Python 告诉你疫情扩散有多可怕

今年（2020年）是注定要铭记史册的一年，从年初开始新冠疫情，席卷了全球，中国人民众志成城，为战胜疫情做出了巨大牺牲。最近北京疫情形式又变得严峻，面对疫情我们不能掉以轻心。今天我们模拟一下病毒的扩散过程，增强对疫情的认识同时，还可以了解下 Python 模拟技术，开干

解决思路

我们将模拟过程分为 数据模型 和 展示 两部分 首先设置正态分布的人群，然后在其中随机设置携带者，在设置传染条件，和潜伏期时间，最后，用迭代模拟时间，观察病毒的传播过程，先看下效果：

数据模型

模拟人群

假设城市环境，人群集中度呈正态分布，即中心地带集中度高，边缘地带集中度低，每个人都是一个平面坐标位置，随机产生在平面中心位置的一组坐标点来代表一个人

我们用 numpy 的随机机制产生模拟数据：

numpy 安装：pip install numpy

• numpy.random.normal 是产生正态分布数据方法，参数为 loc, scale, size
• loc 表示正态分布的中心点，比如横轴坐标总宽度为 500，中心点为 250
• scale 表示标准差，可以理解为距离中心的距离，值越大，分布图形越宽，越小，越窄
• size 表示产生的数量，可以是单值或者二维元组，元组中第一个表示数量，第二个表示每组数据的维度，我们要产生平面上的点，所以是二维的

人的属性除了位置，还需要有状态，我们用（0，1，2）来表示 健康、携带 和 确诊

由于 numpy 产生的事数据集合，所以状态数据用单独的数组表示，数组长度与人的数量相等：

• array 方法可以产生一个数组，[0] 表示初始化数组，元素值为 0，即健康，然后乘以元素数量就可以得到初始化为 0 的数组。

有了人群的初始状态，可以为随机设置一些病毒携带者，通过一个随机过程来设置：

• randint 可以在给定参数之间随机产生一个整数，我们在 0 和 人数的范围内得到一个随机数，作为携带者的下标
• 如果需要设置多个携带者，可以循环此过程，但需要排除掉状态已经是携带者的情况

另外由于病毒有潜伏期，所以需要记录感染的时间，以便在达到潜伏条件后变为确诊：

• 感染时间和状态类似，是一个数量为人数的数组

最后，一个人有三个属性：位置、状态和感染时间，在模拟过程中，会不断调整这些属性

模拟移动

人群是运动的，需要设置一个随机运动的机制，这里采用随机小幅度移动来模拟人群移动，从而产生：

• 产生一个中心点为 0，幅度为 1 的与人数相对的微小移动坐标数组 movement
• 为了一定比例不移动的情况，在得到一个正态一维数组，
• 并对数值进行筛选和归一，小于 0 的设置为 1，其他的设置为 0，做成一个动态开关
• 对移动数据中，对应开关为 0 的位置设置移动为 0，即不移动，从而随意模拟一下不移动的情况

模拟传播

新冠病毒会在人与人之间传播，主要取决于接触程度，现实中接触过程很复杂，这里我们用人与人之间的距离作为传播依据，设置一个传播临界距离，健康者与携带者或者确诊者距离小于这个临界值，就会被传染

距离怎么计算呢，我们采用欧拉距离公式来计算，我们模拟的是平面位置，所以采用二维欧拉距离公式，假设平面中有两个坐标点 (x1, y1)  和 (x2, y2)，那么他们之间的距离公式为：

如何引用这个公式呢？最容易想到的是用循环将传播源（携带者和确诊者）与每一个健康者之间的距离都算出来，将距离小于临界值的健康者标记为携带 不过 numpy 为我们提供了强大的集合运算能力，像写公式一样完成运算，而无需关注程序细节，先看代码：

• 设置临界距离为 5
• 从人中选出已经携带和确诊者的位置坐标
• status 为 ndarray 对象，status == 1 会返回一个布尔值数组，即每个元素与 1 比较的结果
• 将 status 的结果作为参数，可以从 people 对象中筛选出位置结果为真的元素集合
• 遍历传播源的位置，并计算与每个人的距离，采用的是欧拉距离公式
• people - inf 是个集合运算，会将 people 中 每个元素减去 inf，并做平方运算
• 对集合做一维化合计，并做开平方运算，即得到距离集合
• 对距离进行排序，并且获得距离集合的索引集合 sorted_index，这个很有用
• 遍历索引集合，一旦发现大于等于安全距离的情况，就退出遍历，否则标记为感染

如果更实际一些，可以加入感染概率的考量，即并非每个在临界距离内的健康者都会感染

模拟潜伏期

携带者需要经过一段时间的潜伏期，才会成为确诊者，例如潜伏期一般 3 到 7 天，14 天一定会成为确诊者：

• days 表示模拟的天数，例如现在模拟到到 10 天
• dt 是计算一个 timer 数组与天数的差值的数组
• 然后随机一个 3 到 7 之间的数，表示当时的确诊天数
• 选择状态为携带的 timer，并且时间间隔等于本次确诊天数或者时间间隔大于14天，如果符合条件标记确证时间，即哪一天确诊的
• 用同样的条件将状态为携带的标记为确证

图形化

有了数据模型，下一步是将数据展示出来，可选择的方式很多，这里我们选择 pygame 库，作为展示方式

pygame 是一个 2D 游戏工具，简单易用，通过 pip install pygame 安装

初始化

初始化 pygame :

绘制模拟点

将人模拟成屏幕上的小圆点，根据不同状态设置不同颜色，例如正常为黑色，携带为粉色，确诊为红色：

• 循环人的状态，得到状态索引
• 用索引定位到人，得到人的坐标
• 通过 pygame.draw.circle 绘制到 windowSurface 上，其中填充颜色通过状态值作为索引获取

事件循环

动态效果的实质时不断的刷新绘图，需要有个循环直接，动态更新：

• pygame.event.get 可以获取到收的意外事件，这里的逻辑时，如果收到退出事件，则退出程序
• pygame.display.update() 用于将绘制更新到屏幕上
• 每次绘制完成等等 0.2 秒，以便观察结果

将上面部分组合起来，运行就可以看到模拟效果了

总结

今天的模拟实验，主要依赖于 numpy 的随机机制，通过练习可以看到 numpy 处理在数据处理方面的强大功能。另外简单接触了 pygame，可以更高效的绘制动画效果，应为 pygame 就是为制作简单游戏而生的。最后文章中主要以设计思路为主描述模拟程序的构成和原理，代码示例中有完整的可运行代码，欢迎把玩交流。

参考

• https://cloud.tencent.com/developer/article/1490184
• https://blog.csdn.net/qq_34465383/article/details/104373222