企业官网建设流程全解析

简介：这份资源面向数据分析初学者、地理信息可视化爱好者及疫情数据研究者，提供一套可直接上手的新冠疫情时空分析基础数据。包内共3个文件，以csv表格与json地理数据为主，压缩包约360KB，体积轻便、便于快速加载。其中地理边界数据可用于绘制中国地图轮廓，全国城市位置数据用于将各城市坐标映射到地图上，而2020年2月9日的疫情数据则记录了当日各地确诊情况，三者配合即可完成疫情分布地图、城市点位标注与区域对比等可视化练习。借助这套数据，读者能够熟悉Python中pandas读取表格、json解析地理边界以及matplotlib或pyecharts绘图的基本流程，并理解真实疫情数据的字段结构与空间关联方式，为后续更复杂的时空分析打下基础。目前已有4703人学习下载，适合作为课程作业、数据可视化入门项目或疫情趋势复现的素材。

1. 新冠病毒数据集：从地理位置到城市坐标，一份数据能撑起多少分析场景

2020 年 2 月 9 日前后，很多做数据分析和可视化的人都在找同一类东西：一份能同时给出病例数量、地理位置和全国城市坐标的新冠病毒数据集。原因很直接——单有确诊数字，你只能画折线图；单有城市经纬度，你只能画散点图；只有把「时间、空间、数量」三个维度拼在一起，才能做出真正有解释力的分析。这份数据集的核心价值就在这里：它把疫情统计数据和地理信息做了关联，让「哪个城市、什么时间、多少病例」变成一张可以查询、可以聚合、可以可视化的表。

它适合三类人：做数据可视化练手的前端或数据分析新手，需要快速拿到带地理维度的真实数据；做空间分析的研究者，想验证聚集性、传播距离、城市间差异；以及做数据工程项目的人，想拿一份结构清晰但又有真实脏数据特征的数据集来练 ETL。这篇文章不讲空泛的背景，只讲怎么把这份数据真正跑起来——从字段理解、坐标匹配、数据清洗，到可视化落地和常见翻车点。

2. 先搞清楚数据里有什么：字段结构、坐标系统和关联逻辑

2.1 三类数据的分工：病例表、城市坐标表、地理区域表

拿到一份「包含地理位置、全国城市位置、2020-2-9 新冠病毒数据集」的资源，第一件事不是急着画图，而是把里面的表拆开看。常见做法是把它理解成三张逻辑表：

第一张是病例统计表，通常包含日期、省份、城市、确诊数、疑似数、死亡数、治愈数等字段。这张表是事实表，记录的是「某个时间点某个地方的数字」。

第二张是城市坐标表，包含城市名、省份、经度、纬度，有的还会带行政区划代码。这张表是维度表，作用是给病例表补上空间信息。

第三张是地理区域表，可能是省份边界、城市边界或者区域分组，用来做地图渲染时的区域匹配。

三张表能不能关联起来，取决于一个关键字段：城市名或行政区划代码。这里就是第一个坑——病例表里的城市名和坐标表里的城市名，往往不是一套写法。

2.2 城市名匹配：为什么「北京」和「北京市」会让你的 join 失败

我一般会先做一次字段探查，用 Python 把两张表的城市名各自去重，然后做差集。下面这段代码是我常用的探查模板：

import pandas as pd # 读取病例表和坐标表，注意编码，中文数据常见 utf-8 或 gbk cases = pd.read_csv("cases_20200209.csv", encoding="utf-8") coords = pd.read_csv("city_coords.csv", encoding="utf-8") # 统一去掉首尾空格，避免看不见的空格导致匹配失败 cases["city"] = cases["city"].astype(str).str.strip() coords["city"] = coords["city"].astype(str).str.strip() # 查看病例表里有、但坐标表里没有的城市 case_cities = set(cases["city"].unique()) coord_cities = set(coords["city"].unique()) missing = case_cities - coord_cities print("病例表中无法匹配坐标的城市数量：", len(missing)) print("示例：", list(missing)[:20])

这段代码的逻辑很直接：先把城市名做标准化去空格，再用集合差集找出匹配不上的城市。参数上唯一需要注意的是编码，中文 CSV 经常是 GBK，如果读出来乱码就换encoding="gbk"再试。输出结果里如果出现「北京」和「北京市」同时存在，就说明需要做名称归一化。

归一化的常见做法是建一张映射表，把「市」「省」「自治区」这类后缀统一处理，同时处理「恩施土家族苗族自治州」这种长名称的简写问题。不要用正则一刀切，因为有些城市名本身带「市」字但不是后缀，硬切会出错。

2.3 经纬度坐标系：WGS84 和 GCJ02 别混用

坐标表里的经纬度，必须确认坐标系。常见的有 WGS84（GPS 原始坐标）和 GCJ02（国内地图常用的加密坐标）。如果你拿 WGS84 的坐标直接往 GCJ02 的地图上打点，会出现几百米的偏移，在城市级别看不出来，但做街道级或聚集性分析时就是灾难。

判断方法很简单：拿几个已知地标的坐标去对应地图上验证。如果偏差在几十米内，基本是同一套；如果偏差几百米，就是混用了。处理方式是要么统一转成一套，要么在可视化时用对应坐标系的地图底图。这一步没有捷径，必须验证。

3. 把数据跑起来：从清洗到可视化的完整链路

3.1 数据清洗：处理缺失值、重复记录和异常数字

真实疫情数据几乎没有干净的。2020 年 2 月 9 日这个时间点，很多城市的统计口径还在变化，常见问题有三类：缺失值、重复记录、异常数字。

缺失值方面，疑似数、死亡数、治愈数经常为空。处理策略取决于分析目标：如果只做确诊数可视化，可以直接忽略；如果要做死亡率分析，就必须把空值当 0 还是当缺失，需要明确标注。

重复记录方面，同一城市同一天可能出现多条，原因是数据合并了不同来源。去重逻辑要按「日期 + 城市」做主键，保留最新或最完整的一条。

异常数字方面，偶尔会出现确诊数突然为负或者大得离谱，这通常是录入错误。下面是我常用的清洗代码：

import pandas as pd import numpy as np df = pd.read_csv("cases_20200209.csv", encoding="utf-8") # 统一城市名和省份名 df["city"] = df["city"].astype(str).str.strip() df["province"] = df["province"].astype(str).str.strip() # 数值字段转数字，无法转换的变成 NaN for col in ["confirmed", "suspected", "dead", "cured"]: df[col] = pd.to_numeric(df[col], errors="coerce") # 缺失值填 0，但要记录哪些是原本就缺失的 df["suspected"] = df["suspected"].fillna(0) df["dead"] = df["dead"].fillna(0) df["cured"] = df["cured"].fillna(0) # 去掉确诊数为负的异常记录 df = df[df["confirmed"] >= 0] # 按日期和城市去重，保留确诊数最大的一条 df = df.sort_values("confirmed", ascending=False) df = df.drop_duplicates(subset=["date", "city"], keep="first") print("清洗后记录数：", len(df)) print(df[["date", "province", "city", "confirmed"]].head())

逻辑说明：先做类型转换，把可能的字符串数字变成数值，无法转换的用coerce变成 NaN，避免后续计算出错。缺失值填 0 是一种简化处理，适合可视化场景，但如果做统计推断，建议保留缺失标记。去重时按确诊数降序再保留第一条，相当于保留信息量最大的记录。参数上，drop_duplicates的subset决定了去重维度，这里用日期加城市，是因为分析粒度是「城市日」。

3.2 坐标关联：把病例数字落到地图上

清洗完病例表，下一步是关联坐标。用 pandas 的 merge 就能完成，但要注意关联后的行数变化——如果坐标表里有重复城市，会导致病例记录被放大。

coords = pd.read_csv("city_coords.csv", encoding="utf-8") coords["city"] = coords["city"].astype(str).str.strip() # 坐标表去重，避免一对多导致数据膨胀 coords = coords.drop_duplicates(subset=["city"], keep="first") # 左连接，保留所有病例记录 merged = pd.merge(df, coords[["city", "lng", "lat"]], on="city", how="left") # 检查有多少记录没匹配上坐标 unmatched = merged[merged["lng"].isna()] print("未匹配坐标的记录数：", len(unmatched)) print(unmatched["city"].unique()[:20])

这里的关键参数是how="left"，保证病例表的所有记录都保留，匹配不上的坐标为空，方便后续单独处理。如果匹配率低于 90%，说明城市名标准化没做好，需要回到上一步补映射规则。

3.3 可视化落地：用 pyecharts 做城市级疫情地图

数据准备好之后，可视化是最直观的验证方式。我一般用 pyecharts 做快速验证，因为它对中文城市名和地图支持比较好。

from pyecharts.charts import Geo from pyecharts import options as opts from pyecharts.globals import ChartType # 只取确诊数大于 0 的城市 plot_data = merged[merged["confirmed"] > 0][["city", "confirmed"]] plot_data = plot_data.groupby("city", as_index=False)["confirmed"].sum() geo = ( Geo() .add_schema(maptype="china") .add( "确诊数", [list(z) for z in zip(plot_data["city"], plot_data["confirmed"])], type_=ChartType.EFFECT_SCATTER, ) .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) .set_global_opts( title_opts=opts.TitleOpts(title="2020-02-09 全国城市确诊分布"), visualmap_opts=opts.VisualMapOpts(max_=plot_data["confirmed"].max()), ) ) geo.render("covid_map.html")

这段代码的逻辑是：先按城市聚合确诊数，再用 Geo 图打点，EFFECT_SCATTER会生成带涟漪效果的点，适合表现数量差异。visualmap_opts的max_参数控制颜色映射的上限，如果某个城市数值特别大，会导致其他城市颜色都很浅，这时候可以用对数或者分位数来调整。

渲染出来的 HTML 可以直接在浏览器打开，不需要额外服务。如果点打不上，优先检查城市名是否和 pyecharts 内置的地图城市名一致，这是最常见的翻车点。

4. 避坑与排查：这份数据集最容易翻车的 5 个地方

4.1 城市名对不上，地图上少了一大片

现象：可视化时发现某些省份的城市完全没有点，但数据里明明有记录。

原因：病例表的城市名和坐标表或地图组件的城市名不一致，比如「恩施」和「恩施土家族苗族自治州」、「乌鲁木齐」和「乌鲁木齐市」。

解决：建一张标准化映射表，把所有变体映射到统一名称。映射表要人工核对，不要用自动替换，因为有些简称会和其他城市冲突。

4.2 经纬度偏移，点飘到隔壁城市

现象：地图上的点位置明显不对，比如某个城市的点落在邻市。

原因：坐标系混用，WGS84 和 GCJ02 没有统一。

解决：确认坐标表来源，统一转换成同一套坐标系。如果无法转换，至少在可视化时用对应底图，并标注坐标系。

4.3 数据重复导致数字翻倍

现象：某个城市的确诊数比官方公布的高很多。

原因：病例表里同一城市同一天有多条记录，merge 坐标后没有去重。

解决：在 merge 之前先按「日期 + 城市」去重，merge 之后再检查一次行数是否和预期一致。

4.4 缺失值填 0 导致统计失真

现象：计算死亡率或治愈率时结果异常低。

原因：把缺失的死亡数、治愈数直接填 0，相当于假设这些城市没有死亡或治愈，但实际是数据没统计。

解决：区分「真实为 0」和「缺失」，缺失值单独标记，统计时排除或做敏感性分析。

4.5 时间字段格式不统一，排序出错

现象：按日期排序时顺序混乱，或者时间序列图断裂。

原因：日期字段有的是「2020-02-09」，有的是「2020/2/9」，格式不统一。

解决：统一用pd.to_datetime转换，指定format参数或让 pandas 自动推断，转换后再排序。

5. 进阶用法：把这份数据集变成可复用的分析模板

5.1 用空间自相关验证聚集性

如果你不满足于画地图，想验证「疫情是否存在空间聚集」，可以用空间自相关指标。常见做法是计算 Moran's I，需要用到城市间的空间权重矩阵。权重可以用距离倒数或者邻接关系构建。这一步对坐标精度要求高，如果坐标系混用，结果会完全失真。

import numpy as np from scipy.spatial.distance import cdist # 取有坐标的城市 geo_data = merged.dropna(subset=["lng", "lat"]).copy() coords_array = geo_data[["lng", "lat"]].values # 用欧氏距离构建权重矩阵，距离越近权重越大 dist_matrix = cdist(coords_array, coords_array, metric="euclidean") weights = 1 / (dist_matrix + 1e-6) # 加小量避免除零 np.fill_diagonal(weights, 0) # 标准化权重 weights = weights / weights.sum(axis=1, keepdims=True) # 计算 Moran's I x = geo_data["confirmed"].values x_mean = x.mean() x_centered = x - x_mean numerator = np.sum(weights * np.outer(x_centered, x_centered)) denominator = np.sum(x_centered ** 2) moran_i = (len(x) / weights.sum()) * (numerator / denominator) print("Moran's I：", moran_i)

这段代码的核心是构建空间权重矩阵，然后用 Moran's I 公式计算。参数上，距离度量的选择会影响结果，欧氏距离适合小范围，大范围建议用球面距离。1e-6是为了避免对角线除零。Moran's I 大于 0 表示正相关，说明高值城市倾向于聚集；小于 0 表示离散。这个指标只能说明是否存在聚集，不能说明原因。

5.2 用时间序列做城市间对比

把数据按城市和日期透视，可以得到每个城市的时间序列。用这个可以做城市间增长曲线对比，找出增长模式不同的城市。

# 透视成日期 × 城市的确诊数矩阵 pivot = merged.pivot_table( index="date", columns="city", values="confirmed", aggfunc="sum" ).fillna(0) # 计算每个城市的日增长率 growth = pivot.pct_change().replace([np.inf, -np.inf], 0).fillna(0) # 找出增长率波动最大的 5 个城市 volatility = growth.std().sort_values(ascending=False) print(volatility.head())

逻辑说明：pivot_table把长表变成宽表，aggfunc="sum"处理可能的重复。pct_change计算日增长率，无穷值替换为 0 是因为除零会产生 inf。波动性用标准差衡量，波动大的城市可能是数据质量问题，也可能是真实疫情变化剧烈，需要结合原始数据判断。

5.3 一个我踩过的坑：别用这份数据做预测

最后说一个血泪经验。2020 年初的数据统计口径变化非常频繁，今天确诊标准变了，明天疑似转确诊规则变了，这些都会导致时间序列出现跳变。我见过有人直接拿这份数据跑时间序列预测，结果模型学到的全是口径变化，不是真实传播规律。如果你要做预测，至少要先做变点检测，把口径变化的时间点标出来，或者只用口径稳定的一段数据。数据本身没问题，问题是用数据的人忽略了它的生成过程。

希望帮到你。

本文还有配套的精品资源，点击获取