离散流行病模型，直接写python代码

在离散流行病模型中，通常会使用一些变量来描述疾病在人群中的传播情况。这些变量可以是人群中某一状态的人数，例如健康的人数、感染的人数、潜伏期的人数、治愈的人数等。

下面是一个简单的离散流行病模型的 Python 代码示例，其中使用了 SIR 模型来描述疾病的传播情况：

import numpy as np

def sir_model(y, t, beta, gamma):
    S, I, R = y
    dSdt = -beta * S * I
    dIdt = beta * S * I - gamma * I
    dRdt = gamma * I
    return dSdt, dIdt, dRdt

# 初始化参数
beta = 0.2  # 传染率
gamma = 0.1  # 恢复率
S0 = 0.99  # 初始健康人数
I0 = 0.01  # 初始感染人数
R0 = 0.0  # 初始治愈人数
t = np.linspace(0, 50, 100)  # 时间范围

# 计算每一时刻的 S、I、R 值
y0 = [S0, I0, R0]
solution = odeint(sir_model, y0, t, args=(beta, gamma))
S, I, R = solution.T

# 绘制曲线图
plt.plot(t, S, label='S')
plt.plot(t, I, label='I')
plt.plot(t, R, label='R')
plt.legend()
plt.show()

在这段代码中，我们定义了一个 `sir_model` 函数，用于计算每一时刻 S、I、R 三个状态的变化情况。然后我们使用 `odeint` 函数来解决微分方程，得到每一时刻 S、I、R 状态的