More than 3 years have passed since last update.

新型コロナ(COVID-19)の感染者・死者・検査・陽性率・ワクチン接種数の推移

Python

Last updated at 2022-10-04Posted at 2021-05-31

Data on COVID-19 (coronavirus) by Our World in Data で毎日更新されているデータがあるので、次のようにして新型コロナ(COVID-19)の感染者・死者・検査・ワクチン接種数の推移を見ることができます。

import requests
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use('ggplot') 

url = "https://github.com/owid/covid-19-data/blob/master/public/data/owid-covid-data.csv?raw=true"
df = pd.read_csv(url)

df

	iso_code	continent	location	date	total_cases	new_cases	new_cases_smoothed	total_deaths	new_deaths	new_deaths_smoothed	total_cases_per_million	new_cases_per_million	new_cases_smoothed_per_million	total_deaths_per_million	new_deaths_per_million	new_deaths_smoothed_per_million	reproduction_rate	icu_patients	icu_patients_per_million	hosp_patients	hosp_patients_per_million	weekly_icu_admissions	weekly_icu_admissions_per_million	weekly_hosp_admissions	weekly_hosp_admissions_per_million	new_tests	total_tests	total_tests_per_thousand	new_tests_per_thousand	new_tests_smoothed	new_tests_smoothed_per_thousand	positive_rate	tests_per_case	tests_units	total_vaccinations	people_vaccinated	people_fully_vaccinated	new_vaccinations	new_vaccinations_smoothed	total_vaccinations_per_hundred	people_vaccinated_per_hundred	people_fully_vaccinated_per_hundred	new_vaccinations_smoothed_per_million	stringency_index	population	population_density	median_age	aged_65_older	aged_70_older	gdp_per_capita	extreme_poverty	cardiovasc_death_rate	diabetes_prevalence	female_smokers	male_smokers	handwashing_facilities	hospital_beds_per_thousand	life_expectancy	human_development_index
0	AFG	Asia	Afghanistan	2020-02-24	1.0	1.0	NaN	NaN	NaN	NaN	0.026	0.026	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	8.33	38928341.0	54.422	18.6	2.581	1.337	1803.987	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511
1	AFG	Asia	Afghanistan	2020-02-25	1.0	0.0	NaN	NaN	NaN	NaN	0.026	0.000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	8.33	38928341.0	54.422	18.6	2.581	1.337	1803.987	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511
2	AFG	Asia	Afghanistan	2020-02-26	1.0	0.0	NaN	NaN	NaN	NaN	0.026	0.000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	8.33	38928341.0	54.422	18.6	2.581	1.337	1803.987	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511
3	AFG	Asia	Afghanistan	2020-02-27	1.0	0.0	NaN	NaN	NaN	NaN	0.026	0.000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	8.33	38928341.0	54.422	18.6	2.581	1.337	1803.987	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511
4	AFG	Asia	Afghanistan	2020-02-28	1.0	0.0	NaN	NaN	NaN	NaN	0.026	0.000	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	8.33	38928341.0	54.422	18.6	2.581	1.337	1803.987	NaN	597.029	9.59	NaN	NaN	37.746	0.5	64.83	0.511
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
92126	ZWE	Africa	Zimbabwe	2021-05-25	38706.0	10.0	15.857	1587.0	1.0	0.571	2604.198	0.673	1.067	106.776	0.067	0.038	1.32	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1416.0	540768.0	36.384	0.095	1937.0	0.130	0.008	122.2	tests performed	927990.0	639553.0	288437.0	13069.0	13719.0	6.24	4.30	1.94	923.0	NaN	14862927.0	42.729	19.6	2.822	1.882	1899.775	21.4	307.846	1.82	1.6	30.7	36.791	1.7	61.49	0.571
92127	ZWE	Africa	Zimbabwe	2021-05-26	38819.0	113.0	29.571	1589.0	2.0	0.857	2611.800	7.603	1.990	106.910	0.135	0.058	1.38	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	1629.0	542397.0	36.493	0.110	1725.0	0.116	0.017	58.3	tests performed	937040.0	643531.0	293509.0	9050.0	13194.0	6.30	4.33	1.97	888.0	NaN	14862927.0	42.729	19.6	2.822	1.882	1899.775	21.4	307.846	1.82	1.6	30.7	36.791	1.7	61.49	0.571
92128	ZWE	Africa	Zimbabwe	2021-05-27	38854.0	35.0	31.286	1592.0	3.0	1.000	2614.155	2.355	2.105	107.112	0.202	0.067	1.38	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	953389.0	648121.0	305268.0	16349.0	12285.0	6.41	4.36	2.05	827.0	NaN	14862927.0	42.729	19.6	2.822	1.882	1899.775	21.4	307.846	1.82	1.6	30.7	36.791	1.7	61.49	0.571
92129	ZWE	Africa	Zimbabwe	2021-05-28	38918.0	64.0	36.286	1592.0	0.0	0.857	2618.461	4.306	2.441	107.112	0.000	0.058	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	976796.0	656630.0	320166.0	23407.0	12695.0	6.57	4.42	2.15	854.0	NaN	14862927.0	42.729	19.6	2.822	1.882	1899.775	21.4	307.846	1.82	1.6	30.7	36.791	1.7	61.49	0.571
92130	ZWE	Africa	Zimbabwe	2021-05-29	38933.0	15.0	36.286	1594.0	2.0	1.143	2619.471	1.009	2.441	107.247	0.135	0.077	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	14862927.0	42.729	19.6	2.822	1.882	1899.775	21.4	307.846	1.82	1.6	30.7	36.791	1.7	61.49	0.571

92131 rows × 59 columns

import numpy as np
import matplotlib.pyplot as plt

locations = ['Japan']
colname = "new_cases_per_million"
plt.figure(figsize=(16,4))
for location in locations:
    df1 = df[df['location'] == location].fillna(0)
    x = np.array(df1['date'], dtype=np.datetime64)
    y = np.array(df1[colname])
    plt.plot(x, y, label=location)

plt.ylabel(colname)
plt.legend()
plt.tight_layout()
plt.savefig("{}.png".format(colname), format="png", dpi=500)
plt.show()

import numpy as np
import matplotlib.pyplot as plt

locations = ['Japan', 'United States', 'United Kingdom']

colname = "new_cases_per_million"
plt.figure(figsize=(16,4))
for location in locations:
    df1 = df[df['location'] == location].fillna(0)
    x = np.array(df1['date'], dtype=np.datetime64)
    y = np.array(df1[colname])
    plt.plot(x, y, label=location)

plt.ylabel(colname)
plt.legend()
plt.tight_layout()
plt.savefig("{}.png".format(colname), format="png", dpi=500)
plt.show()

課題

日本、米国、英国における「新規感染者数（百万人あたり）」の推移を図示し、比較してください。
日本、米国、英国における「新規死亡者数（百万人あたり）」の推移を図示し、比較してください。
スウェーデン、イタリア、シンガポール、韓国、台湾、中国についても同様に「新規感染者数（百万人あたり）」と「新規死亡者数（百万人あたり）」の推移を図示し、比較してください。

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