Jetons un coup d'œil à la tendance infectieuse du nouveau coronavirus COVID-19 dans chaque pays et à l'état de la réponse médicale (informations supplémentaires).

Mis à jour (20 mai 2020)

Si le nombre de personnes infectées peut être réduit à un montant traçable en demandant de s'abstenir de sortir, puis en traçant les personnes infectées et les contacts étroits, «avec le nouveau virus corona (avec COVID-19)» jusqu'à ce que le vaccin soit développé. À ce moment-là, j'espérais revenir petit à petit au nom de «tous les jours», mais quand j'ai rencontré hier un Taïwanais, il m'a dit qu'il revenait à la vie de tous les jours. Il y a beaucoup d'apprentissage comme une réussite.

Cai anglais Tsai Ing-wen @iingwen

1️⃣: Donating 10 million face masks to countries in need. 2️⃣: Increasing production of quinine. 3️⃣: Sharing our use of technology to trace & investigate outbreaks.

La situation aux États-Unis est la suivante.

Il semble que le pic a été dépassé, mais la transition des personnes nouvellement infectées est une "diminution progressive", et il semble que cela prendra un certain temps.

Mis à jour (26 mars 2020)

Le code Github a été mis à jour car le nom du fichier de données a changé.

Mis à jour (20 mai 2020)

Situation infectieuse au Japon

introduction

Le nouveau virus corona COVID-19 s'est propagé dans le monde entier. La merveille est annoncée quotidiennement et toutes les heures dans l'actualité. Cependant, la plupart des rapports sont centrés sur la situation infectieuse au Japon, et en ce qui concerne la situation infectieuse dans le monde, j'estime que ce n'est que dans certains pays où le nombre de personnes infectées augmente considérablement. Cependant, en regardant la situation désastreuse dans un tel monde, il semble que le Japon soit encore soulagé et que l'infection stagne ou converge. Cependant, j'ai essayé de savoir quelle était la situation réelle, sur la base des informations accessibles au public, concernant la situation de l'infection dans chaque pays, y compris le Japon. Le code que j'ai créé est sur Github, veuillez donc le télécharger si vous le souhaitez.

Statut d'infection du nouveau virus corona

C'est le New York Times Quel pays a aplati la courbe du coronavirus? (Rapporté le 19 mars 2020) qui a déclenché cette considération. 03/19 / world / coronavirus-flatten-the-curve-countries.html? Algo = top_conversion & fallback = false & imp_id = 269168688 & imp_id = 822987366 & action = click & module = Most% 20Popular & pgtype = Homepage). Certains sont présentés ici.

Tendances des nouvelles infections en Chine et en Corée du Sud (© The New York Times)

Si l'on examine la tendance de la moyenne mobile sur 7 jours du nombre de personnes nouvellement infectées en Chine et en Corée du Sud, les mesures de chaque pays telles que la restriction de mouvement ont produit de bons résultats et le nombre de personnes nouvellement infectées a considérablement diminué dans les deux pays. .. En revanche, Singapour, Hong Kong et Taïwan dans la même Asie ont affiché une tendance à la baisse en raison de la réponse à la mi-février, mais ont progressivement augmenté à partir de la mi-mars.

Tendances des nouvelles infections à Singapour, Hong Kong et Taiwan (© The New York Times)

En Italie, où de graves dommages ont été signalés, le nombre de personnes infectées a considérablement augmenté.

Tendances du nombre de nouvelles infections en Italie (© The New York Times)

Ici, il est créé à l'aide de Data publié par l'Université Johns Hopkins. C'est un article du 19 mars, comment la situation actuelle a-t-elle évolué avec les mesures prises par chaque pays, s'améliore-t-elle ou s'aggrave-t-elle? Nous rechercherons des résultats similaires afin de bien saisir et reconnaître la situation actuelle sur la base des données diffusées quotidiennement.

Comprendre l'état actuel de l'infection

Le nombre de personnes nouvellement infectées dans chaque pays utilisant "time_series_covid19_confirmed_global.csv", qui est mis à jour quotidiennement par Data publié par l'Université Johns Hopkins, comme données d'entrée. , Et sa tendance moyenne mobile sur 7 jours. Ici, le nombre de personnes nouvellement infectées est utilisé au lieu du nombre cumulé de personnes infectées. En visualisant les changements quotidiens, comment la situation évolue en raison des mesures prises par chaque pays et comment sont les tendances de chaque pays dans le monde. Je pense qu'il est logique de le voir en un coup d'œil.

Google Colaboratory est utilisé comme environnement d'exécution de code. Si vous disposez d'un compte Google, veuillez télécharger le fichier sur le lecteur et l'exécuter vous-même. Le degré d'intérêt augmentera considérablement pour chaque personne.

Ici, nous présenterons les codes typiques et leurs sorties. Veuillez vérifier l'intégralité du code sur Github.

Tout d'abord, exécutez le code suivant pour télécharger les données. Les données sont mises à jour quotidiennement et sont mises à jour à 9h00, heure du Japon (minuit, heure TU). Veuillez vérifier Université Johns Hopkins @ github pour la source de données. Par exemple, s'il y a une erreur dans les données rapportées au Japon, une rétroaction est donnée, comme une proposition avec une pull request.

#CODIV avec git clone-Téléchargez 19 données à utiliser.
!git clone https://github.com/CSSEGISandData/COVID-19.git

Après cela, vérifiez les données en exécutant ce qui suit.

path = '/content/COVID-19/csse_covid_19_data/csse_covid_19_time_series/'
df = pd.read_csv(path + 'time_series_covid19_confirmed_global.csv')

Maintenant, vérifiez les informations du pays / région enregistré.

country = df['Country/Region'].unique()
print(country)

print('Number of country/region: ' + str(len(country)))

Le résultat de l'exécution est le suivant. Il existe des informations sur 170 pays / régions au total.

['Afghanistan' 'Albania' 'Algeria' 'Andorra' 'Angola'
 'Antigua and Barbuda' 'Argentina' 'Armenia' 'Australia' 'Austria'
 'Azerbaijan' 'Bahamas' 'Bahrain' 'Bangladesh' 'Barbados' 'Belarus'
 'Belgium' 'Benin' 'Bhutan' 'Bolivia' 'Bosnia and Herzegovina' 'Brazil'
 'Brunei' 'Bulgaria' 'Burkina Faso' 'Cabo Verde' 'Cambodia' 'Cameroon'
 'Canada' 'Central African Republic' 'Chad' 'Chile' 'China' 'Colombia'
 'Congo (Brazzaville)' 'Congo (Kinshasa)' 'Costa Rica' "Cote d'Ivoire"
 'Croatia' 'Cruise Ship' 'Cuba' 'Cyprus' 'Czechia' 'Denmark' 'Djibouti'
 'Dominican Republic' 'Ecuador' 'Egypt' 'El Salvador' 'Equatorial Guinea'
 'Eritrea' 'Estonia' 'Eswatini' 'Ethiopia' 'Fiji' 'Finland' 'France'
 'Gabon' 'Gambia' 'Georgia' 'Germany' 'Ghana' 'Greece' 'Guatemala'
 'Guinea' 'Guyana' 'Haiti' 'Holy See' 'Honduras' 'Hungary' 'Iceland'
 'India' 'Indonesia' 'Iran' 'Iraq' 'Ireland' 'Israel' 'Italy' 'Jamaica'
 'Japan' 'Jordan' 'Kazakhstan' 'Kenya' 'Korea, South' 'Kuwait'
 'Kyrgyzstan' 'Latvia' 'Lebanon' 'Liberia' 'Liechtenstein' 'Lithuania'
 'Luxembourg' 'Madagascar' 'Malaysia' 'Maldives' 'Malta' 'Mauritania'
 'Mauritius' 'Mexico' 'Moldova' 'Monaco' 'Mongolia' 'Montenegro' 'Morocco'
 'Namibia' 'Nepal' 'Netherlands' 'New Zealand' 'Nicaragua' 'Niger'
 'Nigeria' 'North Macedonia' 'Norway' 'Oman' 'Pakistan' 'Panama'
 'Papua New Guinea' 'Paraguay' 'Peru' 'Philippines' 'Poland' 'Portugal'
 'Qatar' 'Romania' 'Russia' 'Rwanda' 'Saint Lucia'
 'Saint Vincent and the Grenadines' 'San Marino' 'Saudi Arabia' 'Senegal'
 'Serbia' 'Seychelles' 'Singapore' 'Slovakia' 'Slovenia' 'Somalia'
 'South Africa' 'Spain' 'Sri Lanka' 'Sudan' 'Suriname' 'Sweden'
 'Switzerland' 'Taiwan*' 'Tanzania' 'Thailand' 'Togo'
 'Trinidad and Tobago' 'Tunisia' 'Turkey' 'Uganda' 'Ukraine'
 'United Arab Emirates' 'United Kingdom' 'Uruguay' 'US' 'Uzbekistan'
 'Venezuela' 'Vietnam' 'Zambia' 'Zimbabwe' 'Dominica' 'Grenada'
 'Mozambique' 'Syria' 'Timor-Leste' 'Belize' 'Laos' 'Libya']
Number of country/region: 170

Certaines parties de la Chine et des États-Unis sont classées au niveau des États, mais le code suivant est exécuté pour les convertir en données au niveau des pays. De plus, comme les informations de latitude / longitude ne sont pas nécessaires ici, elles seront supprimées.

df1 = df.groupby('Country/Region', as_index=False).sum()

Et comme les colonnes des données actuelles sont des dates, les lignes et les colonnes sont converties et représentées graphiquement. Le graphique de tendance du pays cible est obtenu en exécutant ce qui suit.

df1 = df.groupby('Country/Region', as_index=False).sum()

Ensuite, puisque les données téléchargées correspondent au nombre total de personnes infectées, elles sont converties en nombre de personnes nouvellement infectées en prenant la différence pour chaque jour.

df2 = df1.diff(1)

Ensuite, exécutez ce qui suit pour obtenir la moyenne mobile pendant 7 jours.

#Calculez la valeur moyenne des sept derniers jours.

for i in range(len(df2.columns)):
    df2[df2.columns[i]+'_7-dayAverage'] =df2[df2.columns[i]].rolling(7).mean().round(1)

Prenons maintenant le Japon comme exemple pour trouver la tendance du nombre de personnes nouvellement infectées.

#Visualisez la tendance des infections au Japon.
import matplotlib.ticker as ticker

#Obtenir le numéro de colonne
id_japan = df2.columns.get_loc('Japan') #Si vous changez pour le pays cible, vous pouvez trouver la tendance de chaque pays.

#Graphisme
fig, ax  = plt.subplots(figsize=(5, 5))

ax.bar(x = df2.index, height = df2[str(df2.columns[id_japan])], color = 'mistyrose', label = "New cases")
ax.plot(df2.index, df2[str(df2.columns[id_japan + len(country)])], color = 'red',label = "7-day average")
ax.set_xlabel("Date")
ax.set_ylabel("Confirmed cases")
plt.rcParams["font.size"] = 10
ax.xaxis.set_major_locator(ticker.MultipleLocator(30.00))
ax.xaxis.set_major_formatter(mdates.DateFormatter('%b'))
plt.title(str(df2.columns[id_japan]),fontweight="bold")
plt.legend(bbox_to_anchor=(0, 1), loc='upper left', borderaxespad=1, fontsize=10)
plt.show()

Comme vous pouvez le voir, il s'agissait d'une tendance à la hausse en février, mais on peut voir que le taux d'augmentation augmente en mars. Selon Rapport du ministère de la Santé, du Travail et du Bien-être, la période de latence du nouveau coronavirus est de 1 à 12,5 jours (principalement de 5 à 5 jours). Comme on dit que c'est le 6), selon l'annonce du gouvernement du 27 février, "Here 1, 2 Des mesures ont été prises pour restreindre les déplacements, telles que les fermetures temporaires d'écoles, car "les semaines sont extrêmement importantes", mais il y a toujours une augmentation. Ensuite, regardons la situation en Corée.

En février, de nombreux rapports ont fait état de personnes infectées dans la région de Daegu en Corée du Nord, mais on peut voir que le nombre de personnes nouvellement infectées a considérablement diminué en raison de mesures telles que les restrictions de mouvement par la suite. .. Je pense que les mesures de la Corée et leurs résultats seront très utiles. Pour plus d'informations sur les mesures prises en Corée du Sud, reportez-vous à cet article. Je vais.

Ensuite, jetons un coup d'œil à l'Italie, où la propagation du nouveau virus corona est signalée chaque jour.

Des restrictions de mouvement majeures ont été prises dans tout le pays Cela fait environ deux semaines depuis le 10 mars, mais compte tenu de la période de latence du nouveau virus corona. Malheureusement, il est toujours à la hausse. Cependant, je voudrais m'attendre à ce que le taux d'augmentation semble diminuer un peu.

État de l'infection dans chaque pays (au 25 mars 2020)

Jusqu'à présent, nous avons examiné les tendances des personnes nouvellement infectées dans certains pays typiques, mais enfin, nous allons tracer les tendances dans chaque pays du monde.

#Graphique des tendances des infections dans le monde

fig, ax  = plt.subplots(dpi=100, figsize=(60, 120))
plt.subplots_adjust(wspace=0.4, hspace=0.6)
plt.gca().spines['right'].set_visible(False)
plt.gca().spines['top'].set_visible(False)
plt.gca().spines['left'].set_visible(False)
plt.gca().spines['bottom'].set_visible(False)
plt.tick_params(labelbottom=False)
plt.tick_params(bottom=False)

for i in  range(len(country)):
    ax = fig.add_subplot(20, 10, i+1)

    ax.bar(x = df2.index, height = df2[str(df2.columns[i])], color = 'mistyrose', label = "New cases")
    ax.plot(df2.index, df2[str(df2.columns[i + len(country)])], color = 'red',label = "7-day average")

    ax.set_xlabel("Date")
    ax.set_ylabel("Confirmed cases")
    plt.rcParams["font.size"] = 10
    ax.xaxis.set_major_locator(ticker.MultipleLocator(30.00))
    ax.xaxis.set_major_formatter(mdates.DateFormatter('%b'))
    plt.title(str(df2.columns[i]),fontweight="bold")
    plt.legend(bbox_to_anchor=(0, 1), loc='upper left', borderaxespad=1, fontsize = 7)
 
# general title
plt.suptitle("Where Countries Are on the Curve", fontsize=13, fontweight=0, color='black', style='italic', y=1.02)

dt_today = datetime.date.today()
plt.savefig(str(dt_today) + "_COVID-19_timeseries.png ") #S'il est uniquement affiché, désactivez-le ou supprimez-le.
plt.savefig(str(dt_today) + "_COVID-19_timeseries.jpg ") #S'il est uniquement affiché, désactivez-le ou supprimez-le.

L'image résultante est un peu grande, mais elle se produit en dessous (au 25 mars 2020).

Si vous exécutez le code, vous pouvez voir toutes les informations de chaque pays, alors essayez-le par vous-même. À partir de là, je sens que le nombre de nouvelles infections à coronavirus augmente dans le monde et que nous passons à une nouvelle phase.

Le code et les résultats sont disponibles sur github, veuillez donc le télécharger et l'utiliser si vous le souhaitez.

en conclusion

Impressionné par l'article du New York Times, j'ai essayé de visualiser la tendance du nombre de personnes nouvellement infectées dans chaque pays. Lorsque j'essaye de gérer moi-même les données, cette situation devient personnelle et l'intérêt grandit. Aujourd'hui, j'exécute le code tous les matins, je vérifie la situation «pour moi-même», je pense à la situation et je regarde les nouvelles.

Veuillez comprendre que la discussion dans cet article a été faite par un individu amateur et ne garantit rien.

Nous espérons que les informations et le code partagés ici pourront contribuer à la réponse à l'infection du nouveau virus corona, et nous tenons à remercier toutes les personnes qui travaillent quotidiennement pour réduire l'infection du nouveau virus corona.

Nous vous serions reconnaissants de bien vouloir nous faire part de vos suggestions et opinions. J'espère que nous pourrons avoir une discussion.

Mise à jour de l'article (25 mars 2020)

Les données également publiées par l'Université Johns Hopkins ont également récupéré (récupéré) et fatal (Deaths) des données, alors utilisez que A partir du nombre de personnes infectées et de leur relation, considérons les systèmes médicaux et leur état de réponse dans chaque pays.

Procédez comme suit et entrez les informations, y compris le nombre de guérisseurs et de décès.

path = '/content/COVID-19/csse_covid_19_data/csse_covid_19_time_series/'

df_c = pd.read_csv(path + 'time_series_19-covid-Confirmed.csv') #Nombre de personnes infectées
df_r = pd.read_csv(path + 'time_series_19-covid-Recovered.csv') #Nombre de récupérateurs
df_d = pd.read_csv(path + 'time_series_19-covid-Deaths.csv') #Nombre de décès

Le format des données étant le même que le nombre de personnes infectées, le même traitement sera effectué.

Puisque les personnes infectées se sont rétablies après quelques jours, nous avons calculé le nombre de jours jusqu'à la guérison de la tendance du nombre de personnes infectées et du nombre de personnes récupérées.

td_d = datetime.timedelta(days=16) #On suppose que le nombre de jours de récupération est de 16 jours.
df2_r.index = df2_r.index - td_d #Décalez la date du nombre de récupérateurs à 16 jours auparavant.
df2_r

Maintenant que nous avons les données, nous pouvons représenter graphiquement les tendances du nombre de personnes infectées, du nombre de guérisseurs, du nombre de décès et du nombre de guérisseurs qui ont décalé la date de récupération présumée. Toutes ces données sont intégrées.

#Visualisez la tendance infectieuse de chaque pays.
import matplotlib.ticker as ticker

#Obtenir le numéro de colonne
id_x = df.columns.get_loc('Singapore') #Nous recherchons Singapour comme représentant. Parcourez la situation de chaque pays en changeant pour le pays d'intérêt.

#Graphisme
fig, ax1  = plt.subplots(figsize=(8, 8))


ax1.plot(df.index, df[str(df.columns[id_x -2*len(country)])], color = 'red',label = "Confirmed Cases")
ax1.plot(df.index, df[str(df.columns[id_x - len(country)])], color = 'green',label = "Recovered")
ax1.plot(df.index, df[str(df.columns[id_x ])], color = 'yellow',label = "Deaths")
ax1.plot(df2_r.index, df2_r[str(df2_r.columns[id_x -2*len(country)])], color = 'blue',label = "Shifterd Recovered")

ax1.set_xlabel("Date")
ax1.set_ylabel("Confirmed Cases - Recovered")
plt.rcParams["font.size"] = 10
ax1.xaxis.set_major_locator(ticker.MultipleLocator(30.00))
ax1.xaxis.set_major_formatter(mdates.DateFormatter('%b'))
plt.title(str(df.columns[id_x]),fontweight="bold")

ax1.legend(loc='upper left', borderaxespad=1, fontsize = 10)
plt.show()

Jetons un coup d'œil à Singapour, où les contre-mesures initiales semblaient bien fonctionner en raison de la tendance des personnes nouvellement infectées.

À partir de là, la tendance du nombre de guérisseurs (en bleu) décalée il y a 16 jours chevauche presque la tendance du nombre de personnes infectées (en rouge), et le nombre de jours avant la guérison semble être correct en 16 jours. En revanche, le nombre de décès (jaune) est maintenu à une valeur proche de 0 depuis la mi-mars, alors que le nombre de personnes infectées augmente rapidement, et il semble que l'environnement médical soit stable actuellement. Je vais. Cependant, je crains que de nombreuses personnes infectées se remettent du nombre rapidement croissant de personnes infectées ici.

Ensuite, regardons le cas du Japon.

Jusqu'à la mi-février, le nombre de personnes infectées et le nombre de récupérateurs décalés sont presque les mêmes, et de nombreuses personnes infectées se rétablissent pendant cette période. D'un autre côté, depuis lors, le nombre de personnes rétablies qui se sont déplacées est devenu plus différent du nombre de personnes infectées, et le nombre de décès a également eu tendance à augmenter légèrement. Ce serait bien si la personne infectée avait simplement besoin de 16 jours ou plus pour se rétablir, mais si cette divergence est un facteur dans l'environnement médical, il y a de grandes inquiétudes à l'avenir. Auparavant, le gouverneur de Tokyo a tenu une conférence de presse, montrant qu'il se trouve actuellement dans une "phase critique". Cela peut être un jugement pour éviter de nouvelles divergences.

Ensuite, jetons un coup d'œil à l'Italie, où l'effondrement médical est rapporté dans l'actualité.

Il semble que l'Italie avait la capacité de récupérer le nombre de personnes infectées d'ici la fin février, même avec les installations médicales actuelles. Cependant, par rapport aux deux pays précédents, le taux d'augmentation du nombre de personnes infectées est élevé depuis le début du mois de mars, et l'augmentation du nombre de décès est également élevée. Cela seul ne nous dit pas la situation actuelle, mais cette tendance suggère que l'environnement médical est assez sévère.

Ensuite, jetons un coup d'œil à Saint-Marin, un petit pays de la région montagneuse de l'Italie.

Puisqu'il s'agit d'un pays en Italie, le nombre de personnes infectées a fortement augmenté depuis début mars, tout comme l'Italie. De plus, le nombre de décès dépasse le nombre de guérisseurs et on en déduit qu'un système médical suffisant n'est pas mis en place localement.

Enfin, les résultats du même traitement d'analyse sur les données de chaque pays du monde sont présentés. Cette fois, le nombre de jours de récupération a été fixé à 16 jours, mais en raison des différences dans l'environnement médical et les systèmes de chaque pays, il peut être préférable de fixer une valeur adaptée à chacun. De plus, aux États-Unis, le nombre de personnes infectées a fortement augmenté depuis la mi-mars, et il peut être difficile de le deviner car il y a peu d'informations.

Je voudrais examiner si les mesures de chaque pays fonctionnent à partir des deux perspectives de l'évolution du nombre de personnes nouvellement infectées et de la relation entre le nombre de guérisseurs et le nombre de décès à l'avenir.

Ce code est également téléchargé sur Github, veuillez donc le télécharger si vous le souhaitez.

Article de référence

[Quel pays a aplati la courbe du coronavirus? (Rapporté le 19 mars 2020)](https://www.nytimes.com/interactive/2020/03/19/world/coronavirus-flatten-the-curve- country.html? algo = top_conversion & fallback = false & imp_id = 269168688 & imp_id = 822987366 & action = click & module = Most% 20Popular & pgtype = Homepage) 2019-nCoV Global Cases ( by Johns Hopkins CSSE) Visualization(Dash Board) 2019 Novel Coronavirus COVID-19 (2019-nCoV) Data Repository by Johns Hopkins CSSE Questions et réponses sur le nouveau virus corona (pour le grand public) @ Ministère de la Santé, du Travail et du Bien-être social