這次疫情的情況大家也都了解了，各地也都延遲開學(xué)或者延遲開工，對于我們來說，正好是一次深入學(xué)習(xí)的機(jī)會。今天，我就帶領(lǐng)大家分析一下新型冠狀病毒的爆發(fā)趨勢，也借此作為一次數(shù)據(jù)分析課程的實戰(zhàn)案例，從 數(shù)據(jù)獲取、數(shù)據(jù)清洗、數(shù)據(jù)可視化再到產(chǎn)出數(shù)據(jù)結(jié)論，完整的走一遍數(shù)據(jù)分析流程。

這次使用的數(shù)據(jù)是霍普金斯大學(xué)收集的世界范圍內(nèi)的病毒爆發(fā)數(shù)據(jù)。

導(dǎo)入所需的包和數(shù)據(jù)

數(shù)據(jù)清洗

第一：刪除不需要的數(shù)據(jù)列

從數(shù)據(jù)中我們可以看出，第一列相當(dāng)于編號，第五列是數(shù)據(jù)更新的最后時間，這兩列對我們的分析來說沒有實際意義，所以先把這兩列進(jìn)行刪除操作：

第二：對數(shù)據(jù)集中的空值進(jìn)行處理

先來看一下數(shù)據(jù)的整體情況：

我們發(fā)現(xiàn)，只有省份這一個字段是有空值的，那我們再來看一下具體的空值有哪些：

經(jīng)過篩選發(fā)現(xiàn)，空缺的都是一些國外的省份，這是由于數(shù)據(jù)收集過程中產(chǎn)生的，并且我們無從推斷到底是什么，所以，這里的空值我們選擇不處理。

第三：刪除重復(fù)數(shù)據(jù)

通過使用dumplicate方法，我們發(fā)現(xiàn)這個人工整理的數(shù)據(jù)集不存在重復(fù)情況，所以也不需要進(jìn)行去重操作。

數(shù)據(jù)洞察

我們首先來看一下，截止到數(shù)據(jù)完成時間，世界上總共有多少國家已經(jīng)「淪陷」了：

通過統(tǒng)計發(fā)現(xiàn)，總共只有32個國家已經(jīng)有了確診患者，但是，細(xì)心的同學(xué)可能會發(fā)現(xiàn)，國家列表當(dāng)中有「China」和「Mainland China」，第二個表示的是「中國大陸」，其實也是中國，所以我們應(yīng)該把「Mainland China」也改為「China」統(tǒng)一口徑，在實際工作過程中，跨部門的數(shù)據(jù)經(jīng)常會出現(xiàn)這種情況，所以，處理這種數(shù)據(jù)噪音也是數(shù)據(jù)分析師的日常工作之一。

接著，我們看一下時間字段，時間字段的處理也是數(shù)據(jù)分析過程中不可或缺的一個步驟：

這里的時間，都是精確到「小時」的，為了便于統(tǒng)計，我們把它改成精確到「日」：

接下來，我們以國家作為維度，來統(tǒng)計一下每個國家的確診人數(shù)：

排名第一的肯定是中國，排名靠前的基本都是中國臨近的亞洲國家，歐美國家當(dāng)中，排名第一的是德國，如果是真正工作過程中，德國這一點就是「異常點」，肯定要深入挖掘，在這里我們只是做一個示例。

之后我們以時間作為維度，分析一下每天的感染人群數(shù)量的變化：

從這里可以看到，14天之內(nèi)感染人數(shù)就從555人增長到24503個人，增長速度還是很快的，那我們接著也要具體分析一下，每天新增的確診人數(shù)有多少人，這里我們需要用到diff( )方法：

數(shù)據(jù)可視化

首先來看每天的確診人數(shù)，基本上是指數(shù)增長的一個走勢，符合傳染病的爆發(fā)規(guī)律，我們要做的就是根據(jù)之后的數(shù)據(jù)，洞察拐點的到來。

接著，我們看一下，每天的「死亡人數(shù)」和「治愈人數(shù)」的走勢，從這個數(shù)據(jù)上來看，治愈人數(shù)的增長趨勢已經(jīng)超過的死亡人數(shù)，所以，從「最好」和「最壞」兩個方面來說的話，總體趨勢還是向好發(fā)展，大家也不必過于擔(dān)心。

總結(jié)

以上分析只是拋磚引玉，使用一部分?jǐn)?shù)據(jù)來引導(dǎo)大家參與到數(shù)據(jù)分析的實戰(zhàn)流程當(dāng)中，歡迎大家在留言區(qū)一起討論學(xué)習(xí)。