대규모 데이터셋을 통한 지수함수 산출(프로그래밍 필요)

pip install pandas numpy scipy matplotlib

pip install pandas numpy scipy matplotlib

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# ==========================================
# 1. 데이터 불러오기 및 전처리
# ==========================================
# 다운받은 csv 파일 이름을 입력하세요.
file_path = 'data.csv' 
df = pd.read_csv(file_path)

# 예시: 특정 국가(예: 이탈리아)의 데이터만 추출하고 싶을 때
# (만약 데이터가 이미 한 국가의 것이라면 이 부분은 생략 가능합니다)
if 'Country/Region' in df.columns:
    df = df[df['Country/Region'] == 'Italy']

# 날짜 컬럼을 진짜 날짜 형식으로 변환하고 정렬
# (실제 csv 파일의 날짜 컬럼명으로 'Date' 부분을 변경하세요)
date_column = 'Date' # 예: 'ObservationDate', 'date' 등
value_column = 'Confirmed' # 예: 'Cases', 'Value' 등

df[date_column] = pd.to_datetime(df[date_column])
df = df.sort_values(date_column)

# 날짜별 누적합계 구하기
df_daily = df.groupby(date_column)[value_column].sum().reset_index()

# ★ 중요: 지수적 증가는 '초기 데이터'에서 뚜렷합니다.
# 초기 40일치 데이터만 잘라서 사용합니다.
df_early = df_daily.head(40).copy()

# X축 데이터: 경과 일수 (0, 1, 2, 3... 39)
x_data = np.arange(len(df_early))
# Y축 데이터: 실제 값 (확진자 수 등)
y_data = df_early[value_column].values

# ==========================================
# 2. 지수 함수 정의 및 피팅(Fitting)
# ==========================================
# 지수 함수 수식 정의: y = a * e^(bx)
def exponential_func(x, a, b):
    return a * np.exp(b * x)

# curve_fit을 이용해 데이터에 가장 잘 맞는 a와 b 값을 찾습니다.
# p0는 초기 추정값입니다. (a=1, b=0.1 정도로 시작)
popt, pcov = curve_fit(exponential_func, x_data, y_data, p0=(1, 0.1))

# 찾은 최적의 매개변수
a_opt, b_opt = popt
print(f"찾아낸 최적의 함수: y = {a_opt:.2f} * e^({b_opt:.4f} * x)")

# ==========================================
# 3. 결과 시각화 (그래프 그리기)
# ==========================================
# 피팅된 함수로 만든 예측 Y값
y_fit = exponential_func(x_data, a_opt, b_opt)

plt.figure(figsize=(10, 6))

# 실제 데이터 (점)
plt.scatter(x_data, y_data, label='Actual Data (CSV)', color='blue', s=30)

# 피팅된 지수 함수 그래프 (빨간 선)
plt.plot(x_data, y_fit, label=f'Fitted Curve: $y={a_opt:.1f} e^{{{b_opt:.3f}x}}$', color='red', linewidth=2)

# 그래프 꾸미기
plt.title('Exponential Curve Fitting of Early Stage Data', fontsize=16)
plt.xlabel('Days Passed', fontsize=12)
plt.ylabel('Cumulative Values', fontsize=12)
plt.legend(fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)

# 그래프 화면에 띄우기
plt.show()

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from scipy.optimize import curve_fit

# ==========================================
# 1. 데이터 불러오기 및 전처리
# ==========================================
# 다운받은 csv 파일 이름을 입력하세요.
file_path = 'data.csv' 
df = pd.read_csv(file_path)

# 예시: 특정 국가(예: 이탈리아)의 데이터만 추출하고 싶을 때
# (만약 데이터가 이미 한 국가의 것이라면 이 부분은 생략 가능합니다)
if 'Country/Region' in df.columns:
    df = df[df['Country/Region'] == 'Italy']

# 날짜 컬럼을 진짜 날짜 형식으로 변환하고 정렬
# (실제 csv 파일의 날짜 컬럼명으로 'Date' 부분을 변경하세요)
date_column = 'Date' # 예: 'ObservationDate', 'date' 등
value_column = 'Confirmed' # 예: 'Cases', 'Value' 등

df[date_column] = pd.to_datetime(df[date_column])
df = df.sort_values(date_column)

# 날짜별 누적합계 구하기
df_daily = df.groupby(date_column)[value_column].sum().reset_index()

# ★ 중요: 지수적 증가는 '초기 데이터'에서 뚜렷합니다.
# 초기 40일치 데이터만 잘라서 사용합니다.
df_early = df_daily.head(40).copy()

# X축 데이터: 경과 일수 (0, 1, 2, 3... 39)
x_data = np.arange(len(df_early))
# Y축 데이터: 실제 값 (확진자 수 등)
y_data = df_early[value_column].values

# ==========================================
# 2. 지수 함수 정의 및 피팅(Fitting)
# ==========================================
# 지수 함수 수식 정의: y = a * e^(bx)
def exponential_func(x, a, b):
    return a * np.exp(b * x)

# curve_fit을 이용해 데이터에 가장 잘 맞는 a와 b 값을 찾습니다.
# p0는 초기 추정값입니다. (a=1, b=0.1 정도로 시작)
popt, pcov = curve_fit(exponential_func, x_data, y_data, p0=(1, 0.1))

# 찾은 최적의 매개변수
a_opt, b_opt = popt
print(f"찾아낸 최적의 함수: y = {a_opt:.2f} * e^({b_opt:.4f} * x)")

# ==========================================
# 3. 결과 시각화 (그래프 그리기)
# ==========================================
# 피팅된 함수로 만든 예측 Y값
y_fit = exponential_func(x_data, a_opt, b_opt)

plt.figure(figsize=(10, 6))

# 실제 데이터 (점)
plt.scatter(x_data, y_data, label='Actual Data (CSV)', color='blue', s=30)

# 피팅된 지수 함수 그래프 (빨간 선)
plt.plot(x_data, y_fit, label=f'Fitted Curve: $y={a_opt:.1f} e^{{{b_opt:.3f}x}}$', color='red', linewidth=2)

# 그래프 꾸미기
plt.title('Exponential Curve Fitting of Early Stage Data', fontsize=16)
plt.xlabel('Days Passed', fontsize=12)
plt.ylabel('Cumulative Values', fontsize=12)
plt.legend(fontsize=12)
plt.grid(True, linestyle='--', alpha=0.7)

# 그래프 화면에 띄우기
plt.show()