COVID-19疫情数据可视化：Python课程设计完整链路与避坑指南

简介这份资源是面向计算机、电子信息工程、数学等专业大学生的COVID-19疫情数据分析与可视化Python课程设计完整包适用于课程设计、期末大作业或毕业设计参考。内容涵盖疫情数据获取、清洗、转换、统计分析与可视化全流程涉及NumPy、Pandas、Matplotlib、Seaborn等数据科学库并包含时序预测、NLP情感分析、词云与地图可视化等进阶模块经导师指导并通过获得98分。压缩包共66个文件约4.12MB以17个py脚本、16张png图表、5个csv数据集、5个html页面及ipynb笔记本为主另含js、md、docx等辅助文件结构清晰便于按模块学习。已有62人学习下载。读者可获取完整代码、报告文档与数据集直接用于复现分析流程、撰写论文或二次开发快速掌握从数据清洗到可视化呈现的实战技能。1. 从一份 COVID-19 数据看板说起这套 Python 课程设计到底在练什么很多人第一次接触「COVID-19疫情数据的分析与可视化Python课程设计及代码报告」这个题目脑子里冒出来的画面是下载一份 CSV用 pandas 读进来画几张折线图截图贴进 Word交差。真按这个思路做答辩时老师问一句「你的数据从哪来、缺失值怎么处理的、累计确诊和新增确诊为什么对不上」基本就当场翻车。这个课程设计的核心不是画图而是走完一条完整的数据链路拿到原始疫情数据 → 清洗成可用结构 → 做时间序列和地区维度的分析 → 用可视化把结论讲清楚 → 把过程和结论写成可复现的报告。它适合两类人一类是正在做课程设计、需要一套能跑通、能讲明白的完整方案的学生另一类是想用真实数据练手 pandas、matplotlib、plotly 的入门者。COVID-19 数据的好处是维度清晰时间、地区、确诊、死亡、治愈坏处是来源杂、口径乱、累计值和新增值混在一起正好拿来练数据清洗。下面我按自己带人做这类设计的顺序把选型、代码、参数和坑一条条讲清楚。2. 数据从哪来、用什么工具链选型理由与最小可跑环境2.1 数据源的选择与字段口径确认做疫情分析数据源决定了后面一半的工作量。常见做法是优先选结构规整、字段命名统一的公开数据集比如 Johns Hopkins 大学维护的 CSSE 时间序列数据或者国内一些整理好的省市日度数据。我一般会先确认三件事时间字段是日期还是日期时间、地区字段是省市两级还是只有省、数值字段是累计值还是当日新增。这三个问题不确认后面必然返工。举个最常见的坑JHU 的 confirmed 是累计确诊而很多国内整理的数据给的是当日新增。你把两份数据直接 concat画出来的曲线会突然跳一个量级看起来像疫情爆发其实是口径混了。所以第一步不是写代码是打开 CSV 用文本编辑器看前 20 行把字段含义记在纸上。确认口径后统一成「日期 地区 累计确诊 累计死亡 累计治愈」这套结构新增值全部由累计值差分算出来不要直接混用两个来源的新增值。2.2 环境搭建Python 安装与依赖锁定环境这块新手最容易卡在 Python 安装和包版本冲突上。我的建议是直接用 conda 建独立环境不要往系统 Python 里装。下面是最小可跑的一套命令。# 创建独立环境指定 python 3.10避免和系统环境冲突 conda create -n covid-viz python3.10 -y conda activate covid-viz # 核心依赖数据处理 静态图 交互图 中文显示 pip install pandas2.0.3 numpy1.24.3 matplotlib3.7.2 plotly5.15.0 openpyxl3.1.2逻辑说明pandas 负责读取和清洗numpy 做数值计算matplotlib 出静态图用于报告plotly 出交互图用于演示openpyxl 用于读写 Excel。参数上pandas 锁 2.0.x 是因为 2.1 之后部分 groupby 行为有变化课程设计里没必要追新。matplotlib 3.7 对中文支持比老版本稳。装完先跑一段验证代码确认中文不乱码、plotly 能出图import pandas as pd import matplotlib.pyplot as plt import plotly.express as px # 设置中文字体Windows 用 SimHeiMac 用 Arial Unicode MS plt.rcParams[font.sans-serif] [SimHei] plt.rcParams[axes.unicode_minus] False # 解决负号显示为方块 df pd.DataFrame({日期: pd.date_range(2020-01-01, periods5), 确诊: [1, 3, 6, 10, 15]}) fig px.line(df, x日期, y确诊, title环境验证) fig.show() print(df.head())这段代码的作用是双重验证matplotlib 的中文字体配置是否生效plotly 的交互渲染是否正常。如果 fig.show() 打不开浏览器说明 plotly 的渲染器没配好加一行import plotly.io as pio; pio.renderers.default browser即可。参数axes.unicode_minusFalse是必须的否则负号会变成方块报告里很难看。2.3 项目目录结构让代码报告可复现课程设计最后要交代码和报告目录结构乱会让老师觉得你没工程意识。我一般用这套covid_project/ ├── data/ │ ├── raw/ # 原始数据只读不改 │ └── processed/ # 清洗后的数据 ├── src/ │ ├── load.py # 读取与字段校验 │ ├── clean.py # 清洗与差分 │ ├── analyze.py # 统计分析 │ └── visualize.py # 可视化 ├── output/ │ ├── figures/ # 图片输出 │ └── report.md # 分析结论 └── requirements.txtraw 目录只读是血泪经验一旦你在 raw 上直接改后面发现清洗逻辑错了原始数据已经回不去只能重新下载。processed 目录放清洗结果每次跑 clean.py 覆盖生成保证可复现。3. 数据清洗与差分把累计值变成能分析的新增值3.1 读取数据与字段校验拿到数据先做字段校验不要急着画图。下面这段代码做三件事读 CSV、检查必需字段、把日期转成 datetime。import pandas as pd REQUIRED [日期, 地区, 累计确诊, 累计死亡, 累计治愈] def load_data(path): df pd.read_csv(path, encodingutf-8) # 字段校验缺字段直接报错不要带着问题往下走 missing [c for c in REQUIRED if c not in df.columns] if missing: raise ValueError(f缺少必需字段: {missing}) # 日期统一转 datetime解析失败的行标为 NaT df[日期] pd.to_datetime(df[日期], errorscoerce) bad df[日期].isna().sum() if bad 0: print(f警告{bad} 行日期解析失败已剔除) df df.dropna(subset[日期]) return df.sort_values([地区, 日期]).reset_index(dropTrue)逻辑说明errorscoerce把无法解析的日期变成 NaT 而不是直接抛异常方便统计有多少脏数据。参数上encodingutf-8是默认但国内很多 Excel 导出的 CSV 是 gbk读出来乱码就换encodinggbk。排序是必须的后面差分依赖时间顺序顺序错了新增值会算出负数。3.2 累计值差分算新增三个必须处理的边界累计确诊差分得到当日新增听起来一行代码实际有三个坑地区分组、首日无前值、累计值回退。def add_daily(df): df df.copy() # 按地区分组差分不分组会把不同地区的数据串起来 df[新增确诊] df.groupby(地区)[累计确诊].diff() # 首日没有前值diff 结果是 NaN填 0 df[新增确诊] df[新增确诊].fillna(0) # 累计值回退数据修正会产生负数截断为 0 df[新增确诊] df[新增确诊].clip(lower0) # 同样处理死亡和治愈 for col, new in [(累计死亡, 新增死亡), (累计治愈, 新增治愈)]: df[new] df.groupby(地区)[col].diff().fillna(0).clip(lower0) return df逻辑说明groupby(地区)是关键不分组的话 diff 会把上一个地区最后一天和下一个地区第一天相减产生巨大的假新增。fillna(0)处理首日。clip(lower0)处理数据修正导致的累计值下降这种情况在疫情数据里很常见某天官方把重复统计的病例去掉累计值就降了差分出来是负数直接截断为 0 比保留负数更合理。参数上如果你想让负数保留以便排查数据问题可以先把负数行打印出来再截断neg df[df[新增确诊] 0] if len(neg) 0: print(f发现 {len(neg)} 行累计值回退涉及地区{neg[地区].unique()})这一步能帮你判断是数据源本身有问题还是你的分组逻辑错了。3.3 缺失值与异常值处理疫情数据早期经常有缺失尤其是地市级数据。处理策略要分情况整行缺失直接删单字段缺失用前值填充。def handle_missing(df): # 整行关键字段缺失删除 df df.dropna(subset[累计确诊]) # 死亡、治愈缺失用前值填充因为累计值不会凭空消失 df[累计死亡] df.groupby(地区)[累计死亡].ffill().fillna(0) df[累计治愈] df.groupby(地区)[累计治愈].ffill().fillna(0) return df逻辑说明ffill()是按地区分组后向前填充符合累计值的单调特性。不要用均值填充累计值那会破坏单调性差分出来的新增值会乱跳。异常值方面如果某天新增确诊突然是平时的几十倍先别删去查当天是不是有数据集中补报这种情况在报告里说明比删掉更有价值。4. 分析与可视化从时间序列到地区对比的四类图4.1 全国时间序列累计与新增双轴图时间序列是最基础的图但双轴图有个常见错误把累计和新增画在同一坐标轴新增曲线被压成一条直线。正确做法是用双 y 轴。import matplotlib.pyplot as plt def plot_national(df, region全国): sub df[df[地区] region].sort_values(日期) fig, ax1 plt.subplots(figsize(12, 5)) # 左轴累计确诊 ax1.plot(sub[日期], sub[累计确诊], color#c0392b, label累计确诊) ax1.set_ylabel(累计确诊, color#c0392b) # 右轴新增确诊 ax2 ax1.twinx() ax2.bar(sub[日期], sub[新增确诊], alpha0.4, color#2980b9, label新增确诊) ax2.set_ylabel(新增确诊, color#2980b9) ax1.set_title(f{region} 疫情时间序列) fig.legend(locupper left, bbox_to_anchor(0.1, 0.9)) plt.tight_layout() plt.savefig(foutput/figures/{region}_timeline.png, dpi150) plt.close()逻辑说明twinx()创建共享 x 轴的第二个 y 轴。参数alpha0.4让柱状图半透明避免遮挡折线。dpi150保证报告里图片清晰。plt.close()必须加批量画图时不关会内存泄漏画几十张就卡死。4.2 地区对比横向柱状图与堆叠面积图地区对比我一般用两种图横向柱状图看总量排名堆叠面积图看结构变化。def plot_region_rank(df, top_n10): # 取每个地区最后一天的累计确诊 latest df.sort_values(日期).groupby(地区).tail(1) top latest.nlargest(top_n, 累计确诊)[[地区, 累计确诊]] fig, ax plt.subplots(figsize(10, 6)) ax.barh(top[地区], top[累计确诊], color#e67e22) ax.set_xlabel(累计确诊) ax.set_title(f累计确诊前 {top_n} 地区) ax.invert_yaxis() # 最大值放顶部 plt.tight_layout() plt.savefig(output/figures/region_rank.png, dpi150) plt.close()逻辑说明groupby(地区).tail(1)取每个地区最后一行即最新累计值。nlargest排序取前 N。invert_yaxis()让排名第一的在最上面符合阅读习惯。参数top_n按报告需要调一般 10 到 15 合适太多标签会挤。堆叠面积图用 plotly 做交互版更适合演示import plotly.express as px def plot_stacked(df, regions): sub df[df[地区].isin(regions)] fig px.area(sub, x日期, y累计确诊, color地区, title重点地区累计确诊堆叠面积图) fig.write_html(output/figures/stacked.html)write_html输出交互文件答辩时可以直接在浏览器里缩放查看比静态图有说服力。4.3 增长率与传播速度7 日移动平均单日新增波动大直接画锯齿严重看不出趋势。标准做法是算 7 日移动平均。def add_ma(df, window7): df df.copy() df[新增确诊_MA7] df.groupby(地区)[新增确诊].transform( lambda x: x.rolling(window, min_periods1).mean() ) return df逻辑说明rolling(window).mean()是滑动窗口均值min_periods1保证前几天也有值而不是 NaN。transform保持原索引对齐。参数 window 一般取 7对应一周能抹平周末报告延迟带来的波动。如果你想看更平滑的趋势可以取 14但会滞后报告里要说明。增长率用pct_change()算注意分母为 0 的情况df[增长率] df.groupby(地区)[累计确诊].pct_change().replace([float(inf)], 0).fillna(0)4.4 可视化大屏思路把图拼成一张看板如果课程设计想做出「可视化大屏」的效果不需要上 Grafana 那种重型工具用 plotly 的 subplots 拼一张就够了。from plotly.subplots import make_subplots import plotly.graph_objects as go def build_dashboard(df): fig make_subplots(rows2, cols2, subplot_titles(累计趋势, 新增趋势, 地区排名, 增长率)) national df[df[地区] 全国].sort_values(日期) fig.add_trace(go.Scatter(xnational[日期], ynational[累计确诊], name累计), row1, col1) fig.add_trace(go.Bar(xnational[日期], ynational[新增确诊], name新增), row1, col2) latest df.sort_values(日期).groupby(地区).tail(1).nlargest(10, 累计确诊) fig.add_trace(go.Bar(xlatest[累计确诊], ylatest[地区], orientationh, name排名), row2, col1) fig.add_trace(go.Scatter(xnational[日期], ynational[增长率], name增长率), row2, col2) fig.update_layout(height800, title_textCOVID-19 数据看板) fig.write_html(output/figures/dashboard.html)逻辑说明make_subplots定义 2x2 网格add_trace时用row/col指定位置。update_layout统一高度和标题。输出 HTML 后可以直接全屏演示这是课程设计里性价比最高的「大屏」方案不用部署任何服务。5. 避坑与排查做这类课程设计最容易翻车的 5 个点5.1 中文乱码图里全是方块现象matplotlib 图上标题和标签显示成一个个方块。原因默认字体不含中文。解决在画图前设置plt.rcParams[font.sans-serif] [SimHei]Mac 换成Arial Unicode MSLinux 如果没有中文字体先fc-list :langzh查一下装了哪些再指定。注意这行要放在所有画图代码之前放后面不生效。5.2 累计值差分出负数现象新增确诊出现负值曲线掉到 0 以下。原因一是没按地区分组跨地区相减二是数据源本身有修正累计值下降。解决先确认groupby(地区)有没有加再加clip(lower0)截断。如果负数很多去查数据源是不是混了不同口径。5.3 日期排序错误导致趋势反了现象折线图 x 轴日期乱序趋势看起来忽上忽下。原因读进来没排序或者日期是字符串格式按字典序排的。解决pd.to_datetime转成 datetime 后再sort_values([地区, 日期])。字符串日期「2020-10-01」会排在「2020-9-01」前面这是经典坑。5.4 plotly 图打不开或空白现象fig.show()没反应或者浏览器打开是空白页。原因渲染器没配置或者 notebook 环境冲突。解决加import plotly.io as pio; pio.renderers.default browser。如果在 Jupyter 里用notebook或iframe。最稳的是直接write_html输出文件用浏览器打开不依赖环境。5.5 报告里结论和数据对不上现象报告写「某地区增长最快」但图上看不出来。原因算增长率时用了累计值而不是新增值或者时间窗口选得不对。解决增长率统一用新增确诊算窗口统一 7 日。报告里每个结论都要能指到具体图和具体数字不要凭印象写。我一般会在 analyze.py 里把关键数字 print 出来写报告时直接抄避免手算出错。6. 进阶技巧把分析结论自动写进报告课程设计最后要交报告手动截图贴数据很费时间而且改一次数据就要重贴一遍。我的习惯是让代码直接生成 Markdown 报告数据和图自动嵌入改完数据重跑一次就行。def generate_report(df, pathoutput/report.md): national df[df[地区] 全国].sort_values(日期) peak national.loc[national[新增确诊].idxmax()] total national[累计确诊].iloc[-1] latest df.sort_values(日期).groupby(地区).tail(1) top3 latest.nlargest(3, 累计确诊)[[地区, 累计确诊]] lines [ # COVID-19 数据分析报告, , f## 总体情况, f- 统计截止{national[日期].iloc[-1].date()}, f- 累计确诊{int(total)}, f- 单日新增峰值{int(peak[新增确诊])}{peak[日期].date()}, , ## 累计确诊前三地区, ] for _, row in top3.iterrows(): lines.append(f- {row[地区]}{int(row[累计确诊])}) lines [ , ## 图表, , , ] with open(path, w, encodingutf-8) as f: f.write(\n.join(lines)) print(f报告已生成{path})逻辑说明idxmax()找新增峰值所在行iloc[-1]取最新累计值nlargest(3)取前三地区。用 f-string 拼 Markdown图片用相对路径引用。参数上路径按你的目录结构调整图片路径要和实际输出一致否则报告里图裂。这个技巧的价值在于答辩前老师让你改个时间范围重跑你只需要改一个参数报告和图全部自动更新不用重新截图排版。我一般还会在报告末尾加一段「数据说明」写清楚数据来源、口径、清洗规则这段是老师最看重的部分能体现你知道数据有边界。最后一个习惯每次跑完完整流程把requirements.txt用pip freeze requirements.txt导出连同 data/raw 一起打包。这样换台电脑也能一键复现不会出现「在我电脑上能跑」的尴尬。做课程设计能复现比图好看更重要。希望帮到你。本文还有配套的精品资源点击获取