他以NetLogo作为工作台开始了他的COVID项目，因为他处理的东西只能理解为复杂的动态网络。 可能是这样，但是要想有意义地执行类似的操作，您需要了解很多。 而简单的时间表的图片就足够了。 NetLogo可以解决这个问题，但是存在一些障碍，尤其是如果COVID样本在乘车过程中在世界范围内扩散并持续发展的话。
那么很显然，想要一些可以随意产生这种时间表的东西。 对于您选择的国家，期间和数据源的组合。 Python（嵌入在Anaconda的Jupyter中）更适合于此。
他掌握了Python的生态系统，足以与之相处。 毕竟，他自1969年以来就一直在构建计算机程序，而关于Python的奇妙之处在于，该语言仍然与Donals Knuth在1970年代的前三卷《The art of computer programming》中传播的原理紧密地联系在一起。
对于Python用户来说，感兴趣的是如何处理基本过程和数据结构。 在此基础上，出现了许多令人沮丧的积木。 这主要用于需要临时计算能力的研究人员和设计人员。 已经开发了许多出色的应用程序和游戏。 他使用Python在COVID-19时间轴之间进行比较。
图中有一个例子。 1，为六个辖区（NLD，BEL，美国，IND，KOR和NZL）提供每个辖区的三个时间表。 线路本身是协调的，它们给出了每百万居民的数量。 由于不放大图表就很难阅读这些数字，因此他在表格中提供了一些数字：
| Code | population | Td. | TdpM. | DcpM. | DdpM. |
| NLD | 17,134,873 | 9,453 | 552 | 268 | 1.58 |
| BEL | 11,589,616 | 16,645 | 1436 | 64 | 8.46 |
| USA | 331,002,647 | 268,045 | 809 | 477 | 3.54 |
| IND | 1,380,004,385 | 137,621 | 100 | 23 | 0.35 |
| KOR | 5,126,918 | 526 | 10 | 9 | 0.00 |
| NZL | 4,822,233 | 25 | 5 | 1 | 0.00 |
他以前曾研究过国家差异。 在表中，从先前认可的策略类型中选择了两个辖区。 比利时和荷兰代表反周期方法，美国和印度代表零散方法，韩国和新西兰则为控制方法。 （Td。=一个国家的COVID死亡总数，TdpM。=现在是每百万的数字，DcpM是昨天每百万的已记录感染数，DdpM是昨天的每百万的COVID死亡数。） 与人口规模相比，最后三列基于每百万人口总数。
例如，使该表令人猜测的是，就百万分之COVID死亡总数而言，比利时的表现远不如美国，但如今的感染数（百万）却要好得多。 这可能表明反周期政策已被严格启动。 绘图对于了解这一点很有用。
时间表如图。 表1有助于了解管辖区的动态和方法，该表有助于比较不同政治现实的医疗效果。 时间线数据也适用于测试有关病毒的医学特性的见解，例如，通过检查在固定间隔内是否发生了COVID死亡人数与阳性检查人数（如果仅对有症状的人进行了检查）之比。 不变。 他将在以后查看。