2020年的第一个三分之一无疑是2019年12月的一个糟糕的延续。在中国各种严厉的封锁下，新冠病毒最终还是逃出生天，席卷全球 …

下图是一个实时更新的动图，来反映当前各国每日增加的病例 （请横置手机，以动图达到最佳效果）。这里的纵轴表达的是一周七天（今天，前三天和后三天）的动态平均值。为什么要用动态均值呢？ 因为各地数据更新时间有出入，偶尔的延迟会造成不准确。再者，对于病人得病的判断，也不能精确，毕竟大部分人是在家隔离的。各地爆发的速度不一样，在这里，我们统一假设当病例日增长数超过30的时候是疫情全面爆发的开始，下图的横轴表示的就是全面爆发后的天数。

新冠是个可怕的传染病，传染率非常高！科学家通常用R0（基本传染数）来体现传染病的严重程度。通俗一点，R0测量的是一个人得病，可以传染给多少个人。在这里，我们讲一个小故事，曾经有一个印度人和一个爱下棋的国王打赌，说要国王给他一点米，数着给，他说：我要的不多，在棋盘的第一个格子里放一粒，第二个格子里放两粒，之后的每个格子放的是前一个格子的两倍，仅此而已。国王心想，多大的棋盘嘛，于是欣然答应了。一般讲故事吧，都会有个转折，这个故事的结局就是国王傻逼了，国库很快没米了。有人做过计算，最后一共要的米是18,446,744,073,709,551,615粒，够全世界的人吃上百年。

把这个故事和新冠疫情联系一下，如果一人一天传一人的话（R0 = 1），不用走完整个棋盘，全世界都中招了。当R0值小于1时，传染病是可控的，但是目前已知的是新冠的R0 大于1。我们可以做个简单的运算数米的总量无非是一个几何数列的总和:1 + 2 + 4 + … = 2 * (n+1) - 1. 这个总和已经变成了一个指数函数,这也是为什么很多模拟新冠爆发初期的病人总数用的都是指数函数.

Thanks to Financial Times and John Burn-Murdoch for the ideas.

附加


data = read_csv("covid19.csv", col_types = cols(dateRep = col_date(format = "%d/%m/%Y"))) %>%
       group_by(., countriesAndTerritories) %>%
       mutate(., total_case = sum(cases)) %>%
       mutate(., from_day0 = as.numeric(dateRep - min(dateRep, na.rm=T))) %>%
       arrange(., countriesAndTerritories, from_day0) %>%
       mutate(., cumsum = cumsum(cases)) %>%
       mutate(., ma = rollapply(cases, 7, mean, align='right', fill=list("extend", NA))) %>%
       ungroup

first_date_over_30_country = data %>% group_by(., countriesAndTerritories) %>%
    filter(., ma > 30) %>%
    mutate(., first_date_over_30 = min(dateRep, na.rm = T)) %>%
    select(., countriesAndTerritories, first_date_over_30) %>% unique

working_data = data %>%
               left_join(., first_date_over_30_country, by = "countriesAndTerritories") %>%
               filter(., !is.na(first_date_over_30)) %>%  
               group_by (countriesAndTerritories) %>%
               filter(., dateRep >= first_date_over_30) %>%
               mutate(., days = as.numeric(dateRep-first_date_over_30)) %>%
               filter(., total_case > 1000) %>% ungroup