Einführung

Im Zusammenhang mit der neuen Coronavirus-Infektion (COVID-19), 19. März 2020, Situationsanalyse und Empfehlungen durch Expertentreffen .pdf) wurde ausgestellt. Darunter ist das Analyseergebnis zur effektiven Reproduktionszahl (der Durchschnittswert der Anzahl der Sekundärinfektionen, die von einer infizierten Person zu einem bestimmten Zeitpunkt in der Bevölkerung, in der die Epidemie der Infektionskrankheit auftritt, hervorgerufen wurden) angegeben. In Hokkaido liegt der Wert seit Mitte Februar unter 1, und es wurde die Ansicht vertreten, dass er in Richtung Konvergenz geht. In Artikel, den ich neulich geschrieben habe habe ich das mit einem vereinfachten Modell berechnete Ergebnis gezeigt, aber das Analyseergebnis zu diesem Zeitpunkt ist auch ungefähr 1, da es kleiner als 1 ist. Wir haben dies getan, und ich denke, wir konnten die Antworten zusammenbringen. Die Analyse von Professor Nishiura an der Hokkaido-Universität scheint jedoch eine genauere Analyse unter Verwendung der wahrscheinlichsten Schätzung zu sein. Wahrscheinlich, wie in diesem Artikel gezeigt, effektive Reproduktionsnummer , Rt): Es scheint "die Anzahl der Sekundärinfektionen durch eine infizierte Person (zu einem bestimmten Zeitpunkt t, unter bestimmten Maßnahmen)" zu bedeuten. Selbst wenn die Grundanzahl der Reproduktionen R0 ist, scheint es schwierig zu sein, sie getrennt von Gesellschaft und Politik zu bewerten. Daher wurde der Titel dieses Artikels absichtlich als Anzahl der effektiven Reproduktionen festgelegt. Übrigens möchte ich in diesem Artikel eine Rangfolge des Durchschnittswerts in einem bestimmten Zeitraum der Anzahl der Reproduktionen nach Präfektur angeben. Beim Expertentreffen neulich ** 1. Bereiche, in denen sich die Infektionssituation ausbreitet 2. 2. Bereiche, in denen die Infektionssituation zu konvergieren beginnt, und Bereiche, in denen sie bis zu einem gewissen Grad besiedelt wurde. Es wurde empfohlen, das Gebiet in drei Gebiete zu unterteilen, in denen der Infektionsstatus nicht bestätigt wurde, und ** in ausgewogener Weise, aber es wurde nicht angegeben, welches Gebiet 1 entspricht. Daher ist die Hauptmotivation für diesen Artikel, ** die Anzahl der Reproduktionen nach Präfektur spezifisch zu berechnen und sie zu ordnen **.

Annahme

Die Grundformel entspricht dem Inhalt von Vorheriger Artikel. Ich habe die Parameter auch nicht geändert. Wie im vorherigen Artikel wurde auch die CSV in Karte der Anzahl der von der Präfektur infizierten neuen Koronaviren (bereitgestellt von Jag Japan Co., Ltd.) veröffentlicht. Ich habe die Daten verwendet. Aufgrund der zeitlichen Verzögerung bei der Suche nach einem positiven Test nach der Latenzzeit und der Infektionsperiode wurden die Ergebnisse vor den letzten zwei Wochen nicht erhalten. Damit Sie Japanisch mit matplotlib verwenden können, [diese Seite](https://datumstudio.jp/blog/matplotlib%E3%81%AE%E6%97%A5%E6%9C%AC%E8%AA % 9E% E6% 96% 87% E5% AD% 97% E5% 8C% 96% E3% 81% 91% E3% 82% 92% E8% A7% A3% E6% B6% 88% E3% 81% 99 Ich habe die IPAex Gothic-Schriftart unter Bezugnahme auf% E3% 82% 8Bwindows% E7% B7% A8) installiert.

Versuchen Sie mit Python zu rechnen

Dieser Code ist auf GitHub verfügbar. Es wird im Jupyter Notebook-Format gespeichert. (Dateiname: 03_R0_estimation-JPN-02a.ipynb)

GitHub: okimebarun / 01_COVID19_analysis

Code

Ich werde nicht den gesamten Code im Artikel behandeln, da er lang sein wird, aber ich werde die wichtigsten Punkte bei der Erstellung des Rankings erläutern. Es ist eine Magie, japanische Schriftarten in der Abbildung zu aktivieren (Schriftarten müssen vorinstalliert sein).

font = {'family' : 'IPAexGothic'}
plt.rc('font', **font)

Es ist eine Funktion, um den Präfekturnamen zu extrahieren. Ich verwende die Funktion duplicated (), um doppelte Werte zu entfernen.

def getJapanPrefList():
    #Download von der unten stehenden URL
    # https://jag-japan.com/covid19map-readme/
    fcsv = u'COVID-19.csv'
    df = pd.read_csv(fcsv, header=0, encoding='utf8', parse_dates=[u'Bestätigtes Datum JJJJMMTT'])
    #Festes Datum,Extrahieren Sie nur die Präfektur Beratung
    df1 = df.loc[:,[u'Beratungspräfektur']]
    df1.columns = ['pref']
    df1 = df1[~df1.duplicated()]
    preflist = [e[0] for e in df1.values.tolist()]
    return preflist

preflist = getJapanPrefList()

Dies ist der Teil, der Diagramme und Datenrahmen für die Präfekturliste erstellt.

def R0inJapanPref2(pref):
    keys = {'lp':5, 'ip':8 }
    df1 = makeCalcFrame(60) # 60 days
    df2 = readCsvOfJapanPref(pref)
    df = mergeCalcFrame(df1, df2)
    df = calcR0(df, keys)
    showResult(df, u'COVID-19 R0 ({})'.format(pref))
    return df

dflist = [ [R0inJapanPref2(pref), pref] for pref in preflist]

Es ist eine Funktion, den Durchschnitt der Grundreproduktionsnummer R0 in einem bestimmten Zeitraum zu berechnen. Wir haben es mit dem Fall zu tun, in dem es leer wird.

def calcR0Average(df, st, ed):
    df1 = df[(st <= df.date) & (df.date <= ed) ]
    df2 = df1[np.isnan(df1.R0) == False]
    df3 = df2['R0']
    ave = np.average(df3) if len(df3) > 0 else 0
    return ave

Eine Funktion, die nach Rang sortiert.

def calcR0AveRank(dflist, st, ed):
    R0AveRank = [ [pref, calcR0Average(df, st, ed)] for df, pref in dflist]
    R0AveRank.sort(key = lambda x: x[1], reverse=True)
    df = pd.DataFrame(R0AveRank)
    df.columns = ['pref','R0ave']
    return df

Eine Funktion, die das Ranking als Balkendiagramm anzeigt. Ich benutze die Funktion set_position, um die X-Achse nach oben zu bringen.

def showRank(dflist, maxn, title):
    ax = dflist.iloc[0:maxn,:].plot.barh(y='R0ave',x='pref',figsize=(8,10))
    ax.invert_yaxis()
    ax.grid(True, axis='x')
    ax.spines['bottom'].set_position(('axes',1.05))
    plt.title(title, y=1.05)
    plt.show()
    return ax

Schließlich der Teil, der das Ranking berechnet.

# 2020/2/7 bis 2020/3/7
st = pd.Timestamp(2020,2,7)
ed = pd.Timestamp(2020,3,7)
title = "R0ave_ranking_2020207_20200307"
dfR0_1 = calcR0AveRank(dflist, st, ed)
ax = showRank(dfR0_1, 13, title)
fig = ax.get_figure()
fig.savefig("{}.jpg ".format(title))
# 2020/2/23 bis 2020/3/7
st = pd.Timestamp(2020,2,23)
ed = pd.Timestamp(2020,3,7)
title = "R0ave_ranking_2020223_20200307"
dfR0_1 = calcR0AveRank(dflist, st, ed)
ax = showRank(dfR0_1, 13, title)
fig = ax.get_figure()
fig.savefig("{}.jpg ".format(title))
# 2020/3/1 bis 2020/3/7
st = pd.Timestamp(2020,3,1)
ed = pd.Timestamp(2020,3,7)
title = "R0ave_ranking_2020301_20200307"
dfR0_2 = calcR0AveRank(dflist, st, ed)
ax = showRank(dfR0_2, 13, title)
fig = ax.get_figure()
fig.savefig("{}.jpg ".format(title))

Ranking Ergebnis

Schauen wir uns nun die Berechnungsergebnisse an. Wenn $ R_0> 1 $ ist, breitet sich die Infektion aus, und wenn $ R_0 <1 $, konvergiert die Infektion. Wir werden uns spätestens einen Monat, zwei Wochen und eine Woche ansehen.

Ranking von 2020/2/7 bis 2020/3/7 (für den letzten Monat)

Die Präfektur Hyogo wurde zur Spitze. Wie berichtet, traten Cluster an mehreren Orten wie Tagesstätten, Kindergärten und Krankenhäusern gleichzeitig auf.
Als nächstes scheint es in Hokkaido die Zeit des Sapporo Snow Festivals (4. bis 11. Februar) zu geben.
1. Platz ist die Präfektur Osaka. Dies ist wahrscheinlich auch auf die Tatsache zurückzuführen, dass es sich wie berichtet um einen Cluster im lebenden Haus (15. bis 24. Februar) handelt. Da die Präfektur Hyogo (1. Platz) und die Präfektur Osaka (3. Platz) nebeneinander liegen, besteht die Sorge, dass aufgrund des Verkehrs eine Clusterkette entsteht.

Ranking von 2020/2/23 bis 2020/3/7 (für die letzten 2 Wochen)

Die Präfektur Hyogo wurde zur Spitze. Der Grund wird der gleiche sein wie zuvor.
Überraschenderweise wurde die Präfektur Gunma Zweiter. Dies scheint darauf zurückzuführen zu sein, dass die Zahl der Infizierten in letzter Zeit tendenziell höher ist, wenn sie zu steigen beginnt. Bis zum 20. März betrug die Zahl der Infizierten in der Präfektur Gunma 11, aber es scheint Berichte zu geben, dass Cluster in Kliniken in der Präfektur auftreten.
1. Platz ist die Präfektur Saitama. Auf der Seite der Präfektur Saitama scheint der Weg infizierter Menschen im Allgemeinen eingeschlagen zu werden. Ab dem 20. März beträgt die Anzahl der Infizierten in der Präfektur Saitama 44.

Ranking von 2020/3/1 bis 2020/3/7 (für die letzte Woche)

Die Präfektur Gunma wurde zur Spitze. Der Grund wird der gleiche sein wie zuvor.
Als nächstes kommt die Präfektur Shiga. Ab dem 20. März beträgt die Anzahl der Infizierten in der Präfektur Shiga 4, so dass dies anscheinend auf einen jüngsten Ausbruch zurückzuführen ist.
1. Platz ist Tokio. Im letzten Monat waren es ungefähr 1,5, aber in der letzten Woche waren es ungefähr 2,2, und ich mache mir Sorgen, dass es einen bescheidenen Anstieg gibt. Die Zunahme der Rückkehrer kann auch auf die Verschärfung der Reisebeschränkungen (China, Südkorea, EU und die Welt) durch das Außenministerium zurückzuführen sein.

Erwägung

Die Anzahl der Präfekturen, in denen die Anzahl der Infizierten zunimmt ($ R_0> 1 $), beträgt 13 im letzten Monat, 11 in den letzten 2 Wochen und 12 in der letzten Woche. Es scheint also, dass 13 Präfekturen anwendbar sind. ist. Es scheint eine Tendenz zu geben, dass die oberste Gruppe + $ R_0> 4 $ und die mittlere Gruppe $ 1 <R_0 <3 $ ist.
In der angrenzenden Metropolregion gibt es Präfekturen mit $ R_0> 1 $, insbesondere die Verbindungen von Hyogo-Osaka-Shiga, Kanagawa-Tokio-Saitama-Chiba-Gunma.

Außerdem ...

Wie bei Professor Nishiura ist es möglicherweise besser, Rückkehrer und Bewohner getrennt zu analysieren. Ich bin etwas skeptisch gegenüber der arithmetischen Mittelung von + $ R_0 $, daher muss ich möglicherweise etwas mehr Berechnungsmethode entwickeln. Da der geometrische Durchschnitt 0 sein kann, habe ich mit dem arithmetischen Durchschnitt Kompromisse geschlossen.
COVID-19 (SARS-CoV-2) ist durch eine lange Latenzzeit und Infektionsperiode gekennzeichnet, es gibt jedoch eine Zeitverzögerung vor der positiven Erkennung, und Maßnahmen wie das Antippen von Mogura sind weiterhin erschöpft. Ich mache mir darüber Sorgen. Basierend auf der Rangfolge der Gebiete mit einem hohen Wert von + $ R_0 $ wäre es effizienter, die Cluster-Alarmierungsmaßnahmen zu verstärken, dies zu unterlassen und die Ressourcen zu konzentrieren.

Referenzlink

Ich habe auf die folgende Seite verwiesen.

"Statusanalyse / Empfehlungen für Gegenmaßnahmen gegen neue Corona-Virus-Infektionskrankheiten" (19. März 2020)
Berechnen Sie den Übergang der Grundreproduktionsnummer des neuen Koronavirus nach Präfektur
Vorhersage von Infektionskrankheiten: quantitative Probleme in mathematischen Modellen von Infektionskrankheiten
Karte der Anzahl der von der Präfektur infizierten neuen Koronaviren (bereitgestellt von Jag Japan Co., Ltd.)
[Verstümmelte japanische Zeichen in matplotlib (Windows) beseitigen](https://datumstudio.jp/blog/matplotlib%E3%81%AE%E6%97%A5%E6%9C%AC%E8% AA% 9E% E6% 96% 87% E5% AD% 97% E5% 8C% 96% E3% 81% 91% E3% 82% 92% E8% A7% A3% E6% B6% 88% E3% 81% 99% E3% 82% 8Fenster% E7% B7% A8)
Seite der Präfektur Saitama

[PYTHON] Lassen Sie uns eine Rangfolge der Anzahl der wirksamen Reproduktionen des neuen Koronavirus nach Präfektur erstellen