自拍偷在线精品自拍偷,亚洲欧美中文日韩v在线观看不卡

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

開發(fā) 后端 數據分析
今天我就借助Python對已知的一些疫情數據做些分析,給大家做參考。首先我們來選一個疫情地圖數據源,以百度的為例,所有數據均來源于國家及各省市衛(wèi)建委公布數據。

最近在這個全民抗疫情的非常時期,每天在家除了遠程辦公之外,也不由得隨時刷新下疫情信息,關心一下有什么最新的消息。

特別是我刷新每天的疫情地圖數據,可以看到新增確診、疑似病例、死亡率、治愈率等數據的時候發(fā)覺了一定的規(guī)律。

雖然有時候等不到官方確切的好消息,也可以從數據中發(fā)覺一些樂觀的數據便于排解我長期不能出門的抑郁心情。

今天我就借助Python對已知的一些疫情數據做些分析,給大家做參考。

首先我們來選一個疫情地圖數據源,以百度的為例,所有數據均來源于國家及各省市衛(wèi)建委公布數據。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

通過對全盤數據來看,我對未來對情況是保持樂觀心態(tài)的,畢竟每天確診數在慢慢下降,治愈率在上升,希望更多的人能及時得到救治。

各省治愈率和致死率情況分析 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

拿到這些數據之后,我想得到兩個更詳細的數據,那就是每個省的治愈率和致死率。

先把這些數據導入到CSV文件里,確定四個列的數據(省份、確診數、治愈率、死亡數)。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

現在開始來寫代碼導入CSV文件吧。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

通過以上代碼我們可以發(fā)現pandas的read_csv() 方法默認會返回一個DateFrame對象。

現在我們來對DateFrame的數據做一下分析統計治愈率和致死率,代碼內容就不詳細講了,都比較簡單,盡可能是讓沒有編程基礎的人都能看懂。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

從以上代碼示例來看,寧夏,甘肅治愈率是最高的,分別為26.42%和24.42%,可能是確診數相對比較少,癥狀也比較輕的原因吧。

另外湖南和浙江確診人數很多,治愈率比較高,當地的醫(yī)療水平高應該也是原因之一吧。

至于湖北的治愈率是有7%左右,這跟它是疫區(qū)中心有很大的關系,醫(yī)療資源不夠用,希望隨著火神雷神山和方艙醫(yī)院的建立,情況能得到好轉。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

接下來我們來分析下致死率,和分析治愈率的方法一樣,我們只需要多添加一個列的數據即可。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

依舊是湖北最高,其次是香港、甘肅、海南、黑龍江,湖北的致死率高還是老原因,集中爆發(fā)加上醫(yī)療資源的擠兌造成的。

香港和甘肅估計是因為基數的原因導致的致死率較高。

至于海南和黑龍江,我個人覺得比例高有三個原因。

響應速度,因為離疫區(qū)相對較遠,在消息及時性上有一定影響。

流入人口數量,海南是春節(jié)大家常去的獨家勝地,可能很多人疫區(qū)的人民拖家?guī)Э诘木腿チ?,導致集中爆發(fā)。

醫(yī)療資源,當地醫(yī)療條件可能比不上一些大型城市和沿海發(fā)達城市,醫(yī)療資源不足導致。

當然致死率跟病人的具體情況有很大的關系,病人如果入院時已經是重癥或者是有其他并發(fā)癥,那么致死率肯定會上升。

值得一提的是廣東的致死率,在那么多確診人數(1177人) 的情況下,居然致死率在0.08%,不得不說是一個值得鼓勵和稱贊的事情。

治愈率和致死率在數據體現上只能說是一定程度反映了當地的感染情況、響應速度、醫(yī)療條件等。我們可以從另一個角度來分析下疫情數據。

從整體致死率來講,我覺得情況是樂觀的,這次的疫情烈度其實沒有非典(SARS)來得那么猛烈,只是因為其潛伏期長導致傳播面積和人數特別廣,所以需要我們堅持更長的時間來讓它消失。

人口的遷入比例

首先我們通過百度地圖的遷移數據來看看春運期間武漢遷出到各個城市的情況。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

通過對2020年1月10號到1月24號春運期間武漢遷出各省對比例圖我們可以看到,這些數據和確診人數比例大部分是對等的。

浙江、河北、山東 等地被遷入人口較多,因此確診人數也很多。

至于確診人數最多的幾個省湖南、河南等地之所以遷入數據不明顯我的估計是湖北距離湖南、河南特別近,在1月10之前一直就有大量的人口流動,各地還沒有引起特別的重視,加上潛伏期長的原因,一下就爆發(fā)了。

重慶和四川遷入人數比例較大,但是確診病例沒那么高的原因應該在于得到確切防控消息的時間和遷入時間節(jié)點重合,做出了快速響應,盡快的隔離了疫情來的群眾。

因為我身在成都,所以就以成都的遷入數據,確診數據來分析比對一下。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

成都流入的武漢市民排在29位,占0.44%,如果按流出人口數量500萬來算,那就是2.2萬余人,一個月平均每天要流入7,800人。

成都今天的確診病例是124例,其中1/3病例是外部輸入型,剩下的是本地人被感染上的,差不多7,80人的樣子。成都也是一個2000萬人口的大城市,從防控的角度來說,做的很不錯了。

另外成都今天的確診人數為124例,治愈人數為41,治愈率達到三分之一,不得不說是一個振奮人心的數字。

雖然治愈率病人的自身身體素質也有很大的關系,但從另一個角度來講,消息的及時性通達對于防控來說很有必要。

就我而言,當得到有必要要帶口罩的消息時應該是1月19號的時候,這時感覺大家都已經開始重視起來了,并且藥店不怎么買得到口罩了,有意識的做好防控準備,越早一天做好防控重癥病人數就會比較少,治愈率自然就提高了。

總結

從最近幾天的情況來看,每一天的新增疑似病例和確診人數都在下降的,治愈人數也遠遠超過了死亡人數,從總體趨勢來說,情況在慢慢的好轉。 

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

用Python做疫情數據分析,多維度解析傳播率和趨勢,未來是樂觀的

今天僅僅是用Python的pandas做了些簡單的數據分析工作,我會在之后的時間里詳細的對已知的數據做不同角度的分析,挖掘出更多隱藏在數據之后的細節(jié),也相信隨著全民的重視與努力,我們終將堅持到春暖花開的時節(jié)、陽光燦爛的那天。

衷心希望大家少出門、勤洗手、盡量減少與外人的接觸、發(fā)現身體異常及時告知當地疾控中心,雖然我平時開車討厭堵車,但是在這個連續(xù)大半個月都不堵車,街頭冷清的時節(jié)里,我還是寧愿街頭擁堵一些,熱鬧一些,那樣才算是國泰民安。

 

責任編輯:未麗燕 來源: 今日頭條
相關推薦

2017-05-26 15:57:54

深度學習人工智能

2020-05-15 15:09:51

R語言數據分析

2019-11-11 22:42:51

數據分析企業(yè)管理數據

2017-07-06 15:44:33

2016-09-30 01:04:45

數據分析數據

2014-04-16 09:15:10

騰訊大數據

2022-10-14 15:18:33

數據分析人工智能AI

2015-09-10 10:59:15

大數據分析

2023-11-29 10:11:52

2021-06-15 14:07:42

Google BigQ大數據大數據分析

2020-06-23 14:29:34

數據分析新冠病毒數據

2017-09-01 09:52:20

PythonPandas數據分析

2015-03-04 11:01:36

大數據數據分析分析

2019-06-26 11:10:47

Python數據分析Excel

2015-07-29 16:19:54

大數據時代分析

2022-07-27 13:19:38

云戰(zhàn)略中國云

2017-09-05 17:16:18

多維數據分析

2019-08-05 13:35:10

數據分析Python分析工具

2011-08-09 11:45:45

2013-01-29 09:57:23

數據分析
點贊
收藏

51CTO技術棧公眾號