#a.資料獲取與基本統計分析
#安裝並引入covid19包
##install.packages(「covid19」)
library(covid19)
#提取截止至2023年5月31號資料
library(dplyr)
library(lubridate)
rawdata <- data.frame(covid19())
df <- filter(rawdata,month(date)<6)
df <- filter(df,confirmed>1000)
#對國家分組求出確診人數最大值
group<- df %>% group_by(id)
rank_country <- summarise(group,
max_confirmed=max(confirmed)
)#按照確診人數進行排序，rank_country為i的output
rank_country <- arrange(rank_country,desc(max_confirmed))
#計算各個國家的日新增
new <- mutate(rawdata,
lag_1=dplyr::lag(confirmed)
)new <- mutate(new,
diff_1=confirmed-lag_1)
new <- filter(new,month(date)<6)
new <- filter(new,confirmed>1000)
new <- mutate(new,
day_after=rank(date)
)new<- new %>% group_by(id)
#計算各個國家最大日新增（max_diff)以及所對應的日期(max_date)，max_increase為ii的output
max_increase <- summarise(new,
max_diff=max(diff_1,na.rm = false),
max_date=new[which.max(diff_1),「date」])
#選取有二級單位的國家
unique(rawdata$administrative_area_level_2) #資料集中並未包含二級單位地區
area_level2 <- new[!is.na(new$administrative_area_level_2),] #二級單位地區一列(administrative_area_level_2)為空
#即iiioutput 為空
#b.各國確診人數時間累計圖
library(ggplot2)
library(reshape2)
#提取確診超過3000的國家數量為78
df2 <- filter(rawdata,month(date)<6)
df2 <- filter(df,confirmed>3000)
country_over_3000 <- unique(df2$id)
length(country_over_?000)
#plot_data為國家為列名，day_after到達1000例後的天數，值為確診數。
plot_data <- select(new,id,confirmed,day_after)
plot_data <- dcast(plot_data,day_after~id,value.var = 「confirmed」)
b <- new[which(new$id %in% country_over_3000),]
#將國家作為因子進行畫???
a <- select(b,id,confirmed,day_after)
p <- ggplot(b, aes(x = day_after, y = confirmed , colour = factor(id)))
p + geom_line()
#從上圖可知usa確認人數過多，不方便檢視，現在剔除usa，畫出p2
c <- b[which(!(b$id %in% 「usa」)),]
p2 <- ggplot(c, aes(x = day_afte?, y = confirmed , colour = factor(id)))
p2 + geom_line()
###自主分析部分
#c.資料的圖形展示
#c-1對截止至2023年5月31日,對美國的確診，**，死亡人數進行繪圖泡p3
plot_data2 <- rawdata[which((rawdata$id %in% 「usa」)),][,c(2,4:6)]
plot_data2 <- melt(data=plot_?ata2,id.vars=「date」)
p3 <- ggplot(plot_data2,aes(x=date,y=value,colour=factor(variable)))
p3 + geom_line()+labs(tittle=「usa condition」,x=「time」,y=「amount」)
#p3展現了美國確診,**,死亡隨時間變化的增長趨勢，可以看出確診人數暫無下降勢頭，
#同時確診人數曲線,**人數曲線，說明由於醫療環境，人員配合等原因，**水平較低。
#c-2#c-1對截止至2023年5月31日,對南韓，日本，新加坡三個重點亞洲國際的確診，**，死亡人數進行繪圖對比p4
asian_3=c(「jpn」,「kor」,「sgp」)
plot_data3 <- summarise(group,
max_c?nfirmed=max(confirmed),
max_recover=max(recovered),
max_deaths=max(deaths)
)#var.test()方差檢驗，檢驗雙樣本方差，p值很小
var.test(tem$max_confirmed,tem$max_deaths)
#e.最近7日或7日以上新增確診為0，判定為疫情得到有效控制
tem2 <- mutate(rawdata,
lag_1=dplyr::lag(confirmed)
)tem2<- tem2 %>% group_by(id)
tem2 <- mutate(tem2,
diff_1=confirmed-lag_1,
? max_confirm= max(confirmed))
tem3 <- tem2[which(tem2$confirmed==tem2$max_confirm),]
#計算連續0增長天數，保留連續0增長天數大於等於7的國家
tem3<- tem3 %>% group_by(id)
country_list <- summarise(tem3,
count=n()
)country_list <- country_list[which(country_lis\t$count>=7),]
#回推計算0新增開始日期,得到country_list，列date為起始時間
country_list$date <- sys.date()-country_list$count
微軟必應上線COVID 19疫苗追蹤服務
早在今年 3 月，微軟旗下必應 bing 搜尋引擎就推出了基於網路上所有可用資料，而提供的一項全www.cppcns.com球新冠病毒追蹤器服務。只需在搜尋框中輸入 covid 19 新冠病毒 等關鍵詞，必應就會返回當地和全球範圍內已確診 死亡病例等資訊。來自 bing 現程式設計客棧在，微軟已將必...
在COVID 19危機期間IT優先順序如何變化
當今的it部門面臨許多挑戰 從支援遠端工作人員到管理網路和應用程式。高達95 的企業已改變了其技術重點，將更多的精力 88 用於改善數字客戶體驗。許多數字計畫致力於創造新的工作方式。在當前的大流行時代，這已變得越來越重要，因為工人不得不承擔更大的工作量。大多數it專業人員 81 表示，covid 1...
蘋果公司即將啟動員工COVID 19疫苗接種計畫
據彭博社報道，蘋果公司正在啟動一項計畫，為在蘋果總部辦公的員工提供covid 19疫苗接種。蘋果公司正在與沃爾格林布茨程式設計客棧聯盟合作提供這些疫苗，員工將能夠在蘋果公司即將推出的乙個網頁上報名。蘋果公司在3月份承諾為需要恢復接種疫苗的員工提供休息時間，但當時表示，暫時沒有辦法提供足夠的疫苗接種。...