Unit 9: COVID-19 疫情 AI 分析

Step 1: 載入疫情數據

# 匯入資料處理套件
import pandas as pd
# 匯入繪圖套件
import matplotlib.pyplot as plt
# 匯入數值計算套件
import numpy as np

# 載入 COVID-19 確診數據 CSV
cases_df = pd.read_csv('data/covid_cases.csv')
# 將日期欄位轉換為 datetime 格式
cases_df['Date'] = pd.to_datetime(cases_df['Date'])

# 載入疫苗接種數據 CSV
vaccine_df = pd.read_csv('data/covid_vaccines.csv')
vaccine_df['Date'] = pd.to_datetime(vaccine_df['Date'])

# 計算 7 日移動平均（平滑趨勢線）
cases_df['Cases_7MA'] = cases_df['New_Cases'].rolling(window=7).mean()

# 顯示資料概要
print(f"時間範圍: {cases_df['Date'].min()} ~ {cases_df['Date'].max()}")
print(f"總確診數: {cases_df['New_Cases'].sum():,}")  # 千分位格式
print(f"疫苗覆蓋率: {vaccine_df['Coverage_Rate'].iloc[-1]:.1f}%")

Step 2: 確診趨勢視覺化

# 建立 2x1 垂直子圖佈局
fig, axes = plt.subplots(2, 1, figsize=(14, 10))

# 上圖：每日確診長條圖 + 7日移動平均線
axes[0].bar(cases_df['Date'], cases_df['New_Cases'],
            alpha=0.4, color='#55a3ff', label='每日確診')  # 半透明長條
axes[0].plot(cases_df['Date'], cases_df['Cases_7MA'],
             color='#003d82', linewidth=2, label='7日移動平均')  # 趨勢線
axes[0].set_title('COVID-19 每日確診趨勢', fontsize=16)
axes[0].legend()  # 顯示圖例
axes[0].set_ylabel('確診人數')

# 下圖：累計確診面積圖
cases_df['Cumulative'] = cases_df['New_Cases'].cumsum()  # 計算累計值
axes[1].fill_between(cases_df['Date'], cases_df['Cumulative'],
                     alpha=0.5, color='#55a3ff')  # 填滿區域
axes[1].plot(cases_df['Date'], cases_df['Cumulative'], color='#003d82')  # 邊線
axes[1].set_title('累計確診人數', fontsize=16)
axes[1].set_ylabel('累計人數')

# 儲存圖表
plt.tight_layout()
plt.savefig('output/確診趨勢.png', dpi=300)

Step 3: 疫苗接種分析

# 建立 1x2 水平子圖佈局
fig, axes = plt.subplots(1, 2, figsize=(14, 6))

# 左圖：疫苗接種覆蓋率趨勢（三條線）
axes[0].plot(vaccine_df['Date'], vaccine_df['First_Dose'],
             label='第一劑', linewidth=2)
axes[0].plot(vaccine_df['Date'], vaccine_df['Second_Dose'],
             label='第二劑', linewidth=2)
axes[0].plot(vaccine_df['Date'], vaccine_df['Booster'],
             label='追加劑', linewidth=2)
axes[0].set_title('疫苗接種覆蓋率趨勢')
axes[0].set_ylabel('覆蓋率 (%)')
axes[0].legend()  # 顯示圖例
axes[0].grid(True, alpha=0.3)  # 顯示網格線

# 右圖：疫苗品牌分布圓餅圖
vaccine_brands = vaccine_df.groupby('Vaccine_Type')['Doses'].sum()  # 依品牌統計總劑數
axes[1].pie(vaccine_brands.values, labels=vaccine_brands.index,
            autopct='%1.1f%%',  # 顯示百分比
            colors=plt.cm.Blues(np.linspace(0.3, 0.9, len(vaccine_brands))))  # 藍色漸層
axes[1].set_title('疫苗品牌分布')

# 儲存圖表
plt.tight_layout()
plt.savefig('output/疫苗分析.png', dpi=300)

Step 4: AI 疫情趨勢分析

# 匯入 LangChain OpenAI 模組
from langchain_openai import ChatOpenAI
# 匯入提示模板類別
from langchain_core.prompts import ChatPromptTemplate

# 初始化語言模型
llm = ChatOpenAI(model="gpt-5.6-luna")

# 取得近 30 天資料
recent_cases = cases_df.tail(30)
# 準備統計摘要字典
stats = {
    "avg_daily": recent_cases['New_Cases'].mean(),  # 日均確診
    "max_daily": recent_cases['New_Cases'].max(),   # 單日最高
    # 判斷趨勢方向：比較移動平均線首尾
    "trend": "上升" if recent_cases['Cases_7MA'].iloc[-1] > recent_cases['Cases_7MA'].iloc[0] else "下降",
    "vaccine_rate": vaccine_df['Coverage_Rate'].iloc[-1]  # 最新疫苗覆蓋率
}

# 建立疫情分析提示模板
analysis_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是流行病學專家，請用繁體中文提供專業分析"),
    ("human", """根據近30天疫情數據：
- 日均確診：{avg_daily:.0f} 人
- 單日最高：{max_daily:.0f} 人
- 趨勢方向：{trend}
- 疫苗覆蓋率：{vaccine_rate:.1f}%

請分析：
1. 當前疫情階段評估
2. 與疫苗覆蓋率的關聯
3. 未來趨勢預測
4. 防疫建議""")
])

# 使用 LCEL 串接並執行
chain = analysis_prompt | llm
response = chain.invoke(stats)
# 輸出 AI 分析結果
print(response.content)

Step 5: 縣市疫情熱力圖

# 匯入 seaborn 統計視覺化套件
import seaborn as sns

# 載入各縣市確診數據 CSV
city_cases = pd.read_csv('data/covid_by_city.csv')

# 建立樞紐表：月份為列、城市為欄、數值為確診人數
pivot = city_cases.pivot_table(values='Cases', index='Month', columns='City')

# 建立畫布
fig, ax = plt.subplots(figsize=(16, 8))
# 繪製熱力圖
sns.heatmap(pivot,
            annot=True,      # 顯示數值標籤
            fmt='.0f',       # 整數格式
            cmap='YlOrRd',   # 黃橘紅色彩映射（數值越高越紅）
            cbar_kws={'label': '確診人數'},  # 色條標籤
            ax=ax)

# 設定標題和軸標籤
ax.set_title('各縣市月確診熱力圖', fontsize=16)
ax.set_xlabel('縣市')
ax.set_ylabel('月份')

# 儲存圖表
plt.tight_layout()
plt.savefig('output/縣市熱力圖.png', dpi=300)

Step 6: AI 自動產生防疫報告

# 匯入字串輸出解析器
from langchain_core.output_parsers import StrOutputParser

def generate_weekly_report(cases_df, vaccine_df):
    """
    自動產生 COVID-19 週報
    參數：cases_df=確診數據, vaccine_df=疫苗數據
    """
    # 取得本週和上週資料（各 7 天）
    this_week = cases_df.tail(7)
    last_week = cases_df.tail(14).head(7)

    # 計算週統計數據
    weekly_stats = {
        "this_week_total": this_week['New_Cases'].sum(),   # 本週總確診
        "last_week_total": last_week['New_Cases'].sum(),   # 上週總確診
        # 計算週變化率 = (本週-上週) / 上週 × 100%
        "change_rate": (this_week['New_Cases'].sum() - last_week['New_Cases'].sum()) / last_week['New_Cases'].sum() * 100,
        "vaccine_rate": vaccine_df['Coverage_Rate'].iloc[-1]  # 最新疫苗覆蓋率
    }

    # 建立週報生成提示模板
    report_prompt = ChatPromptTemplate.from_template(
        """產生一份簡潔的 COVID-19 週報摘要：

本週確診：{this_week_total:,} 人
上週確診：{last_week_total:,} 人
週變化率：{change_rate:+.1f}%
疫苗覆蓋率：{vaccine_rate:.1f}%

請包含：摘要、風險評估、建議措施（各1-2句話）"""
    )

    # 串接鏈並使用字串輸出解析器
    chain = report_prompt | llm | StrOutputParser()
    # 執行並回傳週報
    return chain.invoke(weekly_stats)

# 呼叫函數產生週報
report = generate_weekly_report(cases_df, vaccine_df)
print(report)

Unit 9 專案總結

← 返回課程首頁