可视化实例基于R语言的全球疫情可视化

1047521767

                               可视化实例基于R语言的全球疫情可视化
% B: N/ E- X+ _( G! ~7 V目录
' v& t4 Z' x. l7 G一、数据介绍及预处理
( `0 C' a9 B4 ]( F$ j5 l, U4 ]二、新增确诊病例变化趋势
8 ^* A" N4 X+ [4 A3 H三、新增确诊病例全球地理分布
四、累计确诊病例动态变化图
' z" v2 U0 ~: R7 P6 F$ U9 }一、数据介绍及预处理
1. 基本字段介绍
8 `. b3 ?7 U( }2 j  V6 L% _" Q
字段名        含义
Province/State        省/州
, f0 Z, @, _' n1 x% h) u& BCountry/Region        国家/地区
' B! E9 H* P9 F. ^Lat        纬度
* q8 D$ w0 A( M1 }Long        经度
1/22/20-12/7/20        每日累计确诊病例
1 s; C( M+ p: Z* D6 u. U$ `
  i1 K4 b" E$ ]- e3 O+ P
. {0 c! n5 U/ V2 s/ Z7 {
6 b9 f4 f: \4 P

2. 数据预处理

• 整理某些国家的名称，如Korea, South改为 Korea
• 将日期列字段修改为相应的日期格式
• [color=rgba(0, 0, 0, 0.749019607843137)]#加载本次可视化所需包[color=rgba(0, 0, 0, 0.749019607843137)]library(readr)  [color=rgba(0, 0, 0, 0.749019607843137)]library(sp)  #地图可视化[color=rgba(0, 0, 0, 0.749019607843137)]library(maps)   #地图可视化[color=rgba(0, 0, 0, 0.749019607843137)]library(forcats)[color=rgba(0, 0, 0, 0.749019607843137)]library(dplyr)[color=rgba(0, 0, 0, 0.749019607843137)]library(ggplot2)[color=rgba(0, 0, 0, 0.749019607843137)]library(reshape2) [color=rgba(0, 0, 0, 0.749019607843137)]library(ggthemes)  #ggplot绘图样式包[color=rgba(0, 0, 0, 0.749019607843137)]library(tidyr)[color=rgba(0, 0, 0, 0.749019607843137)]library(gganimate) #动态图[color=rgba(0, 0, 0, 0.749019607843137)]
  ) P, K7 j! R9 D* V& T$ u/ o[color=rgba(0, 0, 0, 0.749019607843137)]#一、国家名词整理[color=rgba(0, 0, 0, 0.749019607843137)]data<-read_csv('confirmed.csv')[color=rgba(0, 0, 0, 0.749019607843137)]data[data$`Country/Region`=='US',]$`Country/Region`='United States'[color=rgba(0, 0, 0, 0.749019607843137)]data[data$`Country/Region`=='Korea, South',]$`Country/Region`='Korea'[color=rgba(0, 0, 0, 0.749019607843137)]
  [color=rgba(0, 0, 0, 0.749019607843137)]information_data<-data[,1:4] #取出国家信息相关数据[color=rgba(0, 0, 0, 0.749019607843137)]inspect_data<-data[,-c(1:4)] #取出确诊人数相关数据[color=rgba(0, 0, 0, 0.749019607843137)]
  [color=rgba(0, 0, 0, 0.749019607843137)]#二、日期转换[color=rgba(0, 0, 0, 0.749019607843137)]datetime<-colnames(inspect_data)[color=rgba(0, 0, 0, 0.749019607843137)]pastetime<-function(x){[color=rgba(0, 0, 0, 0.749019607843137)]  date<-paste0(x,'20')[color=rgba(0, 0, 0, 0.749019607843137)]  return(date)[color=rgba(0, 0, 0, 0.749019607843137)]}[color=rgba(0, 0, 0, 0.749019607843137)]datetime1<-as.Date(sapply(datetime,pastetime),format='%m/%d/%Y')[color=rgba(0, 0, 0, 0.749019607843137)]colnames(inspect_data)<-datetime1[color=rgba(0, 0, 0, 0.749019607843137)]
  [color=rgba(0, 0, 0, 0.749019607843137)]#合并数据,data为累计确诊人数数据(预处理后)[color=rgba(0, 0, 0, 0.749019607843137)]data<-cbind(information_data,inspect_data)[color=rgba(0, 0, 0, 0.749019607843137)]二、新增确诊病例变化趋势#由累计确诊病例计算新增确诊病例
  . {1 t: {! Q$ A8 G1 j: Winspect_lag_data<-cbind(0,inspect_data[,1ncol(inspect_data)-1)])
  / ]0 ^' v1 f( }+ `3 `! Z" iincrease_data<-inspect_data-inspect_lag_data
  8 X9 m0 Y6 s7 I5 C( n* Z# I2 ^. ]
  ( s5 I9 G; D: ]* a#合并数据,new_data为新增确诊人数数据
  $ J  Y  d& A* i( gnew_data<-cbind(information_data,increase_data)
  
  , S5 G: E( r9 G  Q1. 中国新增确诊病例变化趋势
  #合并所有省份新增确诊人数
  : }! F1 H9 H! `% D! Mchina<-new_data[new_data$`Country/Region`=='China',]
  china_increase<-data.frame(apply(china[,-c(1:4)],2,sum))
  colnames(china_increase)<-'increase_patient'
  " ?& U$ c% s6 Z. H0 ~) c7 M3 |china_increase$date<-as.Date(rownames(china_increase),format="%Y-%m-%d")
  & d- r. u6 T4 W" Q) G
  , U/ }; C0 r' u0 ~' Jggplot(china_increase,aes(x=date,y=increase_patient,color='新增确诊人数'))+geom_line(size=1)+
  4 W$ x: H7 p8 F! o6 S  scale_x_date(date_breaks = "14 days")+  #设置横轴日期间隔为14天(注意:此时的date列必须为日期格式!)
    labs(x='日期',y='新增确诊人数',title='2020年1月22日-2020年12月7日中国新增确诊人数变化趋势图')+
  3 Z, S; h/ B  X3 h* H/ F  theme_economist()+  #使用经济学人绘图样(式ggthemes包)
  & g1 ~% G' ^3 @, ?0 }) g% w  theme(plot.title = element_text(face="plain",size=15,hjust=0.5),
          axis.title.x = element_blank(),
          axis.title.y = element_text(size=15),
  ; z, |: I0 }9 c/ i! O        axis.text.x = element_text(angle = 90,size=15),
          axis.text.y = element_text(size=15),
  . U9 M( v' x7 d2 P. W0 f        legend.title=element_blank(),
          legend.text=element_text(size=15))
  
  1 G$ p( {4 Y) L  s" M- i                             
  , g% Z$ r1 U5 p! ^2. 美国新增病例变化趋势
  us<-new_data[new_data$`Country/Region`=='United States',]
  * |. u2 y& v2 W" m9 kus_increase<-gather(us,key="date",value="increase_patient",'2020-01-22':'2020-12-07')
  us_increase$date<-as.Date(us_increase$date)
  ggplot(us_increase,aes(x=date,y=increase_patient,color='新增确诊人数'))+geom_line(size=1)+
    Y- q" w+ x$ `6 E4 h  scale_x_date(date_breaks = "14 days")+   #设置横轴日期间隔为14天
  # M. {0 i% m. Q5 @  labs(x='日期',y='新增确诊人数',title='2020年1月22日-2020年12月7日美国新增确诊人数变化趋势图')+
  9 k7 u$ Z- s, _/ h8 W# d  theme_economist()+   #使用经济学人绘图样(式ggthemes包)
  : D6 {. r! N1 Z1 t$ u  theme(plot.title = element_text(face="plain",size=15,hjust=0.5),
  2 r' x: K4 B9 ^* ?4 u        axis.title.x = element_blank(),
          axis.title.y = element_text(size=15),
          axis.text.x = element_text(angle = 90,size=15),
  $ w% ]7 u: e1 c+ P. |" Z1 @5 i$ a        axis.text.y = element_text(size=15),
  9 n- B2 |& H+ A% w' n        legend.title=element_blank(),
          legend.text=element_text(size=15))
  
  3 X& U  ], \5 |1 w
  8 O  ]0 [/ F7 U# ^5 ^* c6 `7 E$ K3. 全球新增病例变化趋势
  total_increase<-data.frame(apply(new_data[,-c(1:4)],2,sum))
  colnames(total_increase)<-'increase_patient'
  total_increase$date<-as.Date(rownames(total_increase),format="%Y-%m-%d")
  ggplot(total_increase,aes(x=date,y=increase_patient,color='新增确诊人数'))+geom_line(size=1)+
  6 i/ {+ _( t5 z" ~; |  scale_x_date(date_breaks = "14 days")+
    labs(x='日期',y='新增确诊人数',title='2020年1月22日-2020年12月7日全球新增确诊人数变化趋势图')+
  * \. G6 R" l; @1 m) x5 |3 q3 {  theme_economist()+
  2 [* g3 w- O3 f; R, k. O( k  {  scale_y_continuous(limits=c(0,8*10^5),      #考虑数字过大,以文本形式标注y轴标签
  $ M4 X  ]% d4 u                     breaks=c(0,2*10^5,4*10^5,6*10^5,8*10^5),
                       labels=c("0","20万","40万","60万","80万"))+
    theme(plot.title = element_text(face="plain",size=15,hjust=0.5),
          axis.title.x = element_blank(),
  ( m1 m+ r3 P! k        axis.title.y = element_text(size=15),
          axis.text.x = element_text(angle = 90,size=15),
          axis.text.y = element_text(size=15),
  0 C9 Y# \6 |6 @9 Z/ d/ n        legend.title=element_blank(),
          legend.text=element_text(size=15))
  
  6 c" r+ l* {: ~9 J
  三、新增确诊病例全球地理分布
  mapworld<-borders("world",colour = "gray50",fill="white")
  ( V" }, f; |6 i% {4 ~  aggplot()+mapworld+ylim(-60,90)+
  , O/ F4 O# S" w0 q; c8 v# ^  geom_point(aes(x=new_data$Long,y=new_data$Lat,size=new_data$`2020-01-22`),color="darkorange")+
  $ @# t# [0 I, b+ n  scale_size(range=c(2,9))+labs(title="2020年1月22日全球新增确诊人数分布")+
    theme_grey(base_size = 15)+
  . ?8 t1 T% {& ?, l! J. b/ Q' h  theme(plot.title=element_text(face="plain",size=15,hjust=0.5),
          legend.title=element_blank())
  2 R. ]4 u# J  t7 |  T; K) ^9 F- ^
  ) ?' F! F! y; o( S# L  zggplot()+mapworld+ylim(-60,90)+
    geom_point(aes(x=new_data$Long,y=new_data$Lat,size=new_data$`2020-11-22`),color="darkorange")+
  3 }: @" G& x0 a: X6 B8 K% ^  scale_size(range=c(2,9))+labs(title="2020年11月22日全球新增确诊人数分布")+
  8 z# M2 R1 ~' G6 }; [3 Q# d9 `4 t  t. W  theme_grey(base_size = 15)+
    theme(plot.title=element_text(face="plain",size=15,hjust=0.5),
          legend.title=element_blank())
  , J0 a: l& G. Z
  
  . [9 p9 S! m2 O! b四、累计确诊病例动态变化图

  1. 至12月7日全球累计病例确诊人数前十国家

  
  , n2 d! k  k/ @& O

  cum_patient<-data[c("Country/Region","2020-12-07")]

  cum_patient<-cum_patient[order(cum_patient$`2020-12-07`,decreasing = TRUE),][1:10,]

  colnames(cum_patient)<-c("country","count")

  cum_patient<-mutate(cum_patient,country = fct_reorder(country, count))

  cum_patient$labels<-paste0(as.character(round(cum_patient$count/10^4,0)),"万")

  ggplot(cum_patient,aes(x=country,y=count))+

  geom_bar(stat = "identity", width = 0.75,fill="#f68060")+

    coord_flip()+  #横向

    xlab("")+

    geom_text(aes(label = labels, vjust = 0.5, hjust = -0.15))+

    labs(title='至2020年12月7日累计确诊病例前十的国家')+

    theme(plot.title = element_text(face="plain",size=15,hjust=0.5))+

    scale_y_continuous(limits=c(0, 1.8*10^7))

  
  2. 五国（India、Brazil、Russia、Spain、Italy）累计确诊病例动态变化图
  5 P) X. Y, t5 {cum_patient_time<-gather(data,key="date",value="increase_patient",'2020-01-22':'2020-12-07')
  colnames(cum_patient_time)<-c("rovince","Country","Lat","Long","date","increase_patient")
  * Z% h' d+ y7 u! U1 E( Ifive_country<-subset(cum_patient_time,Country %in% c("India","Brazil","Russia","Spain","Italy"))
  five_country$date<-as.Date(five_country$date)
  
  3 b/ p# D; `' Z0 ]ggplot(five_country,
              aes(x=reorder(Country,increase_patient),y=increase_patient, fill=Country,frame=date)) +  
  " H/ ^) g9 G4 r) u  geom_bar(stat= 'identity', position = 'dodge',show.legend = FALSE) +  
  * b: }9 U- a. @0 C  geom_text(aes(label=paste0(increase_patient)),col="black",hjust=-0.2)+  
  ' j- t2 {+ j5 {4 V  scale_fill_brewer(palette='Set3')+  #使用Set3色系模板
    theme(legend.position="none",
          panel.background=element_rect(fill='transparent'),
  # o6 F9 E5 l/ h; B& H/ ?        axis.text.y=element_text(angle=0,colour="black",size=12,hjust=1),
  1 p( t( V/ K2 R5 [        panel.grid =element_blank(),  #删除网格线
  : d4 v3 c" N5 _2 B        axis.text = element_blank(),  #删除刻度标签
  ; J9 K0 ~- G) ]+ N) P) `% ^        axis.ticks = element_blank(),  #删除刻度线
  0 T4 J5 [. Z3 `; d2 U4 X8 f  )+
  ; a4 \/ e' E; f2 Y1 ^/ g# X  coord_flip()+  
    transition_manual(frames=date) +  #动态呈现
    labs(title = paste('日期:', '{current_frame}'),x = '', y ='五国累计确诊病例增长')+  
    theme(axis.title.x = element_text(size=15))+
    ease_aes('linear')  
  
  4 Z$ i& C& J: |: P. @* fanim_save(filename = "五国累计确诊病例增长动态图.gif")
  
  ; C" [' o* S) b  x! e( C
  # |! ?; _1 j& q0 f5 \7 B7 O4 G
  

8 j- P4 B, X5 m0 d, w- k
6 m' x1 }9 Q  _