-
Notifications
You must be signed in to change notification settings - Fork 3
/
covid.py
878 lines (720 loc) · 44.1 KB
/
covid.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
import csv
import json
import math
import os
import random
from datetime import date, datetime, timedelta
import analytics
import geojson
import numpy as np
import pandas as pd
import plotly.express as px
import plotly.graph_objects as go
import scipy
import streamlit as st
import st_state_patch
from utils import (calculate_line, exp_viridis, get_dataset, get_map_json,
linear_reg, mean_absolute_percentage_error, pretty_colors,
viridis)
analytics_token = open(".analytics_token").read()
analytics.write_key = analytics_token
session_state = st.SessionState()
if not session_state:
session_state.user = random.randint(1,9999999999)
USER_UNIQUE_ID = session_state.user
hide_menu_style = """
<style>
#MainMenu {visibility: hidden;}
</style>
"""
styling = """
<style>
.reportview-container .main .block-container {padding-top: 1rem !important; padding-bottom: 0 !important;}
.reportview-container .element-container {margin-bottom:0.5rem !important;}
.footer {margin-top:0.3rem;}
.footer p {font-size:0.8rem !important; margin-bottom:0 !important;}
.smallText {font-size: 0.8rem !important; text-align:justify !important;}
.marginTop {margin-top: 0.5rem !important;}
.portraitAlert{
display:None !important;
}
@media only screen and (max-width:600px) and (orientation: portrait) {
hr.portraitAlert{
display:block !important;
}
p.portraitAlert{
font-weight: 900 !important;
display: block !important;
background-color: #ffffb1 !important;
border: 1px solid #ccc !important;
text-align: center !important;
padding: 5px !important;
border-radius: 20px !important;
margin-top: 5px !important;
}
}
</style>
"""
intro_text = """
Questa pagina è nata dalla volontà di integrare i dati forniti dalla [Protezione Civile](https://github.com/pcm-dpc/COVID-19) con i database pubblici [ISTAT](http://dati.istat.it). L’obiettivo è quello di trovare possibili correlazioni tra indicatori ambientali, geografici e demografici e i dati sulla diffusione del virus.
\n**Qui sopra** è possibile visualizzare l’andamento dei dati principali in una mappa animata. Premere play per ripercorrere l’andamento nazionale dal 24 Febbraio ad oggi
\nNel **menu a sinistra** è possibile visualizzare molte altre metriche tra cui la comparazione diretta tra Regioni o Province italiane o la correlazione tra gli indicatori ISTAT e i dati sul COVID-19.
"""
logo_html = "<p style='text-align: center;'><a target='_blank' href='https://www.neurality.it' target='_blank' rel='noopener noreferrer'><img width='100px'alt='Neurality Logo' src='http://neurality.it/images/logo_small_black.png'></a></p>"
subtitle_html = "<h2 style='text-align: center;color: rgb(246, 51, 102);'><a target='_blank' href='https://github.com/pcm-dpc/COVID-19' target='_blank' rel='noopener noreferrer' style='color: rgb(246, 51, 102);'>Covid19 Data Analysis</a></h2>"
st.markdown(hide_menu_style, unsafe_allow_html=True)
st.markdown(styling, unsafe_allow_html=True)
st.write('<style>div.Widget.row-widget.stRadio > div{flex-direction:row;}</style>', unsafe_allow_html=True)
@st.cache(show_spinner=False)
def get_areas(df):
regions = df["denominazione_regione"].unique()
provinces = df["denominazione_provincia"].unique()
return regions,provinces
def calcolo_giorni_da_min_positivi(df_regioni, min_positivi=100):
regione_piu_colpita = df_regioni[df_regioni["data"] == df_regioni["data"].max()][df_regioni["totale_casi"] == df_regioni["totale_casi"].max()]["denominazione_regione"].tolist()[0]
temp = df_regioni[df_regioni["totale_casi"] > min_positivi]
temp = temp[temp["denominazione_regione"] == regione_piu_colpita]
return len(temp['data'].tolist())
@st.cache(suppress_st_warning=True,show_spinner=False)
def get_regional_map(df_regioni,regions_map_json,cmap,data_selected,data_selected_label):
fig = px.choropleth_mapbox(
data_frame=df_regioni,
geojson=regions_map_json,
locations='codice_regione',
featureidkey='properties.reg_istat_code_num',
color=data_selected,
color_continuous_scale=cmap,
range_color=(0, math.ceil(df_regioni[data_selected].max()+1)),
hover_data=["increased_cases", "increased_tamponi",data_selected],
mapbox_style="carto-positron",
zoom=4, center = {"lat": 42.00107394, "lon": 10.3283498},
#opacity=1,
animation_frame="giorno",
labels={ data_selected:data_selected_label,
"giorno":"Giorno",
'data': 'Data', "growth_rate": "Growth Rate",
"increased_cases": "Nuovi Casi",
"increased_tamponi":"Nuovi Tamponi Effettuati",
"codice_regione":"Codice Regione"},
height=600,
)
return fig
@st.cache(suppress_st_warning=True,show_spinner=False)
def get_provincial_map(df_province,province_map_json,cmap):
fig = px.choropleth_mapbox(
data_frame=df_province,
geojson=province_map_json,
locations='sigla_provincia',
featureidkey='properties.prov_acr',
color='totale_casi',
color_continuous_scale=cmap,
range_color=(0, math.ceil(df_province['totale_casi'].max()+1)),
hover_data=["growth_rate","increased_cases"],
mapbox_style="carto-positron",
zoom=4, center = {"lat": 42.00107394, "lon": 10.3283498},
#opacity=1,
animation_frame="giorno",
labels={"giorno":"Giorno",
"totale_casi":"Totale Casi",
'data': 'Data', "growth_rate": "Growth Rate",
"increased_cases": "Nuovi Casi",
"increased_tamponi":"Nuovi Tamponi Effettuati",
"sigla_provincia":"Sigla Provincia"},
height=600,
)
return fig
@st.cache(allow_output_mutation=True,show_spinner=False)
def fig_tamponi_vs_positivi(filtered_data):
fig = go.Figure()
fig.add_trace(go.Scatter(x=filtered_data["data"],
y=filtered_data["totale_casi"],
fill='tozeroy',
#mode='lines+markers',
name="Totale Casi Positivi",
hovertemplate = "<b>%{x}</b><br><b>Totale casi positivi: %{y}</b><br><b>Percentuale tamponi per casi positivi: %{text:.2f}%</b><extra></extra>",
text=filtered_data["totale_casi/tamponi"] * 100
))
fig.add_trace(go.Scatter(x=filtered_data["data"],
y=filtered_data["tamponi"],
fill='tonexty',
#mode='lines+markers',
name="Totale Tamponi",
hovertemplate = "<b>%{x}</b><br><b>Totale tamponi effettuati: %{y}</b><extra></extra>",
text=filtered_data["totale_casi/tamponi"] * 100
))
fig.update_layout(
title_text='Totale Tamponi comparato con Totale Casi Positivi'
)
return fig
@st.cache(allow_output_mutation=True,show_spinner=False)
def fig_totale_casi_regione(filtered_data,log_y):
fig = px.line( data_frame=filtered_data,x="data",
y="totale_casi",
hover_data=["increased_cases"],
log_y=log_y,
color='denominazione_regione',
title="Totale Casi per giorno",
labels={'totale_casi':'Casi confermati', 'data': 'Data', 'denominazione_regione': 'Regione', "increased_cases": "Nuovi Casi"})
return fig.update_traces(mode='lines+markers')
@st.cache(allow_output_mutation=True,show_spinner=False)
def fig_totale_casi_provincia(filtered_data,log_y):
fig = px.line( data_frame=filtered_data,
x="data",
y="totale_casi",
log_y=log_y,
hover_data=["increased_cases"],
color='denominazione_provincia',
title="Totale Casi per giorno",
labels={'totale_casi':'Casi confermati', 'data': 'Data', 'denominazione_provincia': 'Provincia', "increased_cases": "Nuovi Casi"})
return fig.update_traces(mode='lines+markers')
@st.cache(allow_output_mutation=True,show_spinner=False)
def fig_totale_casi_su_tamponi(filtered_data):
fig = go.Figure()
for region_name in filtered_data['denominazione_regione'].unique():
region = df_regioni[df_regioni["denominazione_regione"].isin([region_name])].reset_index()
fig.add_trace(go.Scatter(x=region["data"],
y=region["totale_casi/tamponi"]*100,
#mode='lines+markers',
name=region_name,
line_shape='vh',
fill='tozeroy',
hovertemplate = "<b>%{x}</b><br><b>Percentuale tamponi per casi positivi: %{text:.2f}%</b><extra></extra>",
text=region["totale_casi/tamponi"]*100))
fig.update_layout(
title_text='Rapporto del Totale Casi Positivi sul Totale Tamponi'
)
return fig
@st.cache(allow_output_mutation=True,show_spinner=False)
def fig_nuovi_casi_giornalieri(filtered_data):
fig = px.line(
data_frame=filtered_data,
x="data",
y="increased_cases",
color='denominazione_provincia',
title="Nuovi Casi al giorno",
labels={'increased_cases':'Nuovi Casi', 'data': 'Data', 'denominazione_provincia': 'Provincia'})
return fig.update_traces(mode='lines+markers')
@st.cache(allow_output_mutation=True,show_spinner=False)
def traces_punti_e_trend(x_data, y_data, idx, hovertemplate, text, name='data'):
line_x, line_y, r_value, mape = linear_reg(x_data, y_data)
trace_line = go.Scatter(
x=line_x,
y=line_y,
mode='lines',
hovertemplate = f"Trend:<br><b>R^2</b> : {str(round((r_value**2)*100, 2))}% <br><b>MAPE</b> : {str(round(mape, 2))}% <extra></extra>",
legendgroup='group'+str(idx),
showlegend =False,
marker=go.scatter.Marker(color=pretty_colors[idx]))
trace_markers = go.Scatter(
x=x_data,
y=y_data,
mode='markers',
hovertemplate = hovertemplate,
text=text,
name=name,
legendgroup='group'+str(idx),
marker=go.scatter.Marker(color=pretty_colors[idx]))
return trace_line, trace_markers
mapbox_token = open(".mapbox_token").read()
px.set_mapbox_access_token(mapbox_token)
ISTAT_layout = go.Layout(
{"hoverlabel_align" : 'left',
"title" : "Analisi Correlazione Imprese/COVID",
"autosize":False,
"height":600,
"legend":{"tracegroupgap":1,
"y":-0.2,
"xanchor":"left",
"x":0,
"yanchor":"top",
}})
st.sidebar.image("http://neurality.it/images/logo_small_black.png", width = 100)
st.sidebar.markdown("<hr/>",unsafe_allow_html=True)
#st.markdown("[](https://www.neurality.it)")
#st.markdown("## [Covid19 Data Analysis](https://github.com/pcm-dpc/COVID-19)")
st.markdown(logo_html, unsafe_allow_html=True)
st.markdown(subtitle_html, unsafe_allow_html=True)
df, df_regioni, smokers_series, imprese_series, air_series = get_dataset(date.today())
province_map_json,regions_map_json = get_map_json()
regions,provinces = get_areas(df)
#area_filter = st.sidebar.selectbox("Seleziona il raggio di interesse",["Nazione","Regione","Provincia"])
area_filter = st.sidebar.radio("Seleziona il raggio di interesse",["Nazione","Regione","Provincia"])
st.markdown("<hr class='portraitAlert'/><p class='portraitAlert'>Per visualizzare i grafici si consiglia di orientare il telefono in orizzontale</p>",unsafe_allow_html=True)
if area_filter == "Nazione":
st.markdown("---")
analytics.page(session_state.user,"Main_category",'Nazionale',{
'path': '/',
'name': "Nazionale",
'title': "Neurality - Streamlit",
"url": "http://neurality.it/covid/Nazionale"
})
cmap = st.sidebar.radio("Scelta Color Map", ("Lineare", "Logaritmica"),index=1)
st.sidebar.markdown("<p class='smallText marginTop'>Per un approfondimento sull'utilizzo di scale logaritmiche per visualizzare l'andamento del virus clicca <a target='_blank' href=https://www.neodemos.info/articoli/la-curva-dei-contagiati-da-covid-19-la-ricerca-del-punto-di-svolta/>qui</a></p>",unsafe_allow_html=True)
if cmap == "Lineare":
cmap = viridis
else:
analytics.track(USER_UNIQUE_ID, "Exponential Map Scale", {
'category':'Values_Scale',
})
giorni_da_min_positivi = calcolo_giorni_da_min_positivi(df_regioni)
viridis_exp_scale = exp_viridis(giorni_da_min_positivi)
cmap = viridis_exp_scale
st.sidebar.markdown("---")
st.sidebar.markdown("**Incrocia i Dati ISTAT con i dati del Ministero della Salute**")
fumatori_switch = st.sidebar.checkbox("Fumatori",False)
air_switch = st.sidebar.checkbox("Inquinamento Aria",False)
imprese_switch = st.sidebar.checkbox("Imprese",False)
ISTAT_switches = [fumatori_switch,imprese_switch]
ISTAT_switches_labels = ["Fumatori","Imprese"]
df_province = df
nation_view = st.radio("Vista per ", ("Regioni", "Province"))
if nation_view == "Regioni":
def format_func_select(input_option):
data = {'totale_casi':'Casi Confermati', 'data': 'Data',"terapia_intensiva": "Ricoverati in terapia intensiva",
"totale_ospedalizzati": "Totale ospedalizzati", "isolamento_domiciliare": "Persone in isolamento domiciliare", "totale_positivi": "Totale attualmente positivi (ospedalizzati + isolamento domiciliare)",
"dimessi_guariti": "Persone dimesse guarite", "deceduti": "Persone decedute", "tamponi": "Totale tamponi effettuati"}
return data[input_option]
data_selected = st.selectbox("Seleziona il dato da visualizzare",["totale_casi","terapia_intensiva","totale_ospedalizzati", "isolamento_domiciliare", "totale_positivi", "dimessi_guariti", "deceduti", "tamponi"], format_func=format_func_select)
if data_selected != "totale_casi":
analytics.track(USER_UNIQUE_ID, format_func_select(data_selected), {
'category':'Map Data Category',
})
fig = get_regional_map(df_regioni,regions_map_json,cmap,data_selected,format_func_select(data_selected))
else:
analytics.track(USER_UNIQUE_ID, "Provincie", {
'category':'Map Data Category',
})
fig = get_provincial_map(df_province,province_map_json,cmap)
st.plotly_chart(fig,use_container_width=True)
st.markdown("---")
st.markdown(intro_text)
if True in ISTAT_switches:
st.markdown("---")
st.markdown("## Visualizzazione indicatori ISTAT")
st.markdown("""
Qui puoi visualizzare le correlazioni tra gli indicatori regionali forniti dall'[ISTAT](http://dati.istat.it)\n
I punti nei grafici qui sotto rappresentano gli indicatori per regione, mentre la linea rappresenta la migliore approssimazione lineare dell'andamento dei punti.\n
Ad ogni distribuzione di punti corrisponde una linea che ne approssima l'andamento per facilitarne la lettura.\n
Muovendo il mouse su questa linea è possibile visualizzare **quanto si distacca l'approssimazione dai dati reali** ([*MAPE*](https://it.qwe.wiki/wiki/Mean_absolute_percentage_error)) e **quanto gli indicatori sono correlati ai dati di diffusione del COVID-19** ([*R^2*](https://it.wikipedia.org/wiki/Coefficiente_di_determinazione))
""")
if fumatori_switch:
st.markdown("---")
st.markdown("### Analisi Indicatori Fumo")
analytics.track(USER_UNIQUE_ID, "Fumatori", {
'category':'ISTAT Selected',
})
df_regioni_today = df_regioni.set_index("NUTS3")
df_regioni_today = df_regioni_today[df_regioni_today["data"] == df_regioni_today["data"].max()]
df_regioni_today = df_regioni_today.join(smokers_series)
scelta_dati_fumatori = [x for x in df_regioni_today.columns if "Fumatori" in x]
selected_columns = st.multiselect(
label="Scegli dati sul fumo da visualizzare per regione",
options=scelta_dati_fumatori,
format_func=lambda x:x.split("_")[-1],
default=[scelta_dati_fumatori[4],scelta_dati_fumatori[7]])
#selected_columns = st.selectbox(label="Scegli dati sul fumo da visualizzare per regione",options=scelta_dati_fumatori)
fig = go.Figure(layout=ISTAT_layout)
for idx, column in enumerate(selected_columns):
line_x, line_y, r_value, mape = linear_reg(df_regioni_today["deceduti"]/df_regioni_today["totale_casi"], df_regioni_today[column])
fig.add_trace(go.Scatter(
x=line_x,
y=line_y,
mode='lines',
hovertemplate = f"<b>R^2</b> : {str(round((r_value**2)*100, 2))}% <br><b>MAPE</b> : {str(round(mape, 2))}% <extra></extra>",
legendgroup=column,
showlegend =False,
marker=go.scatter.Marker(color=pretty_colors[idx]))
)
fig.add_trace(go.Scatter(
x=df_regioni_today["deceduti"]/df_regioni_today["totale_casi"],
y=df_regioni_today[column],
mode='markers',
hovertemplate = "<b>%{text}</b><br>Deceduti per contagiati confermati: %{x:.2f}%<br>"+column.split("_")[-1]+": %{y:.2f}%<extra></extra>",
text=df_regioni_today["denominazione_regione"],
name=column.split("_")[-1][:34],
legendgroup=column,
marker=go.scatter.Marker(color=pretty_colors[idx]))
)
fig.update_layout(
title = "Analisi Correlazione Fumatori/COVID",
)
fig.update_xaxes(title_text='% popolazione deceduta per casi confermati')
fig.update_yaxes(title_text='Metrica selezionata')
st.plotly_chart(fig,use_container_width=True)
if air_switch:
st.markdown("---")
st.markdown("### Analisi Indicatori Qualità dell'Aria")
air_reg_series = air_series.drop(columns=["CODICE PROVINCIA", "COMUNI"]).pivot_table(index='NUTS3_regione')
analytics.track(USER_UNIQUE_ID, "Aria", {
'category':'ISTAT Selected',
})
df_regioni_today = df_regioni.set_index("NUTS3")
df_regioni_today = df_regioni_today[df_regioni_today["data"] == df_regioni_today["data"].max()]
df_regioni_today = df_regioni_today.join(air_reg_series)
scelta_dati_aria = ["PM10", "PM2.5"]
selected_cat = st.radio(
label="Scegli quali dati sul inquinamento dell'aria da visualizzare per regione ",
options=scelta_dati_aria)
all_columns = [x for x in air_reg_series.columns if selected_cat in x ]
if selected_cat == 'PM10':
idx = 0
df_regioni_today = df_regioni_today.drop(df_regioni_today[all_columns[idx]][df_regioni_today[all_columns[idx]] == 0].index)
fig = go.Figure()
line, markers = traces_punti_e_trend(df_regioni_today["totale_casi"]/df_regioni_today["Popolazione_ETA1_Total"], df_regioni_today[all_columns[idx]], idx, "<b>%{text}</b><br>Casi Positivi procapite confermati: %{x:.3f}%<br>Giorni sopra il limite consigliato %{y}<extra></extra>", df_regioni_today['denominazione_regione'])
fig.add_trace(line)
fig.add_trace(markers)
fig.update_layout(
title = "Inquinamento Aria (giorni con PM10 superiore al limite consigliato) / COVID",
)
fig.update_xaxes(title_text='Contagi Procapite')
fig.update_yaxes(title_text='Giorni al di sopra del limite consigliato - 50 μg/m^3')
fig.add_trace(go.Scatter(
x=np.arange(0,0.009, 0.001),
y=[35,]*9,
mode='lines',
showlegend =False,
hovertemplate='Limite di giorni sopra limite consigliati<extra></extra>')
)
st.plotly_chart(fig,use_container_width=True)
idx = 1
df_regioni_today = df_regioni_today.drop(df_regioni_today[all_columns[idx]][df_regioni_today[all_columns[idx]] == 0].index)
fig = go.Figure()
line, markers = traces_punti_e_trend(df_regioni_today["totale_casi"]/df_regioni_today["Popolazione_ETA1_Total"], df_regioni_today[all_columns[idx]], idx, "<b>%{text}</b><br>Casi Positivi procapite confermati: %{x:.3f}%<br>Media Annuale PM10 %{y}<extra></extra>", df_regioni_today['denominazione_regione'])
fig.add_trace(line)
fig.add_trace(markers)
fig.update_layout(
title = "Inquinamento Aria (valore annuale medio) PM10 / COVID",
)
fig.update_xaxes(title_text='Contagi Procapite')
fig.update_yaxes(title_text='Valore medio annuale [μg/m^3]')
fig.add_trace(go.Scatter(
x=np.arange(0,0.009, 0.001),
y=[40,]*9,
mode='lines',
showlegend =False,
hovertemplate='Limite di emissioni consigliato<extra></extra>')
)
st.plotly_chart(fig,use_container_width=True)
else:
idx = 0
df_regioni_today = df_regioni_today.drop(df_regioni_today[all_columns[idx]][df_regioni_today[all_columns[idx]] == 0].index)
fig = go.Figure()
line, markers = traces_punti_e_trend(df_regioni_today["totale_casi"]/df_regioni_today["Popolazione_ETA1_Total"], df_regioni_today[all_columns[idx]], idx, "<b>%{text}</b><br>Casi Positivi procapite confermati: %{x:.3f}%<br>Media Annuale PM10 %{y}<extra></extra>", df_regioni_today['denominazione_regione'])
fig.add_trace(line)
fig.add_trace(markers)
fig.update_layout(
title = "Analisi Correlazione Inquinamento Aria (valore annuale medio) PM2.5 / COVID",
)
fig.add_trace(go.Scatter(
x=np.arange(0,0.009, 0.001),
y=[25,]*9,
mode='lines',
showlegend =False,
hovertemplate='Limite di emissioni consigliato<extra></extra>')
)
fig.update_xaxes(title_text='Contagi Procapite')
fig.update_yaxes(title_text='Valore medio annuale')
st.plotly_chart(fig,use_container_width=True)
if imprese_switch:
st.markdown("---")
st.markdown("### Analisi Indicatori Imprese")
analytics.track(USER_UNIQUE_ID, "Imprese", {
'category':'ISTAT Selected',
})
df_regioni_today = df_regioni.set_index("NUTS3")
df_regioni_today = df_regioni_today[df_regioni_today["data"] == df_regioni_today["data"].max()]
df_regioni_today = df_regioni_today.join(imprese_series)
with open(os.path.join("ISTAT_DATA","Imprese_metadata.json"), encoding="utf-8") as json_file:
json_dict = json.load(json_file)
with open(os.path.join("ISTAT_DATA","DICA_ASIAUE1P_02042020145705482_metadata.json")) as json_file:
procapite_data = json.load(json_file)["data_type_pro_capite"]
scelta_dati_imprese = list(json_dict.keys())
selected_column = st.selectbox(
label="Scegli dati sulle imprese per regione",
options=scelta_dati_imprese,
index=1)
all_segments = st.multiselect(
label="Scegli dati sulle imprese da visualizzare per regione",
options= json_dict[selected_column],
format_func=lambda x:x.split("_")[-1],
default=[ json_dict[selected_column][0], json_dict[selected_column][1]])
selected_data_type = st.radio("Scegli l'indicatore da visualizzare",('numero imprese attive', 'numero addetti delle imprese attive (valori medi annui)'))
#all_segments = json_dict[selected_column]
fig = go.Figure(layout=ISTAT_layout)
pro_capite_text = ""
for idx, segment in enumerate(all_segments):
pro_capite = procapite_data[selected_data_type] #<- sempre True per ora
if pro_capite:
y = df_regioni_today[f"{selected_data_type}_{selected_column}_{segment}"]/df_regioni_today["Popolazione_Sesso_totale"]
pro_capite_text = "pro capite "
else:
y = df_regioni_today[f"{selected_data_type}_{selected_column}_{segment}"]
line_x, line_y, r_value, mape = linear_reg(df_regioni_today["totale_casi"]/df_regioni_today["Popolazione_Sesso_totale"], y)
fig.add_trace(go.Scatter(
x=100*line_x,
y=line_y,
mode='lines',
hovertemplate = f"<b>R^2</b> : {str(round((r_value**2)*100, 2))}% <br><b>MAPE</b> : {str(round(mape, 2))}% <extra></extra>",
legendgroup=segment,
showlegend=False,
marker=go.scatter.Marker(color=pretty_colors[idx]),
name='Trend '+segment)
)
fig.add_trace(go.Scatter(
x=100*(df_regioni_today["totale_casi"]/df_regioni_today["Popolazione_Sesso_totale"]),
y=y,
mode='markers',
hovertemplate = "<b>%{text}</b><br>Contagiati pro capite : %{x:.2f}%<br>"+selected_data_type+" | "+selected_column+"-> "+segment+": %{y:.2f}%<extra></extra>",
text=df_regioni_today["denominazione_regione"],
legendgroup=segment,
marker=go.scatter.Marker(color=pretty_colors[idx]),
name=segment)
)
fig.update_layout(
title = "Analisi Correlazione Imprese/COVID",
)
fig.update_xaxes(title_text='% di popolazione contagiata')
fig.update_yaxes(title_text=f"{selected_data_type} {pro_capite_text}")
st.plotly_chart(fig,use_container_width=True)
####### Correlation Analysis #########
#smokers_series = ISTAT_return_filtered_series(df_istat_smokers,selected_column="Tipo dato")
#df_regioni_today = df_regioni.set_index("NUTS3")
#df_regioni_today = df_regioni_today[df_regioni_today["data"] == df_regioni_today["data"].max()]
#df_regioni_today = df_regioni_today.join(smokers_series)
#scelta_dati_imprese = [x for x in df_istat_imprese.metadata["multiindex"] if x != df_istat_imprese.metadata["data_type_column"]]
#for data_type in df_istat_imprese[df_istat_imprese.metadata["data_type_column"]].unique():
# for division in scelta_dati_imprese:
# imprese_series = ISTAT_return_filtered_series(df_istat_imprese,selected_column=division,selected_data_type=data_type)
# df_regioni_today = df_regioni_today.join(imprese_series)
#st.write(df_regioni_today.corr()["growth_rate"])
elif area_filter == "Regione":
st.markdown("---")
analytics.page(USER_UNIQUE_ID,"Main_category",'Regione',{
'path': '/',
'name': "Regione",
'title': "Neurality - Streamlit",
"url": "http://neurality.it/covid/Regione"
})
#region_name = st.sidebar.selectbox("Seleziona la regione di interesse",sorted(regions))
region_name = st.sidebar.multiselect("Seleziona una o più regioni di interesse",sorted(regions),default=["Emilia-Romagna","Lombardia"])
cmap_radio = st.sidebar.radio("Scelta Color Map ed andamento asse y", ("Lineare", "Logaritmica"),index=1)
st.sidebar.markdown("<p class='smallText marginTop'>Per un approfondimento sull'utilizzo di scale logaritmiche per visualizzare l'andamento del virus clicca <a target='_blank' href=https://www.neodemos.info/articoli/la-curva-dei-contagiati-da-covid-19-la-ricerca-del-punto-di-svolta/>qui</a></p>",unsafe_allow_html=True)
st.sidebar.markdown("---")
st.sidebar.markdown("**Incrocia i Dati ISTAT con i dati del Ministero della Salute**")
air_switch = st.sidebar.checkbox("Inquinamento Aria",False)
regional_data = df_regioni[df_regioni["denominazione_regione"].isin(region_name)].reset_index()
if region_name:
for region in region_name:
analytics.track(USER_UNIQUE_ID, region, {
'category':"Region Selected"
})
if len(region_name) > 1:
analytics.track(USER_UNIQUE_ID, str(sorted(region_name)), {
'category':'Regions combined'
})
filtered_province_data = df[df["denominazione_regione"].isin(region_name)]
if not filtered_province_data.empty:
st.markdown("### Mappa totale casi COVID19 confermati")
lat_sum = 0
lon_sum = 0
lats = regional_data.lat.unique()
lons = regional_data.long.unique()
for idx in range(len(lats)):
lat_sum+=lats[idx]
lon_sum+=lons[idx]
lat_sum/=len(lats)
lon_sum/=len(lons)
lat_max = regional_data.lat.max()
lat_min = regional_data.lat.min()
lon_max = regional_data.long.max()
lon_min = regional_data.long.min()
if (lat_max-lat_min)>6 or (lon_max-lon_min)>7:
#@TODO FIX ZOOM
zoom = 6
else:
zoom = 6
if cmap_radio == "Lineare":
cmap = viridis
else:
giorni_da_min_positivi = calcolo_giorni_da_min_positivi(regional_data)
viridis_exp_scale = exp_viridis(giorni_da_min_positivi)
cmap = viridis_exp_scale
analytics.track(USER_UNIQUE_ID, "Exponential Map Scale", {
'category':'Values_Scale',
})
fig = px.choropleth_mapbox(
data_frame=filtered_province_data,
geojson=province_map_json,
locations='sigla_provincia',
featureidkey='properties.prov_acr',
color='totale_casi',
color_continuous_scale=cmap,
range_color=(0, math.ceil(filtered_province_data['totale_casi'].max()+1)),
hover_data=["increased_cases"],
mapbox_style="carto-positron",
zoom=zoom, center = {"lat": lat_sum, "lon": lon_sum},
#opacity=1,
animation_frame="giorno",
labels={"giorno":"Giorno",
"totale_casi":"Totale Casi",
'data': 'Data', "growth_rate": "Growth Rate",
"increased_cases": "Nuovi Casi",
"increased_tamponi":"Nuovi Tamponi Effettuati",
"sigla_provincia":"Sigla Provincia"},
height=600,
)
st.plotly_chart(fig,use_container_width=True)
filtered_data = regional_data
st.markdown("---")
st.markdown("""
Il grafico sottostante mostra il tasso di crescita dei casi positivi [(growth rate)](https://www.complexityeducation.com/2020/03/10/crescita-esponenziale-ed-epidemie/). \nValori inferiori ad 1 indicano che i contagi [non avvengono più su una curva esponenziale ma su una logaritmica](https://www.neodemos.info/articoli/la-curva-dei-contagiati-da-covid-19-la-ricerca-del-punto-di-svolta/), stanno quindi aumentando più lentamente ogni giorno.\n
""")
fig = px.line(data_frame=filtered_data[filtered_data["data"] > datetime(2020,3,4)],x="data",
y="smooth_growth_rate",
hover_data=["increased_cases","denominazione_regione"],
log_y=False,
color='denominazione_regione',
title="Growth rate media ultimi 3gg",
labels={'increased_cases':'Nuovi Casi', 'data': 'Data', 'denominazione_regione': 'Regione',"smooth_growth_rate":"Growth Rate"})
fig.update_traces(mode='lines+markers',hovertemplate = "<b>Growth Rate: %{y}</b><extra></extra>")
st.plotly_chart(fig,use_container_width=True)
st.markdown("---")
if len(filtered_data['denominazione_regione'].unique() ) == 1:
fig = fig_tamponi_vs_positivi(filtered_data)
st.plotly_chart(fig,use_container_width=True)
else:
fig = fig_totale_casi_regione(filtered_data,cmap_radio=="Logaritmica")
st.plotly_chart(fig,use_container_width=True)
st.markdown("---")
fig = fig_totale_casi_su_tamponi(filtered_data)
st.plotly_chart(fig,use_container_width=True)
if air_switch:
st.markdown("---")
st.markdown("### Analisi Indicatori Qualità dell'Aria")
#air_reg_series = air_series.drop(columns=["CODICE PROVINCIA", "COMUNI"]).pivot_table(index='NUTS3_regione')
analytics.track(USER_UNIQUE_ID, "Aria", {
'category':'ISTAT Selected',
})
filtered_province_today = filtered_province_data.set_index("NUTS3")
filtered_province_today = filtered_province_today[filtered_province_today["data"] == filtered_province_today["data"].max()]
filtered_air_data = air_series[air_series["denominazione_regione"].isin(region_name)]
filtered_province_today = filtered_province_today.join(filtered_air_data, rsuffix='_other').drop(columns=['denominazione_regione_other', "COMUNI", "NUTS3_regione"])
scelta_dati_aria = ["PM10", "PM2.5"]
selected_cat = st.radio(
label="Scegli quali dati sul inquinamento dell'aria da visualizzare per regione ",
options=scelta_dati_aria)
all_columns = [x for x in filtered_province_today.columns if selected_cat in x ]
if selected_cat == 'PM10':
fig = go.Figure()
fig2 = go.Figure()
for idx, region in enumerate(filtered_province_today.denominazione_regione.unique()):
filtered_province_today_reg = filtered_province_today[filtered_province_today['denominazione_regione'] == region]
prov_data = (filtered_province_today_reg["totale_casi"]/filtered_province_today_reg["Popolazione_ETA1_Total"]).rename('totale_casi_procapite')
prov_data = pd.concat([filtered_province_today_reg.denominazione_provincia, prov_data, filtered_province_today_reg[all_columns[0]], filtered_province_today_reg[all_columns[1]]], axis=1)
prov_data_zero = prov_data.drop(prov_data[all_columns[0]][prov_data[all_columns[0]] == 0].index)
if prov_data_zero.empty:
st.write("Nessun dato PM10 giornaliero disponibile per la regione "+region)
else:
line, markers = traces_punti_e_trend(prov_data_zero.totale_casi_procapite, prov_data_zero[all_columns[0]], idx, "<b>%{text}</b><br>Casi Positivi procapite confermati: %{x:.3f}%<br>Giorni sopra il limite consigliato: %{y}<extra></extra>", prov_data_zero.denominazione_provincia, name=region)
fig.add_trace(line)
fig.add_trace(markers)
prov_data_one = prov_data.drop(prov_data[all_columns[1]][prov_data[all_columns[1]] == 0].index)
if prov_data_one.empty:
st.write("Nessun dato PM10 annuale disponibile per la regione "+region)
else:
line, markers = traces_punti_e_trend(prov_data_one.totale_casi_procapite, prov_data_one[all_columns[1]], idx, "<b>%{text}</b><br>Casi Positivi procapite confermati: %{x:.3f}%<br>Media Annuale PM10: %{y}<extra></extra>", prov_data_one.denominazione_provincia, name=region)
fig2.add_trace(line)
fig2.add_trace(markers)
fig.add_trace(go.Scatter(
x=np.arange(start=0, stop=0.018, step=0.001),
y=[35,]*16,
mode='lines',
showlegend =False,
hovertemplate='Limite di giorni sopra limite consigliati<extra></extra>')
)
fig.update_layout(
title = "Inquinamento Aria (giorni con PM10 superiore al limite consigliato) / COVID",
)
fig.update_xaxes(title_text='Contagi Procapite')
fig.update_yaxes(title_text='Giorni al di sopra del limite consigliato - 50 μg/m^3')
st.plotly_chart(fig,use_container_width=True)
fig2.add_trace(go.Scatter(
x=np.arange(start=0, stop=0.018, step=0.001),
y=[40,]*16,
mode='lines',
showlegend =False,
hovertemplate='Limite di emissioni annuali consigliato<extra></extra>')
)
fig2.update_layout(
title = "Analisi Correlazione Inquinamento Aria (valore annuale medio) PM10 / COVID",
)
fig2.update_xaxes(title_text='Contagi Procapite')
fig2.update_yaxes(title_text='Valore medio annuale [μg/m^3]')
st.plotly_chart(fig2,use_container_width=True)
else:
fig = go.Figure()
fig2 = go.Figure()
for idx, region in enumerate(filtered_province_today.denominazione_regione.unique()):
filtered_province_today_reg = filtered_province_today[filtered_province_today['denominazione_regione'] == region]
prov_data = (filtered_province_today_reg["totale_casi"]/filtered_province_today_reg["Popolazione_ETA1_Total"]).rename('totale_casi_procapite')
prov_data = pd.concat([filtered_province_today_reg.denominazione_provincia, prov_data, filtered_province_today_reg[all_columns[0]]], axis=1)
prov_data = prov_data.drop(prov_data[all_columns[0]][prov_data[all_columns[0]] == 0].index)
if prov_data.empty:
st.write("Nessun dato PM2.5 annuale disponibile per la regione "+region)
else:
line, markers = traces_punti_e_trend(prov_data.totale_casi_procapite, prov_data[all_columns[0]], idx, "<b>%{text}</b><br>Casi Positivi procapite confermati: %{x:.3f}%<br>Media Annuale PM2.5: %{y}<extra></extra>", prov_data.denominazione_provincia, name=region)
fig.add_trace(line)
fig.add_trace(markers)
fig.add_trace(go.Scatter(
x=np.arange(start=0, stop=0.018, step=0.001),
y=[25,]*16,
mode='lines',
showlegend =False,
hovertemplate='Limite di emissioni annuali consigliato<extra></extra>')
)
fig.update_layout(
title = "Analisi Correlazione Inquinamento Aria (valore annuale medio) PM2.5 / COVID",
)
fig.update_xaxes(title_text='Contagi Procapite')
fig.update_yaxes(title_text='Valore medio annuale')
st.plotly_chart(fig,use_container_width=True)
else:
st.markdown("--- \n ### Seleziona una o più Regioni")
elif area_filter == "Provincia":
st.markdown("---")
analytics.page(USER_UNIQUE_ID,"Main_category",'Provincia',{
'path': '/',
'name': "Provincia",
'title': "Neurality - Streamlit",
"url": "http://neurality.it/covid/Provincia"
})
province_name = st.sidebar.multiselect("Seleziona una o più province di interesse",sorted(provinces),default=["Milano","Bergamo","Lodi"])
if province_name:
for province in province_name:
analytics.track(USER_UNIQUE_ID, province, {
'category':'Province Selected',
})
if len(province_name) > 1:
analytics.track(USER_UNIQUE_ID, str(sorted(province_name)), {
'category': 'Provinces combined'
})
_filter = df["denominazione_provincia"].isin(province_name)
filtered_data = df[_filter]
if not filtered_data.empty:
log_y = st.sidebar.radio("Scegli andamento asse y", (False, True), format_func=lambda x:"Logaritmica" if x else "Lineare",index=1)
st.sidebar.markdown("<p class='smallText marginTop'>Per un approfondimento sull'utilizzo di scale logaritmiche per visualizzare l'andamento del virus clicca <a target='_blank' href=https://www.neodemos.info/articoli/la-curva-dei-contagiati-da-covid-19-la-ricerca-del-punto-di-svolta/>qui</a></p>",unsafe_allow_html=True)
fig = fig_totale_casi_provincia(filtered_data,log_y)
st.plotly_chart(fig,use_container_width=True)
fig = fig_nuovi_casi_giornalieri(filtered_data)
st.plotly_chart(fig,use_container_width=True)
else:
st.markdown("--- \n ### Seleziona una provincia")
st.markdown("---")
st.markdown("""
<div class='footer'>
<p>I dati visualizzati in questa pagina sono forniti dal Ministero della Salute ed elaborati dal <a target='_blank' href='https://github.com/pcm-dpc/COVID-19'>Dipartimento della Protezione Civile</a> e dall' <a target='_blank' href='http://dati.istat.it'>Istituto Nazionale di Statistica</a>.</p>
<p>I dati forniti dal Ministero della Salute sono soggetti a licenza <a target='_blank' href='https://github.com/pcm-dpc/COVID-19/blob/master/LICENSE'>CC-BY-4.0</a> - <a target='_blank' href='https://creativecommons.org/licenses/by/4.0/deed.en'>Visualizza licenza</a></p>
<p>I dati Istat sono soggetti a licenza <a target='_blank' href='https://www.istat.it/it/note-legali'>CC-BY-3.0</a> - <a target='_blank' href='https://creativecommons.org/licenses/by/3.0/it/'>Visualizza licenza</a></p>
<p>Puoi trovare il nostro source code su <a target='_blank' href='http://github.com/neurality/covid19'>Github</a></p>
</div>
""",unsafe_allow_html=True)