记录自己是如何分析地震数据集，使用模块，克服一系列 bug 的过程。经纬度转换省份城市、读取 csv、多图表合并 pyecharts、导入模块、省份强震次数图、地震震级分布图、国内前十大地震、震级震源深度散点图、世界地震热力图、中国地震热力图、年月地震次数曲线图、24小时段地震发生百分比图、最大震级与平均震级折线图 注意，本篇内容根据我老师布置的数据分析作业展开。请勿抄袭，后果自负！
编写这篇文章是为了记录自己是如何分析地震数据集，使用模块，克服一系列 \(bug\) 的过程。如果你是 \(python\) 初入数据分析的小白，那么这篇文章很适合你。阅读栏目时建议不要跳过任何步骤，从头看到尾你会收获很多。
本篇文章代码注释使用了 \(vscode\) 的 better-comments 拓展
数据来源于中国地震台网中心 国家地震科学数据中心
我们挑选时间范围 12 年内，震级 >= 3 级的数据集。低于3级的为无感地震，出现次数较为频繁不作考虑。
\(Python\) 版本 \(3.10.2\)，使用模块（包含两个主流绘图库）
# ^ 读取中国地震数据集data = pd.read_excel("./china.xls")data.columns = ["id", "date", "lon", "lat", "depth", "type", "level", "loc", "incident"]print(data.shape, "\n", data.dtypes)(6848, 9) id int64date datetime64[ns]lon float64lat float64depth int64type objectlevel float64loc objectincident objectdtype: object读取数据集的方式很简单，由于列名为中文且带有特殊符号，我们这里对其进行简化全部修改为英文。可以直接修改 \(dataframe\) 的属性。或者使用 \(rename\) 方法。
\(read\_excel\) 更多参数可参考 pandas.read_excel — pandas 1.4.2 documentation (pydata.org)
一般来说中国地震台网中心提供的数据比较权威，不会有问题。但是为了以防万一，我们还是要进行数据清理，删除空行、重复行。
# ^ 数据清理# @ 统计NaN个数x = data.isnull().sum().sum()# @ 第一次sum()算出各个列有几个,第二次算出全部print('共有NaN:', x)# @ 统计重复行个数x = data.duplicated().sum()print('共有重复行:', x)共有NaN: 0共有重复行: 0可以看出数据还是比较可靠的。
注册高德地图个人开发者，申请API，选择 Web服务。申请完成后查看开发文档，选择坐标转换。
为了让函数能够重复使用、整体代码更加简洁，将坐标转换的方法分离出来单独放入一个 \(utils.py\) 工具包类。
比较以下两种方式获取的数据
df = data.head(3)# ^ 选取其中两列,分别是经度纬度print(df[['lon', 'lat']])print(df[['lon', 'lat']].values) lon lat0 87.83 31.781 94.61 37.332 107.28 40.89[[ 87.83 31.78] [ 94.61 37.33] [107.28 40.89]]可以看到 \(.values\) 返回的是可迭代的 \(numpy\) 数组对象。我们就可以按照接口规定的方式发送请求了。
Return a Numpy representation of the DataFrame.
Only the values in the DataFrame will be returned, the axes labels will be removed.
import requests# ^ 测试 API 接口 坐标转换location = "{0[0]},{0[1]}".format([87.83, 31.78])url = 'https://restapi.amap.com/v3/geocode/regeo?'params = { 'location': location, 'key': '不给你看', 'extensions': 'base', 'batch': 'false', 'roadlevel': 0,}r = requests.get(url, params=params)data = r.json()print(data){'status': '1', 'regeocode': {'addressComponent': {'city': '那曲市', 'province': '西藏自治区', 'adcode': '540630', 'district': '双湖县', 'towncode': '540630100000', 'streetNumber': {'number': [], 'direction': [], 'distance': [], 'street': []}, 'country': '中国', 'township': '措折罗玛镇', 'businessAreas': [[]], 'building': {'name': [], 'type': []}, 'neighborhood': {'name': [], 'type': []}, 'citycode': '0896'}, 'formatted_address': '西藏自治区那曲市双湖县措折罗玛镇'}, 'info': 'OK', 'infocode': '10000'}通过测试接口拿到的 \(json\) 中，我们关心的数据是 \(regeocode\) -> \(addressComponent\) -> \(city、province\)
上面代码中关于字符串格式化 \(format\) 更多的信息参考 Python format 格式化函数 | 菜鸟教程 (runoob.com)
def latitude_longitude_conversion(df): # step 将经纬度坐标转换为省份城市,作为两列添加到df citys = [] provinces = [] # ^ 选取其中两列, 分别是经度纬度 for location in df[['lon', 'lat']].values: # ^ 将每行的经纬度转换成特定字符串 location = "{0[0]},{0[1]}".format(location) url = 'https://restapi.amap.com/v3/geocode/regeo?' params = { 'location': location, 'key': API_KEY, 'extensions': 'base', 'batch': 'false', 'roadlevel': 0, } # ^ 发送 get 请求 r = requests.get(url, params=params) # ^ 接收数据转换为 json 格式 data = r.json()['regeocode'] city = data['addressComponent']['city'] province = data['addressComponent']['province'] # ^ 上海市,上海市 if len(city) == 0: city = province citys.append(city) provinces.append(province) df['city'] = citys df['province'] = provinces循环遍历然后把省份城市加到两个数组内，最后再绑定到 \(dataframe\) 的两个新列上。
if len(city) == 0: city = province这部分代码的意思是假如拿到的 \(city\) 为空，应当把省份给 \(city\)，否则会出现数据缺省。
from utils import latitude_longitude_conversion# ^ 测试经纬度坐标转换df_test = data.head(3)latitude_longitude_conversion(df_test)print(df_test)引入编写的工具库函数，进行测试。警告如下
SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame. Try using .loc[row_indexer,col_indexer] = value instead
变量 \(df\)（df_test） 其实是一个“标签”（描述符）而不是一个“容器”。截取数据的前三行，\(df\) 实际是一个指向 \(data\) 前三行的描述符，在内存中并没有为 \(df\) 分配新的地址存储希望截取的数据。
因此针对 \(df\) 的修改，会产生警告。因为 \(df\) 既没有数据也没有列名，其指向的是 \(data\) 的前三行。
这就是 \(python\) 所谓的“链式索引”（chained indexing）而引起的错误或警告。
但 \(python\) 比较聪明，为了防止报错退出程序，会自己拷贝一份我们希望截取的内容，使 \(df\) 指向拷贝的数据块，才能完成变更列名以及完成后面的计算。
解决方法是在截取数据的语句后加一个 \(.copy()\) 复制一份数据给 \(df\) 。
def latitude_longitude_conversion(df): # step 将经纬度坐标转换为省份城市,作为两列添加到df df = df.copy() citys = [] provinces = [] # ^ 选取其中两列, 分别是经度纬度 for location in df[['lon', 'lat']].values: # ^ 将每行的经纬度转换成特定字符串 location = "{0[0]},{0[1]}".format(location) url = 'https://restapi.amap.com/v3/geocode/regeo?' params = { 'location': location, 'key': API_KEY, 'extensions': 'base', 'batch': 'false', 'roadlevel': 0, } # ^ 发送 get 请求 r = requests.get(url, params=params) # ^ 接收数据转换为 json 格式 data = r.json()['regeocode'] city = data['addressComponent']['city'] province = data['addressComponent']['province'] # ^ 上海市,上海市 if len(city) == 0: city = province citys.append(city) provinces.append(province) df['city'] = citys df['province'] = provinces return df在第一行加 df = df.copy() ，并在末尾添加 return df
还是原来的代码，这里我们限定一些列防止行输出过长。
# ^ 测试经纬度坐标转换df_test = data.head(3)df_test = latitude_longitude_conversion(df_test)print(df_test[['id', 'lon', 'lat', 'level', 'city', 'province']]) id lon lat level city province0 1 87.83 31.78 5.8 那曲市 西藏自治区1 2 94.61 37.33 3.4 海西蒙古族藏族自治州 青海省2 3 107.28 40.89 3.4 巴彦淖尔市 内蒙古自治区成功通过接口处理数据！
因为接口有使用次数限制，为了方便后续调试。我们将 \(6000\) 多行数据统一转换，保存为 \(csv\) 文件。这也会加快 \(pandas\) 模块读取数据集的速度。
# ^ 将所有数据坐标进行转换并保存为 csv 文件data = latitude_longitude_conversion(data)data.to_csv('china_new.csv', index=False)由于是单线程，网络速率不是很快，等待时间会长一点，处理完成后是图下结果。
# STEP 读取数据集data = pd.read_csv('./china_new.csv')print(data.shape)# STEP 对 city、province 进行修改data["province"].replace("[]", "其他", inplace=True)data["city"].replace("[]", "其他", inplace=True)data["province"].replace("中华人民共和国", "其他", inplace=True)data["city"].replace("中华人民共和国", "其他", inplace=True)有部分境内但没有明确城市省份的地震统一归为其他（一般为海域、边境地区）。 对 \(city、province\) 进行替换
像生成了许多 \(html\) 图表文件，可以使用 \(echarts.Page\) 统一合并为一个 \(html\) 文件。
# STEP 多图表合并page = Page(layout=Page.SimplePageLayout)page.add( depth_info, level_info, c5, c1, c2, c3, c4, c6, c7, c8, c9_1, c9_2, c9_3, c10, c11) # 可以多次添加 pycharts 图表信息page.render("完整版.html")这段代码放在末尾，用于一次性生成完整的 \(html\) 文件，具体可参考
Page - Page_simple_layout - Document (pyecharts.org)
\(pyecharts\) 和 \(plotly\) 分开写在两个文件中，引入需要的库。
import pandas as pdimport numpy as npfrom utils import province_to_shortfrom pyecharts import options as optsfrom pyecharts.charts import WordCloud, Page, Bar, Scatter, Linefrom pyecharts.globals import SymbolType, ThemeTypefrom pyecharts.charts import Mapfrom pyecharts.components import Tablefrom pyecharts.options import ComponentTitleOptsfrom pyecharts.commons.utils import JsCodeimport plotly.graph_objects as goimport plotly.express as pximport pandas as pdM>=4.5级的属于可造成破坏的地震，但破坏轻重还与震源深度、震中距等多种因素有关。发震时刻、震级、震中统称为"地震三要素"。
统计 \(12\) 年内各地区发生 \(M>=4.5\) 强震的次数。
# STEP 各地区强震次数df1 = data.query('level>=4.5 and province!="其他"').groupby("province")print("level>=4.5 共有地区 ", df1.ngroups)只考虑省份，不考虑境内其他地方，通过 \(query\) 进行过滤，再用 \(groupby\) 进行分组。
Wordcloud - Wordcloud_diamond - Document (pyecharts.org)
# 接上面部分maxCount = df1.size().max() # @ 选择可视化地图标尺的最大值df1 = list(df1.size().items()) # @ 是右边的简写形式 [(val, idx) for idx, val in s.iteritems()]print(df1)# ^ pycharts 绘制词云c1 = ( WordCloud() .add("", df1, word_size_range=[20, 55], shape=SymbolType.DIAMOND) # @ 字体太大会导致过长字段无法显示 .set_global_opts(title_opts=opts.TitleOpts(title="2010-2022年各省份M>=4.5地震次数")))# c1.render("1_省份强震次数图_词云.html")\(maxCount\) 获取分组中最大值，也就是可视化地图最大深度值。使用了巧妙的方式将 \(Series\) 对象转换成元组数组，可以参考 python - how to convert pandas series to tuple of index and value - Stack Overflow
由于 \(pyecharts\) 地图模块的省份名必须是短省份名，否则将无法正确显示。为 \(utils\) 工具包编写如下函数，原理是根据字典查询并返回短省份名。
def province_to_short(province): P2S = { "北京市": "北京", "天津市": "天津", "重庆市": "重庆", "上海市": "上海", "河北省": "河北", "山西省": "山西", "辽宁省": "辽宁", "吉林省": "吉林", "黑龙江省": "黑龙江", "江苏省": "江苏", "浙江省": "浙江", "安徽省": "安徽", "福建省": "福建", "江西省": "江西", "山东省": "山东", "河南省": "河南", "湖北省": "湖北", "湖南省": "湖南", "广东省": "广东", "海南省": "海南", "四川省": "四川", "贵州省": "贵州", "云南省": "云南", "陕西省": "陕西", "甘肃省": "甘肃", "青海省": "青海", "台湾省": "台湾", "内蒙古自治区": "内蒙古", "广西壮族自治区": "广西", "宁夏回族自治区": "宁夏", "新疆维吾尔自治区": "新疆", "西藏自治区": "西藏", "香港特别行政区": "香港", "澳门特别行政区": "澳门" } return P2S.get(province)Map - Map_visualmap - Document (pyecharts.org)
# ^ pycharts 绘制地图# print(maxCount, type(maxCount))df1 = [(province_to_short(x[0]), x[1]) for x in df1] # @ 需要将完整省份名转换成短省份名,否则无法显示c2 = ( Map() .add("强震次数", df1, "china") .set_global_opts( title_opts=opts.TitleOpts(title="2010-2022年各省份M>=4.5地震次数"), visualmap_opts=opts.VisualMapOpts(max_=int(maxCount)), ))# c2.render("1_省份强震次数图_地图.html")这里有个明显的 \(gotcha\)，前面使用 maxCount = df1.size().max() 获取到标尺的最大值。输出也是浮点数，但是你需要注意这是 numpy.int64 类型，是不能被直接用的，需要进行显式转换。所以你可以看到在绘图的过程中使用了 max_=int(maxCount) 。
通过统计2010-2022年各省份 M>= 4.5 地震次数
Bar - Bar_base - Document (pyecharts.org)
# STEP 地震震级分布mags = data.groupby("level")print("震级分组 ", mags.ngroups)mags = mags.size().items()# ^ mags 只可以迭代一次xaxis, yaxis = [], []for x in mags: xaxis.append(x[0]) yaxis.append(x[1])c3 = ( Bar() .add_xaxis(xaxis) .add_yaxis("震次", yaxis, category_gap=8) .set_series_opts(label_opts=opts.LabelOpts(is_show=False)) .set_global_opts(title_opts=opts.TitleOpts(title="2010-2022年国内地震震级分布", subtitle="地震次数")))# c3.render("2_地震震级分布.html")需要注意的是使用 \(items()\) 获取的迭代器只能完整迭代一次。再次迭代会得到空数组。
category_gap=8 为各个柱体的间隔距离。
opts.LabelOpts(is_show=False) 不在柱体上显示数字标签。
# FIXME 这部分应该还可以优化,太慢了mags = data.groupby(lambda x: int(data.iloc[x]['level']))mags = mags.size().items()xaxis, yaxis = [], []for x in mags: xaxis.append(x[0]) yaxis.append(x[1])c4 = ( Bar() .add_xaxis(xaxis) .add_yaxis("震次", yaxis, category_gap=50) .set_series_opts(label_opts=opts.LabelOpts(is_show=True)) .set_global_opts(title_opts=opts.TitleOpts(title="2010-2022年国内地震震级分布", subtitle="地震次数")))使用 \(lambda\) 匿名函数处理每行字段震级化为整数再进行 \(groupby\) ，速度较慢，后续有新方法会更新。
通过统计2010-2022年国内地震震级分布
Table - Table_base - Document (pyecharts.org)
# STEP 挑选前十大地震c5_df = data.sort_values('level', ascending=False).head(10)print(c5_df.values, c5_df.columns.values)c5 = Table()headers = c5_df.columns.values.tolist()rows = c5_df.values.tolist()# print(type(headers)) # BUG <class 'numpy.ndarray'>c5.add(headers, rows)c5.set_global_opts( title_opts=ComponentTitleOpts(title="2010-2022国内前十大地震", subtitle="地震信息"))使用 \(sort\_values\) 对特定列排序，并给定 \(ascending\) 参数要求降序排序，最后挑选前十个。
这里需要注意如果不使用 \(tolist()\) 会出现如下错误
The truth value of an array with more than one element is ambiguous. Use a.any() or a.all()
具体原因还是类型问题，默认 \(values\) 拿到的是 <class 'numpy.ndarray'>。转换成普通类型就好了。
通过统计2010-2022年中国前十大地震
Scatter - Basic_scatter_chart - Document (pyecharts.org)
全局配置项 - pyecharts - A Python Echarts Plotting Library built with love.
# STEP 震级震源深度散点图c6_df = data[["level", "depth"]].copy()c6_df.drop_duplicates(inplace=True)c6_df = c6_df.values.tolist()c6_df.sort(key=lambda x: x[0])x_data = [d[0] for d in c6_df]y_data = [d[1] for d in c6_df]c6 = ( Scatter(init_opts=opts.InitOpts(width="1600px", height="1000px")) .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="震源深度", y_axis=y_data, symbol_size=8, label_opts=opts.LabelOpts(is_show=False), ) .set_series_opts() .set_global_opts( xaxis_opts=opts.AxisOpts( type_="value", splitline_opts=opts.SplitLineOpts(is_show=True), min_=3, name="震级(M)" ), yaxis_opts=opts.AxisOpts( type_="value", name="深度(KM)", axistick_opts=opts.AxisTickOpts(is_show=True), splitline_opts=opts.SplitLineOpts(is_show=True), ), tooltip_opts=opts.TooltipOpts(is_show=True), title_opts=opts.TitleOpts(title="2010-2022年震级震源深度散点图"), ))复制了两个列表，然后删除相同行。用 \(c6\_df.sort(key=lambda x: x[0])\) 对数组进行一次排序，然后遍历数组。
\(symbol\_size\) 为点的大小。\(min\_=3\) 将图表前部分剔除。因为数据集的数据 \(M>=3\)。
通过震级震源深度散点图
# STEP 世界地震热力图 plotlyp1_data = pd.read_csv("./world_new.csv")# step 筛选 >= 4.5 地震p1_data = p1_data.query('level>=4.5')my_map = go.Densitymapbox(lat=p1_data['lat'], lon=p1_data['lon'], z=p1_data['level'], radius=10)fig = go.Figure(my_map)p1 = fig.update_layout(mapbox_)p1.write_html("p1.html", include_plotlyjs='cdn')# pip install -U kaleido# p1.write_image("p1.png", format="png")需要注意的是给定一个 \(mapbox\_style\) 否则图表将无法正常显示。
write_html("p1.html", include_plotlyjs='cdn') 将图表导出为 \(html\) 文件。\(js\) 需要配置为 \(cdn\) 加速加载速度。
结合全球地震带分布图分析，可以看出热力图轮廓与全球地震带分布图轮廓非常相似。基本上吻合。强地震大部分都发生在板块交界处。
# STEP 中国地震热力图 plotlyp2_data = pd.read_csv("./china_new.csv")p2 = px.density_mapbox(p2_data, lat='lat', lon='lon', z='level', radius=10, center=dict(lat=34, lon=108), zoom=4, mapbox_)p2.write_html("p2.html", include_plotlyjs='cdn')这里用了另外一种方法，比上面的方法更加简洁，并明确指定了初始化图表的中心方位。
我国位于亚欧大陆东部，太平洋的西岸地区，两大地震带对于我国都有影响。我国的西南地区的喜马拉雅山脉和横断山脉地区就是地中海-喜马拉雅地震带经过的区域，亚欧板块和印度洋板块在南北方向上碰撞挤压，形成一系列呈东西走向的地震断裂带，以及横断山脉地区南北走向的地震断裂带。与此有关的地震带包括喜马拉雅地震带、青藏高原地震带、西北地震带、南北地震带、腾冲-澜沧地震带、滇西地震带和滇东地震带。
我国西部地区总体而言是地震相对高发的地区，包括西藏自治区、青海省、新疆维吾尔自治区、甘肃省、宁夏回族自治区、四川省和云南省等地都有较高的地震风险，其中越靠近地中海-喜马拉雅地震带，地震风险越高，比如说云南、四川、西藏等地区都是地震高风险省区。此外，我国东部海域地区又处在环太平洋地震带通过的地区，亚欧板块和太平洋板块在东西方向上相互挤压，形成一系列东北西南走向的地震断裂带。与此有关的地震带包括环太平洋地震带、东南沿海地震带和华北地震带。
相对而言环太平洋地震带离我国的距离比地中海-喜马拉雅地震带要远一些，因此，总体影响要小一些，但是某些地区地震活跃程度却非常高，比如我国的台湾省刚好地处环太平洋地震带，是我国地震频率最高的省份。除此之外广东省、福建省、安徽省、江苏省、山东省、河北省、河南省、山西省、陕西省、北京市、天津市、辽宁省、吉林省和黑龙江省都有地震带的分布。除去以上省份，我们发现内蒙古自治区、上海市、浙江省、江西省、湖北省、湖南省、贵州省和广西壮族自治区基本上没有地震带涉及，也就是地震风险相对较低的省份。
Line - Smoothed_line_chart - Document (pyecharts.org)
# STEP 按年地震次数曲线图# ^ 日期转换data['date'] = pd.to_datetime(data['date'])c7_data = data.groupby(data['date'].dt.year)c7_data = c7_data.size().items()x_data, y_data = [], []for x in c7_data: x_data.append(str(x[0])) # IMPORTANT 必须是字符串 y_data.append(x[1])c7 = ( Line() .set_global_opts( tooltip_opts=opts.TooltipOpts(is_show=True), xaxis_opts=opts.AxisOpts(type_="category"), yaxis_opts=opts.AxisOpts( type_="value", axistick_opts=opts.AxisTickOpts(is_show=True), splitline_opts=opts.SplitLineOpts(is_show=True), ), title_opts=opts.TitleOpts(title="2010-2022年按年地震次数曲线图"), ) .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="震次", y_axis=y_data, symbol="emptyCircle", is_symbol_show=True, is_smooth=True, label_opts=opts.LabelOpts(is_show=True), ))c8_data = data.groupby([data['date'].dt.year, data['date'].dt.month])c8_data = c8_data.size().items()x_data, y_data = [], []for x in c8_data: x_data.append(str(x[0])) y_data.append(x[1])c8 = ( Line() .set_global_opts( tooltip_opts=opts.TooltipOpts(is_show=True), xaxis_opts=opts.AxisOpts(type_="category"), yaxis_opts=opts.AxisOpts( type_="value", axistick_opts=opts.AxisTickOpts(is_show=True), splitline_opts=opts.SplitLineOpts(is_show=True), ), title_opts=opts.TitleOpts(title="2010-2022年按月地震次数曲线图"), ) .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="震次", y_axis=y_data, symbol="emptyCircle", is_symbol_show=True, is_smooth=True, label_opts=opts.LabelOpts(is_show=False), ))为了能够使用特殊日期函数，必须进行整列的日期转换。
data['date'] = pd.to_datetime(data['date'])需要注意图表属性 \(x\_axis\) 必须是字符串数组，否则将不能正常显示。
def month_count(year): c9_data = data[data['date'].dt.year == year].groupby(data['date'].dt.month) c9_data = c9_data.size().items() x_data, y_data = [], [] for x in c9_data: x_data.append(str(x[0])) y_data.append(x[1]) c9 = ( Line() .set_global_opts( tooltip_opts=opts.TooltipOpts(is_show=True), xaxis_opts=opts.AxisOpts(type_="category"), yaxis_opts=opts.AxisOpts( type_="value", axistick_opts=opts.AxisTickOpts(is_show=True), splitline_opts=opts.SplitLineOpts(is_show=True), ), title_opts=opts.TitleOpts(title="{}年按月地震次数曲线图".format(year)), ) .add_xaxis(xaxis_data=x_data) .add_yaxis( series_name="震次", y_axis=y_data, symbol="emptyCircle", is_symbol_show=True, is_smooth=True, label_opts=opts.LabelOpts(is_show=True), ) ) return c9c9_1 = month_count(2013)c9_2 = month_count(2014)c9_3 = month_count(2015)
按月份来看每月地震次数在 30~90 次的范围波动。可通过方差判断各年月地震次数波动。
偶尔会有地震次数高峰期，可能是因为地壳活动过于强烈。
Bar - Stack_bar_percent - Document (pyecharts.org)
# STEP 24小时段地震发生百分比图c10_data = data.groupby(data['date'].dt.hour)total = c10_data.size().sum()c10_data = c10_data.size().items()x_data, y_data = [], []for x in c10_data: x_data.append(str(x[0])) y_data.append({"value": x[1], "percent": x[1]/total})c10 = ( Bar(init_opts=opts.InitOpts(theme=ThemeType.LIGHT)) .add_xaxis(x_data) .add_yaxis("震次", y_data, category_gap="50%") .set_series_opts( label_opts=opts.LabelOpts( position="top", formatter=JsCode( "function(x){return Number(x.data.percent * 100).toFixed() + '%';}" ), ) ) .set_global_opts( title_opts=opts.TitleOpts(title="24小时段地震发生百分比图"), ))这里引入了 \(Jscode\) 特殊化要显示的标签。前面数据我们需要获取到字典数组。\(total\) 实际上是在计算行数。
Line - Line_base - Document (pyecharts.org)
# STEP 2010-2022年最大震级与平均震级折线图c11_data = data.groupby(data['date'].dt.year)x_data, y1_data, y2_data = [], [], []for name, group in c11_data: x_data.append(str(name)) # IMPORTANT y1_data.append(group['level'].max()) y2_data.append(round(group['level'].mean(), 2))print(x_data, y1_data, y2_data)c11 = ( Line() .add_xaxis(x_data) .add_yaxis("最大震级", y1_data, linestyle_opts=opts.LineStyleOpts(width=2),) .add_yaxis("平均震级", y2_data, linestyle_opts=opts.LineStyleOpts(width=2),) .set_global_opts(title_opts=opts.TitleOpts(title="2010-2022年最大震级与平均震级折线图")))opts.LineStyleOpts(width=2) 设置线条宽度。
# STEP info 基本信息info_data = data.describe()depth_data = info_data['depth']headers = depth_data.index.to_list()rows = [[str(round(x, 2)) for x in depth_data.values]]depth_info = Table().add(headers, rows).set_global_opts( title_opts=ComponentTitleOpts(title="震源深度信息"))level_data = info_data['level']headers = level_data.index.to_list()rows = [[str(round(x, 2)) for x in level_data.values]]level_info = Table().add(headers, rows).set_global_opts( title_opts=ComponentTitleOpts(title="震级信息")\(rows\) 必须是二维数组，且元素应该是字符串。
220408_Earthquake_DATA.zip
220408_Earthquake_charts.zip
220408_Earthquake.zip