Advertisement

该数据集包含全球新冠疫情确诊病例的时间序列数据。

  • 5星
  •     浏览量: 0
  •     大小:None
  •      文件类型：None

简介：
截至2023年4月19日，全球累计的新型冠状病毒肺炎病例数据持续更新。这些数据来源于并由GitHub上的CSSEGISandData项目提供，具体链接位于：https://github.com/CSSEGISandData/COVID-19/tree/master/csse_covid_19_data/csse_covid_19_time_series。

全部评论 (0)

还没有任何评论哟~
客服
客服
客服关闭
  • 新型冠状病毒肺炎疫情确诊病例数据
    优质
    本页面提供最新的新型冠状病毒肺炎疫情的确诊病例数据，包括新增、累计及分布情况等信息，帮助用户及时了解疫情动态。 新冠病毒肺炎疫情确诊数据已经进行了整理，包括全国、省、市从1月11日开始的每日确诊人数和治愈人数等数据。最新的数据可以联系作者获取。
  • 全球新冠疫情最新实时数据
    优质
    本页面提供全球新冠疫情的最新实时数据，包括确诊病例、死亡和康复病例等信息，帮助用户及时了解疫情动态。 全球新冠疫情的实时数据提供了当前疫情的发展情况。
  • 42万+全球各国新冠疫情数据（2020.1-2024.8）.xlsx
    优质
    这份Excel文件包含了从2020年到2024年8月全球各国新冠疫情的详细统计数据，包括确诊病例、死亡病例及其它关键指标。 《42万+世界各国新冠疫情数据（2020.1-2024.8）》文件集包含了自2020年1月至2024年8月的全球新冠疫情相关数据，这些数据是通过精心手工整理而成，并且来源权威。在该数据集中明确标注了《数据来源》，从而确保了其真实性和准确性。 这类详细的数据对于学术研究和实际应用具有重要价值，尤其适合那些进行疾病传播、公共卫生政策评估以及经济学与城市规划等领域研究的学者和学生使用。由于数据项繁多详实，即使是刚开始接触这些领域的初学者也能轻松上手并利用该数据集开展研究工作。此外，这份文件的应用范围广泛，并不限于单一学科领域，在多个课程中均可作为引用资源。 此份数据集特别适合撰写论文进行实证分析的大学生、本科生和研究生使用。在使用这些数据时，学术研究人员应当遵守诚信原则，正确标注来源并对数据进行适当的解读与分析以确保研究结果的真实性和可靠性。 由于该文件包含的时间跨度较长，并涵盖了疫情发生和发展的重要阶段，因此可以利用其中的数据来观察疫情随时间的变化趋势及其特点。例如，可以通过这份数据集分析不同国家和地区之间疫情的分布情况、疫情影响经济和社会的方式以及各国政府应对措施的效果等信息。这些发现对于制定未来的公共卫生策略和评估现有政策工具的有效性具有重要的参考价值。 总之，《42万+世界各国新冠疫情数据》为学术研究提供了真实全面的数据支持，也为政策制定者及公众理解全球新冠疫情期间的情况和发展趋势提供了一种重要方式。这是一份对学术界与政府决策都极为宝贵的资源。
  • 全国新冠疫情数据汇总.zip
    优质
    本资料包包含全国新冠疫情每日更新的数据汇总，涵盖确诊病例、疑似病例、死亡与康复人数等关键信息。 这段文字描述了包含全国各省市每日新增确诊病例数、累计确诊病例数、全国新增死亡人数、全国累积死亡人数、全国新增治愈病例数、全国累积治愈病例数以及全国存量病例的数据信息，并涵盖了武汉市数据及武汉各小区的具体情况和医院的相关数据。在建模时，作者花费大量时间搜集了这些资料。
  • 基于Spark的全球新冠疫情数据分析与实现
    优质
    本研究运用Apache Spark技术对全球新冠疫情数据进行高效分析处理，探索疫情发展趋势和影响因素，为疫情防控提供科学依据。 基于Spark的全球新冠疫情系统的分析与实现探讨了如何利用大数据技术特别是Apache Spark框架来处理、分析大规模疫情相关数据，并提出了一套可行的技术方案以支持疫情防控工作。该研究涵盖了从数据采集到结果展示全流程的设计思路和技术细节，旨在为公共卫生决策提供科学依据和支持。
  • 基于Python的新冠疫情全球数据预测分析.zip
    优质
    本项目利用Python进行新冠疫情全球数据的收集、处理与可视化，并采用多种模型对疫情趋势进行预测和分析。 资源包含文件：lunwen文档+项目源码及数据 针对全球累计确诊数的数据分析，在该部分采用了三种预测方法进行后5天的预测，并与实际数据进行了对比，具体如下： 1. 霍尔特(Holt)线性趋势法：水平参数为1，趋势参数为0.2。选择此方法的原因在于，累计确诊数数据没有季节性变化但有明显的递增趋势。霍尔特模型能够在无需假设的情况下准确预测出这种趋势。 2. 自回归移动平均模型（ARIMA）：该模型的p、d、q参数分别为2、1和7。自回归移动平均模型的目标是描述数据中彼此之间的关系，虽然常用于描述季节性特征的数据，但同样适用于处理具有趋势性的数据预测。 3. 滑动窗口时间预测模型：采用了大小为2、3和4的滑动窗口进行预测。这是一种经典的基于时间序列的预测方法。
  • 美国新冠疫情累计检测案例数据集
    优质
    本数据集收录了美国新冠疫情每日累计检测案例数，涵盖各州及全国范围的数据，为疫情研究与分析提供详实依据。 各个县的新冠疫情累计案例信息包括确诊病例和死亡病例。字段含义如下：date（日期）, county（县）, state（州）, fips（县编码），cases（累计确诊病例）, deaths（累计死亡病例）。
  • 全球新冠疫情实时可视化更新.zip
    优质
    本项目提供一个交互式地图和数据仪表板，用于跟踪与全球新冠疫情相关的实时数据和信息。 该地图实时更新全球疫情数据，包括累计确诊人数、现有确诊病例数、治愈人数、死亡人数以及相应的治愈率和死亡率，并提供了一些柱状图来展示这些统计信息。
  • 基于ARIMA模型的时序数据分析预测全球COVID-19确诊病例数.rar
    优质
    本研究利用ARIMA模型对全球COVID-19确诊病例进行时序分析与预测，为疫情发展趋势提供数据支持。 ARIMA模型（Autoregressive Integrated Moving Average model），又称差分整合移动平均自回归模型或整合移动平均自回归模型（其中“滑动”也可称为“移动”），是时间序列预测分析的一种方法。在ARIMA(p，d，q)中，“AR”代表“自回归”，p表示自回归项的数量；“MA”代表“滑动平均”，q表示滑动平均项数；而d则是使数据序列成为平稳序列所需的差分次数（阶数）。尽管英文名称中没有提到“差分”，但它却是这一模型中的一个关键步骤。
  • 基于新冠疫情的口罩检测数据集
    优质
    本数据集专为新冠疫情设计，包含各类口罩佩戴情况的真实图像和标签，旨在促进口罩检测技术的发展与应用。 基于新冠疫情下的口罩检测数据集包括有口罩、无口罩、正确佩戴和未正确佩戴等多种分类，可以直接用于yolo5检测模型。