疫情数据分析

根据我们之前学习的内容，我们今天就来做些有趣的数据分析。 其实我在分享 Numpy 教学的时候，就已经做过一次用 Numpy 来处理分析疫情数据的教学。 现在我们学习了更适合做数据分析的 Pandas 库，也可以来思考用 Pandas 如何来对此进行分析。

20年开始的新冠肺炎席卷全球，我们能从肺炎数据中发现什么规律呢？我提前给你准备了从 2020 年 1 月 22 日到 2020 年 7 月 27 日的数据。

数据一览¶

这份数据是 Kaggle 上的公开数据集 ， 我已经提前给你准备好了，请先点击下方运行按钮，我帮你拉取数据到你的浏览器环境。

点击运行后，你可以看到，在你的浏览器环境中，已经有了 covid19_day_wise.csv 这个文件了， 而且可以发现，拉取到的这份文件是一个 csv 文件。 现在我们就应用 读取数据中的方法 来 read_csv() 文件。

如果你不方便下载，我这里也有一份同样的，有兴趣你可以自己下载下来 ， 用下面的代码在你本地加载数据。

了解了数据的大概样子，那么来使用你所学到的 Pandas 技能，我们来分析下面这几个问题。

1. 获取 2020 年 2 月 3 日的所有数据
2. 2020 年 1 月 24 日之前的累积确诊病例有多少个？
3. 2020 年 7 月 23 日的新增死亡数是多少？
4. 从 1 月 25 日到 7 月 22 日，一共增长了多少确诊病例？
5. 每天新增确诊数和新恢复数的比例？平均比例，标准差各是多少？
6. 画图展示新增确诊的变化曲线
7. 画图展示死亡率的变化曲线

某日所有数据¶

相比 Numpy 的方式，Pandas 可以更便捷的获取到这些数据。 比如我想拿到 Date Column 中的前几个数据值，我就直接调用 df["Date"][:5] 这种形式。

又或者我需要拿到具体的某一天的值，比如 获取 2020 年 2 月 3 日的所有数据。

累积确诊¶

2020 年 1 月 24 日之前的累积确诊病例有多少个？

同样，对比 Numpy 的处理方式，又是转 indexing 又是反转 indexing 的操作， Pandas 简直是不能太简单了。只需要找到 2020-01-24 所在的行，并且标出 Confirmed Column 名，就能锁定行列位置。 然后用 df.loc[] 就能找到具体的数值了。 df.loc[] 的具体使用方法请看这里。

新增死亡¶

2020 年 7 月 23 日的新增死亡数是多少？

这还是一个在 Pandas DataFrame 中选取数据的过程，我们要搞清楚具体的索引是什么。 上面我们已经找到了确诊数的标题（Conformed），现在你来找一下哪个标题对应着新增死亡数？

没错！就是New deaths, 我们再按上面的流程把这个数据给拿出来。

总增长数¶

从 1 月 25 日到 7 月 22 日，一共增长了多少确诊病例？

获取数据都是小儿科，我们来点真正的数据分析。要基于原有的数据，进行多次加工，来获取新的结论和结果。 在这个任务中，为了方便运算，我们将日期数据转换成一个时间数据， 使用到的是在这一节学习到的时间转化方法。 之所以这么做，是因为转换后的时间数据，可以方便地进行大小对比。

之后我们要进行一次累和的计算，就能得到最终的病例数啦。

上面要注意一下，在时间数据的大小比对时，我用了 & 符号，这是 Python 中一个表示 and 的逻辑，而且可以对一整个向量做 and 逻辑。

有的同学肯定会问了，我们不是有累积确诊的个数嘛，我也能用累计确诊的那一 column 来计算出这段时间内的确诊病例数呀。 好的，我们就来按这种方法计算一下。

奇怪了，为什么两种计算结果对应不上呢？我大胆猜想一下，可能是因为有人感染了两次或多次，导致新增的数据中重复计算了。 所以用新增数据来算的话，比累积确诊的方式来计算的要多。

我们还能具体分析看看，具体是哪天的数据对不上，详细输出一下。

确诊恢复比例¶

每天新增确诊数和新恢复数的比例？平均比例，标准差各是多少？

这一个任务，我们需要再计算计算，会要使用到批量计算功能，首先确定要拿取到的数据是什么，然后再对这些数据进行计算。 按要求，我们要拿到新增确诊数（New cases），和新的恢复数（New recovered）,然后再相除，最后再计算平均值和标准差。

咦奇怪了，我什么第一个是 nan 呢？nan 在 numpy 中表示的是 Not a Number， 说明计算有问题。我们单独打印一下，看看为什么出现 nan。

原来是因为 New recovered 的第一个位置数据为 0，任何数除以 0 是不成立的，所以才会把这个计算给出一个 nan 的结果。 你看做数据分析还是挺有意思吧，会出现各种意想不到的状况。然后我们把 New recovered 为零的数都剔除掉。

得到计算结果后，我们还是能明显发现，被治好的人的确比新增的要多，这就说明，我们的存活率还是挺高的。

可视化数据¶

画图展示新增确诊的变化曲线

有时候，光秃秃的数字并不能生动表现这些数字背后的规律。我们还可以把它画出来。至于如何画， Pandas 其实已经内置了很多画图工具，有兴趣了解如何用 Pandas 画图的，请点击这里。

现在，我们就来做新增确诊的可视化数据吧。

不画不知道，一画出来就吓一跳，在前半部分的时候，确诊数还在缓慢增长，但是在 50 天左右的时候，发现新增确诊数陡增。我们看看第 50 天是哪个日期。 新冠在前期还是传播得十分迅速的。

画图展示死亡率的变化曲线

画这个图也非常简单，我们只要找到对应的 column 就行。我只是觉得这个数据比较有趣，想看看人类对于一个陌生疾病的斗争历史。 因为在前期，我们对新冠还不了解的时候，可能死亡率还是比价高的，但是随着了解的加深，政策的颁布，疫苗的发布，死亡率应该都会有变化。

你看，结果也是能在图上看到的，大概在 100 天左右的时候，死亡率开始下降了，100 个人中死 7 个， 逐渐变成死 4 个。可见当时各种政策的颁布还是有效果的。

总结¶

数据分析是一件非常有趣的事情。我之前租房子，还用爬虫做过悉尼各地区的房价分析， 为我的租房开销节省了不少钱。其中我就用到了 Pandas + Numpy 来管理我爬取到的数据。