import pandas as pd
df = pd.read_csv("rural.csv",encoding='gbk')
df

country=list(df['地区'])
country

['北京',
 '天津',
 '河北',
 '山西',
 '内蒙古',
 '辽宁',
 '吉林',
 '黑龙江',
 '上海',
 '江苏',
 '浙江',
 '安徽',
 '福建',
 '江西',
 '山东',
 '河南',
 '湖北',
 '湖南',
 '广东',
 '广西',
 '海南',
 '重庆',
 '四川',
 '贵州',
 '云南',
 '西藏',
 '陕西',
 '甘肃',
 '青海',
 '宁夏',
 '新疆']

二零一七年农村每万人卫生人员数=list(df['二零一七年'])
二零一七年农村每万人卫生人员数

[nan,
 77.0,
 40.0,
 41.0,
 51.0,
 34.0,
 50.0,
 42.0,
 77.0,
 50.0,
 69.0,
 32.0,
 41.0,
 33.0,
 48.0,
 35.0,
 48.0,
 41.0,
 39.0,
 39.0,
 41.0,
 37.0,
 45.0,
 36.0,
 46.0,
 30.0,
 56.0,
 38.0,
 41.0,
 46.0,
 64.0]

c=list(df['二零一六年'])
d=list(df['二零一七年'])

c

[nan,
 84.0,
 36.0,
 40.0,
 48.0,
 35.0,
 47.0,
 41.0,
 76.0,
 47.0,
 67.0,
 30.0,
 40.0,
 32.0,
 47.0,
 34.0,
 46.0,
 39.0,
 36.0,
 39.0,
 40.0,
 36.0,
 42.0,
 34.0,
 40.0,
 29.0,
 53.0,
 36.0,
 37.0,
 39.0,
 63.0]

d

[nan,
 77.0,
 40.0,
 41.0,
 51.0,
 34.0,
 50.0,
 42.0,
 77.0,
 50.0,
 69.0,
 32.0,
 41.0,
 33.0,
 48.0,
 35.0,
 48.0,
 41.0,
 39.0,
 39.0,
 41.0,
 37.0,
 45.0,
 36.0,
 46.0,
 30.0,
 56.0,
 38.0,
 41.0,
 46.0,
 64.0]

df2 = pd.read_csv("weishengshi.csv",encoding='gbk')
df2

data=list(df2['data'])
data

['村办的村卫生室个数(个)',
 '乡卫生院设点的村卫生室个数(个)',
 '联合办的村卫生室个数(个)',
 '私人办的村卫生室个数(个)',
 '其他办的村卫生室个数(个)']

a=list(df2['2017年'])
a

[349025, 63598, 28687, 147046, 43701]

b=list(df2['2016年'])
b

[351016, 60419, 29336, 152164, 45828]

data1=list(df2['data'])
data1

['村办的村卫生室个数(个)',
 '乡卫生院设点的村卫生室个数(个)',
 '联合办的村卫生室个数(个)',
 '私人办的村卫生室个数(个)',
 '其他办的村卫生室个数(个)']

data2=list(df2['2017年'])
data2

[349025, 63598, 28687, 147046, 43701]

zip的结果3 = list(zip(data1,data2))
zip的结果3

[('村办的村卫生室个数(个)', 349025),
 ('乡卫生院设点的村卫生室个数(个)', 63598),
 ('联合办的村卫生室个数(个)', 28687),
 ('私人办的村卫生室个数(个)', 147046),
 ('其他办的村卫生室个数(个)', 43701)]

df3 = pd.read_csv("city.csv",encoding='gbk')
df3

二零一七年城市每万人卫生人员数=list(df3['二零一七年'])
二零一七年城市每万人卫生人员数

[176,
 95,
 95,
 130,
 130,
 115,
 83,
 102,
 131,
 101,
 130,
 73,
 101,
 107,
 111,
 118,
 101,
 121,
 114,
 91,
 136,
 79,
 85,
 156,
 146,
 100,
 116,
 87,
 220,
 106,
 147]

zip的结果 = list(zip(country,二零一七年农村每万人卫生人员数))
zip的结果

[('北京', nan),
 ('天津', 77.0),
 ('河北', 40.0),
 ('山西', 41.0),
 ('内蒙古', 51.0),
 ('辽宁', 34.0),
 ('吉林', 50.0),
 ('黑龙江', 42.0),
 ('上海', 77.0),
 ('江苏', 50.0),
 ('浙江', 69.0),
 ('安徽', 32.0),
 ('福建', 41.0),
 ('江西', 33.0),
 ('山东', 48.0),
 ('河南', 35.0),
 ('湖北', 48.0),
 ('湖南', 41.0),
 ('广东', 39.0),
 ('广西', 39.0),
 ('海南', 41.0),
 ('重庆', 37.0),
 ('四川', 45.0),
 ('贵州', 36.0),
 ('云南', 46.0),
 ('西藏', 30.0),
 ('陕西', 56.0),
 ('甘肃', 38.0),
 ('青海', 41.0),
 ('宁夏', 46.0),
 ('新疆', 64.0)]

zip的结果2 = list(zip(country,二零一七年城市每万人卫生人员数))
zip的结果2

[('北京', 176),
 ('天津', 95),
 ('河北', 95),
 ('山西', 130),
 ('内蒙古', 130),
 ('辽宁', 115),
 ('吉林', 83),
 ('黑龙江', 102),
 ('上海', 131),
 ('江苏', 101),
 ('浙江', 130),
 ('安徽', 73),
 ('福建', 101),
 ('江西', 107),
 ('山东', 111),
 ('河南', 118),
 ('湖北', 101),
 ('湖南', 121),
 ('广东', 114),
 ('广西', 91),
 ('海南', 136),
 ('重庆', 79),
 ('四川', 85),
 ('贵州', 156),
 ('云南', 146),
 ('西藏', 100),
 ('陕西', 116),
 ('甘肃', 87),
 ('青海', 220),
 ('宁夏', 106),
 ('新疆', 147)]

from pyecharts import options as opts
from pyecharts.charts import Bar


def bar_base() -> Bar:
    c = (
        Bar()
        .add_xaxis(country)
        .add_yaxis("农村", 二零一七年农村每万人卫生人员数)
        .add_yaxis("城市", 二零一七年城市每万人卫生人员数)
        .set_global_opts(
            title_opts=opts.TitleOpts(title="二零一七年农村和城市每万人卫生人员数"),
            xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-55)),
           
        )
)
    return c
bar_base().render_notebook()

从此图可以看出，2017年农村和城市每万人卫生人员数，城市的卫生人员数比农村多，农村的数量在30-77之间，城市的数量在73-220之间，两者相比，城市的卫生人口差距较大。¶

from pyecharts import options as opts
from pyecharts.charts import Page, Pie


def pie_base() -> Pie:
    c = (
        Pie()
        .add("", zip的结果3)
        .set_global_opts(title_opts=opts.TitleOpts(title="农村卫生室数量"))
        .set_series_opts(label_opts=opts.LabelOpts(formatter="{b}: {c}"))
    )
    return c
pie_base().render_notebook()

从此图可见，农村卫生室数量中占比最多的是村办的村卫生室个数，最少的是联合办的村卫生室个数。¶

import pyecharts.options as opts
from pyecharts.charts import Line


def line_base() -> Line:
    c = (
        Line()
        .add_xaxis(data)
        .add_yaxis("2017", a)
        .add_yaxis("2016", b)
        .set_global_opts(title_opts=opts.TitleOpts(title="农村卫生室的数量"),
                         xaxis_opts=opts.AxisOpts(axislabel_opts=opts.LabelOpts(rotate=-55)),
                        )
    )
    return c
line_base().render_notebook()

从此图可见，农村卫生室数量中两年的增长率不高。2016和2017年相比，农村卫生室的总数量有所下降，主要表现在私人办的村卫生室和其他办的卫生室数量下降。¶

from pyecharts import options as opts
from pyecharts.charts import Map

def map_visualmap1() -> Map:
    c = (
        Map()
        .add("农村",zip的结果, "china")
       
        .set_global_opts(
            title_opts=opts.TitleOpts(title="二零一七年农村和城市每万人卫生人员数"),
            visualmap_opts=opts.VisualMapOpts(min_=30,max_=80),
        )
    )
    return c

map_visualmap1().render_notebook()

def map_visualmap() -> Map:
    c = (
        Map()
         .add("城市",zip的结果2, "china")
        .set_global_opts(
            title_opts=opts.TitleOpts(title="二零一七年农村和城市每万人卫生人员数"),
            visualmap_opts=opts.VisualMapOpts(min_=70,max_=220),
        )
    )
    return c

map_visualmap().render_notebook()

从地图可视化图可见，农村和城市的卫生人口数基本是越往内陆地区，数量越多，但总体分布较为零散，不成比例关系。2017年农村和城市每万人卫生人员数，两者相比，城市的卫生人口差距较大。而农村卫生室中，村办的数量是最多的，其次是私人办，但在2016年到2017年，这两者的数据都有下降。因此，政府要培养卫生人员的人才，增加总体的卫生人员数量，重视卫生人员的数量变化和培养。¶

	data	2018年	2017年	2016年	2015年	2014年	2013年	2012年	2011年	2010年	2009年
0	村办的村卫生室个数(个)	NaN	349025	351016	353196	349428	371579	370099	372661	365153	350515
1	乡卫生院设点的村卫生室个数(个)	NaN	63598	60419	60231	59396	59896	58317	56128	49678	45434
2	联合办的村卫生室个数(个)	NaN	28687	29336	29208	29180	32690	32278	33639	32650	31035
3	私人办的村卫生室个数(个)	NaN	147046	152164	153353	160549	158811	167025	175747	177080	183699
4	其他办的村卫生室个数(个)	NaN	43701	45828	44548	46917	25643	25700	24719	23863	22087

	地区	二零一七年	二零一六年	二零一五年	二零一四年	二零一三年	二零一二年	二零一一年	二零一零年
0	北京	NaN	NaN	86	81	81	78	77	74
1	天津	77.0	84.0	55	55	53	54	53	54
2	河北	40.0	36.0	34	32	32	31	30	29
3	山西	41.0	40.0	39	39	38	38	37	38
4	内蒙古	51.0	48.0	46	44	41	39	39	36
5	辽宁	34.0	35.0	35	34	41	34	33	32
6	吉林	50.0	47.0	45	44	37	44	42	41
7	黑龙江	42.0	41.0	39	38	37	36	34	34
8	上海	77.0	76.0	77	76	77	76	77	77
9	江苏	50.0	47.0	43	43	39	39	36	33
10	浙江	69.0	67.0	61	58	57	53	50	48
11	安徽	32.0	30.0	29	28	26	25	23	22
12	福建	41.0	40.0	40	38	37	33	30	28
13	江西	33.0	32.0	31	30	29	28	27	25
14	山东	48.0	47.0	47	48	50	47	42	40
15	河南	35.0	34.0	33	32	31	28	27	25
16	湖北	48.0	46.0	44	42	38	33	32	31
17	湖南	41.0	39.0	38	35	34	31	30	28
18	广东	39.0	36.0	34	33	30	31	30	29
19	广西	39.0	39.0	36	36	33	31	29	27
20	海南	41.0	40.0	39	41	38	37	35	33
21	重庆	37.0	36.0	34	32	35	34	30	29
22	四川	45.0	42.0	39	38	36	33	30	28
23	贵州	36.0	34.0	32	30	29	23	20	18
24	云南	46.0	40.0	38	35	33	28	26	24
25	西藏	30.0	29.0	33	33	29	25	29	28
26	陕西	56.0	53.0	49	48	45	41	37	35
27	甘肃	38.0	36.0	35	34	33	31	30	28
28	青海	41.0	37.0	36	36	36	31	32	29
29	宁夏	46.0	39.0	36	32	31	29	29	25
30	新疆	64.0	63.0	61	58	55	48	50	45

	地区	二零一七年	二零一六年	二零一五年	二零一四年	二零一三年	二零一二年	二零一一年	二零一零年
0	北京	176	172	170	164	159	155.0	146	139
1	天津	95	91	95	90	87	82.0	78	75
2	河北	95	98	104	110	103	97.0	94	92
3	山西	130	126	118	113	109	106.0	100	101
4	内蒙古	130	127	119	112	117	109.0	93	97
5	辽宁	115	103	95	92	76	87.0	84	83
6	吉林	83	98	93	84	131	74.0	71	72
7	黑龙江	102	96	93	90	86	83.0	82	79
8	上海	131	125	120	116	111	105.0	100	98
9	江苏	101	98	100	90	89	79.0	65	66
10	浙江	130	122	126	116	103	101.0	96	88
11	安徽	73	69	69	66	63	55.0	55	53
12	福建	101	99	98	103	102	95.0	87	77
13	江西	107	97	93	89	81	76.0	70	68
14	山东	111	102	98	93	91	76.0	69	66
15	河南	118	110	104	99	93	87.0	77	77
16	湖北	101	99	97	86	79	79.0	69	65
17	湖南	121	115	110	104	94	86.0	81	82
18	广东	114	115	113	113	118	104.0	98	92
19	广西	91	86	86	79	76	69.0	64	60
20	海南	136	130	124	98	98	92.0	88	78
21	重庆	79	71	66	61	48	44.0	43	39
22	四川	85	82	85	80	77	70.0	62	58
23	贵州	156	131	121	110	74	79.0	73	75
24	云南	146	133	122	110	100	90.0	81	78
25	西藏	100	118	116	140	143	104.0	130	136
26	陕西	116	107	104	97	90	84.0	77	71
27	甘肃	87	78	76	74	68	64.0	61	56
28	青海	220	198	191	175	164	NaN	138	127
29	宁夏	106	100	96	97	91	84.0	75	77
30	新疆	147	151	166	155	129	153.0	106	145