来啦，那就进来看看呗~

王麦齐先森の博客

不必行色匆匆，不必光芒四射，不必成为别人，只需做自己

20192401王麦齐 实验四《Python程序设计》使用爬虫爬取【网易新闻 肺炎疫情实时动态播报】页面信息实验报告

2019-2020-2 《Python程序设计》实验四报告

课程：《Python程序设计》
班级：1924
姓名：王麦齐
学号：20192401
实验教师：王志强
实验日期：2020年4月12日
必修/选修： 公选课

1.实验内容

  • 1>使用爬虫爬取【网易新闻 肺炎疫情实时动态播报】页面信息。
    （https://wp.m.163.com/163/page/news/virus_report/index.html?nw=1&anw=1）

  • 2>将爬取的数据存储为csv格式文件。

  • 3>读取csv文件，对数据进行相应的处理。

  • 4>对处理后的数据进行可视化分析。

2.实验过程及结果

1>找到目标网址，伪装浏览器，请求数据

（1）通过响应network找到数据源如下：
（https://c.m.163.com/ug/api/wuhan/app/data/list-total?t=317836035959#）
（2）伪装浏览器，headers如下：
（headers = {'user-agent': 'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/55.0.2883.87 Safari/537.36'}）
（3）使用requests库对目标网址进行请求，打印响应码：

（4）打印响应内容：

2>使用Json模块对响应内容进行初步解析

（1）data_json = json.loads(req.text) #使用json.loads将json字符串转化为字典
（2）打印字典的key值

可以看到我们需要的是其中的data数据，再次打印data查看结果。

有点混乱，可以看到其仍然为字典，再次打印data的key值，得到关键信息。

前两个和中国有关，第3、4个和更新时间有关，最后一个不太确定是啥，打印再看看。

这次我们可以看到出现了很多国家的名字，按照猜测应该是对应网页这块：

接下来我们将对这块数据进行分析处理并可视化。

（3）使用PrettyPrinter打印字典（PrettyPrinter格式化输出字典）

可以看到areaTree的数据格式是list，里面每一个国家对应一个字典，而字典中又嵌套着字典。

3>世界各国实时数据爬取

（1）获取areaTree数据
areaTree = data['areaTree']
（2）获取数据

today_world = get_data(areaTree,['id','lastUpdateTime','name']) #调用封装的函数获取数据
查看前5行

（3）存储数据

save_data(today_world,'today_world') #调用函数保存数据

4>数据处理

（1）更换数据列名
将英文列名换为中文列名方便我们理解数据进行处理。

使用drop()方法删除Unnamed: 0列，使用describe()方法查看对数据的描述：

计算【当日现存确诊】公式为：累计确诊-累计治愈-累计死亡
计算【病死率】公式为：累计死亡/累计确诊

通过数据描述可以发现NaN值特别多，那么我们可以计算一下每一列NaN值占多少。

使用isnull()方法查看DataFrame数据的NaN值，并用sum()方法进行求和，除以总大小。

使用sort_values方法对DataFrame进行排序，排序方式以病死率，按降序方式，得到如下结果：

将索引改为国家名称：
td_wd.set_index('名称',inplace=True)
并按累计确诊进行再次排序，取出['累计确诊','累计死亡','病死率']三列前10赋给新的变量：

5>数据可视化

（1）从matplotlib可视化库中导入pyplot
（2）指定plt.rcParams['font.sans-serif'] = ['SimHei'] #防止中文乱码
（3）按照病死率对10位数据进行排序，并将['累计确诊','累计死亡','病死率']三列分别作为每一张子图，得到可视化结果。

（4）同样的，爬取最近几月内历史数据。需要执行 2>——4>步
经过适当处理后得到如下结果：

可以看到一个国家对应最近俩月不同的行，这种数据结构不易处理，再将其国家名称作为key值，存储每一天的数据。
for i in ac.index:
name = ac['名称'][i]
if name not in hisc.keys():
hisc[name] = []
hisc[name].append(list(ac.loc[i]))
else:
hisc[name].append(list(ac.loc[i]))

循环读取数据的每一行，判断当前行国家名在此字典key值是否存在，如果存在直接添加数据，不存在则创建值空列表再添加当前行数据。

查看数据以后，发现不同国家之间爬取到的数据是存在缺失值的，我们将不存在的日期去除，只保留当前所有国家存在日期的交集：
for i in cn:
d += 1
if d==1:
p_a = ds1[i]
continue
else:
p_b = ds1[i]
p_a = set(p_a) & set(p_b)

cn为国家名称（由于数据太多，表现效果不是很理想，故只取病死率前5国家作为可视化分析的依据）

（5）当日新增确诊趋势
由于横坐标轴显示问题，将其文本旋转60°，由于太过密集的原因，再将其设置为间隔显示。

（6）当日新增确认趋势

（7）当日新增死亡

（8）病死率趋势

（9）当日累计治愈

3.成果分析

从以上数据可以看到也门人口基数少，但却是病死率最高的国家。法国新增确诊波动比较大，可能是由于政策上的原因导致疫情二次扩散，同时也门有逐渐减少的趋势。意大利每天的治愈量非常大，有可能是因为人口基数的原因，同时也说明了治疗肺炎的能力也在前面。
意大利的死亡人数有减缓趋势，而法国在四月中旬波动比较大，在5月中旬趋于平缓说明法国已经在这场肺炎疫情趋势中有所好转。
从累计治愈人数来看，意大利>法国>比利时>圣马丁岛>也门
（155633>68268>15769>60>13）

3.实验过程中遇到的问题和解决过程

1>爬虫爬取数据
解决：通过network找到真实数据地址

2>数据处理
解决：DataFrame虽然好用但不是非常灵活，配合字典和列表构成新的数据格式，可以绘制出想要的可视化效果

3>数据缺失值处理
解决：对所有缺失值数据进行行删除，以此清洗后得到有效的数据。

4.结课总结：

通过课程的学习，我学习到了python如何使用，python语言的发展历史。学习到了流程控制语句：if-elif-else语句(elif else 可选)、for/while循环。学习到了序列如何应用、字符串与正则表达式如何实际去应用以及相关之间的关系。第六课学习到了函数如何编写，第7课学习了面向对象编程，万物皆为对象。第8课学习了异常处理，是为了防止错误中断程序使程序更加的健壮。第9课学习了数据库，python如何操作数据库，还学习到了一些简单的控制数据库语句。第10课学习了爬虫，对本次实验来说，实现并且应用！

5.课程感想体会：

通过本次课程学习，掌握了许多编程技巧。在不断进步的过程中，收获了许多新的知识。总之非常感谢老师的教导，而且本课程实用性也非常好，对于以后不懂编程很难混有极大的科普价值，当然也有一定的实用性！
码云链接：
[源代码]: https://gitee.com/wangmaiqi/untitled/commit/0ae33729b751df81538581eac47d892cd5a81ed3

参考资料

posted @ 2020-06-06 11:18  王麦齐20192401  阅读(1189)  评论(0)  编辑  收藏  举报