新冠数据整理和简单分析（二）——SIR及其变种_SIR模型

101 浏览量更新于2023-03-03 评论 1 收藏 489KB PDF 举报

身份认证购VIP最低享 7 折!

领优惠券(最高得80元）

资源详情

资源评论

资源推荐

新冠数据整理和简单分析（二）新冠数据整理和简单分析（二）——SIR及其变种及其变种

新冠数据整理和简单分析（二）新冠数据整理和简单分析（二）——使用使用SIR及其变种及其变种

这篇文章主要是想介绍一下使用SIR模型对新冠病毒传播建模。在数据分析方面的研究目前绝大多数都是基于SIR模型变种来模拟病毒传播的过程。所以，我准备

以新冠病毒的数据为例，简单介绍一下SIR以及其变种的应用。

准备工作准备工作

数据来源和参考数据来源和参考

SIR模型是一个简单的传染病模型，它将人群分为三类，分别是易感染者（Susceptibles）、感染者（Infectives）、移除者（Removed）。为了得到相应这三类人

群的数据，我通过Kaggle的开源数据集对当前的数据进行了补充。以下是我的数据链接。

病例数据

人口

人口结构

管控措施

在本文的前半部分，我主要参考了Lisphilar的notebook。而后半部分我主要参考了几篇不错的COVID19传播建模论文。跟大家分享一下我的收获。

使用的工具和包使用的工具和包

from collections import defaultdict

from datetime import timedelta, datetime

from dateutil.relativedelta import relativedelta

from pprint import pprint

import warnings

from fbprophet import Prophet

from fbprophet.plot import add_changepoints_to_plot

import pystan.misc # in model.fit(): AttributeError: module 'pystan' has no attribute 'misc'

import matplotlib.pyplot as plt

import matplotlib.cm as cm

import matplotlib

from matplotlib.ticker import ScalarFormatter

%matplotlib inline

import numpy as np

import optuna

optuna.logging.disable_default_handler()

import pandas as pd

import dask.dataframe as dd

pd.plotting.register_matplotlib_converters()

import seaborn as sns

from scipy.integrate import solve_ivp

from sklearn.feature_extraction.text import TfidfVectorizer

from sklearn.cluster import KMeans

定义函数和方法定义函数和方法

为了简化介绍和缩短文章长度，我只将主要的函数放在这里。

SIR模型模型

class SIR(ModelBase):

NAME = "SIR"

VARIABLES = ["x", "y", "z"] PRIORITIES = np.array([1, 1, 1])

MONOTONIC = ["z"]

def __init__(self, rho, sigma):

super().__init__()

self.rho = rho

self.sigma = sigma

def __call__(self, t, X):

# x, y, z = [X[i] for i in range(len(self.VARIABLES))] # dxdt = - self.rho * x * y

# dydt = self.rho * x * y - self.sigma * y

# dzdt = self.sigma * y

dxdt = - self.rho * X[0] * X[1] dydt = self.rho * X[0] * X[1] - self.sigma * X[1] dzdt = self.sigma * X[1] return np.array([dxdt, dydt, dzdt])

@classmethod

def param_dict(cls, train_df_divided=None, q_range=None):

param_dict = super().param_dict()

q_range = super().QUANTILE_RANGE[:] if q_range is None else q_range

if train_df_divided is not None:

df = train_df_divided.copy()

# rho = - (dx/dt) / x / y

rho_series = 0 - df["x"].diff() / df["t"].diff() / df["x"] / df["y"] param_dict["rho"] = rho_series.quantile(q_range)

# sigma = (dz/dt) / y

sigma_series = df["z"].diff() / df["t"].diff() / df["y"] param_dict["sigma"] = sigma_series.quantile(q_range)

return param_dict

param_dict["rho"] = (0, 1)

param_dict["sigma"] = (0, 1)

return param_dict

@staticmethod

def calc_variables(df):

df["X"] = df["Susceptible"] df["Y"] = df["Infected"] df["Z"] = df["Recovered"] + df["Fatal"] return df.loc[:, ["T", "X", "Y", "Z"]]

@staticmethod

def calc_variables_reverse(df):

df["Susceptible"] = df["X"] df["Infected"] = df["Y"] df["Recovered/Deaths"] = df["Z"] return df

def calc_r0(self):

if self.sigma == 0:

return np.nan

r0 = self.rho / self.sigma

return round(r0, 2)

def calc_days_dict(self, tau):

_dict = dict()

_dict["1/beta [day]"] = int(tau / 24 / 60 / self.rho)

_dict["1/gamma [day]"] = int(tau / 24 / 60 / self.sigma)

return _dict

SIRD模型模型

本内容试读结束，登录后可阅读更多

下载后可阅读完整内容，剩余7页未读，立即下载

weixin_38653508

粉丝: 2
资源: 904

会员权益专享

新冠数据整理和简单分析（二）——SIR及其变种

评论0

会员权益专享

最新资源

新冠数据整理和简单分析（二）——SIR及其变种

评论0

基于R的时间序列分析

新冠病毒数据集（包含地理位置、全国城市位置、2020-2-9新冠病毒数据集）

新冠疫情问卷调查报告.pdf

python分析新冠肺炎_如何简单构建新冠肺炎的预测模型？——附R、python、matlab代码...

hive数据分析 新冠城市数据

python新冠数据处理

如何使用python对采集全国新冠肺炎数据进行数据分析

新冠疫情数据分析python

新冠肺炎数据分析问题描述

对新冠疫情数据进行可视化分析的意义

创建一个python全国新冠数据可视化分析的代码，

新冠疫情吃药顺序数据分析项目背景与项目目标

给出一个新冠疫情预测和分析系统功能需求流程图

使用Python分析新冠病毒数据的意义

新冠疫情数据采集及可视化

kaggle新冠肺炎数据集

新冠疫情数据采集及可视化课程设计

利用Python实现新冠疫情数据可视化属于某行业物联网数据分析吗

新冠肺炎疫情数据分析与可视化 python的结论

使用ncbi数据库查询并使用blast比对新冠病毒及九种变种的核酸序列

会员权益专享

最新资源

hive数据分析新冠城市数据