-
Python实战之制作瘟疫传播实验
那么现在我们尝试制作一个模拟疫情爆发的模型，以数字的形式展现疫情爆发点恐怖。
（1）模型设计
解释人类模型，每个人属性分为编号、状态、保护措施、外出情况。
编号：作为区分每个人类模型的标识；
状态：分为两部分，0为健康，1为感染；
保护措施：参考状态也份为两部分，0为未采取保护措施，1为保护措施
外出情况：外出情况为1的将会选择外出寻友，而为0则不会外出。
程序初期，将会生成一定数量的人类模型，然后随机选择百分之五（感染人数>1）的人作为感染体。
模拟开始，将会开始记录每天的感染人数，然后随机选择一定数量的人外出，每个外出的人都会选择一个人进行交流。
交流过程中，若两个人均感染或均为感染则无问题，若一人感染则根据瘟疫感染几率和防护措施进行随机判定是否感染。
结束条件为全部模型的98%的人被感染，记录天数。
效果如下图所示：
（2）程序设计
首先，要获取实验信息，所以先创建获取信息函数（get_info）
其次，要通过获取的信息来创建对应模型，所以要有创模函数（creat_mod）
然后，就是模拟实验发生的感染函数（experiment）
最后，为方便判断是否发生了感染，创建了感染函数（contagion）
由于实际情况需要所以还要制作选择函数来实现概率随机。
根据之前的需求和实际情况考虑创建了全局变量。
（3）程序实现
项目名称：瘟疫实验室
开发工具：sublime_text
开发模块：random
1.前期准备
在这一部分中，将要根据情况，创建好全局变量并声明函数。
个人推荐前期赋初值的时候设置为实验数据，这样可以避免前期调试程序频繁输入。
代码如下所示：
import random as r
#实验模型
human=[]
#实验人数
hunman_number=-1
#感染概率
infected=0
#保护措施
protect=0
#采取保护措施
human_protect=0
#每天外出人数
human_out=0
#保护者id
protect_id=[]
#外出者id
out_id=[]
#所有人id
human_id=[]
#感染者id
virus_id=[]
#函数，收集信息
def get_info():
pass#函数，创建模型
def creat_mod():
pass
#函数，实验
def experiment():
pass#函数，判断是否感染
def contagion(id_1,id_2) :
pass#函数，选择函数
def pick(contagion_p):
pass#主函数
def main():
get_info()
creat_mod()
experiment()
#程序入口
if __name__ == '__main__':
main()
2.收集信息实现
在收集信息函数中，将要实现收集实验参数的作用，而实验参数为全局变量，要想实现收集信息就需要通过关键字global。
关键字global的作用可以在函数内对全局变量进行修改。
函数内操作就是通过input函数来实现数据的接收，难度比较低只需要需要注意两方面即可。
一方面是数据类型，input函数所接受的数据默认为字符串类型，所以要对数据进行类型转化，可以考虑eval()函数
考虑到数据的限制，所以最后采用强转int() 和float()
另一方面则是数据的合理性，比如感染几率为0~1，所以超过1即为数据错误，又或者外出人数超过实验总人数等等。
为避免这一情况，所以输入一个数据就对进行判断。
实现代码如下：
#函数，收集信息
def get_info():
print("*********************")
#global改变全局变量
global hunman_number,infected,protect,quarantine,human_out,human_protect
#实验人数
hunman_number=int(input("实验人数："))
#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之间")
get_info()
#保护措施有效性
protect=float(input("保护有效性（0~1）："))
if protect>1 or protect<0:
print("保护概率在0到1之间")
get_info()
#采取保护措施人数
human_protect=int(input("采取保护措施人数："))
if human_protect>hunman_number or human_protect<0:
print("采取措施人数不可超过实验人数")
get_info()
#外出人数
human_out=int(input("每天外出人数："))
if human_out>hunman_number or human_protect<0:
print("外出人数不可超过实验人数")
get_info()
3.创建模型实现
模型也需要修改一部分全局变量，所以先调用关键字global
第一步：模型的创建先通过循环来创建实验模型，循环条件为实验人数，数据(先设为0)为[id,0,0,0]。
第二步：添加保护措施，原理为随机选择设定的人数的模型，让模型中代表采取保护措施的数值更改为1
随机选择的实现考虑许久，最后选择通过random库中的sample()函数来实现，sample函数的作用为将指定序列进行重新随机排列
其中有两个参数，一个为重排序序列名，另一个代表输出序列的前几个，默认为全部输出。
所以只需要将实验人数的列表传入进行重排序，然后输出前指定人数个即可。
最后通过循环，访问选出的个体，将代表是否采取保护措施的数据更改为1（采取保护措施）
第三步：采用同样的原理选择5%的实验个体作为传染源。注意，感染人数为int类型整数，为保证感染个体不为0，采取5%人+1。
代码实现如下所示：
#函数，创建模型
def creat_mod():
global human,human_id,protect_id,virus_id
#循环创建指定人数的实验个体，并将id存储。
for id in range(0,hunman_number):
#id、state、protect、out
human.append([id,0,0,0])
human_id.append(id)
#采取保护措施人数id的集合，数据为对实验总体进行随机重排列，再选择一定量输出。
protect_id=r.sample(human_id,human_protect)
#循环更改实验个体
for id in protect_id:
#0为未采取保护措施，1为采取保护措施
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为健康，1为感染
human[id][1]=1
4.实验实现
实验的开始要确定结束条件，我们以百分之九十八的人感染视为结束。
确定之后，记录天数要创建一个计数器来存代表天数的变量。
实验采用死循环的方式进行，跳出条件只有一个实验感染人数超过了结束人数，所以需要加入计数器来存感染人数
代表日期的计数器与代表感染人数的计数器不同，日期计数器在程序开始运行的时候，开始计数直到程序结束。
而感染人数计数器每一次循环都要清零重新开始计算，所以日期计数器的声明在死循环外，而感染人数计数器在死循环内。
实验分为两部分，一部分为对之前的总结，另一部分为新的一天开始。
总结当中第一件事情便是清零计数器。
然后通过统计感染人数，原理为for循环所有人的id，加入判断若该id中代表状态的数据为1则代表感染，计数器加一。
最后输出之前一天的情况，第x天，感染人数为x人。
新的一天开始，先判断统计人数有没有超过失败条件，再开始一天的操作。
随机选择指定人数进行外出，参考之前保护措施的原理，根据外出人数随机选择人进行外出，将其数据更改为1。
然后考虑到实际情况，每个人外出都是要去寻找朋友，寻找朋友则是通过random库的choice()函数。
实现代码如下所示：
#函数，实验
def experiment():
global out_id
fail=int(hunman_number*0.98)
print("*****************************")
print("实验开始，失败条件感染人数：",fail)
day=0
while True:
#计数器清零
count=0
#统计感染人数
for i in human_id:
if human[i][1]==1:
count+=1
#外出人数
out_id=r.sample(human_id,human_out)
for id in out_id:
human[id][3]=1
#统计结果
print(day,"天感染人数",count)
#新的一天开始
day+=1
#判断是否继续实验
##实验结束
if count>=fail:
print("gameover->",day)
break
#循环找朋友
for id in out_id:
#随机选择朋友
friend_id=r.choice(human_id)
#若均感染，则跳过
if human[id][1]==1 and human[friend_id][1]==1:
pass
#一方感染
else:
#判断感染
contagion(id,friend_id)
5.感染判断实现
若发生感染事件，则需要更改实验体数据，所以在这一函数中可以对实验题进行修改，需要引用关键字global。
然后根据情况进行分类，先寻找是哪位感染，哪位健康。然后针对健康的人是否采用保护措施进行分类讨论讨论。
在本模型中，计算感染方式为概率性，由疾病感染概率和保护措施有效性决定。
以0.8感染几率0.7保护措施为例子，保护有效性为0.7所以保护失败的几率为0.3
所以感染疾病几率为0.8感染几率的情况下0.3的保护失效，结果为0.8*0.3。
根据不同的情况变动概率进行概率抽取即可，代码实现如下
#函数，判断是否感染 def contagion(id_1,id_2) : global human #感染概率 contagion_p=0 #第一个id为健康 if human[id_1][1]==0: #采取保护措施 if human[id_1][2]==1: contagion_p=infected*(1-protect) #未采取保护措施 else: contagion_p=infected #是否感染 human[id_1][1]=pick(contagion_p) #第二个id为健康的人 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中没有找到合适的方法，所以只能自制一定概率随机抽取函数pick。
6.pick函数实现
一定概率随机抽取函数的实现基于一点：
random.uniform(0,1)->生成0.0到1.0之间的伪随机数,之后循环元素及其概率,计算累积概率.
如：random_pick([1,2,3,4],[0.1,0.2,0.3,0.4])
当x处于0.0到0.1之间,则输出1
当x处于0.1到0.3之间,则输出2
所以实现过程可以利用这一点，通过两个列表将数据一一对应，然后通过zio改为字典。
在通过uniform函数来实现概率选择。实现代码如下所示：
#函数，选择函数 def pick(contagion_p): #选择 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
在主函数中桉顺序调用以上函数即可，这样就初步实现了。
（4）改进与推荐
这个程序是个人处于兴趣创建的小型程序，还有许多可以改进的地方。
1.加入治愈因素，比如每天可以治愈多少人，又或者感染者过多少天可以治愈等情况。
2.加入经济因素，比如治愈者需要成本等等，包括医院体系等等。
3.保护措施丰富化，可以采取不同的措施来更改感染几率。
4.可视化，比如通过更改角色颜色等方式以更加直接的方法显示这一过程。
5.加入大量实验数据，进行数据分析将结果制为图表，然后根据数学方式为抗疫提出有效建议。
