zyq5945
中国COVID-19(2019-nCov)疫情的死亡率与天气温度相关性的数据推测分析
本文使用的中国COVID-19(2019-nCov)疫情数据来源，是使用diseasedataarrange程序针对DXY-COVID-19-Data的最新DXYArea.csv文件，自动生成整理后的CSV格式文件数据。
若你对生成的数据有疑问，或者认为汇总的数据有误，请向BlankerL反馈异常数据。
我们首先来看下2020年3月1日12时左右的累计确诊个数超过400例省份数据统计表，按死亡率按高到低排序（“在治”是“正在治疗”的缩写，是确诊减去康复，再减去死亡）。
| 最后更新时间 | 省份 | 确诊 | 康复 | 死亡 | 在治 | 康复率 | 死亡率 | 在治率 |
|---|---|---|---|---|---|---|---|---|
| 2020-03-01 11:57:02 | 湖北 | 66907 | 31190 | 2761 | 32956 | 46.62% | 4.13% | 49.26% |
| 2020-03-01 08:03:19 | 黑龙江 | 480 | 330 | 13 | 137 | 68.75% | 2.71% | 28.54% |
| 2020-03-01 11:01:02 | 北京 | 413 | 276 | 8 | 129 | 66.83% | 1.94% | 31.23% |
| 2020-03-01 08:29:10 | 河南 | 1272 | 1185 | 22 | 65 | 93.16% | 1.73% | 5.11% |
| 2020-03-01 07:13:02 | 重庆 | 576 | 438 | 6 | 132 | 76.04% | 1.04% | 22.92% |
| 2020-03-01 08:20:05 | 山东 | 756 | 431 | 6 | 319 | 57.01% | 0.79% | 42.20% |
| 2020-03-01 11:57:02 | 安徽 | 990 | 870 | 6 | 114 | 87.88% | 0.61% | 11.52% |
| 2020-03-01 08:45:55 | 四川 | 538 | 363 | 3 | 172 | 67.47% | 0.56% | 31.97% |
| 2020-03-01 09:12:02 | 广东 | 1349 | 1009 | 7 | 333 | 74.80% | 0.52% | 24.68% |
| 2020-03-01 08:45:55 | 湖南 | 1018 | 853 | 4 | 161 | 83.79% | 0.39% | 15.82% |
| 2020-03-01 09:12:02 | 江西 | 935 | 831 | 1 | 103 | 88.88% | 0.11% | 11.02% |
| 2020-03-01 09:25:02 | 浙江 | 1205 | 1027 | 1 | 177 | 85.23% | 0.08% | 14.69% |
| 2020-03-01 11:57:02 | 江苏 | 631 | 531 | 0 | 100 | 84.15% | 0.00% | 15.85% |
从这个表我们可以看出，患者多的地区较容易出现高死亡率，北方比南方较容易出现较高死亡率，越冷就越如此，这和最终统计的2003年北京的SARS的死亡率比广东的高，是广东的两倍相呼应。
疾病的康复率，死亡率和正在治疗率需要合在一起考虑，我们可以参考下2003年北京的SARS疫情数据，以疫情事件结束时间点来看，就会看到正在治疗率从高变到0，死亡率早期数据少可能会出现很大波动（最终死亡率越低越容易出现数据波动，现在疫情死亡是中老年人居多，假如刚好是感染了很多中老年人，那死亡率就会更高），中期稳定后会缓慢上升，康复率有可能符合玻尔兹曼(Boltzmann)方程数据分布（自己瞎琢磨尝试用2月28日安徽省的康复数标准化数据进行Boltzmann数据拟合，还挺符合的），早期较低，中期会迅速攀升，最后阶段稳定后处在一个较高数据。
下面我们看下中期阶段后各省份的死亡率时间图：
这个图是排除了疫情最为严重的湖北省，若是要做公平的比较的话，应该是在同样的累计增长曲线，相同的正在治疗率系数情况下进行比较。正在治疗率越高越说明其疫情阶段越越靠前，反之若是是越靠后，还是前面说的死亡率在中后期阶段后会缓慢上升。
是为什么会造成这样的结果？！详情请看博客《提供一个COVID-19(2019-nCov)的攻克研究方向—–温度与身体免疫能力的关系》，这里不再赘述。
一些资料数据下载或者查看地址: