sanju1626/covid19-india-analysis

# 🦠 COVID-19 印度数据分析 (2020–2021)       # 📖 项目概述 本项目使用 Python 对印度的 COVID-19 疫情进行了全面的**探索性数据分析 (EDA)**。分析涵盖了 **2020 年 1 月至 2021 年 10 月**期间，重点关注感染趋势、康复规律、死亡率、各邦比较、相关性分析、特征工程和时间序列可视化。 该项目展示了 **Pandas、NumPy、Matplotlib 和 Seaborn** 的实际应用，同时将原始的 COVID-19 数据集转化为有意义的可视化见解。 # 🎯 目标 - 分析 COVID-19 在印度的传播情况。 - 研究每日和每月的病例趋势。 - 比较印度各邦的 COVID-19 统计数据。 - 探索康复率和病死率。 - 识别疫情高峰波次。 - 使用衍生指标进行特征工程。 - 可视化多个 COVID-19 指标之间的关系。 - 构建适合 GitHub 展示和面试的高质量 EDA 项目。 # 📂 数据集 本分析使用了公开可用的 COVID-19 数据集，其中包含： - 每日确诊病例 - 每日康复病例 - 每日死亡病例 - 各邦累计统计数据 - 检测数据 - 按日期划分的时间序列信息 # 🛠️ 使用的技术 | 工具 | 用途 | |------|----------| | Python | 编程语言 | | Pandas | 数据清洗与分析 | | NumPy | 数值计算 | | Matplotlib | 数据可视化 | | Seaborn | 统计可视化 | | Jupyter Notebook | 交互式分析 | # 📁 项目结构 ``` COVID19-INDIA-ANALYSIS/ │ ├── data/ │ ├── case_time_series.csv │ ├── raw_data1.csv │ ├── raw_data2.csv │ └── ... │ ├── images/ │ ├── daily_confirmed_cases.png │ ├── monthly_confirmed_cases.png │ ├── correlation_heatmap.png │ ├── covid_waves_india.png │ ├── custom_risk_score.png │ └── ... │ ├── covid_analysis.ipynb ├── README.md ├── requirements.txt ├── .gitignore └── LICENSE ``` # 📊 探索性数据分析 ## 📈 图表 1：每日确诊 COVID-19 病例 可视化印度每日确诊 COVID-19 病例的趋势，有助于识别感染激增和主要爆发期。 ## 📈 图表 2：每日康复 COVID-19 病例 展示每日康复趋势，并说明在整个疫情期间患者的康复情况是如何变化的。 ## 📈 图表 3：每日死亡 COVID-19 病例 显示每日的 COVID-19 死亡人数，突显了随时间变化的死亡率趋势。 ## 📊 图表 4：按确诊病例数排名的前 10 个邦 比较累计确诊 COVID-19 病例数最多的十个印度邦。 ## 📊 图表 5：按康复病例数排名的前 10 个邦 根据 COVID-19 康复患者总数对排名前十的邦进行排序。 ## 📊 图表 6：按死亡病例数排名的前 10 个邦 展示累计 COVID-19 死亡人数最高的邦。 ## 📊 图表 7：按 COVID-19 检测数排名的前 10 个邦 比较印度各邦的检测量，以了解检测力度。 ## 📈 图表 8：每月确诊病例 显示每月确诊 COVID-19 病例的趋势，使长期规律更容易被观察到。 ## 📈 图表 9：每月康复病例 显示每月的康复趋势，并比较整个疫情期间的康复增长情况。 ## 📈 图表 10：每月死亡病例 可视化每月的 COVID-19 死亡人数，以识别死亡率上升的时期。 ## 📊 图表 11：随时间变化的康复率 使用特征工程展示 COVID-19 康复率在整个疫情期间的变化情况。 ## 📊 图表 12：随时间变化的病死率 说明随时间变化的病死率变化情况，为了解疾病的严重程度提供见解。 ## 🔥 图表 13：相关性热力图 显示主要 COVID-19 变量（如确诊、康复、死亡和检测病例）之间的相关性。 ## 📉 图表 14：确诊与康复病例对比 使用散点图探索各邦确诊与康复病例之间的关系。 ## 📈 图表 15：每日确诊病例的 7 天滚动平均值 使用滚动平均值平滑每日波动，以揭示潜在的感染趋势。 ## 🌊 图表 16：印度的 COVID-19 疫情波次 使用带注释的时间序列可视化，突出显示第一波和第二波 COVID-19 疫情。 ## 🥧 图表 17：COVID-19 病例分布 使用饼图可视化康复、死亡和现有病例的比例。 ## 📊 图表 18：按自定义 COVID-19 风险评分排名的前 10 个印度邦 使用根据确诊、现有和死亡病例得出的自定义分析风险评分，对印度各邦进行排名，以进行探索性分析。 # 📈 关键发现 - 印度经历了两次主要的 COVID-19 疫情波次，其中第二波明显更为严重。 - 马哈拉施特拉邦持续记录到最高数量的确诊病例。 - 在整个疫情期间，康复率稳步提高。 - 随着医疗系统的适应，病死率逐渐下降。 - 在确诊、康复和死亡病例之间观察到了强烈的正相关性。 - 7 天滚动平均值有效减少了每日波动，并突显了长期趋势。 - 各邦分析揭示了疫情在印度各地影响的显著差异。 # 🧠 展示的技能 - 数据清洗 - 数据整理 - 探索性数据分析 (EDA) - 特征工程 - 时间序列分析 - 数据聚合 - 相关性分析 - 统计可视化 - 商业洞察生成 - 数据叙事 # 📚 使用的 Python 库 ``` import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns ``` # 🚀 运行方式 ## 克隆仓库 ``` git clone https://github.com/yourusername/COVID19-India-Analysis.git ``` ## 导航到项目文件夹 ``` cd COVID19-India-Analysis ``` ## 安装依赖项 ``` pip install -r requirements.txt ``` ## 启动 Jupyter Notebook ``` jupyter notebook ``` 打开： ``` covid_analysis.ipynb ``` # 📸 项目预览     # 💡 未来改进 - 使用 Plotly 或 Power BI 构建交互式仪表板。 - 使用 Prophet 或 ARIMA 执行预测。 - 应用机器学习模型进行病例预测。 - 整合疫苗接种数据。 - 使用 Streamlit 开发交互式 Web 仪表板。 # ⚠️ 免责声明 本项目中提供的**自定义 COVID-19 风险评分**是为探索目的而创建的用户自定义分析指标。它**不**是官方的流行病学风险指数。 # 👨‍💻 作者 **Sanju Madaan** 计算机科学与工程学士 热爱数据分析、机器学习和人工智能 (AI)。 GitHub: https://github.com/sanju1626 # ⭐ 如果您觉得这个项目有用 请考虑在 GitHub 上给这个仓库一个 ⭐！

标签：NoSQL, Python, 代码示例, 探索性数据分析, 数据分析, 新冠疫情, 无后门, 逆向工具