はじめに

最近コロナウィルスが流行っていて家にいるのも退屈で、早く外に出たいので、今後のコロ
ナウィルスの動向を知ろうと思い同じ種類のSARSウィルスから分析してみました。

今後の展望

1.コロナウィルスの流行に伴い、同じ分類であるSARSウィルスの分析を行う
2.その後コロナウィルスに関しての分析も行う
3.両者を比較してみる

分析すると言ってもものデータがない言うことで、まずはデータ探しを開始したのですが、
　　　　　　　　　　　良い感じのCSVデータが存在しない
と言うことで、まずはCSVファイルから作成することに、WHOからSARSのデータを探し
だし、作成しました。

これは10日目までのデータです。自分で作成したので欠損値も少なくて良さそうです。

それでは実際の分析に移りたいと思います。

SARS.ipynd

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

SARS.ipynd

df1 = pd.read_csv('analytics_SARS].csv')
df1.head()

SARS.ipynd

x_num = df1['day']
y_num = df1['total']
plt.plot(x_num,y_num)#グラフを表示

60日ほどまでは、上昇傾向にあったがそこからは感染者の数が著しく減ったことがわかる。

SARS,ipyind

x_num = df1['day']
y_num = df1['total-change']
plt.plot(x_num,y_num)#グラフを表示

最初の方の変動は徐々に新たな国から感染の報告が来るからだと予測できる。

SARS.ipynd

x_num = df1['day']
y_num = df1['death']
plt.plot(x_num,y_num)#グラフを表示

約100日で800人もの死者が出ている。つまり単純計算1日で8人もの人が死んでいる。

SARS.ipynd

x_num = df1['day']
y_num = df1['death-change']
plt.plot(x_num,y_num)#グラフを表示

1日あたりの死亡者数は増えたり減ったりしている。これは死亡の知らせが届く周期によるものだと思われる。

SARS.ipynd

 df1['death'].sum() / df1['total'].sum()

致死率は0.08121591227553301、つまり約8%だと言うことがわかる。

SARS.ipynd

x_num = df1['day']
y_num = df1['recovery']
plt.plot(x_num,y_num)#グラフを表示

20日あたりから徐々に回復者が現れたことがわかる。そこからの回復者数の増加は著しい。

SARS.ipynd

x_num = df1['day']
y_num = df1['recovery_change']
plt.plot(x_num,y_num)#グラフを表示

20日あたりに急激な上昇が見られる。これは各国の回復者数報告の関係だと思われる。
ただ、回復者数は平均して安定していると思われる。

今回は単純で簡単な分析を中心に行った。
簡単なコードと簡単な計算を使い分析を行ったが、グラフ化するだけでわかりやすくなったと思います。また、今後はより高度な分析や、コロナの分析も行おうと思います。