observablehq 美国 COVID-19 确诊数曲线

简介:

本线状图用于显示每天美国 COVID-19 的总计感染用户曲线。我们使用的是在线 JSON 数据,数据是通过 AWS 进行读取的。

你可以直接访问下面的链接来获得我们处理上传的数据。

https://cdn.ossez.com/dataset/json/covid19/covid19-confirmed-daily-us.json

虽然我们每天都会自动上传一些数据,但是你可能的更新数据每次都不一样。

我们主要也是希望通过这个平台来学习 D3 图表的使用。

你可以直接访问下面的链接: https://observablehq.com/@yuchenghu/untitled?collection=@yuchenghu/covid-19

对代码修改后进行编译,需要注意的是我们数据是上传到 AWS 的 JSON 数据,数据的来源是从 https://covidtracking.com/api  下载后处理的。

下载的方式是通过 Spring Batch 构建一个批量处理程序,每天定时获得最新数据后存储到本地数据库中,然后从本地数据库中导出为 JSON 数据。我也认为这种处理方式过于繁琐,其实在内存中就可以实现了,在获得原数据的 API 后,你可以直接将源数据转换为对象。

然后利用 gson 将对象转换为需要的字符串后输出成 JSON 就可以了。

如果你对 AWS  API 比较了解和熟悉的话,你可以利用 AWS 的API 直接将生成的 json 数据上传到 S3 上存储。

2020_05_12_11_53_01

做这个小项目的主要是为了熟悉 Spring Batch 的使用,D3 数据图表的配置,AWS API 的存储和使用。

麻雀虽小,五脏俱全,能够帮助你很好的了解微服务,云平台,数据结构等很多知识。

项目的源代码,我们已经发布到 GitHub 上了。https://github.com/ossez-com/covid-19 如果你有兴趣的话也可以参考。

https://www.cwiki.us/pages/viewpage.action?pageId=62619834

目录
相关文章
|
6月前
|
机器学习/深度学习 数据建模
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
数据分享|Eviews用ARIMA、指数曲线趋势模型对中国进出口总额时间序列预测分析
|
6月前
|
人工智能 编解码 数据中心
中国逐年干燥度指数数据集
中国逐年干燥度指数数据集
97 1
中国逐年干燥度指数数据集
|
6月前
|
编解码 人工智能 定位技术
美国季节性干旱数据集
美国季节性干旱数据集
58 0
|
BI 定位技术
全国夜间灯光指数数据、GDP密度分布、人口密度分布、土地利用数据、降雨量数据
全国夜间灯光指数数据、GDP密度分布、人口密度分布、土地利用数据、降雨量数据
全国夜间灯光指数数据、GDP密度分布、人口密度分布、土地利用数据、降雨量数据
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取铁,预测平均值和标准偏差数据集
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取铁,预测平均值和标准偏差数据集
108 1
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取铁,预测平均值和标准偏差数据集
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
121 0
Google Earth Engine ——2001-2017年非洲土壤在 土壤深度为 0-20 厘米和 20-50 厘米的美国农业部质地等级数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
111 0
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的淤泥含量数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的石含量数据,预测平均值和标准偏差
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的石含量数据,预测平均值和标准偏差
137 0
Google Earth Engine ——2001-2017年非洲土壤在 0-20 厘米和 20-50 厘米的土壤深度处可提取的石含量数据,预测平均值和标准偏差
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
102 0
Google Earth Engine ——2001-2017年非洲土壤在土壤深度 0-20 厘米和 20-50 厘米的可提取锌,预测平均值和标准偏差数据
|
机器学习/深度学习
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取粘土含量,预测平均值和标准偏差数据集
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取粘土含量,预测平均值和标准偏差数据集
134 0
Google Earth Engine ——2001-2017年非洲土壤深度 0-20 厘米和 20-50 厘米的可提取粘土含量,预测平均值和标准偏差数据集