[GO] [Python] Affichez les données sur les nouvelles infections à coronavirus sur une moyenne mobile de 7 jours

introduction

L'autre jour, j'ai vu des tweets sur Twitter disant que je surveillais le nombre de personnes infectées par le nouveau virus corona sur une moyenne mobile pendant 7 jours. Je voulais tout faire, des données ouvertes à la visualisation par moi-même, alors j'ai essayé. Les données utilisées cette fois sont les données publiées par le gouvernement métropolitain de Tokyo.

Graphique

Je pense qu'il est rapide de voir le graphique en premier. Le graphique à barres sur l'axe bleu est le nombre de patients positifs révélés ce jour-là, et le graphique linéaire rose est le nombre de patients positifs qui ont pris une moyenne mobile pendant 7 jours. Bien sûr, vous devez être prudent, et on ne peut pas dire que vous avez réussi à contenir Corona en regardant cela seul, mais le graphique de la ligne de pliage semble décliner vers la droite.

moyenne mobile

Utilisé dans les statistiques

Dans les données de séries chronologiques, la valeur moyenne de chaque section fixe est calculée en décalant la section.

Référence: https://bellcurve.jp/statistics/blog/15528.html

En d'autres termes, lorsqu'il y a les données suivantes, la moyenne mobile des trois termes calcule la moyenne d'une valeur avant et après chacune, donc

Ce sera comme suit.

Cette fois, nous avons pris une moyenne mobile sur 7 jours de ± 3 jours, donc nous avons pris la moyenne de 3 jours avant et après.

Obtenir une moyenne mobile en utilisant numpy

J'ai fait référence au site de ici.

Utilisez numpy.convolve.

numpy.convolve(ndaaray, karnel, mode)

Visualisation de données

J'ai utilisé l'intégralité de Google Colab publié dans [Article] de Karaage-san (https://qiita.com/karaage0703/items/0e24f332dcda7d7730b5). Merci beaucoup. L'histoire tourne mal, mais Karaage-san fait souvent référence à des articles même pour des personnes liées aux robots qui sont également dans son propre domaine de recherche. Je suis toujours reconnaissant de votre aide. (Soudain un croyant)

Seules les parties modifiées de celles de M. Karaage sont extraites et décrites ci-dessous. Premièrement, j'ai importé Seaborn avec une préférence tout à fait personnelle.

[Modifier] Lecture des données de date

Je voulais nettoyer l'étiquette de l'axe des x ici, alors j'en ai fait un type datetime.

date_data = np.array([])
for i in range(len(data['inspection_persons']['labels'])):
    date_data = np.append(date_data, pd.to_datetime(data['inspection_persons']['labels'][i][0:10]))
print(date_data)

[Ajout] Calcul de la moyenne mobile sur 7 jours

La moyenne mobile ci-dessus est calculée en convertissant la séquence initiale positive du patient en une séquence numpy. De plus, ± 3 jours sont remplis avec «np.nan».

#Moyenne mobile sur 7 jours
n=7
patients_data_np_array = np.array(patients_data)
patients_data_move_ave = np.convolve(patients_data_np_array, np.ones(n)/float(n), 'valid')

nan_array = np.array([np.nan,np.nan,np.nan])
patients_data_move_ave = np.insert(patients_data_move_ave,0,nan_array)
patients_data_move_ave = np.insert(patients_data_move_ave,len(patients_data_move_ave),nan_array)

[Modifier] Partie visualisation des données

La moyenne mobile sur 7 jours ci-dessus est incluse dans le graphique linéaire.

plt.figure(figsize=(9,6))
plt.bar(date_data, patients_data,label='number of patients')
plt.plot(date_data, patients_data_move_ave,color='salmon', linewidth = 3.0,label='moving average of number of patients')
plt.legend()

Tous les programmes

Voici ce programme. Puisque l'environnement est Google Colabratory, le premier bash est exécuté avec une commande magique (!). Vous n'êtes pas obligé d'être un Google Colabratory parce que vous allez simplement normalement.

!wget --no-check-certificate --output-document=covid19_tokyo.json 'https://raw.githubusercontent.com/tokyo-metropolitan-gov/covid19/development/data/data.json'

Voici le programme Python.

#Chargement de la bibliothèque et des données
import pandas as pd
import numpy as np
data = pd.read_json('covid19_tokyo.json')
import matplotlib.pyplot as plt
import seaborn as sns
sns.set()

#Données de date
date_data = np.array([])
for i in range(len(data['inspection_persons']['labels'])):
    date_data = np.append(date_data, pd.to_datetime(data['inspection_persons']['labels'][i][0:10]))

#Données patient positives
patients_data = []
for i in range(len(data['inspection_persons']['labels'])):
    patients_data.append(data['patients_summary']['data'][i]['total'])

#Calcul de la moyenne mobile sur 7 jours
n=7
patients_data_np_array = np.array(patients_data)
patients_data_move_ave = np.convolve(patients_data_np_array, np.ones(n)/float(n), 'valid')
#Remplir de nan
nan_array = np.array([np.nan,np.nan,np.nan])
patients_data_move_ave = np.insert(patients_data_move_ave,0,nan_array)
patients_data_move_ave = np.insert(patients_data_move_ave,len(patients_data_move_ave),nan_array)

#Visualisation
plt.figure(figsize=(9,6))
plt.bar(date_data, patients_data,label='number of patients')
plt.plot(date_data, patients_data_move_ave,color='salmon', linewidth = 3.0,label='moving average of number of patients')
plt.legend()

Le résultat est le graphique ci-dessous.

en conclusion

Je sens que j'ai pu visualiser ce que j'ai vu sur Twitter immédiatement grâce au gouvernement métropolitain de Tokyo, qui publie les données, et à tous ceux qui publient la méthode de collecte de données et la méthode de moyenne mobile. J'étais capable de. Nous allons continuer! Je souhaite acquérir diverses connaissances pour pouvoir le faire dès que je pense.

Le site que j'ai utilisé comme référence

moyenne mobile

Statistiques moyennes mobiles Durée des statistiques WEB Méthode de calcul du blog WEB de statistiques de moyenne mobile

Visualisation

Comment visualiser et analyser facilement les données ouvertes d'une nouvelle infection à coronavirus (COVID-19) avec Google Colaboratory Google Clobratory dans l'article ci-dessus