企业官网建设流程全解析

简介：面向数据分析初学者和公共卫生研究者的COVID-19每日病例报告分析与可视化资源，基于约翰·霍普金斯大学公民影响中心持续更新的美国县级疫情数据，用Jupyter Notebook搭建了从数据获取、清洗到多维度可视化展示的完整流程。压缩包大小约92.76MB，内容以notebook代码和配套数据集为主，可直接运行学习。已有576人学习下载。资源梳理了多项数据源：县级确诊与死亡病例、纽约自治市病例、年龄段人口与种族、医疗床位分布、人口与贫困就业信息，并包含了状态检测、住院、恢复等主题，同时提供了桌面端与移动端可视化仪表板的实现思路。读者既能跟随代码理解疫情数据整合逻辑，也能参考其中的图表设计方法，将其迁移到其他时序数据分析项目中，是一份兼顾数据认知与可视化实操的参考资料。 做数据分析这几年，我越来越觉得，COVID-19的公开数据，尤其是每日病例报告，是练习"数据分析和可视化"最好的素材之一。它的数据量级足够真实，清洗过程有挑战，时间序列的趋势又特别适合做各种图表。这篇文章，我想完整拆解一下我自己的处理思路：从拿到原始CSV开始，到完成清洗、聚合、计算关键指标，再到输出不同类型的可视化图表，整套流程走下来，你会对"数据分析项目到底该怎么做"有一个很明确的体感。

这个项目适合三类人看：刚学完pandas但不知道做什么练手的人，准备简历里放数据分析项目的求职者，以及日常需要做日报、周报类数据汇报的运营和产品同学。它解决的也不是什么高深的问题，而是把一堆日期、地区、病例数字，变成能看懂、能讲故事的结论。

1. 项目整体思路与方案选型

做这个项目前，得先说清楚一件事：单纯画出图不叫分析，得让图和指标能回答业务问题。我给自己定的目标是，任何一张图拿出去，都能直接说清楚"趋势怎么样、拐点在哪、哪个地区最严重"，而不是让对方看了图还问"所以呢"。

1.1 核心需求拆解：这个项目真正考的是什么

表面上看，这就是"下载数据 → 处理一下 → 画几张图"三步。但真正动手后会发现问题全藏在细节里。比如数据格式不统一、日期字段解析报错、某些地区数据缺失、宽表结构和长表结构怎么转换、不同国家的累计病例数量级差太大导致图表没法看。

我最终把需求拆成了四层。第一层是"数据可靠"，保证拿到的数据经过清洗后是准确的；第二层是"指标清晰"，定义好累计病例、新增病例、7日移动平均、每百万人口病例数这些口径；第三层是"可视化表达"，根据不同的使用场景选对图表；第四层是"结论可解释"，从图表里提取出明确的趋势判断。这四个层级的顺序不能乱，数据错了，后面全是白做。

1.2 为什么用Python + pandas + plotly这套组合

这个项目我见过有人用Excel做，也有人用Tableau做，但我的建议是学数据分析的人还是优先用Python。原因有三个：一是pandas处理这种时间序列表格数据的能力是最顺手的，宽表和长表的转换、按日期分组聚合、窗口计算，几行代码就搞定；二是Python的可视化生态极度丰富，同一份数据既能出论文风格的静态图，也能出网页交互图；三是这套流程可以完全脚本化，下次换一份数据跑一遍就行。

具体到工具选型，我用了pandas做数据处理，matplotlib出静态图，plotly出交互图，seaborn做了一些统计类的辅助图。数据集用的Johns Hopkins大学的全球COVID-19公开数据和Our World in Data的补充数据，文件是CSV格式，结构清晰，非常适合做案例。如果你也想复现，直接认准这两个来源就行，网上大量教程都基于它们，遇到问题也好搜索。

2. 数据获取与预处理

很多人做数据分析项目不重视预处理，上来就画图，结果图出来全是错的。我用这套COVID数据踩过的坑不在少数，所以单独把预处理环节拎出来讲。一份干净的数据集，是整个项目的地基。

2.1 数据集怎么选：两种主流数据源的对比

目前我接触到的COVID公开数据集主要有两种组织方式。一种是Johns Hopkins的格式，按"省/州、国家/地区、纬度、经度、然后是一长串日期列"排列，属于典型的宽表，一行是一个地区的全时间序列。另一种是Our World in Data的格式，每一行是一个国家在某个日期的记录，附带测试量、疫苗接种、人口、GDP等四十多个字段，属于长表，信息更丰富但更杂。

我两个都用了。练手阶段优先推荐Johns Hopkins的宽表，因为宽表转长表这个操作本身就是数据分析里的高频技能，而且数据结构简单，适合掌握核心逻辑。等熟悉了再切换到OWID数据做深入分析，比如分析疫苗覆盖率对住院率的影响，这种字段只有OWID才有。如果你是想做一个"看起来信息量很大"的项目展示，直接用OWID就够了，字段多自然显得内容多，但代价是数据质量参差不齐，很多列缺失严重。

2.2 清洗过程详解：日期解析、宽表转长表、缺失值处理

宽表转长表是处理这套数据的第一个关键操作。原始数据是一列一个日期，但pandas做时间序列分析最好是一列日期、一列数值、一列地区标识。代码很简单，用melt函数把日期列全部放入新的一列：

import pandas as pd df = pd.read_csv("time_series_covid19_confirmed_global.csv") # 把宽表转成长表 id_vars = ["Province/State", "Country/Region", "Lat", "Long"] df_long = df.melt(id_vars=id_vars, var_name="Date", value_name="Confirmed") df_long["Date"] = pd.to_datetime(df_long["Date"])

这里有一点值得注意。不同的数据集日期格式可能不一样，有的是"1/22/20"这种美式格式，有的是"2020-01-22"这种ISO格式。读进来之后不要急着分析，先跑一遍df.dtypes确认Date列是datetime类型，否则后面按日期切片、绘图时的坐标轴排序都会出问题。我一开始没注意，结果plotly画图的时候日期轴乱序，排查了半天才发现是字符串排序导致的。

缺失值处理也不能忽略。COVID数据里有些国家下面分省，有些没有省这一级，所以Province/State列大量为空。我的处理原则是：做国家层面分析时直接去掉省份维度，按国家分组对Confirmed求和；如果做的分析需要保留省州维度，就把空值填成"Unknown"，避免pandas在后续groupby时产生歧义。此外还有一类"缺失"是数据上报延迟造成的，表现是某一天新增为0，这不一定代表真实为0，只是没更新。对这种问题，你可以选择保留原样，也可以在报告里注明"受上报节奏影响"。

3. 核心分析逻辑：指标怎么定义，决定了结论怎么讲

数据清洗完毕，接下来是分析层面。这里的核心不是代码，而是指标口径。我整理了一套固定的分析流程，做任何时间序列数据都能直接用。

3.1 累计病例 vs 新增病例：先想清楚再动手

累计病例和新增病例是解读疫情走势的两个基础视角。累计病例适合看整体规模，但它是一条单调递增的曲线，趋势变化不明显；新增病例才真正反映疫情的传播速度和是否进入拐点。计算新增病例我的习惯是用diff()方法，而不是自己写循环去减，因为diff()在pandas里是向量化操作，处理几十万行数据时快得多。

df_global = df_long.groupby("Date").agg(Confirmed=("Confirmed", "sum")).reset_index() df_global["DailyNew"] = df_global["Confirmed"].diff() df_global["DailyNew"] = df_global["DailyNew"].fillna(0)

注意第一天的diff()结果是NaN，因为前面没有值可以减，这里要fillna成0。另外，如果数据来自多个地区合并，你需要先按日期groupby求和到全球维度，再计算新增，顺序反了会得到错误的趋势线。

3.2 7日移动平均：为什么是7不是3，周效应到底影响多大

疫情数据存在非常明显的周期性，最典型的是"周效应"：很多地区周末不上报或上报量减少，导致周一数字偏高、周末偏低。如果直接看每日新增，你会看到锯齿状的剧烈波动，根本没法判断真实趋势。解决方式是用移动平均把周期噪声抹平。

我选的窗口是7天，因为疫情的传播周期恰好以周为单位。代码是df_global["SmoothNew"] = df_global["DailyNew"].rolling(window=7).mean()。这里有个细节，rolling默认会取前6天加上当天共7天的均值，所以画图时前6天是NaN，图上会有一段空白，可以在画图时用dropna()处理。

窗口选3天可以吗？可以，但平滑效果很差，只是把锯齿减轻了而已。选14天呢？曲线很光滑，但反应速度慢，峰值的出现会明显偏晚。我做了几次对比后发现，7日移动平均是兼顾时效性和平滑度的最佳方案，这也是流行病学报告里最常用的口径。

3.3 增长率、环比与每百万人口标准化：让不同地区可对比

除了绝对数字，我还算了两类派生指标。第一类是日环比增长率，计算公式是(当日新增 - 前一日新增) / 前一日新增 * 100，这个指标能捕捉疫情是加速还是减速。但要注意，当基数很小时，环比会剧烈波动，比如昨天新增10例今天新增20例，增长率是100%，这种数字在报告里要谨慎使用，最好配合绝对数一起看。

第二类是每百万人口病例数，计算方式是病例数 / 人口数 * 1000000。为什么需要这个指标？因为不同国家人口规模差异悬殊，绝对病例数高的国家不一定每百万人病例数高，后者更公平地反映了疫情在某国的渗透程度。如果要比较两个国家或地区，我会把它们每百万人口的新增病例画在同一张图上，而不是直接对比绝对数，否则人口大国永远"看起来更严重"。

4. 可视化实现：从静态图到交互大屏

可视化是这个项目最出彩的部分，也是最容易翻车的部分。我做了一个三类图表的组合方案：静态图用于报告和文档，交互图用于网页展示，地图用于全局概览。三者各司其职，效果会好于只堆砌一种图。

4.1 静态趋势图：matplotlib画出论文级别的曲线

静态图用途是存档和打印，所以要尽量自包含信息。我最常用的一张图是"全球每日新增病例 + 7日移动平均曲线"，它回答的问题是"全球疫情周期到底走完了几波"。绘制时我叠加了两条线：浅色细线是原始每日新增，深色粗线是7日移动平均，一虚一实对比强烈，读者一眼就能看到"平滑后的主趋势"。

import matplotlib.pyplot as plt import matplotlib.dates as mdates fig, ax = plt.subplots(figsize=(12, 6)) ax.plot(df_global["Date"], df_global["DailyNew"], linewidth=0.8, alpha=0.5, label="Daily New") ax.plot(df_global["Date"], df_global["SmoothNew"], linewidth=2.2, label="7-day Average") ax.xaxis.set_major_locator(mdates.MonthLocator(interval=6)) ax.set_title("Global Daily New COVID-19 Cases") ax.legend() plt.xticks(rotation=45) plt.tight_layout() plt.savefig("covid_trend.png", dpi=200)

这里有个重要的技巧：x轴的日期刻度要设置间隔，否则几百个日期标签叠在一起，图就废了。我用的是MonthLocator(interval=6)，每6个月显示一个标签，保证可读性。如果你在画多国家对比图，建议取对数坐标plt.yscale("log")，因为不同国家的数量级能差到100倍以上，普通坐标轴会把小数字压成一条直线。

4.2 交互式图表与大屏展示：plotly让数据"活"起来

静态图适合深度阅读，但放到网页或大屏上，交互式图表明显更合适。plotly express提供了两行代码出图的体验，非常适合快速验证想法。比如我想做一个能支持悬停查看数据的全球新增病例趋势图：

import plotly.express as px fig = px.line( df_long_country, x="Date", y="Confirmed", color="Country/Region", title="COVID-19 Confirmed Cases by Country", ) fig.update_layout(hovermode="x unified") fig.show()

你看代码连手工配置hover内容都省了，plotly会自动把所有字段显示出来。做数据大屏时，我会把几个关键卡片放在上方——累计确诊、今日新增、7日均值、累计死亡——下方放趋势图和地图。大屏的布局逻辑是"上KPI、中趋势、下地图"，视野从左到右分布，信息密度从高到低递进。用plotly的subplot或者直接把多个div塞进一个网页框架都行，重点不是技术，而是叙事节奏。

4.3 热力地图：从全局视角看扩散路径

地图是全局概览的最好形式。plotly的choropleth_mapbox或choropleth都能实现，前者需要申请地图token，后者可以直接用内置地理数据。我用的choropleth画过一版全球累计确诊分布图，颜色越深代表累计病例越多，鼠标悬停能查看具体数值。

fig = px.choropleth( world_cases, locations="iso_alpha", color="Confirmed", hover_name="Country/Region", color_continuous_scale="YlOrRd", title="Worldwide COVID-19 Confirmed Cases", ) fig.show()

这里最容易踩的坑是：国家名称的写法（China vs CN vs CHN）三套体系不一样，plotly默认需要ISO三个字母代码，如果你的原始数据里是国家全称，就得先做一次映射，否则地图上会大量显示为灰色。我的做法是在数据清洗阶段就手动加一列iso_alpha，用pycountry库或字典映射都行，这一步逃不掉。

5. 常见问题与排查技巧实录

写代码没有不踩坑的，踩坑不可怕，可怕的是不知道怎么排查。我做这个项目过程中遇到过不少问题，这里挑几个最典型的写下来，都是实打实会遇到的情况。

5.1 高频报错与处理方式速查表

这张表基本覆盖了我见过的高频问题。如果你遇到表外的报错，我的排查习惯是先把报错信息拷进搜索引擎看前三条结果，绝大多数情况下已经有人踩过同样的坑了。

5.2 独家经验：数据分析项目的落地心得

最后分享几个从项目中沉淀下来的实操心得，这些经验比具体的函数更有长期价值。

第一个心得是：参数化一切路径。写脚本时不要一条路径写死，用pathlib.Path构建路径，用config.py集中管理列名、日期格式、文件URL，这样你换一份新数据时只需要改配置文件，而不是通篇搜索替换。

第二个心得是：保留数据快照。原始数据每次从网上下载都可能变化，所以我会在下载后第一时间复制一份副本作为原始快照，后续清洗在副本上进行。这保证了项目的可复现性，别人拿到代码跑出来的结果和你文章里截图对得上。

第三个心得是：分析要有"why"层的结论。很多人做数据分析项目最后只写了"数据呈上升趋势"这种废话，那不算结论。真正的结论应该是"东南亚地区在2022年3月后出现持续性上升，与当地放宽检测政策在时间上吻合，需要结合具体政策进一步验证"。就算不做因果验证，也要在结论里明确说明数据现象、时间窗口和可能的原因假设。

如果你也在做类似的数据分析项目，我建议不要只满足于把官方示例跑通。把数据集换成你所在地区的数据，增加一两个你自己定义的指标，整份报告做出来的感觉会和抄教程完全不一样。COVID数据只是一个很好的起点，把它玩熟了，你会发现自己掌握的不只是绘图函数，而是一套"拿任何数据都能讲故事"的框架能力。

本文还有配套的精品资源，点击获取