[PYTHON] J'ai essayé l'analyse du SRAS avant le virus corona
introduction
C'est ennuyeux de rester à la maison à cause de la récente épidémie de virus corona, et je veux sortir tôt, alors je vais utiliser J'ai essayé d'analyser à partir du même type de virus du SRAS afin de connaître la tendance du navirus.
Perspectives d'avenir
- Avec l'épidémie de coronavirus, analysez le virus du SRAS de même classification
- Après cela, analysez le virus corona
- Comparez les deux
Tout d'abord
J'ai commencé à chercher des données car je n'avais aucune donnée pour les analyser. ** Pas de bonnes données CSV ** Donc, tout d'abord, pour créer à partir du fichier CSV, recherchez les données sur le SRAS de WHO Cependant, je l'ai créé.
CSV réellement créé
Ce sont les données jusqu'au 10ème jour. Depuis que je l'ai créé moi-même, il semble bien qu'il y ait peu de valeurs manquantes.
## Analyser en fait
Je voudrais maintenant passer à l'analyse proprement dite.
### 1. Bibliothèque
SARS.ipynd
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
2. Sortie CSV
SARS.ipynd
df1 = pd.read_csv('analytics_SARS].csv')
df1.head()
3. Voir l'augmentation du nombre de personnes infectées
SARS.ipynd
x_num = df1['day']
y_num = df1['total']
plt.plot(x_num,y_num)#Afficher le graphique
Jusqu'à environ 60 jours, il y avait une tendance à la hausse, à partir de laquelle on peut voir que le nombre de personnes infectées a considérablement diminué.
### 4.1 Regardez l'augmentation / la diminution du nombre de personnes infectées par jour
SARS,ipyind
x_num = df1['day']
y_num = df1['total-change']
plt.plot(x_num,y_num)#Afficher le graphique
On peut prévoir que la première fluctuation sera due aux rapports progressifs d'infections en provenance de nouveaux pays.
### 5. Voir l'augmentation des décès
SARS.ipynd
x_num = df1['day']
y_num = df1['death']
plt.plot(x_num,y_num)#Afficher le graphique
Pas moins de 800 personnes sont mortes en environ 100 jours. En d'autres termes, jusqu'à huit personnes sont mortes en une journée de calcul simple.
6.1 Voir l'augmentation / la diminution des décès par jour
SARS.ipynd
x_num = df1['day']
y_num = df1['death-change']
plt.plot(x_num,y_num)#Afficher le graphique
Le nombre de décès par jour augmente ou diminue. Cela semble être dû au cycle dans lequel la nouvelle de la mort arrive.
###### Mortalité
SARS.ipynd
df1['death'].sum() / df1['total'].sum()
Il s'avère que le taux de létalité est de 0,08121591227553301, soit environ 8%.
7. Regardez le nombre de récupérateurs
SARS.ipynd
x_num = df1['day']
y_num = df1['recovery']
plt.plot(x_num,y_num)#Afficher le graphique
On constate que les personnes en convalescence sont progressivement apparues à partir d'environ 20 jours. Le nombre de personnes qui s'en remettent a considérablement augmenté.
8.1 Voyons l'augmentation / la diminution du nombre de personnes infectées par jour
SARS.ipynd
x_num = df1['day']
y_num = df1['recovery_change']
plt.plot(x_num,y_num)#Afficher le graphique
Une forte hausse est observée vers 20 jours. Cela semble être lié au nombre de récupérateurs signalés dans chaque pays.
Cependant, le nombre de récupérateurs semble stable en moyenne.
# Résumé
Cette fois, je me suis concentré sur une analyse simple et simple.
Je l'ai analysé en utilisant un code simple et des calculs simples, mais je pense que c'est devenu plus facile à comprendre simplement en le graphant. À l'avenir, j'effectuerai également des analyses plus avancées et des analyses corona.
Recommended Posts