Einführung
Es ist langweilig, wegen der jüngsten Koronavirus-Epidemie zu Hause zu bleiben, und ich möchte früh raus, also werde ich es in Zukunft verwenden.
Ich habe versucht, denselben SARS-Virustyp zu analysieren, um den Trend des Navirus zu erkennen.
Zukunftsaussichten
- Analysieren Sie bei der Coronavirus-Epidemie das SARS-Virus derselben Klassifikation
- Analysieren Sie anschließend das Coronavirus
- Vergleichen Sie die beiden
Zuerst
Ich habe nach Daten gesucht, weil ich keine Daten hatte, um sie zu analysieren.
** Keine gut aussehenden CSV-Daten **
Um aus der CSV-Datei zu erstellen, suchen Sie zunächst nach SARS-Daten von WHO.
Ich habe es jedoch erstellt.
Tatsächlich erstellte CSV

Dies sind die Daten bis zum 10. Tag. Da ich es selbst erstellt habe, scheint es gut, dass nur wenige Werte fehlen.
## Eigentlich analysieren
Nun möchte ich zur eigentlichen Analyse übergehen.
### 1. Bibliothek
SARS.ipynd
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
2. CSV-Ausgabe
SARS.ipynd
df1 = pd.read_csv('analytics_SARS].csv')
df1.head()
3. Sehen Sie die Zunahme der Anzahl infizierter Personen
SARS.ipynd
x_num = df1['day']
y_num = df1['total']
plt.plot(x_num,y_num)#Grafik anzeigen

Bis zu etwa 60 Tagen gab es einen Aufwärtstrend, aus dem hervorgeht, dass die Zahl der Infizierten deutlich zurückgegangen ist.
### 4.1 Sehen Sie sich die Zunahme / Abnahme der Anzahl infizierter Personen pro Tag an
SARS,ipyind
x_num = df1['day']
y_num = df1['total-change']
plt.plot(x_num,y_num)#Grafik anzeigen

Es kann vorausgesagt werden, dass die erste Schwankung auf die schrittweisen Meldungen von Infektionen aus neuen Ländern zurückzuführen sein wird.
### 5. Sehen Sie die Zunahme der Todesfälle
SARS.ipynd
x_num = df1['day']
y_num = df1['death']
plt.plot(x_num,y_num)#Grafik anzeigen

In etwa 100 Tagen sind bis zu 800 Menschen gestorben. Mit anderen Worten, an einem einfachen Berechnungstag sind bis zu acht Menschen tot.
6.1 Sehen Sie die Zunahme / Abnahme der Todesfälle pro Tag
SARS.ipynd
x_num = df1['day']
y_num = df1['death-change']
plt.plot(x_num,y_num)#Grafik anzeigen

Die Zahl der Todesfälle pro Tag nimmt zu oder ab. Dies scheint auf den Zyklus zurückzuführen zu sein, in dem die Nachricht vom Tod eintrifft.
###### Mortalität
SARS.ipynd
df1['death'].sum() / df1['total'].sum()
Es stellt sich heraus, dass die Letalitätsrate 0,08121591227553301 oder etwa 8% beträgt.
7. Sehen Sie sich die Anzahl der Wiederhersteller an
SARS.ipynd
x_num = df1['day']
y_num = df1['recovery']
plt.plot(x_num,y_num)#Grafik anzeigen

Es ist zu sehen, dass nach etwa 20 Tagen allmählich Menschen mit Genesung auftauchten. Die Zahl der Menschen, die sich davon erholen, hat erheblich zugenommen.
8.1 Sehen wir uns die Zunahme / Abnahme der Anzahl infizierter Personen pro Tag an
SARS.ipynd
x_num = df1['day']
y_num = df1['recovery_change']
plt.plot(x_num,y_num)#Grafik anzeigen

Ein starker Anstieg ist um 20 Tage zu sehen. Dies scheint mit der Anzahl der in jedem Land gemeldeten Wiederhersteller in Zusammenhang zu stehen.
Die Anzahl der Wiederhersteller scheint jedoch im Durchschnitt stabil zu sein.
# Zusammenfassung
Dieses Mal konzentrierte ich mich auf eine einfache Analyse.
Ich habe es mit einfachem Code und einfachen Berechnungen analysiert, aber ich denke, es wurde einfacher, es nur durch grafische Darstellung zu verstehen. In Zukunft werde ich auch fortgeschrittenere Analysen und Koronaanalysen durchführen.