Python?

  • 算法

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:

CodepopulationTd.TdpM.DcpM.DdpM.
NLD17,134,8739,4535522681.58
BEL11,589,61616,6451436648.46
USA331,002,647268,0458094773.54
IND1,380,004,385137,621100230.35
KOR5,126,9185261090.00
NZL4,822,23325510.00
带有几个数字的表格,用于比较六个司法管辖区

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。

Fig. 1 Harmonized (per million) time-tines for six jurisdictions

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。