通過Pyhton實戰創建一個模擬疫情爆發情況的模型，來達到提升技術的目的。 ...
2020年爆發新型冠狀病毒，讓大家在見證中國的團結也讓大家感受到疫情傳播的駭人
在這裡先道一聲“武漢加油、中國加油”
那麼現在我們嘗試製作一個模擬疫情爆發的模型，以數字的形式展現疫情爆發點恐怖。
（1）模型設計
解釋人類模型，每個人屬性分為編號、狀態、保護措施、外出情況。
編號：作為區分每個人類模型的標識；
狀態：分為兩部分，0為健康，1為感染；
保護措施：參考狀態也份為兩部分，0為未採取保護措施，1為保護措施
外出情況：外出情況為1的將會選擇外出尋友，而為0則不會外出。
程式初期，將會生成一定數量的人類模型，然後隨機選擇百分之五（感染人數>1）的人作為感染體。
模擬開始，將會開始記錄每天的感染人數，然後隨機選擇一定數量的人外出，每個外出的人都會選擇一個人進行交流。
交流過程中，若兩個人均感染或均為感染則無問題，若一人感染則根據瘟疫感染幾率和防護措施進行隨機判定是否感染。
結束條件為全部模型的98%的人被感染，記錄天數。
效果如下圖所示：
（2）程式設計
首先，要獲取實驗信息，所以先創建獲取信息函數（get_info）
其次，要通過獲取的信息來創建對應模型，所以要有創模函數（creat_mod）
然後，就是模擬實驗發生的感染函數（experiment）
最後，為方便判斷是否發生了感染，創建了感染函數（contagion）
由於實際情況需要所以還要製作選擇函數來實現概率隨機。
根據之前的需求和實際情況考慮創建了全局變數。
（3）程式實現
項目名稱：瘟疫實驗室
開發工具：sublime_text
開發模塊：random
1.前期準備
在這一部分中，將要根據情況，創建好全局變數並聲明函數。
個人推薦前期賦初值的時候設置為實驗數據，這樣可以避免前期調試程式頻繁輸入。
代碼如下所示：
import random as r
#實驗模型
human=[]
#實驗人數
hunman_number=-1
#感染概率
infected=0
#保護措施
protect=0
#採取保護措施
human_protect=0
#每天外出人數
human_out=0
#保護者id
protect_id=[]
#外出者id
out_id=[]
#所有人id
human_id=[]
#感染者id
virus_id=[]
#函數，收集信息
def get_info():
pass#函數，創建模型
def creat_mod():
pass
#函數，實驗
def experiment():
pass#函數，判斷是否感染
def contagion(id_1,id_2) :
pass#函數，選擇函數
def pick(contagion_p):
pass#主函數
def main():
get_info()
creat_mod()
experiment()
#程式入口
if __name__ == '__main__':
main()
2.收集信息實現
在收集信息函數中，將要實現收集實驗參數的作用，而實驗參數為全局變數，要想實現收集信息就需要通過關鍵字global。
關鍵字global的作用可以在函數內對全局變數進行修改。
函數內操作就是通過input函數來實現數據的接收，難度比較低只需要需要註意兩方面即可。
一方面是數據類型，input函數所接受的數據預設為字元串類型，所以要對數據進行類型轉化，可以考慮eval()函數
考慮到數據的限制，所以最後採用強轉int() 和float()
另一方面則是數據的合理性，比如感染幾率為0~1，所以超過1即為數據錯誤，又或者外出人數超過實驗總人數等等。
為避免這一情況，所以輸入一個數據就對進行判斷。
實現代碼如下：
#函數，收集信息
def get_info():
print("*********************")
#global改變全局變數
global hunman_number,infected,protect,quarantine,human_out,human_protect
#實驗人數
hunman_number=int(input("實驗人數："))
#感染概率
infected=float(input("疾病感染概率（0~1）："))
if infected>1 or infected<0:
print("感染概率在0到1之間")
get_info()
#保護措施有效性
protect=float(input("保護有效性（0~1）："))
if protect>1 or protect<0:
print("保護概率在0到1之間")
get_info()
#採取保護措施人數
human_protect=int(input("採取保護措施人數："))
if human_protect>hunman_number or human_protect<0:
print("採取措施人數不可超過實驗人數")
get_info()
#外出人數
human_out=int(input("每天外出人數："))
if human_out>hunman_number or human_protect<0:
print("外出人數不可超過實驗人數")
get_info()
3.創建模型實現
模型也需要修改一部分全局變數，所以先調用關鍵字global
第一步：模型的創建先通過迴圈來創建實驗模型，迴圈條件為實驗人數，數據(先設為0)為[id,0,0,0]。
第二步：添加保護措施，原理為隨機選擇設定的人數的模型，讓模型中代表採取保護措施的數值更改為1
隨機選擇的實現考慮許久，最後選擇通過random庫中的sample()函數來實現，sample函數的作用為將指定序列進行重新隨機排列
其中有兩個參數，一個為重排序序列名，另一個代表輸出序列的前幾個，預設為全部輸出。
所以只需要將實驗人數的列表傳入進行重排序，然後輸出前指定人數個即可。
最後通過迴圈，訪問選出的個體，將代表是否採取保護措施的數據更改為1（採取保護措施）
第三步：採用同樣的原理選擇5%的實驗個體作為傳染源。註意，感染人數為int類型整數，為保證感染個體不為0，採取5%人+1。
代碼實現如下所示：
#函數，創建模型
def creat_mod():
global human,human_id,protect_id,virus_id
#迴圈創建指定人數的實驗個體，並將id存儲。
for id in range(0,hunman_number):
#id、state、protect、out
human.append([id,0,0,0])
human_id.append(id)
#採取保護措施人數id的集合，數據為對實驗總體進行隨機重排列，再選擇一定量輸出。
protect_id=r.sample(human_id,human_protect)
#迴圈更改實驗個體
for id in protect_id:
#0為未採取保護措施，1為採取保護措施
human[id][2]=1
#原理同上
virus_id=r.sample(human_id,int(human_protect*0.05)+1)
for id in virus_id:
#0為健康，1為感染
human[id][1]=1
4.實驗實現
實驗的開始要確定結束條件，我們以百分之九十八的人感染視為結束。
確定之後，記錄天數要創建一個計數器來存代表天數的變數。
實驗採用死迴圈的方式進行，跳出條件只有一個實驗感染人數超過了結束人數，所以需要加入計數器來存感染人數
代表日期的計數器與代表感染人數的計數器不同，日期計數器在程式開始運行的時候，開始計數直到程式結束。
而感染人數計數器每一次迴圈都要清零重新開始計算，所以日期計數器的聲明在死迴圈外，而感染人數計數器在死迴圈內。
實驗分為兩部分，一部分為對之前的總結，另一部分為新的一天開始。
總結當中第一件事情便是清零計數器。
然後通過統計感染人數，原理為for迴圈所有人的id，加入判斷若該id中代表狀態的數據為1則代表感染，計數器加一。
最後輸出之前一天的情況，第x天，感染人數為x人。
新的一天開始，先判斷統計人數有沒有超過失敗條件，再開始一天的操作。
隨機選擇指定人數進行外出，參考之前保護措施的原理，根據外出人數隨機選擇人進行外出，將其數據更改為1。
然後考慮到實際情況，每個人外出都是要去尋找朋友，尋找朋友則是通過random庫的choice()函數。
實現代碼如下所示：
#函數，實驗
def experiment():
global out_id
fail=int(hunman_number*0.98)
print("*****************************")
print("實驗開始，失敗條件感染人數：",fail)
day=0
while True:
#計數器清零
count=0
#統計感染人數
for i in human_id:
if human[i][1]==1:
count+=1
#外出人數
out_id=r.sample(human_id,human_out)
for id in out_id:
human[id][3]=1
#統計結果
print(day,"天感染人數",count)
#新的一天開始
day+=1
#判斷是否繼續實驗
##實驗結束
if count>=fail:
print("gameover->",day)
break
#迴圈找朋友
for id in out_id:
#隨機選擇朋友
friend_id=r.choice(human_id)
#若均感染，則跳過
if human[id][1]==1 and human[friend_id][1]==1:
pass
#一方感染
else:
#判斷感染
contagion(id,friend_id)
5.感染判斷實現
若發生感染事件，則需要更改實驗體數據，所以在這一函數中可以對實驗題進行修改，需要引用關鍵字global。
然後根據情況進行分類，先尋找是哪位感染，哪位健康。然後針對健康的人是否採用保護措施進行分類討論討論。
在本模型中，計算感染方式為概率性，由疾病感染概率和保護措施有效性決定。
以0.8感染幾率0.7保護措施為例子，保護有效性為0.7所以保護失敗的幾率為0.3
所以感染疾病幾率為0.8感染幾率的情況下0.3的保護失效，結果為0.8*0.3。
根據不同的情況變動概率進行概率抽取即可，代碼實現如下
#函數，判斷是否感染 def contagion(id_1,id_2) : global human #感染概率 contagion_p=0 #第一個id為健康 if human[id_1][1]==0: #採取保護措施 if human[id_1][2]==1: contagion_p=infected*(1-protect) #未採取保護措施 else: contagion_p=infected #是否感染 human[id_1][1]=pick(contagion_p) #第二個id為健康的人 else: if human[id_2][2]==1: contagion_p=infected*(1-protect) else: contagion_p=infected human[id_2][1]=pick(contagion_p)
但是在random中沒有找到合適的方法，所以只能自製一定概率隨機抽取函數pick。
6.pick函數實現
一定概率隨機抽取函數的實現基於一點：
random.uniform(0,1)->生成0.0到1.0之間的偽隨機數,之後迴圈元素及其概率,計算累積概率.
如：random_pick([1,2,3,4],[0.1,0.2,0.3,0.4])
當x處於0.0到0.1之間,則輸出1
當x處於0.1到0.3之間,則輸出2
所以實現過程可以利用這一點，通過兩個列表將數據一一對應，然後通過zio改為字典。
在通過uniform函數來實現概率選擇。實現代碼如下所示：
#函數，選擇函數 def pick(contagion_p): #選擇 select=[1,0] #概率 choose=[contagion_p,1-contagion_p] x = r.uniform(0 ,1) cumprob = 0.0 for item , item_pro in zip(select , choose): cumprob += item_pro if x < cumprob: break return item
在主函數中桉順序調用以上函數即可，這樣就初步實現了。
（4）改進與推薦
這個程式是個人處於興趣創建的小型程式，還有許多可以改進的地方。
1.加入治愈因素，比如每天可以治愈多少人，又或者感染者過多少天可以治愈等情況。
2.加入經濟因素，比如治愈者需要成本等等，包括醫院體系等等。
3.保護措施豐富化，可以採取不同的措施來更改感染幾率。
4.可視化，比如通過更改角色顏色等方式以更加直接的方法顯示這一過程。
5.加入大量實驗數據，進行數據分析將結果製為圖表，然後根據數學方式為抗疫提出有效建議。
