阶段4：可视化仪表盘与用户界面开发
在这一阶段，我们将使用 Plotly Dash 来设计一个实时预测仪表盘，用于展示疾病传播趋势、医生评估信息等。我们还将实现实时数据更新与展示，确保数据能够及时反映系统中的变化。
1. 设计实时预测仪表盘
步骤 1：安装 Dash 依赖
首先，确保您在 PyCharm 项目中安装了 Dash 和 Plotly 库。这些库将帮助我们创建交互式图表和可视化仪表盘。
pip install dash plotly
步骤 2：创建 Dash 应用
在 PyCharm 中创建一个新的 Python 文件，命名为 dashboard.py，并开始构建一个基本的 Dash 应用。
import dash
from dash import dcc, html
import plotly.express as px
import pandas as pd
import numpy as np
# 创建Dash应用
app = dash.Dash(__name__)
# 示例数据：疾病传播趋势
# 假设我们有一个示例数据集，包含日期、病例数和地理位置
data = pd.DataFrame({
"date": pd.date_range(start="2025-01-01", periods=100, freq="D"),
"cases": np.random.randint(0, 100, size=100),
"geo_location": np.random.choice(["Beijing", "Shanghai", "Guangzhou", "Shenzhen"], size=100)
})
# 使用 Plotly Express 创建一个热力图
fig = px.density_mapbox(data, lat="geo_location", lon="cases", z="cases", radius=10,
center={
"lat": 39.9, "lon": 116.4}, zoom=3,
mapbox_style="open-street-map", title="疾病传播热力图")
# 设置 Dash 布局
app.layout = html.Div([
html.H1("实时疾病传播趋势仪表盘"),
dcc.Graph(id="heatmap", figure=fig),
dcc.Interval(
id="interval-component",
interval=10*1000, # 每10秒更新一次数据
n_intervals=0
)
])
# 设置数据更新回调
@app.callback(
dash.dependencies.Output("heatmap", "figure"),
[dash.dependencies.Input("interval-component", "n_intervals")]
)
def update_data(n):
# 每次更新时模拟数据变化
data["cases"] = np.random.randint(0, 100, size=100) # 更新病例数
fig = px.density_mapbox(data, lat="geo_location", lon="cases", z="cases", radius=10,
center={
"lat": 39.9, "lon": 116.4}, zoom=3,
mapbox_style="open-street-map", title="疾病传播热力图")
return fig
# 运行应用
if __name__ == "__main__":
app.run_server(debug=True)
说明：
- Dash 是一个用于构建交互式、动态 Web 应用的 Python 框架。它允许通过 HTML 元素和交互式图表（如 Plotly 图表）来展示数据。
- Plotly Express 用于生成热力图，以展示不同地理位置的疾病传播情况。
- dcc.Interval 是 Dash 中的组件&#
