introduction

Dans le cadre de la nouvelle infection à coronavirus (COVID-19), 19 mars 2020, Analyse de la situation et recommandations par réunion d'experts .pdf) a été publié. Parmi eux, le résultat de l'analyse sur le nombre effectif de reproduction (la valeur moyenne du nombre d'infections secondaires produites par une personne infectée à un moment donné dans la population où l'épidémie de la maladie infectieuse est en cours) est présenté. À Hokkaido, la valeur est inférieure à 1 depuis la mi-février et on estime qu'elle se dirige vers la convergence. Dans l'article que j'ai écrit l'autre jour, j'ai montré le résultat calculé avec un modèle simplifié, mais le résultat de l'analyse à ce moment-là est également d'environ 1 dans la mesure où il est inférieur à 1. Nous l'avons fait et je pense que nous avons pu faire correspondre les réponses. Cependant, l'analyse du professeur Nishiura à l'Université d'Hokkaido semble être une analyse plus précise utilisant l'estimation la plus probable. Probablement, comme indiqué dans cet article, numéro de reproduction effectif , Rt): Cela semble signifier "le nombre d'infections secondaires par une personne infectée (sous certaines mesures à un moment t)". Même si le nombre de base de reproductions est R0, il semble difficile de l'évaluer séparément de la société et des politiques, de sorte que le titre de cet article a été intentionnellement défini comme le nombre de reproductions effectives. En passant, dans cet article, je voudrais donner un classement de la valeur moyenne du nombre de reproductions par préfecture pendant une certaine période. À la réunion d’experts de l’autre jour, ** 1. Zones où la situation infectieuse se propage 2. 2. Les zones où la situation infectieuse commence à converger et les zones où elle s'est installée dans une certaine mesure. Il a été recommandé de diviser la zone en trois zones, où le statut infectieux n'a pas été confirmé et **, de manière équilibrée, mais il n'a pas été précisé quelle zone correspond à 1. Par conséquent, la principale motivation de cet article est de ** calculer spécifiquement le nombre de reproductions par préfecture et de les classer **.

supposition

La formule de base est la même que le contenu de Article précédent. Je n'ai pas non plus changé les paramètres. Aussi, comme dans l'article précédent, le csv publié dans Carte du nombre de nouveaux virus corona infectés par préfecture (fournie par Jag Japan Co., Ltd.) J'ai utilisé les données. En raison du délai pour trouver un test positif après la période de latence et la période d'infection, les résultats avant les deux dernières semaines n'ont pas été obtenus. Aussi, pour que vous puissiez utiliser le japonais avec matplotlib, [cette page](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 La police IPAex Gothic est installée en faisant référence à% E3% 82% 8Bwindows% E7% B7% A8).

Essayez de calculer avec Python

Ce code est disponible sur GitHub. Il est enregistré au format Jupyter Notebook. (Nom de fichier: 03_R0_estimation-JPN-02a.ipynb)

GitHub: okimebarun / 01_COVID19_analysis

code

Je ne couvrirai pas tout le code de l'article car il sera long, mais j'expliquerai les points clés dans la création du classement. C'est une magie d'activer les polices japonaises dans la figure (les polices doivent être préinstallées).

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

C'est une fonction pour extraire le nom de la préfecture. J'utilise la fonction duplicated () pour supprimer les valeurs en double.

def getJapanPrefList():
    #Téléchargez à partir de l'URL ci-dessous
    # https://jag-japan.com/covid19map-readme/
    fcsv = u'COVID-19.csv'
    df = pd.read_csv(fcsv, header=0, encoding='utf8', parse_dates=[u'Date confirmée AAAAMMJJ'])
    #Date fixe,Extraire uniquement la préfecture de consultation
    df1 = df.loc[:,[u'Préfecture de consultation']]
    df1.columns = ['pref']
    df1 = df1[~df1.duplicated()]
    preflist = [e[0] for e in df1.values.tolist()]
    return preflist

preflist = getJapanPrefList()

C'est la partie qui crée des graphiques et des cadres de données pour la liste de préfecture.

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]

C'est une fonction pour calculer la moyenne du nombre de reproduction de base R0 dans une période spécifiée. Nous traitons le cas où il devient vierge.

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

Une fonction qui trie pour le classement.

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

Une fonction qui affiche le classement sous forme de graphique à barres. J'utilise la fonction set_position pour amener l'axe X vers le haut.

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

Enfin, la partie qui calcule le classement.

# 2020/2/7 à 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 à 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 à 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))

Résultat du classement

Jetons maintenant un œil aux résultats du calcul. Si $ R_0> 1 $, l'infection a tendance à se propager, et si $ R_0 <1 $, l'infection a tendance à converger. Nous examinerons au plus tard un mois, deux semaines et une semaine.

Classement du 2020/2/7 au 2020/3/7 (pour le dernier mois)

La préfecture de Hyogo est au sommet. Comme indiqué, il semble que les grappes se soient produites à plusieurs endroits tels que les garderies, les jardins d'enfants et les hôpitaux en même temps.
Ensuite, à Hokkaido, il semble que cela inclut la période du Festival de la neige de Sapporo (4 février au 11 février).
La 3e place est la préfecture d'Osaka. Cela est également probablement dû au fait qu'il comprend un cluster à la maison en direct (du 15 février au 24 février) comme indiqué. Étant donné que la préfecture de Hyogo (1ère place) et la préfecture d'Osaka (3ème place) sont adjacentes l'une à l'autre, on craint qu'une chaîne de grappes se produise en raison du trafic.

Classement du 23/02/2020 au 07/03/2020 (pour les 2 dernières semaines)

La préfecture de Hyogo est devenue la première. La raison sera la même qu'avant.
Étonnamment, la préfecture de Gunma est arrivée deuxième. Il semble que cela soit dû au fait que lorsque le nombre de personnes infectées commence à augmenter récemment, il a tendance à être plus élevé. Au 20 mars, le nombre de personnes infectées dans la préfecture de Gunma était de 11, mais il semble que des rapports indiquent que des grappes se produisent dans des cliniques de la préfecture.
La 3e place est la préfecture de Saitama. En regardant la page de la préfecture de Saitama, il semble que la route des personnes infectées soit généralement suivie. Au 20 mars, le nombre de personnes infectées dans la préfecture de Saitama était de 44.

Classement du 2020/3/1 au 2020/3/7 (pour la dernière semaine)

La préfecture de Gunma est devenue la première. La raison sera la même qu'avant.
Vient ensuite la préfecture de Shiga. Au 20 mars, le nombre de personnes infectées dans la préfecture de Shiga était de 4, il semble donc que cela soit dû à une épidémie très récente.
La 3e place est Tokyo. Si l'on regarde le mois dernier, il était d'environ 1,5, mais la semaine dernière, il était d'environ 2,2, et je crains qu'il ne soit en légère augmentation. L'augmentation du nombre de rapatriés peut également être due au resserrement des restrictions de voyage (Chine, Corée du Sud, UE et monde) par le ministère des Affaires étrangères.

Considération

Le nombre de préfectures où le nombre de personnes infectées augmente (R_0 $> 1 $) est de 13 le mois dernier, 11 au cours des 2 dernières semaines et 12 la semaine dernière, il semble donc que 13 préfectures soient applicables. est. Il semble y avoir une tendance pour le groupe supérieur à + $ R_0> 4 $ et le groupe de taille moyenne à 1 $ <R_0 <3 $.
Dans la zone métropolitaine adjacente, il y a des préfectures où $ R_0> 1 $, en particulier les liaisons Hyogo-Osaka-Shiga, Kanagawa-Tokyo-Saitama-Chiba-Gunma.

En outre ...

Comme le professeur Nishiura, il peut être préférable d'analyser les rapatriés et les résidents séparément. Je suis un peu sceptique quant à la moyenne arithmétique de + $ R_0 $, donc je devrai peut-être concevoir un peu plus de méthode de calcul. Puisque la moyenne géométrique peut être 0, j'ai fait un compromis avec la moyenne arithmétique.
COVID-19 (SARS-CoV-2) est caractérisé par une longue période de latence et une période d'infection, mais il y a un délai avant la détection positive, et les mesures telles que le tapotement de mogura continuent d'être épuisées. Cela m'inquiète. Il serait plus efficace de renforcer les mesures d'alerte de cluster en fonction du classement des zones à + $ R_0 $ élevé, de s'abstenir de le faire et de concentrer les ressources.

Lien de référence

Je me suis référé à la page suivante.

«Status Analysis / Recommendations for Countermeasures against New Corona Virus Infectious Diseases» (19 mars 2020)
Calculer la transition du nombre de reproduction de base du nouveau virus corona par préfecture
Prédiction des épidémies de maladies infectieuses: questions quantitatives dans les modèles mathématiques des maladies infectieuses
Carte du nombre de nouveaux virus corona infectés par préfecture (fournie par Jag Japan Co., Ltd.)
[Éliminez les caractères japonais brouillés dans matplotlib (Windows)](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% 8Fenêtres% E7% B7% A8)
Page de la préfecture de Saitama

[PYTHON] Établissons un classement du nombre de reproductions efficaces du nouveau virus corona par préfecture