More than 3 years have passed since last update.

Pythonを使ってCovid-19(コロナ)のデータを分析しよう【初心者向け】

Last updated at 2020-05-15Posted at 2020-05-15

海外youtubeで、Pythonを使って、Covid-19(コロナ)の感染者数などのデータを使ってデータ分析をするレクチャー動画があったのでやってみました。

出典動画はこちら↓
Analyzing Coronavirus with Python (COVID-19) by NeuralNine on Youtube

##対象

Pythonの初心者で、Pandasに慣れたいデータ分析をしてみたい方に特におすすめです。
レクチャーは英語ですが、とても平易かつ丁寧な解説なので是非見てみて下さい。

##本記事について

Jupyter notebook上で日本語でコメントを入れながら、当該動画の演習を行いました。実際に動画を見ながら演習を行うのがおすすめですが、英語が苦手な方やデータ分析の流れを把握したい方が、ざっとこの記事を読むだけでもイメージをつかめるように書いています。
リアルデータ(※出典は後述)を利用していますが、データ分析プロセスとしては特にシャープな分析結果を目的としているものではなく、(Pandasライブラリ等の)演習に重きを置いたものになります。
2020/5/1までのデータを利用しています。(※レクチャー動画は、撮影時の3/22までのデータ)

演習

Analyzing Coronavirus with Python (COVID-19) by NeuralNine on Youtube

データセットは以下のサイトからダウンロード
HDX(HUMANITARIAN DATA EXCHANGE)

リンク先のデータセットの以下のものを使用

time_series_covid19_confirmed_global.csv
time_series_covid19_deaths_global.csv
time_series_covid19_recovered_global.csv

【感染(確認)者,死者数,回復者数】のデータです。

データの名前が長いので、以下のように変更します。

time_series_covid19_confirmed_global.csv → covid_confirmed.csv
time_series_covid19_deaths_global.csv → covid_deaths.csv
time_series_covid19_recovered_global.csv → covid_recovered.csv

ライブラリをインポート

import pandas as pd
import matplotlib.pyplot as plt

%matplotlib inline

データを読み込みます

confirmed = pd.read_csv("covid19_confirmed.csv")
deaths = pd.read_csv("covid19_deaths.csv")
recovered = pd.read_csv("covid19_recovered.csv")

試しに感染者のデータを表示させます(※ 元の動画では、撮影時時点の3/22のデータですが、以下は5/1まで)

confirmed.head()

	Province/State	Country/Region	Lat	Long	...	4/22/20	4/23/20	4/24/20	4/25/20	4/26/20	4/27/20	4/28/20	4/29/20	4/30/20	5/1/20
0	NaN	Afghanistan	33.0000	65.0000	...	1176	1279	1351	1463	1531	1703	1828	1939	2171	2335
1	NaN	Albania	41.1533	20.1683	...	634	663	678	712	726	736	750	766	773	782
2	NaN	Algeria	28.0339	1.6596	...	2910	3007	3127	3256	3382	3517	3649	3848	4006	4154
3	NaN	Andorra	42.5063	1.5218	...	723	723	731	738	738	743	743	743	745	745
4	NaN	Angola	-11.2027	17.8739	...	25	25	25	25	26	27	27	27	27	30

5 rows × 105 columns

※ 緯度(Lat),経度(Long)

今回は、ProvinceとLat/Longはあまり必要でないので、列ごと消します

confirmed = confirmed.drop(['Province/State','Lat','Long'],axis=1)
deaths = deaths.drop(['Province/State','Lat','Long'],axis=1)
recovered = recovered.drop(['Province/State','Lat','Long'],axis=1)

このデータを、Country/Regionごとに集計してみましょう

confirmed = confirmed.groupby(confirmed["Country/Region"]).aggregate("sum")
deaths = deaths.groupby(deaths["Country/Region"]).aggregate("sum")
recovered = recovered.groupby(recovered["Country/Region"]).aggregate("sum")

confirmed.head()

	1/22/20	1/23/20	1/24/20	1/25/20	1/26/20	1/27/20	1/28/20	1/29/20	1/30/20	1/31/20	...	4/22/20	4/23/20	4/24/20	4/25/20	4/26/20	4/27/20	4/28/20	4/29/20	4/30/20	5/1/20
Country/Region
Afghanistan	0	0	0	0	0	0	0	0	0	0	...	1176	1279	1351	1463	1531	1703	1828	1939	2171	2335
Albania	0	0	0	0	0	0	0	0	0	0	...	634	663	678	712	726	736	750	766	773	782
Algeria	0	0	0	0	0	0	0	0	0	0	...	2910	3007	3127	3256	3382	3517	3649	3848	4006	4154
Andorra	0	0	0	0	0	0	0	0	0	0	...	723	723	731	738	738	743	743	743	745	745
Angola	0	0	0	0	0	0	0	0	0	0	...	25	25	25	25	26	27	27	27	27	30

5 rows × 101 columns

そして、次に、日付が特徴量となっていますが、今回は国を特徴量にしたいため、データを転置(行列入れ替え)します。

confirmed = confirmed.T
deaths = deaths.T
recovered = recovered.T

confirmed.head()

Country/Region	Australia	...	Vietnam
1/22/20	0	...	0
1/23/20	0	...	2
1/24/20	0	...	2
1/25/20	0	...	2
1/26/20	4	...	2

5 rows × 187 columns

ここまでで、データの下準備は一旦整いました。計算に移っていきます。

まず、感染者数の増加数の推移をみていきましょう
ここで必要になってくるデータは当該日とその前日の感染者数の差です。

new_cases = confirmed.copy()

for day in range(1,len(confirmed)):
    new_cases.iloc[day] = confirmed.iloc[day] - confirmed.iloc[day - 1]

直近の10日分のデータを見ます

new_cases.tail(10)

Country/Region	Afghanistan	Albania	Algeria	Andorra	Angola	Antigua and Barbuda	Argentina	Armenia	Australia	Austria	...	United Kingdom	Uruguay	Uzbekistan	Venezuela	Vietnam	West Bank and Gaza	Yemen	Zambia	Zimbabwe
4/22/20	84	25	99	6	1	1	113	72	7	52	...	4466	8	38	3	0	8	0	4	0
4/23/20	103	29	97	0	0	0	291	50	10	77	...	4608	14	42	23	0	6	0	2	0
4/24/20	72	15	120	8	0	0	172	73	15	69	...	5394	6	46	7	2	4	0	8	1
4/25/20	112	34	129	7	0	0	173	81	17	77	...	4929	33	58	5	0	-142	0	0	2
4/26/20	68	14	126	0	1	0	112	69	20	77	...	4468	10	7	2	0	0	0	4	0
4/27/20	172	10	135	5	1	0	111	62	7	49	...	4311	14	35	4	0	0	0	0	1
4/28/20	125	14	132	0	0	0	124	59	23	83	...	4002	5	35	0	0	1	0	7	0
4/29/20	111	16	199	0	0	0	158	65	8	45	...	4091	5	63	2	0	1	5	2	0
4/30/20	232	7	158	2	0	0	143	134	14	50	...	6040	13	37	2	0	0	0	9	8
5/1/20	164	9	148	0	3	1	104	82	12	79	...	6204	5	47	2	0	9	1	3	0

10 rows × 187 columns

感染者データと比べてみましょう

confirmed.tail(10)

Country/Region	Afghanistan	Albania	Algeria	Andorra	Angola	Antigua and Barbuda	Argentina	Armenia	Australia	Austria	...	United Kingdom	Uruguay	Uzbekistan	Venezuela	Vietnam	West Bank and Gaza	Western Sahara	Yemen	Zambia	Zimbabwe
4/22/20	1176	634	2910	723	25	24	3144	1473	6652	14925	...	134638	543	1716	288	268	474	6	1	74	28
4/23/20	1279	663	3007	723	25	24	3435	1523	6662	15002	...	139246	557	1758	311	268	480	6	1	76	28
4/24/20	1351	678	3127	731	25	24	3607	1596	6677	15071	...	144640	563	1804	318	270	484	6	1	84	29
4/25/20	1463	712	3256	738	25	24	3780	1677	6694	15148	...	149569	596	1862	323	270	342	6	1	84	31
4/26/20	1531	726	3382	738	26	24	3892	1746	6714	15225	...	154037	606	1869	325	270	342	6	1	88	31
4/27/20	1703	736	3517	743	27	24	4003	1808	6721	15274	...	158348	620	1904	329	270	342	6	1	88	32
4/28/20	1828	750	3649	743	27	24	4127	1867	6744	15357	...	162350	625	1939	329	270	343	6	1	95	32
4/29/20	1939	766	3848	743	27	24	4285	1932	6752	15402	...	166441	630	2002	331	270	344	6	6	97	32
4/30/20	2171	773	4006	745	27	24	4428	2066	6766	15452	...	172481	643	2039	333	270	344	6	6	106	40
5/1/20	2335	782	4154	745	30	25	4532	2148	6778	15531	...	178685	648	2086	335	270	353	6	7	109	40

10 rows × 187 columns

例えば、AfghanistanやAlgeriaやArgentinaやUnited Kingdomは、感染者数の絶対数も多いですが、新規感染者数も依然多いということが分かります。

new_casesでは、感染者数の日別の"増加数"を見ましたが、次に"増加率"を見ましょう。
(当該日の増加数 / 前日の感染者数) * 100 で増加率を出すことが出来ます

growth_rate = confirmed.copy()

for day in range(1,len(growth_rate)):
    growth_rate.iloc[day] = ( new_cases.iloc[day] / confirmed.iloc[day-1] ) * 100

growth_rate.tail(10)

Country/Region	Afghanistan	Albania	Algeria	Andorra	Angola	Antigua and Barbuda	Argentina	Armenia	Australia	Austria	...	United Kingdom	Uruguay	Uzbekistan	Venezuela	Vietnam	West Bank and Gaza	Yemen	Zambia	Zimbabwe
4/22/20	7.692308	4.105090	3.521878	0.836820	4.166667	4.347826	3.728143	5.139186	0.105342	0.349627	...	3.430845	1.495327	2.264601	1.052632	0.000000	1.716738	0.000000	5.714286	0.000000
4/23/20	8.758503	4.574132	3.333333	0.000000	0.000000	0.000000	9.255725	3.394433	0.150331	0.515913	...	3.422511	2.578269	2.447552	7.986111	0.000000	1.265823	0.000000	2.702703	0.000000
4/24/20	5.629398	2.262443	3.990688	1.106501	0.000000	0.000000	5.007278	4.793171	0.225158	0.459939	...	3.873720	1.077199	2.616610	2.250804	0.746269	0.833333	0.000000	10.526316	3.571429
4/25/20	8.290155	5.014749	4.125360	0.957592	0.000000	0.000000	4.796230	5.075188	0.254605	0.510915	...	3.407771	5.861456	3.215078	1.572327	0.000000	-29.338843	0.000000	0.000000	6.896552
4/26/20	4.647984	1.966292	3.869779	0.000000	4.000000	0.000000	2.962963	4.114490	0.298775	0.508318	...	2.987250	1.677852	0.375940	0.619195	0.000000	0.000000	0.000000	4.761905	0.000000
4/27/20	11.234487	1.377410	3.991721	0.677507	3.846154	0.000000	2.852004	3.550974	0.104260	0.321839	...	2.798678	2.310231	1.872659	1.230769	0.000000	0.000000	0.000000	0.000000	3.225806
4/28/20	7.339988	1.902174	3.753199	0.000000	0.000000	0.000000	3.097677	3.263274	0.342211	0.543407	...	2.527345	0.806452	1.838235	0.000000	0.000000	0.292398	0.000000	7.954545	0.000000
4/29/20	6.072210	2.133333	5.453549	0.000000	0.000000	0.000000	3.828447	3.481521	0.118624	0.293026	...	2.519864	0.800000	3.249097	0.607903	0.000000	0.291545	500.000000	2.105263	0.000000
4/30/20	11.964930	0.913838	4.106029	0.269179	0.000000	0.000000	3.337223	6.935818	0.207346	0.324633	...	3.628914	2.063492	1.848152	0.604230	0.000000	0.000000	0.000000	9.278351	25.000000
5/1/20	7.554123	1.164295	3.694458	0.000000	11.111111	4.166667	2.348690	3.969022	0.177357	0.511261	...	3.596918	0.777605	2.305051	0.600601	0.000000	2.616279	16.666667	2.830189	0.000000

10 rows × 187 columns

さて、感染者数(confirmed)はいわゆる累計の数なので、一旦ここで、現在進行形の感染者数(Active)を出しましょう。
【感染者数(confirmed)】から【死者数(deaths)と回復者数(recovered)】を引くと、【現在進行形の感染者数(Active)】が計算できそうです。

active_cases = confirmed.copy()

for day in range(0,len(confirmed)):
    active_cases.iloc[day] = confirmed.iloc[day] - deaths.iloc[day] - recovered.iloc[day]

そして、この現在進行形の感染者数active_casesのデータを利用して、再度、現在進行形の感染者数の増加率を調べましょう。
これを調べることによって、収束していそうかどうかが分かりそうです。

overall_growth_rate = confirmed.copy()

for day in range(0,len(confirmed)):
    overall_growth_rate.iloc[day] = ((active_cases.iloc[day] - active_cases.iloc[day-1]) / active_cases.iloc[day-1]) * 100

overall_growth_rate.tail(10)

Country/Region	Afghanistan	Albania	Algeria	Andorra	Angola	Antigua and Barbuda	Argentina	Armenia	Australia	Austria	...	United Kingdom	Uruguay	Uzbekistan	Venezuela	Vietnam	West Bank and Gaza	Western Sahara	Yemen	Zambia	Zimbabwe
4/22/20	7.064018	5.462185	2.920284	-5.276382	6.250000	-15.384615	3.718200	6.250000	-12.214551	-9.498681	...	3.270797	-1.895735	-4.258555	-1.265823	-13.461538	2.046036	0.000000	0.000000	12.500000	-4.347826
4/23/20	9.072165	0.000000	-4.524540	-6.366048	0.000000	0.000000	10.896226	2.941176	-6.836056	-9.750567	...	3.411790	-7.729469	-5.480540	12.179487	-2.222222	-3.759398	-83.333333	0.000000	0.000000	0.000000
4/24/20	5.860113	2.390438	4.738956	-1.699717	0.000000	-9.090909	4.423650	0.119048	-5.064935	-4.199569	...	3.743980	-4.712042	-1.260504	0.571429	13.636364	1.041667	0.000000	-100.000000	22.222222	4.545455
4/25/20	9.642857	9.727626	4.141104	2.017291	0.000000	0.000000	4.480652	0.594530	-15.321477	-5.994755	...	3.332975	16.483516	-2.382979	2.840909	-10.000000	-36.082474	0.000000	NaN	0.000000	8.695652
4/26/20	3.745928	2.127660	6.701031	0.000000	5.882353	0.000000	1.091618	4.609929	-11.954766	-4.304504	...	3.232666	1.886792	-6.538797	-1.657459	0.000000	3.629032	0.000000	NaN	-2.272727	0.000000
4/27/20	11.930926	-0.694444	5.383023	-10.169492	5.555556	0.000000	2.815272	5.197740	-3.669725	-1.582674	...	3.051680	1.388889	-6.343284	-0.561798	0.000000	0.000000	0.000000	NaN	0.000000	-8.000000
4/28/20	8.134642	1.048951	2.226588	-4.402516	0.000000	0.000000	3.450863	4.296455	-5.714286	-6.559458	...	2.318102	-1.369863	-6.474104	0.000000	6.666667	5.058366	0.000000	NaN	16.279070	0.000000
4/29/20	5.512322	-2.768166	9.032671	-8.552632	-5.263158	0.000000	4.387237	3.192585	-4.444444	-7.472826	...	2.386758	-6.018519	-4.472843	1.129944	0.000000	0.370370	0.000000	inf	-20.000000	0.000000
4/30/20	13.521819	-3.202847	4.406580	-15.467626	0.000000	0.000000	2.605071	10.279441	-1.585624	-4.013705	...	3.845988	2.955665	0.000000	-2.234637	6.250000	-1.845018	0.000000	-40.000000	20.000000	34.782609
5/1/20	5.955604	-3.308824	5.796286	-0.425532	-5.555556	-30.000000	2.064997	2.986425	-2.255639	-6.578276	...	3.750518	-6.220096	-3.567447	1.142857	0.000000	3.383459	0.000000	33.333333	-33.333333	0.000000

10 rows × 187 columns

直近10日(2020/04/22-05/01)の現在進行形の感染者数の増加率 (中国・イタリア・アメリカ・日本)

※ ちょこっと、ここの部分にオリジナルの加えています。

まず、コロナ発症国と考えられている中国は、最近収束しているみたいなので、中国の直近10日のデータを見てみましょう

overall_growth_rate['China'].tail(10)

4/22/20   -3.314528
4/23/20   -7.731583
4/24/20   -8.774704
4/25/20   -4.852686
4/26/20   -9.107468
4/27/20   -9.118236
4/28/20   -2.866593
4/29/20   -5.448354
4/30/20   -4.441777
5/1/20    -5.904523
Name: China, dtype: float64

増加率マイナス、つまり現在進行形の感染者数が減り続けている　→　収束に向かっていることが分かります。

次に、イタリアはどうでしょうか。

overall_growth_rate['Italy'].tail(10)

4/22/20   -0.009284
4/23/20   -0.790165
4/24/20   -0.300427
4/25/20   -0.638336
4/26/20    0.241859
4/27/20   -0.273319
4/28/20   -0.574599
4/29/20   -0.520888
4/30/20   -2.967790
5/1/20    -0.598714
Name: Italy, dtype: float64

1%未満の減少率なので微減ですが、増えてはいません。

overall_growth_rate['US'].tail(10)

4/22/20    3.470050
4/23/20    3.307839
4/24/20    2.102556
4/25/20    3.874078
4/26/20    2.536775
4/27/20    2.064644
4/28/20    2.166569
4/29/20    2.377575
4/30/20   -0.668941
5/1/20     2.583283
Name: US, dtype: float64

アメリカは、まだ数%ずつ増加しています。

overall_growth_rate['Japan'].tail(10)

4/22/20    2.512198
4/23/20    6.794937
4/24/20    3.868765
4/25/20    2.382691
4/26/20    0.401248
4/27/20    5.408526
4/28/20   -3.589182
4/29/20   -2.875120
4/30/20    0.755803
5/1/20    -2.884444
Name: Japan, dtype: float64

日本も、ちょっとずつ直近で減ってきた感じはありますが、増加傾向にあります。

日本は、せっかくなので、直近10日の増加率の平均を見てみましょう。

overall_growth_rate['Japan'].tail(10).mean()

1.277542288600591

1%程度ですが、増加傾向にある感じです。まぁ、日本はまだ感染者数も少ないので、比較的抑えられているといえるかもしれません。

ここから可視化(visualization)を交えていきます。

最初に死亡率を見ていきましょう。死亡率は、地域ごとのコロナの深刻さを表す指標となるので重要です。

まず、死亡率のデータフレームは、先ほどの手順とほぼ同様です。死亡率は、死亡者/感染者で表されます。

death_rate = confirmed.copy()

for day in range(0,len(confirmed)):
    death_rate.iloc[day] = (deaths.iloc[day] / confirmed.iloc[day]) * 100

次に、必要な必要なベッド台数(逆に、どれだけ不足が生じそうか)を算出します。
感染者のうち病院が必要な人の割合である入院率"hospitalization"を用います。これは、正しい数値は、分からないので、一旦仮の数値(ここでは、0.05)を用います。好きな数字に変えても大丈夫です。このレクチャーでは、分析・計算手法にフォーカスするため、一旦正確さは置いておきます。

※ちなみに、入院率は、コロナ陽性かつ入院が必要な人のことで、残りの95%は陽性であっても、入院(ベッド)は必要ではないとみなしています。

hospitalization_rate_estimate = 0.05

hospitalization_needed = confirmed.copy()

for day in range(0,len(confirmed)):
    hospitalization_needed.iloc[day] = active_cases.iloc[day] * hospitalization_rate_estimate

hospitalization_needed.tail()

Country/Region	Afghanistan	Albania	Algeria	Andorra	Angola	Antigua and Barbuda	Argentina	Armenia	Australia	Austria	...	United Kingdom	Uruguay	Uzbekistan	Venezuela	Vietnam	West Bank and Gaza	Western Sahara	Yemen	Zambia	Zimbabwe
4/27/20	71.30	14.30	76.35	15.90	0.95	0.50	133.30	46.55	52.50	118.15	...	6654.15	10.95	50.20	8.85	2.25	12.85	0.05	0.00	2.15	1.15
4/28/20	77.10	14.45	78.05	15.20	0.95	0.50	137.90	48.55	49.50	110.40	...	6808.40	10.80	46.95	8.85	2.40	13.50	0.05	0.00	2.50	1.15
4/29/20	81.35	14.05	85.10	13.90	0.90	0.50	143.95	50.10	47.30	102.15	...	6970.90	10.15	44.85	8.95	2.40	13.55	0.05	0.25	2.00	1.15
4/30/20	92.35	13.60	88.85	11.75	0.90	0.50	147.70	55.25	46.55	98.05	...	7239.00	10.45	44.85	8.75	2.55	13.30	0.05	0.15	2.40	1.55
5/1/20	97.85	13.15	94.00	11.70	0.85	0.35	150.75	56.90	45.50	91.60	...	7510.50	9.80	43.25	8.85	2.55	13.75	0.05	0.20	1.60	1.55

5 rows × 187 columns

一旦、ここで国をひとつ取り出しても、どれだけ深刻かわかりづらいため、一旦直近5日の平均を見ます。

hospitalization_needed.tail().mean().mean()

532.5691978609626

直近５日のすべての国の必要ベッド数の平均です。ばらつきも当然あるため、あまり理想的な参考値ではないですが、一旦これを参考とします。
イタリアの直近5日の平均を見てみましょう。

hospitalization_needed['Italy'].tail().mean()

5181.6900000000005

つまり、ざっと世界中の平均の10倍という数値が出ました。かなり深刻です。

可視化します。ただ、国が多すぎるので、今回は、いくつか任意の国を選びましょう。ここでは、イタリア、アメリカ、中国、日本、ロシアスペインを選びます。

countries = ['Italy','US',"China","Japan","Russia","Spain"]

ax = plt.subplot()
ax.set_facecolor("black")
ax.figure.set_facecolor("#121212")
ax.tick_params(axis="x",colors="white")
ax.tick_params(axis="y",colors="white")
ax.set_title("covid-19 confirmed by countries",color="white")

for country in countries:
    confirmed[country].plot(label=country)
plt.legend(loc="upper left")
plt.show()

USが3月末ぐらいから著しく感染者が増えていますね。
死者数を見ましょう。

グラフの形はあまり変わらず、感染者数に伴っているような感じです。

次に、感染者の増加率をプロットしてみましょう。

ただし、今度は、バーチャートでプロットします。また、バーチャートではあまりひとつの図にグラフが重なりすぎると、可視性が低くなるため別々に表示します。

for country in countries:
    ax = plt.subplot()
    ax.set_facecolor("black")
    ax.figure.set_facecolor("#121212")
    ax.tick_params(axis="x",colors="white")
    ax.tick_params(axis="y",colors="white")
    ax.set_title(f"covid-19 confirmed growth rate {country}",color="white")
    growth_rate[country].plot.bar() 
    plt.show()

同じ要領で死者数の感染数、死亡率(※上記は、"感染者の増加率"でこちらは"死亡率"です)も見ましょう。

ax = plt.subplot()
ax.set_facecolor("black")
ax.figure.set_facecolor("#121212")
ax.tick_params(axis="x",colors="white")
ax.tick_params(axis="y",colors="white")
ax.set_title("covid-19 deaths by countries",color="white")

for country in countries:
    deaths[country].plot(label=country)
plt.legend(loc="upper left")
plt.show()

for country in countries:
    ax = plt.subplot()
    ax.set_facecolor("black")
    ax.figure.set_facecolor("#121212")
    ax.tick_params(axis="x",colors="white")
    ax.tick_params(axis="y",colors="white")
    ax.set_title(f"covid-19 deaths rate {country}",color="white")
    death_rate[country].plot.bar() 
    plt.show()

死亡率に国別で差があることが分かります。

さて、最後に今後のコロナウイルスの影響のシミュレーションに移ります。
一旦、今後、仮値として、日次で1%の感染者が増えるとしましょう。

simulated_growth_rate = 0.01

ここで、予測用のこれからの新しい日付データを追加します。
範囲を指定して、日付データを生成できるdate_rangeメソッドを利用します。
今回用いているデータは、05/01/20が最後なので、その次の日から40日間。

dates = pd.date_range(start="05/02/2020",periods=40,freq='D')
dates = pd.Series(dates)
dates = dates.dt.strftime("%m/%d/%Y")

simulated = confirmed.copy()
simulated = simulated.append(pd.DataFrame(index=dates))

for day in range(len(confirmed),len(confirmed)+40):
    simulated.iloc[day] = simulated.iloc[day-1] * (1 + simulated_growth_rate)
ax = plt.subplot()
ax.set_facecolor("black")
ax.figure.set_facecolor("#121212")
ax.tick_params(axis="x",colors="white")
ax.tick_params(axis="y",colors="white")
ax.set_title(f"covid-19 future for Japan",color="white")
simulated['Japan'].plot()
plt.show()

※ 念押しですが、これは仮の成長率(※ 日次1%ずつ増え続ける)に基づいた数字です。厳密なシミュレーションとして、受け止める必要はありません。
以上です。ちょくちょく引用元の動画と違う部分はありますが、ざっとデータ分析の流れをつかめたかと思います。
是非、元動画をご覧ください。
投稿者のNeuralNine氏は、動画の最後に、この分析は仮の数値などはあるものだから、真剣に受け止めなくていいことは強調したうえで、事実をデータをもとに把握し、自分が意識すべきことは大事であることを伝えてくれていました。

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up