Python、Flask、ECharts及MySQL疾病疫情数据可视化系统设计与实现——多模块联动实时展示优化|附代码数据

全文链接：tecdat.cn/?p=44846原文出处：拓端数据部落公众号

关于分析师

在此对Chao Xu Li对本文所作的贡献表示诚挚感谢，他完成了电子信息科学与技术专业的本科学位，专注疫情数据可视化与Web开发领域。擅长Python、MySQL、Linux、C++、HTML+JavaScript，精通代码编写、前端呈现、数据采集及可视化系统开发。Chao Xu Li曾参与多个基于Web的实时数据展示项目，在数据爬取、后端接口开发、前端可视化落地等方面积累了丰富的实操经验，为本系统的设计与实现提供了核心技术支撑。

作为数据分析师，我们在承接相关企业咨询项目时发现，传统的文本式数据播报无法满足“快速定位重点区域、感知趋势变化”的实际需求，因此基于Python生态搭建了这套疫情数据可视化系统。本文内容改编自过往客户咨询项目的技术沉淀并且已通过实际业务校验，该项目完整代码与数据已分享至交流社群。阅读原文进群，可与800+行业人士交流成长；还提供人工答疑，拆解核心原理、代码逻辑与业务适配思路，帮大家既懂怎么做，也懂为什么这么做；遇代码运行问题，更能享24小时调试支持。本专题聚焦疫情数据可视化系统的全流程落地，从数据采集、清洗、存储到前端展示，拆解Python、Flask、ECharts与MySQL的协同逻辑，通过模块化设计实现全国疫情追踪、省份排名、趋势分析等多维度展示。系统的核心创新在于实现“数据实时更新-多模块联动-交互体验优化”的闭环，且所有技术栈均为国内可无障碍访问（ECharts为百度开源，替代方案可选阿里AntV），适配国内实际应用场景。

项目文件截图

系统设计背景与需求

疫情防控期间，公众对疫情数据的需求从“知晓数值”升级为“理解规律”，基层防控人员则需要通过数据快速识别高风险区域、判断疫情走势。传统的数据发布形式存在信息滞后、维度单一的问题，无法满足这类实际需求。基于此，我们设计了这套可视化系统，核心目标是通过Python完成数据全链路处理，结合Flask和ECharts实现“实时、多维度、可交互”的疫情数据展示，让非技术人员也能快速抓取关键信息。系统选用的技术栈均适配国内开发环境：Python无访问限制，Flask作为轻量级框架国内文档完善，ECharts（百度开源）可直接使用，MySQL是国内主流的关系型数据库，上述技术均无访问壁垒，且有成熟的国产替代方案（如用AntV替代ECharts、用PostgreSQL替代MySQL）。

相关技术概述

Flask框架

Flask是轻量级Python Web框架，基于Werkzeug路由管理和Jinja2模板引擎构建，核心优势是轻量化、易扩展，无需冗余配置即可快速搭建后端接口，能高效衔接数据库与前端页面，适合中小型数据可视化系统的后端开发。

HTML+CSS+JavaScript三剑客

三者是Web前端开发的核心技术：HTML负责搭建页面的基础结构（如数据展示区域、功能按钮）；CSS优化页面样式与布局，确保在不同设备上的适配性；JavaScript实现交互逻辑（如鼠标悬停显示数据详情、图表动态加载），让静态页面具备动态响应能力。

ECharts图表库

ECharts是百度开源的JavaScript可视化库，支持折线图、柱状图、饼图、地图等多种图表类型，具备丰富的交互功能（如数据缩放、图例切换）。该工具在国内有完善的中文文档和社区支持，能快速对接后端数据实现实时渲染，是疫情数据可视化的优选工具。

Python与MySQL

Python凭借简洁的语法和丰富的第三方库（如Pandas、Requests），可完成疫情数据的爬取、清洗、转换；MySQL作为关系型数据库，能结构化存储海量疫情数据，通过SQL语句实现快速查询与更新，为系统提供稳定的数据支撑。

相关文章

Python深度学习GRU、LSTM 、BiLSTM-CNN神经网络空气质量指数AQI时间序列预测及机器学习分析

原文链接：tecdat.cn/?p=38742

系统设计与实现

数据收集与存储

系统通过Python爬虫技术结合公开API获取疫情实时数据，采集后先通过Pandas库完成数据清洗（去重、填补缺失值、修正错误数据），再转换为符合ECharts展示要求的格式，最后通过PyMySQL库写入MySQL数据库，实现数据持久化存储。上图展示了数据采集的核心流程，通过Python脚本对接公开数据源，确保数据的实时性与准确性，为后续可视化提供基础。数据写入数据库时，需先建立PyMySQL连接，将清洗后的结构化数据插入对应数据表，实现分类存储。下图为数据存入数据库的操作示意：系统整体功能结构如下图所示，覆盖“数据采集-处理-存储-展示”全链路，各模块分工明确、协同运行：

数据库设计

本系统采用MySQL数据库存储疫情数据，设计三张数据表分别存储全国核心指标、各省份数据、港澳台地区数据，通过结构化存储确保数据完整性与可查询性。数据库连接与表结构设计如下图所示：

数据处理和变换

数据处理是系统的核心环节，需将原始数据转换为适配ECharts的格式：

1. 数据清洗：通过Pandas库去除重复值、填补缺失值，确保数据准确；
2. 格式转换：将日期类数据转为数值格式，适配趋势图时间轴排序；
3. 聚合统计：统计各省份确诊总数、每日新增数等指标，为可视化提供支撑；
4. 数据存储：将处理后的数据写入MySQL，支持后续查询与更新。

页面设计

系统前端页面采用模块化布局，主页面预设八个功能框，用户可按需查询对应疫情数据，鼠标悬停在功能框或图表上即可查看详细数值，提升交互体验。页面功能设计如下图所示：

系统实现

全国疫情追踪模块

该模块用于展示本土新增确诊、本土新增无症状、累计死亡、累计治愈、累计确诊、本土现有确诊等核心指标，数据从MySQL数据库读取后传递至前端展示。模块实现代码如下图所示：核心代码经优化（修改变量名、调整语法结构）后如下，省略数据库查询的条件筛选逻辑：

# 从数据库获取疫情核心统计数据core_epidemic_data = sql_operate.get_total_data()# 构建数据字典，传递至前端模板data_dict = { "total_confirm": core_epidemic_data[0], # 累计确诊 "total_heal": core_epidemic_data[1], # 累计治愈 "total_dead": core_epidemic_data[2], # 累计死亡 "local_confirm_now": core_epidemic_data[3], # 本地现有确诊 "local_confirm_add": core_epidemic_data[4], # 本地新增确诊 "local_asymptomatic_add": core_epidemic_data[5] # 本地新增无症状}# 将数据传递至前端index.html模板渲染return render_template('index.html',** data_dict)

代码功能：读取数据库中的核心疫情指标，封装为字典后传递至前端模板，实现指标的动态展示；省略部分为数据校验、异常捕获的逻辑，确保传递的数据有效。该模块在系统中的展示效果如下图所示：

现有确诊人数省份排名模块

该模块统计各省份现有确诊人数，按从高到低排序后以柱状图形式展示，用户可通过鼠标悬停查看具体数值，直观了解各地区疫情严重程度。模块展示效果如下图：

国内疫情动态模块

该模块通过圆柱体样式可视化国内疫情核心数据，数据由Python定期从数据源获取并更新至MySQL，再通过Flask接口传递至前端，实现实时展示。模块效果如下图：