鍵，每個鍵存盤著不同的內容：

1.2 世界各國實時資料獲取 today_data

自定義函式

# 將提取資料的方法封裝為函式
def get_data(data,info_list):
    info = pd.DataFrame(data)[info_list] # 主要資訊
    
    today_data = pd.DataFrame([i['today'] for i in data ]) # 生成today的資料
    today_data.columns = ['today_'+i for i in today_data.columns] # 修改列名
    
    total_data = pd.DataFrame([i['total'] for i in data ]) # 生成total的資料
    total_data.columns = ['total_'+i for i in total_data.columns] # 修改列名
    
    return pd.concat([info,total_data,today_data],axis=1) # info、today和total橫向合并最終得到匯總的資料

# 定義保存資料方法
def save_data(data,name): 
    file_name = name+'_'+time.strftime('%Y_%m_%d',time.localtime(time.time()))+'.csv'
    data.to_csv(file_name,index=None,encoding='utf_8_sig')
    print(file_name+' 保存成功！')
time.strftime('%Y_%m_%d',time.localtime(time.time()))

在 json 資料 data 中的 areaTree 是串列格式，每個元素都是一個國家的實時資料，每個元素的 children 是各國家省份的資料，現在來提取世界各國實時資料，

areaTree = data['areaTree'] # 取出 areaTree——世界各地實時資料
areaTree[0] # 查看第一個國家的資料

{‘today’: {‘confirm’: 2,
‘suspect’: 0,
‘heal’: 1,
‘dead’: 0,
‘severe’: 0,
‘storeConfirm’: 1},
‘total’: {‘confirm’: 1086,
‘suspect’: 0,
‘heal’: 965,
‘dead’: 48,
‘severe’: 0},
‘extData’: {},
‘name’: ‘突尼斯’,
‘id’: ‘9577772’,
‘lastUpdateTime’: ‘2020-06-03 14:01:28’,
‘children’: []}

areaTre 中每個鍵值的含義：

使用 for 回圈查看前5個國家的名稱和更新時間

for i in range(len(areaTree)):  # 查看各國家名稱和更新時間
    print(areaTree[i]['name'],areaTree[i]['lastUpdateTime'])
    if i == 5:
        break

突尼斯 2020-06-03 14:01:28
塞爾維亞 2020-06-03 14:23:53
中國 2020-06-03 14:18:58
日本 2020-06-03 10:03:11
泰國 2020-06-03 10:03:38
新加坡 2020-06-03 10:05:02

從 areaTree 中提取各個國家的實時資料，

today_world = get_data(areaTree,['id','lastUpdateTime','name'])
today_world.head()   # 查看獲取資料的前5行

將獲取資料保存到本地

save_data(today_world,'today_world')

1.3 世界各國歷史資料獲取 alltime_world

因為原始資料中沒有國家名稱，為了得到每個國家的名稱，需要生成國家編號和國家名稱的鍵值對，這樣就可以存盤國家名稱，在之前的世界各國實時資料 today_world 中有國家的編號和名稱，可以用它來生成鍵值對，

today_world[['id','name']].head()
country_dict = {key:value for key,value in zip(today_world['id'], today_world['name'])}

# 查看前五個內容
count = 0
for i in country_dict:
    print(i,country_dict[i])
    count += 1
    if count == 5:
        break

9577772 突尼斯
9507896 塞爾維亞
0 中國
1 日本
2 泰國

通過每個國家的編號訪問每個國家歷史資料的地址，然后獲取各個國家的歷史資料，

start = time.time()
for country_id in country_dict: # 遍歷每個國家的編號
    
    try:
        # 按照編號訪問每個國家的資料地址，并獲取json資料
        url = 'https://c.m.163.com/ug/api/wuhan/app/data/list-by-area-code?areaCode='+country_id
        r = requests.get(url, headers=headers)
        json_data = json.loads(r.text)
        
        # 生成每個國家的資料
        country_data = get_data(json_data['data']['list'],['date'])
        country_data['name'] = country_dict[country_id]

        # 資料疊加
        if country_id == '9577772':
            alltime_world = country_data
        else:
            alltime_world = pd.concat([alltime_world,country_data])
            
        print('-'*20,country_dict[country_id],'成功',country_data.shape,alltime_world.shape,
              ',累計耗時:',round(time.time()-start),'-'*20)
        
        time.sleep(10)

    except:
        print('-'*20,country_dict[country_id],'wrong','-'*20)

-------------------- 突尼斯 成功 (80, 15) (80, 15) ,累計耗時: 1 --------------------
-------------------- 突尼斯 wrong --------------------
-------------------- 塞爾維亞 成功 (84, 15) (164, 15) ,累計耗時: 11 --------------------
-------------------- 中國 成功 (120, 15) (284, 15) ,累計耗時: 22 --------------------
-------------------- 日本 成功 (123, 15) (407, 15) ,累計耗時: 37 --------------------
……省略號

將獲取資料保存到本地

save_data(alltime_world,'alltime_world')

二、資料預處理

匯入資料

#讀取資料疫情資料alltime_world_2020_05_31.csv
import pandas as pd
alltime_world = pd.read_csv('alltime_world_2020_05_31.csv', encoding='utf-8')   # 1）讀檔案
print( alltime_world.info() )     # 2）查看基本資訊
name_dict = {'date':'日期','name':'名稱','id':'編號','lastUpdateTime':'更新時間',
             'today_confirm':'當日新增確診','today_suspect':'當日新增疑似',
             'today_heal':'當日新增治愈','today_dead':'當日新增死亡',
             'today_severe':'當日新增重癥','today_storeConfirm':'當日現存確診', 'today_input':'當日輸入',
             'total_confirm':'累計確診','total_suspect':'累計疑似','total_heal':'累計治愈',
             'total_dead':'累計死亡','total_severe':'累計重癥','total_input':'累計輸入'}   # 3）創建中文列名字典
alltime_world.rename(columns=name_dict, inplace=True)   # 4)將英文列名更改中文列名

<class ‘pandas.core.frame.DataFrame’>
RangeIndex: 12331 entries, 0 to 12330
Data columns (total 15 columns):
# Column Non-Null Count Dtype
— ------ -------------- -----
0 date 12331 non-null object
1 total_confirm 12331 non-null int64
2 total_dead 12331 non-null int64
3 total_heal 12331 non-null int64
4 total_input 12331 non-null int64
5 total_severe 12331 non-null int64
6 total_suspect 12331 non-null int64
7 today_confirm 12331 non-null int64
8 today_dead 12331 non-null int64
9 today_heal 12331 non-null int64
10 today_input 12135 non-null float64
11 today_severe 10408 non-null float64
12 today_storeConfirm 0 non-null float64
13 today_suspect 10808 non-null float64
14 name 12331 non-null object
dtypes: float64(4), int64(9), object(2)
memory usage: 1.4+ MB

## 使用下面屬性和函式查看資料的大概資訊
alltime_world.info()   # 查看二維資料表的大資訊
print('\n\n查看二維資料表的統計訊息，統計數值型資料: \n', alltime_world.describe() )
print('\n\n查看二維資料表的列標簽：\n', alltime_world.columns )
print('\n\n查看二維資料表的行標簽：\n', alltime_world.index )
print('\n\n查看二維資料表的值：\n', alltime_world.values )
print('\n\n查看二維資料表的前5行：\n', alltime_world.head() )
print('\n\n查看二維資料表的后5行：\n', alltime_world.tail() )

<class ‘pandas.core.frame.DataFrame’>
RangeIndex: 12331 entries, 0 to 12330
Data columns (total 15 columns):
# Column Non-Null Count Dtype
— ------ -------------- -----
0 日期 12331 non-null object
1 累計確診 12331 non-null int64
2 累計死亡 12331 non-null int64
3 累計治愈 12331 non-null int64
4 累計輸入 12331 non-null int64
5 累計重癥 12331 non-null int64
6 累計疑似 12331 non-null int64
7 當日新增確診 12331 non-null int64
8 當日新增死亡 12331 non-null int64
9 當日新增治愈 12331 non-null int64
10 當日輸入 12135 non-null float64
11 當日新增重癥 10408 non-null float64
12 當日現存確診 0 non-null float64
13 當日新增疑似 10808 non-null float64
14 名稱 12331 non-null object
dtypes: float64(4), int64(9), object(2)
memory usage: 1.4+ MB
……省略號

查看 alltime_world 資料每列的缺失值比例

# 計算缺失值比例
alltime_world_nan = alltime_world.isnull().sum()/len(alltime_world)
# 轉變為百分數
alltime_world_nan.apply(lambda x: format(x, '.1%'))

日期 0.0%
累計確診 0.0%
累計死亡 0.0%
累計治愈 0.0%
累計輸入 0.0%
累計重癥 0.0%
累計疑似 0.0%
當日新增確診 0.0%
當日新增死亡 0.0%
當日新增治愈 0.0%
當日輸入 1.6%
當日新增重癥 15.6%
當日現存確診 100.0%
當日新增疑似 12.4%
名稱 0.0%
dtype: object

可以現當日新增相關資料缺失值較多，這主要由于采集資料的當天一些國家沒有更新資料，因此這里將不再對其進行分析，當日現存確診一列雖然全部為空，但該缺失值可以通過已有資料直接計算，公式為：
當日現存確診=累計確診-累計治愈-累計死亡

缺失值處理

# 先使用線性插值的方式填充缺失值
alltime_world.interpolate(method='linear', inplace=True)

# 再使用0填充缺失值
alltime_world.fillna(0, inplace=True)

# 計算當日現存確診人數（當日現存確診=累計確診-累計治愈-累計死亡）
alltime_world['當日現存確診'] = alltime_world['累計確診']-alltime_world['累計治愈']-alltime_world['累計死亡']

# 將日期改成datetime格式
alltime_world['日期'] = pd.to_datetime(alltime_world['日期'])

alltime_world.info()

<class ‘pandas.core.frame.DataFrame’>
RangeIndex: 12331 entries, 0 to 12330
Data columns (total 15 columns):
# Column Non-Null Count Dtype
— ------ -------------- -----
0 日期 12331 non-null datetime64[ns]
1 累計確診 12331 non-null int64
2 累計死亡 12331 non-null int64
3 累計治愈 12331 non-null int64
4 累計輸入 12331 non-null int64
5 累計重癥 12331 non-null int64
6 累計疑似 12331 non-null int64
7 當日新增確診 12331 non-null int64
8 當日新增死亡 12331 non-null int64
9 當日新增治愈 12331 non-null int64
10 當日輸入 12331 non-null float64
11 當日新增重癥 12331 non-null float64
12 當日現存確診 12331 non-null int64
13 當日新增疑似 12331 non-null float64
14 名稱 12331 non-null object
dtypes: datetime64ns, float64(3), int64(10), object(1)
memory usage: 1.4+ MB

三、資料分析可視化1–matplotlib繪圖

3.1 繪制多個國家的累計確診人數折線圖

使用 matplotlib 庫繪制累計確診人數最多的8個國家（‘美國’,‘巴西’,‘俄羅斯’,‘西班牙’,‘意大利’,‘英國’,‘法國’,‘德國’）的累計確診人數折線圖

# 查看“累計確診”人數最多的8個國家資料，并可視化
import matplotlib.pyplot as plt
import matplotlib as mpl

# 自定義函式，接收國家和顏色兩個引數，每次呼叫繪制一個國家的折線圖
def line_chart(name,color1):
    x = alltime_world.loc[alltime_world.名稱==name,'日期']
    y_total = alltime_world.loc[alltime_world.名稱==name,'累計確診']
    ax.plot(x,y_total,color=color1,lw=1,marker='o',ms=2,label=name)

# 創建畫布，切分繪圖區域，繪制兩條曲線
figure = plt.figure(figsize=(12,5))
ax = plt.subplot()

# 設定繪圖區字體
mpl.rcParams['font.family'] = 'simhei' # 設定顯示字體
mpl.rcParams['font.size'] = 10 # 設定顯示字體大小

# 資料準備
country_name = alltime_world.groupby(by='名稱')['累計確診'].max().sort_values(ascending=False)[:8].index # 累計確診人數最多的八個國家
color1 = ['red','blue','green','cyan','purple','yellow','deeppink','orange'] # 設定八個顏色

# 遍歷八個國家，呼叫自定義函式繪圖
for i in range(len(country_name)):
    line_chart(country_name[i],color1[i])

# 設定圖外觀（圖示題，y軸標題，圖例等）
plt.title('累計確診人數最多的八個國家新冠肺炎折線圖',size=15)
plt.ylabel('人數')
plt.legend(bbox_to_anchor=[1,1])  # 圖例位置調整
plt.grid(axis='y')   # 添加y軸橫線
plt.box(False)

# 設定x軸日期顯示格式等
ax.xaxis.set_major_formatter(mpl.dates.DateFormatter('%Y-%m-%d')) # 設定時間標簽顯示格式
plt.xticks(pd.date_range(min(alltime_world.日期),max(alltime_world.日期),freq='3D'),rotation=90)# 設定時間標簽顯示格式

plt.show()

3.2 繪制各國新增確診人數折線圖

使用 matplotlib 庫繪制累計確診人數最多的8個國家（‘美國’,‘巴西’,‘俄羅斯’,‘西班牙’,‘意大利’,‘英國’,‘法國’,‘德國’）的新增確診人數折線圖

# 查看“累計確診”人數最多的8個國家的“當日新增確診”的資料，并可視化
import matplotlib.pyplot as plt
import matplotlib as mpl

# 自定義函式，接收國家和顏色兩個引數，每次呼叫繪制一個國家的折線圖
def line_chart(name,color1):
    x = alltime_world.loc[alltime_world.名稱==name,'日期']
    y_total = alltime_world.loc[alltime_world.名稱==name,'當日新增確診']
    ax.plot(x,y_total,color=color1,lw=1,marker='o',ms=2,label=name)

# 創建畫布，切分繪圖區域，繪制兩條曲線
figure = plt.figure(figsize=(12,5))
ax = plt.subplot()

# 設定繪圖區字體
mpl.rcParams['font.family'] = 'simhei' # 設定顯示字體
mpl.rcParams['font.size'] = 10 # 設定顯示字體大小

# 資料準備
country_name = alltime_world.groupby(by='名稱')['累計確診'].max().sort_values(ascending=False)[:8].index # 累計確診人數最多的八個國家
color1 = ['red','blue','green','cyan','purple','yellow','deeppink','orange'] # 設定八個顏色

# 遍歷八個國家，呼叫自定義函式繪圖
for i in range(len(country_name)):
    line_chart(country_name[i],color1[i])

# 設定圖外觀（圖示題，y軸標題，圖例等）
plt.title('八個國家當日新增確診新冠肺炎折線圖',size=15)
plt.ylabel('人數')
plt.legend(bbox_to_anchor=[1,1])  # 圖例位置調整
plt.grid(axis='y')   # 添加y軸橫線
plt.box(False)

# 設定x軸日期顯示格式等
ax.xaxis.set_major_formatter(mpl.dates.DateFormatter('%Y-%m-%d')) # 設定時間標簽顯示格式
plt.xticks(pd.date_range(min(alltime_world.日期),max(alltime_world.日期),freq='3D'),rotation=90)# 設定時間標簽顯示格式

plt.show()

3.3 美國新冠肺炎的累計確診和當日新增確診繪制

繪制美國新冠肺炎的累計確診和當日新增確診的折線圖與柱形圖

# 資料準備
American = alltime_world[alltime_world['名稱']=='美國']
American.set_index('日期',inplace=True)# 設定日期為索引

# 創建畫布
fig, ax = plt.subplots(figsize=(10, 4))

# 設定繪圖區字體
mpl.rcParams['font.family'] = 'simhei' # 設定顯示字體
mpl.rcParams['font.size'] = 10 # 設定顯示字體大小

# 畫圖
American['累計確診'].plot(ax=ax, fontsize=8,style='-',lw=1,color='c',marker='o',ms=2,legend=True)   # 累計確診折線圖
ax1 = ax.twinx()
ax1.bar(American.index, American['當日新增確診'])   # 當日新增確診柱形圖

# 設定x軸日期顯示格式等
ax1.xaxis.set_major_locator(mpl.dates.DayLocator(interval = 5))    #設定間距
ax1.xaxis.set_major_formatter(mpl.dates.DateFormatter('%b %d'))    #設定日期格式
fig.autofmt_xdate()    #自動調整日期傾斜

# 設定圖外觀（圖示題，y軸標題，圖例等）
plt.title('美國新冠肺炎疫情折線圖',size=15)
ax.set_ylabel('人數', fontsize=10)
ax.set_xlabel('日期', fontsize=10)
ax1.legend(['當日新增確診'],loc='upper left',bbox_to_anchor=(0.001, 0.9))   # 設定圖例
plt.grid(axis='y')
plt.box(False)

plt.show()

四、資料分析可視化2–pyecharts繪圖

資料準備

# 匯入資料
import pandas as pd
world_data = pd.read_csv('alltime_world_2020_05_31.csv', encoding='utf-8')

# 缺失值處理
# 先使用線性插值的方式填充缺失值
world_data.interpolate(method='linear', inplace=True)

# 再使用0填充缺失值
world_data.fillna(0, inplace=True)

# 計算當日現存確診人數
world_data['today_storeConfirm'] = world_data['total_confirm']-world_data['total_heal']-world_data['total_dead']

# 將日期改成datetime格式
world_data['date'] = pd.to_datetime(world_data['date'])

# 選取最新更新的各國資料
world_data_groupby = world_data[['name','date','total_confirm']].groupby(by=['name'], as_index=False).max()
world_data_merge = pd.merge(world_data_groupby, world_data, on=['name','date','total_confirm'], how='left')

4.1 世界各國家現存確診人數地圖

將各個國家數值資訊映射到地圖上，通過顏色變化來表示數值的大小或范圍，顏色地圖適合帶有地理位置資訊的資料的展現，將顏色和地圖相結合，直觀顯示資料的地理分布，通過顏色深淺容易判斷數值的大小，下圖顯示的是截止到5月31日，世界各國現有確診人數地圖，每個區域被賦予一種顏色，通過查看左下角的圖例可以明確每種顏色對應的數值范圍，圖例中的顏色由下至上依次從淺到深，數值范圍也相應地由小到大，

# 匯入pyecharts庫以及繪圖需要的相關類
import pyecharts
import pyecharts.options as opts   # 調整配置項
from pyecharts.charts import Map   # Map類用于繪制地圖
from pyecharts.charts import Pie   # Pie類用于繪制玫瑰圖
from datetime import datetime,timedelta   # datetime模塊生成時間資料
import matplotlib.pyplot as plt    # 載入Matplotlib庫

利用 Map類繪制世界地圖時，需要輸入各國家的英文名稱和對應的數值，首先要將資料的中文名稱轉換為英文名稱，

# 載入國家中英文對照表，使用Series類的replace方法將各國家對應的中文名稱替換成英文名稱
contry_name = pd.read_csv('county_china_english.csv', encoding='gbk')
world_data_merge['eg_name'] = world_data_merge['name'].replace(contry_name['中文'].values ,contry_name['英文'].values)

# 提取出需要的資料，保存成一個嵌套串列的形式
heatmap_data = world_data_merge[['eg_name','today_storeConfirm']].values.tolist()
heatmap_data[:10]

[[‘Bhutan’, 37.0],
[‘Timor-Leste’, 0.0],
[‘China’, 118.0],
[‘Central African Rep.’, 938.0],
[‘Denmark’, 735.0],
[‘Ukraine’, 13426.0],
[‘Uzbekistan’, 757.0],
[‘Uganda’, 341.0],
[‘Uruguay’, 117.0],
[‘Chad’, 224.0]]

接下來開始繪圖

# 首先初始化類物件Map，并呼叫add方法添加繪圖基本配置
map_ = Map().add(series_name = "現存確診人數", # 設定提示框標簽
                 data_pair = heatmap_data, # 輸入資料
                 maptype = "world", # 設定地圖型別為世界地圖
                 is_map_symbol_show = False # 不顯示標記點
                ) 

# 設定系列配置項
map_.set_series_opts(label_opts=opts.LabelOpts(is_show=False))  # 不顯示國家（標簽）名稱

# 設定全域配置項
map_.set_global_opts(title_opts = opts.TitleOpts(title="世界各國家現存確診人數地圖"), # 設定圖示題
                     # 設定視覺映射配置項
                     visualmap_opts = opts.VisualMapOpts(pieces=[ # 自定義分組的分點和顏色
                                                               {"min": 10000,"color":"#800000"}, # 栗色
                                                               {"min": 5000, "max": 9999, "color":"#B22222"}, # 耐火磚
                                                               {"min": 999, "max": 4999,"color":"#CD5C5C"}, # 印度紅
                                                               {"min": 100, "max": 999, "color":"#BC8F8F"}, # 玫瑰棕色
                                                               {"max": 99, "color":"#FFE4E1"}, # 薄霧玫瑰
                                                              ], 
                     is_piecewise = True))  # 顯示分段式圖例

# 呼叫render_notebook方法直接在jupyter notebook中渲染圖形
map_.render_notebook()

4.2 世界國家累計死亡人數玫瑰圖

玫瑰圖是一種二維極坐標統計圖，玫瑰圖與餅狀圖類似，餅狀圖各個扇形的半徑相同，角度不同，角度表示每一部分占比的大小；玫瑰圖各個扇形的半徑和角度都不同，角度依然表示每一部分的占比大小，半徑表示每一部分的數值大小，下圖是一個特殊的玫瑰圖，扇形角度一致，半徑不同，可以很清楚觀察到海外每個國家累計確診人數的大小對比關系，

繪制累計死亡人數超過1000人的國家的累計死亡人數玫瑰圖

# 首先篩選出累計死亡人數超過1000人的世界國家，并按人數進行降序排序
need_data = world_data_merge[['name','total_dead']][world_data_merge['total_dead'] >1000]
rank = need_data[['name','total_dead']].sort_values(by='total_dead',ascending=False).values

# 接著導添加繪圖的基本配置
pie = Pie().add("累計死亡人數", # 添加提示框標簽
                rank, # 輸入資料
                radius = ["20%", "80%"],  # 設定內半徑和外半徑
                center = ["60%", "60%"],  # 設定圓心位置
                rosetype = "radius")   # 玫瑰圖模式，通過半徑區分數值大小，角度大小表示占比

# 最后設定全域和系列配置項并繪制玫瑰圖
pie.set_global_opts(title_opts = opts.TitleOpts(title="世界國家累計死亡人數玫瑰圖",  # 設定圖示題
                                                pos_right = '60%'),  # 圖示題的位置
                    legend_opts = opts.LegendOpts( # 設定圖例
                                                orient='vertical', # 垂直放置圖例
                                                pos_right="75%", # 設定圖例位置
                                                pos_top="20%"))
pie.set_series_opts(label_opts = opts.LabelOpts(formatter="{b} : {d}%")) # 設定標簽文字形式為（國家：占比（%））

# 在notebook中進行渲染     
pie.render_notebook()

4.3 五月世界國家累計確診人數動態條形圖

條形圖由一些長度不等的橫向長方形組成，以長方形的長度來表示資料，易于比較各組資料之間的差別，
動態圖表是目前非常流行的一種可視化方法，可以按照時間序列動態展示條形圖資料的變化，

繪制5月份累計確診人數最多的10個國家的動態條形圖（‘美國’, ‘巴西’, ‘俄羅斯’, ‘西班牙’, ‘英國’, ‘意大利’, ‘法國’, ‘德國’, ‘印度’, ‘土耳其’）

# 首先挑選出疫情最為嚴重的10個國家，并篩選出這些國家的歷史疫情資料
country_list = world_data.groupby(by='name')['total_confirm'].max().sort_values(ascending=False)[:10].index # 累計確診人數最多的10個國家
need_data = world_data[world_data['name'].isin(country_list)]

# 接下來使用datetime模塊生成時間資料，構造時間串列
time_list = [(datetime(2020, 5, 1) + timedelta(i)).strftime('%Y-%m-%d') for i in range(31)]

# 載入Matplotlib庫，并設定正常顯示中文字體
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['figure.dpi'] = 100

# 為每個國家設定一種顏色
color_list = ['brown','peru','orange','blue','green','red','yellow','teal','pink','orchid']
country_color = pd.DataFrame()
country_color['country'] = country_list
country_color['color'] = color_list

自定義繪圖函式

# 定義繪圖函式
import matplotlib.ticker as ticker

def barh_draw(day):

    # 提取每一天的資料
    draw_data = need_data[need_data['date']==day][['name','total_confirm']].sort_values(by='total_confirm',ascending=True)
    
    # 清空當前的繪圖
    ax.clear()
    
    # 繪制條形圖
    ax.barh(draw_data['name'],draw_data['total_confirm'], color=[country_color[country_color['country']==i]['color'].values[0] for i in draw_data['name']])
    
    # 數值標簽的間距
    dx = draw_data['total_confirm'].max()/200
    
    # 添加數值標簽
    for j, (name, value) in enumerate(zip(draw_data['name'], draw_data['total_confirm'])):
        
        ax.text(value+dx, j, f'{value:,.0f}', size=10, ha='left', va='center')
        
    # 添加日期標簽
    ax.text(draw_data['total_confirm'].max()*0.75, 0.4, day, color='#777777',size=40, ha='left')
    
    # 設定刻度標簽的格式
    ax.xaxis.set_major_formatter(ticker.StrMethodFormatter('{x:,.0f}'))
    
    # 設定刻度的位置
    ax.xaxis.set_ticks_position('top')

    # 設定刻度標簽的顏色和大小
    ax.tick_params(axis='x',colors='#777777', labelsize=15)
    
    # 添加網格線
    ax.grid(which='major',axis='x',linestyle='-')
    
    # 添加圖示題
    ax.text(0, 11, '5月世界各國家累計確診人數動態條形圖',size=20, ha='left')
    
    # 去除圖邊框
    plt.box(False)
    
    # 關倍訓圖框
    plt.close()

繪制動態條形圖

# 動態繪圖
fig, ax = plt.subplots(figsize=(12, 6))

import matplotlib.animation as animation
from IPython.display import HTML

animator = animation.FuncAnimation(fig, barh_draw, frames=time_list, interval=200)
HTML(animator.to_jshtml())

參考資料
[1] http://cookdata.cn/note/view_static_note/fa203bf68cc57b10af2773bf5b48fd34/
[2] http://cookdata.cn/note/view_static_note/f4edb8aed12abe451206406efee375d7/
[3] http://cookdata.cn/note/view_static_note/84230091c4104946ab3d22dd675df58d/