1、分级着色地图

分级着色地图常用于可视化地理数据，比如人口密度、经济数据、气候变化等。其原理是使用颜色或阴影的渐变来表示不同区域(如国家、省份、城市等)中的数据差异。例如，地图上的每个区域根据其代表的数值被着色，通常数值越大，颜色越深。

2、案例1

import plotly.express as px
import pandas as pd

# 将数据转化为pandas DataFrame
data = {
    'Country': ['Australia', 'United States', 'Brazil', 'Russia', 'India', 'South Africa', ],
    'Value': [100, 90, 80, 70, 85, 95]
}

df = pd.DataFrame(data)

# 创建Choropleth地图
fig = px.choropleth(
    df,
    locations='Country',
    locationmode='country names',
    color='Value', color_continuous_scale='Blues',
    title='分级着色地图'
)
# 显示地图
fig.show()

运行结果：

2、案例2

import pandas as pd
import plotly.express as px
import numpy as np
import json

with open("china_province.geojson", encoding='utf8') as f:
    provinces_map = json.load(f)

df = pd.read_csv('data.csv')

df.确诊 = df.确诊.map(np.log)   # 由于各省确诊数据差距较大，数据尺度大，将所有数据采用对数形式
print(df.确诊)
fig = px.choropleth_mapbox(
    df,
    geojson=provinces_map,
    color='确诊',
    locations="地区",
    featureidkey="properties.NL_NAME_1",
    mapbox_style="carto-darkmatter",
    color_continuous_scale='viridis',
    center={"lat": 37.110573, "lon": 106.493924},
    zoom=3,
    hover_name="地区",
    hover_data=["确诊", "疑似", "治愈", "死亡"],
)
# fig.update_layout(margin={"r": 0, "t": 0, "l": 0, "b": 0})
fig.show()

运行结果：

参考资料
https://blog.csdn.net/u010099080/article/details/104543491
https://github.com/secsilm/plotly-choropleth-mapbox-demo