抗击肺炎：新冠肺炎疫情数据可视化及疫情预测分析
抗击肺炎：新冠肺炎疫情数据可视化及疫情预测分析
写在前面
疫情当前，共克时艰。
在新型冠状病毒感染的肺炎疫情牵动社会人心的关键时刻，本文将利用数据分析、数据挖掘、机器学习相关方法，围绕疫情态势展示、疫情走势预测进行分析，挖掘复杂异构多源数据之间的关联关系，以形象生动的方式呈现给大家，为夺取防控疫情的胜利贡献力量！
这里将使用传统时间序列模型Prophet、深度学习模型Seq2seq和传染病模型SIR进行确诊人数预测。
数据描述
数据来源：https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset
该数据集为2019年新型冠状病毒全球感染病例数、死亡人数和恢复情况的信息。请注意，这是一个时间序列数据，因此任何一天的病例数都是累积数。数据从2020年1月22日开始提供，每天都将进行更新。
数据集：
-2019ncovdata.csv
-time_series_2019_ncov_confirmed.csv
-time_series_2019_ncov_deaths.csv
-time_series_2019_ncov_recovered.csv
- Sno - 序列号
- Date - 观察日期和时间（MM/DD/YYYY HH:MM:SS）
- Province / State - 观察的省或州（丢失时可以为空）
- Country - 国家
- Last Update - 以UTC为单位的时间，在该时间为给定的省或国家更新行。（目前没有标准化。所以请在使用前清洗）
- Confirmed - 确诊人数
- Deaths - 死亡人数
- Recovered - 治愈人数
本文主要使用2019ncovdata.csv数据
数据分析
1.基本导入
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import scipy.stats as stats
%matplotlib inline
plt.style.use('ggplot')
import plotly.express as px
import plotly.graph_objs as go
from plotly.offline import iplot, init_notebook_mode
import plotly.figure_factory as ff
from plotly import subplots
from plotly.subplots import make_subplots
init_notebook_mode(connected=True)
from datetime import datetime, date, timedelta
from fbprophet import Prophet
import warnings
warnings.filterwarnings('ignore')
pd.set_option('display.max_columns', 100)
pd.set_option('display.max_rows', 100)2. 数据导入
import os
for dirname, _, filenames in os.walk('/kaggle/input'):
for filename in filenames:
print(os.path.join(dirname, filename))输出：
/kaggle/input/novel-corona-virus-2019-dataset/2019_nCoV_data.csv /kaggle/input/novel-corona-virus-2019-dataset/time_series_2019_ncov_deaths.csv /kaggle/input/novel-corona-virus-2019-dataset/time_series_2019_ncov_confirmed.csv /kaggle/input/novel-corona-virus-2019-dataset/time_series_2019_ncov_recovered.csv
df = pd.read_csv('/kaggle/input/novel-corona-virus-2019-dataset/2019_nCoV_data.csv')
df.head(5)
3.缺失值处理
可以看到省/州这列存在明显缺失，详细查看一下原因。
df[df['Province/State'].isnull()]
对于一些国家是没有省/州相关信息的，所以为空。
4.已确诊情况可视化
首先是全球情况
fig = px.bar(df, x='Date', y='Confirmed', hover_data=['Province/State', 'Deaths', 'Recovered'], color='Country')
annotations = []
annotations.append(dict(xref='paper', yref='paper', x=0.0, y=1.05,
xanchor='left', yanchor='bottom',
text='Confirmed bar plot for each country',
font=dict(family='Arial',
size=30,
color='rgb(37,37,37)'),
showarrow=False))
fig.update_layout(annotations=annotations)
fig.show()
fig = px.bar(df.loc[dataset['Country'] == 'Mainland China'], x='Date', y='Confirmed', hover_data=['Province/State', 'Deaths', 'Recovered'], color='Province/State')
annotations = []
annotations.append(dict(xref='paper', yref='paper', x=0.0, y=1.05,
xanchor='left', yanchor='bottom',
text='Confirmed bar plot for Mainland China',
font=dict(family='Arial',
size=30,
color='rgb(37,37,37)'),
showarrow=False))
fig.update_layout(annotations=annotations)
fig.show()
中国死亡人数情况
湖北地区死亡人数/治愈人数
confirmed_training_dataset = pd.DataFrame(dataset[dataset.Country=='China'].groupby('Date')['Confirmed'].sum().reset_index()).rename(columns={'Date': 'ds', 'Confirmed': 'y'})
confirmed_training_dataset.head()
模型预测 - Prophet
Facebook 所提供的 prophet 算法不仅可以处理时间序列存在一些异常值的情况，也可以处理部分缺失值的情形，还能够几乎全自动地预测时间序列未来的走势。prophet 所做的事情就是：
- 输入已知的时间序列的时间戳和相应的值；
- 输入需要预测的时间序列的长度；
- 输出未来的时间序列走势。
- 输出结果可以提供必要的统计指标，包括拟合曲线，上界和下界等。
from fbprophet import Prophet
from fbprophet.diagnostics import cross_validation, performance_metrics
from fbprophet.plot import plot_cross_validation_metric, add_changepoints_to_plot, plot_plotly我们从建立基本的baseline模型开始，包括每日趋势。( 当然这不一定会有用，因为日期中的时间不是新确认病例登记的真实时间，所以会存在各种干扰因素）。
prophet = Prophet(
yearly_seasonality=False,
weekly_seasonality = False,
daily_seasonality = True,
seasonality_mode = 'additive')
prophet.fit(confirmed_training_dataset)
future = prophet.make_future_dataframe(periods=7)
confirmed_forecast = prophet.predict(future)对结果进行可视化分析
fig = plot_plotly(prophet, confirmed_forecast)
annotations = []
annotations.append(dict(xref='paper', yref='paper', x=0.0, y=1.05,
xanchor='left', yanchor='bottom',
text='确诊人数预测',
font=dict(family='Arial',
size=30,
color='rgb(37,37,37)'),
showarrow=False))
fig.update_layout(annotations=annotations)
fig
Prophet中有年、周和日季节性参数，现在我们试着去掉每日的季节性重新预测。
prophet = Prophet(
yearly_seasonality=False,
weekly_seasonality = False,
daily_seasonality = False,
seasonality_mode = 'additive')
prophet.fit(confirmed_training_dataset)
future = prophet.make_future_dataframe(periods=7)
confirmed_forecast_2 = prophet.predict(future)
def mean_absolute_percentage_error(y_true, y_pred):
y_true, y_pred = np.array(y_true), np.array(y_pred)
return np.mean(np.abs((y_true - y_pred) / y_true)) * 100
max_date = prophet.ds.max()
y_true = prophet.y.values
y_pred_daily = confirmed_forecast.loc[confirmed_forecast['ds'] <= max_date].yhat.values
y_pred_daily_2 = confirmed_forecast_2.loc[confirmed_forecast_2['ds'] <= max_date].yhat.values
print('包含日季节性 MAPE: {}'.format(mean_absolute_percentage_error(y_true,y_pred_daily)))
print('不包含日季节性 MAPE: {}'.format(mean_absolute_percentage_error(y_true,y_pred_daily_2)))输出：
包含日季节性 MAPE: 39.37057017194978 不包含日季节性 MAPE: 162.6290389271529
很明显这些模型的性能很差，我们可以尝试在两个模型中添加一些参数，看看是否有什么变化，希望有所改进。
在 Prophet 中，般可以设置以下四种参数：
- Capacity：在增量函数是逻辑回归函数的时候，需要设置的容量值。
- Change Points：可以通过 n_changepoints 和 changepoint_range 来进行等距的变点设置，也可以通过人工设置的方式来指定时间序列的变点。
- 季节性和节假日：可以根据实际的业务需求来指定相应的节假日。
- 光滑参数：
changepoint_prior_scale 可以用来控制趋势的灵活度，
seasonality_prior_scale 用来控制季节项的灵活度，
holidays prior scale 用来控制节假日的灵活度。
如果不想设置的话，使用 Prophet 默认的参数即可。
Prophet具体介绍，请参考：https://zhuanlan.zhihu.com/p/52330017
后续文章会对Seq2seq和SIR预测疫情进行详细介绍
参考链接：
https://www.kaggle.com/shubhamai/coronavirus-eda-future-predictions
https://www.kaggle.com/parulpandey/wuhan-coronavirus-a-geographical-analysis