用Python模拟甲流流感趋势以及可视化相关特点

首先，我们根据近期（2025年11月底）中国疾控中心（CDC）发布的数据，梳理出当前流感态势的核心要点：

甲型H3N2流感流行趋势模拟分析 (2024-2025)

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from datetime import datetime, timedelta

print("开始生成流感趋势模拟分析图表...")

# 1. 生成模拟数据（2024年1月 - 2025年12月）
np.random.seed(42)  # 确保结果可复现
date_range = pd.date_range(start='2024-01', end='2025-12', freq='W')
weeks = len(date_range)

# 模拟全国流感阳性率：体现季节性高峰
base_trend = np.sin(np.arange(weeks) * 2 * np.pi / 52 + 5) * 15 + 20
random_noise = np.random.normal(0, 3, weeks)
# 模拟2025年末的快速上升和高峰
surge_effect = np.zeros(weeks)
surge_start = weeks - 8  # 模拟从10月底开始上升
surge_effect[surge_start:] = np.linspace(0, 25, weeks - surge_start) ** 0.8
flu_positivity_rate = np.clip(base_trend + random_noise + surge_effect, 0, 50)

# 模拟各年龄组阳性率（2025年第47周附近）
ages = ['0-4岁', '5-14岁', '15-24岁', '25-59岁', '60岁及以上']
# 突出显示5-14岁组的高感染率
age_positivity = np.array([28.5, 44.8, 32.1, 26.7, 18.9])  

# 模拟2025年各省份流行水平（基于“17省高流行”信息）
provinces = ['北京', '广东', '浙江', '江苏', '四川', '湖北', '河南', '山东', 
             '湖南', '河北', '上海', '福建', '陕西', '辽宁', '安徽', '江西', 
             '广西', '云南', '黑龙江', '吉林']
activity_levels = np.random.choice(['高', '中', '低'], size=len(provinces), p=[0.4, 0.4, 0.2])
level_map = {'高': 3, '中': 2, '低': 1}
activity_values = [level_map[l] for l in activity_levels]
# 根据公开信息调整部分省份
high_provinces = ['北京', '广东', '浙江', '江苏', '四川']
for p in high_provinces:
    if p in provinces:
        activity_values[provinces.index(p)] = 3
        activity_levels[provinces.index(p)] = '高'

# 2. 创建可视化图表
fig, axes = plt.subplots(2, 2, figsize=(16, 12))
fig.suptitle('甲型H3N2流感流行趋势模拟分析 (2024-2025)', fontsize=18, fontweight='bold', y=1.02)

# 2.1 图表A：全国流感阳性率趋势（模拟）
axes[0, 0].plot(date_range, flu_positivity_rate, color='#E74C3C', linewidth=2.5, label='阳性率趋势')
axes[0, 0].axhline(y=45, color='#8B0000', linestyle='--', linewidth=1.5, alpha=0.7, label='近期报告水平 (~45%)')
axes[0, 0].fill_between(date_range, flu_positivity_rate, 0, color='#E74C3C', alpha=0.1)
axes[0, 0].set_title('模拟：全国流感病毒阳性率趋势', fontsize=14, fontweight='bold', pad=12)
axes[0, 0].set_ylabel('流感阳性率 (%)')
axes[0, 0].set_xlabel('日期')
axes[0, 0].legend(loc='upper left')
axes[0, 0].tick_params(axis='x', rotation=30)
axes[0, 0].grid(True, alpha=0.4)
# 标注预测高峰期
peak_date = date_range[-4]
axes[0, 0].axvline(x=peak_date, color='grey', linestyle=':', alpha=0.7)
axes[0, 0].text(peak_date, axes[0,0].get_ylim()[1]*0.9, ' 预测高峰\n(12月上中旬)', 
                verticalalignment='top', fontsize=9)

# 2.2 图表B：各年龄组感染情况对比（模拟2025年第47周）
bars = axes[0, 1].bar(ages, age_positivity, color=['#3498DB', '#E74C3C', '#F39C12', '#2ECC71', '#9B59B6'])
axes[0, 1].set_title('模拟：各年龄组流感检测阳性率对比 (2025年末)', fontsize=14, fontweight='bold', pad=12)
axes[0, 1].set_ylabel('阳性率 (%)')
axes[0, 1].tick_params(axis='x', rotation=15)
# 在5-14岁组上突出标注
bars[1].set_edgecolor('black')
bars[1].set_linewidth(2)
axes[0, 1].text(1, age_positivity[1]+1.5, '中小学生\n高发群体', ha='center', fontweight='bold', color='#E74C3C')
axes[0, 1].set_ylim(0, 55)

# 2.3 图表C：各省份流感活动水平模拟分布
scatter = axes[1, 0].scatter(range(len(provinces)), 
                            [40 + v*15 + np.random.rand()*10 for v in activity_values], 
                            c=activity_values, 
                            cmap='RdYlGn_r', s=180, alpha=0.8, edgecolors='k', linewidth=0.5)
axes[1, 0].set_title('模拟：各省份流感活动水平 (2025年末)', fontsize=14, fontweight='bold', pad=12)
axes[1, 0].set_ylabel('模拟活动强度指数')
axes[1, 0].set_xticks(range(len(provinces)))
axes[1, 0].set_xticklabels(provinces, rotation=60, fontsize=10)
# 添加颜色条和图例
cbar = plt.colorbar(scatter, ax=axes[1, 0])
cbar.set_ticks([1, 2, 3])
cbar.set_ticklabels(['低流行', '中流行', '高流行'])

# 2.4 图表D：优势毒株构成（基于公开信息）
virus_types = ['甲型 H3N2', '甲型 H1N1', '乙型流感']
virus_percentage = [95.7, 3.0, 1.3]  # 模拟构成比
colors_virus = ['#C0392B', '#E67E22', '#16A085']
wedges, texts, autotexts = axes[1, 1].pie(virus_percentage, labels=virus_types, colors=colors_virus, 
                                          autopct='%1.1f%%', startangle=90)
axes[1, 1].set_title('🦠 当前流感优势毒株构成 (模拟)', fontsize=14, fontweight='bold', pad=12)
# 将H3N2部分突出显示
wedges[0].set_edgecolor('black')
wedges[0].set_linewidth(1.5)

plt.tight_layout()
plt.show()

print("图表生成完成！")
print("\n核心结论 (基于近期权威报告:")
print("1. 当前趋势：正处于快速上升期，预计12月上中旬达峰。")
print("2. 高危人群：中小学生(5-14岁)是感染率最高的群体。")
print("3. 流行毒株：甲型H3N2占绝对主导(>95%)。")
print("4. 地域分布：多地已达高流行水平，需重点关注。")

图1：甲型H3N2流感流行趋势模拟分析 (2024-2025)

t1.png

对当前流感趋势的深入分析

结合图表与公开信息，本次流感流行有以下特点：

1. “免疫缺口”导致疫情高发：本轮流行的甲型H3N2毒株与前两年主要流行的H1N1不同，人群普遍缺乏针对性免疫力，是导致感染人数迅速攀升的核心原因。
2. 中小学生成为“放大器”：中小学生感染率高，主要因为教室人群密集、手卫生习惯尚在养成，且该年龄段免疫系统暴露经历相对较少。他们往往成为家庭和社区传播的“桥梁”。
3. 需警惕重症风险：甲型H3N2可能引起较重的全身症状（如持续高热、肌肉酸痛）。儿童、老年人及有基础疾病者，感染后出现肺炎等并发症的风险更高。感染后48小时内是抗病毒治疗的黄金窗口。
4. 地域传播广泛：全国多数省份流感活动强度已处于中高水平，地区差异可能与气候、人口密度、防控措施力度有关。

注：以上图表和分析基于公开发布的趋势信息和模拟数据生成，旨在展示分析逻辑和可视化方法。

中小学生停课率

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np

# 设置中文字体和样式
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False
plt.style.use('seaborn-v0_8-whitegrid')

print("开始生成甲流校园停课与地域分布模拟分析图表...")

# 1. 模拟数据：基于近期报道中提及的疫情活跃省份
provinces = [
    '广东', '浙江', '北京', '重庆', '河南', '四川', '内蒙古', '湖北', 
    '江苏', '湖南', '山东', '福建', '陕西', '辽宁', '安徽', '新疆'
]
# 模拟这些省份的疫情活动指数 (基于流感阳性率、报告疫情数等信息综合模拟)
np.random.seed(2025)  # 固定随机种子，确保结果可复现
# 为部分重点省份设定较高的活动水平，与报道情况一致
base_activity = np.random.randn(len(provinces)) * 10 + 50
# 手动调高报道中突出的几个省份
hot_spots = {'广东': 25, '浙江': 20, '重庆': 18, '河南': 15, '内蒙古': 15}
for i, p in enumerate(provinces):
    if p in hot_spots:
        base_activity[i] += hot_spots[p]
province_activity = np.clip(base_activity, 20, 95).astype(int)

# 2. 模拟关联的“班级停课风险指数”
# 假设：疫情活动指数越高，校园聚集风险越大，停课风险越高。同时加入随机因素。
# 搜索结果显示，学校是防控重点，90%以上的流感暴发疫情发生在学校
stop_class_risk = np.clip(province_activity * 0.6 + np.random.randn(len(provinces)) * 5 + 20, 10, 90).astype(int)

# 3. 模拟具体城市的数据点（用于散点图）
# 构建一个包含省份、主要城市、疫情指数、停课风险的数据框架
cities = []
for prov in provinces:
    # 每个省份生成1-3个主要城市
    if prov == '广东':
        city_list = ['广州', '深圳', '东莞']
    elif prov == '浙江':
        city_list = ['杭州', '温州', '绍兴']
    elif prov == '河南':
        city_list = ['郑州', '洛阳']
    elif prov == '北京':
        city_list = ['北京']
    elif prov == '重庆':
        city_list = ['重庆']
    else:
        city_list = [prov+'市A', prov+'市B']
    cities.extend(city_list)

city_data = []
for prov, act, risk in zip(provinces, province_activity, stop_class_risk):
    city_list = [c for c in cities if prov in c]
    for city in city_list:
        # 城市数据在省份基础上进行小幅波动
        city_act = max(10, min(100, act + np.random.randint(-15, 15)))
        city_risk = max(10, min(100, risk + np.random.randint(-10, 10)))
        # 模拟一个基于疫情活动和随机因素的“模拟缺勤率”，与报道中的案例呼应
        absentee_rate = max(5, min(50, city_act * 0.3 + np.random.randint(-10, 10)))
        city_data.append([prov, city, city_act, city_risk, absentee_rate])

df_cities = pd.DataFrame(city_data, columns=['省份', '城市', '疫情活动指数', '停课风险指数', '模拟缺勤率(%)'])

# 4. 可视化
fig, axes = plt.subplots(2, 2, figsize=(16, 12))
fig.suptitle('甲型H3N2流感：校园停课风险与地域分布模拟分析 (2025年11-12月)', fontsize=18, fontweight='bold')

# 4.1 子图1：各省份疫情活动水平与停课风险关联（柱状图）
x_pos = np.arange(len(provinces))
width = 0.35
bars1 = axes[0, 0].bar(x_pos - width/2, province_activity, width, label='疫情活动指数', color='#E74C3C', alpha=0.8)
bars2 = axes[0, 0].bar(x_pos + width/2, stop_class_risk, width, label='停课风险指数', color='#F39C12', alpha=0.8)
axes[0, 0].set_title('各省份疫情活动与校园停课风险指数模拟', fontweight='bold', pad=12)
axes[0, 0].set_xlabel('省份')
axes[0, 0].set_ylabel('指数')
axes[0, 0].set_xticks(x_pos)
axes[0, 0].set_xticklabels(provinces, rotation=60)
axes[0, 0].legend()
axes[0, 0].grid(True, axis='y', alpha=0.3)
# 为高风险的几个省份添加标注
high_risk_provinces = ['广东', '浙江', '重庆']
for i, prov in enumerate(provinces):
    if prov in high_risk_provinces:
        axes[0, 0].text(i, max(province_activity[i], stop_class_risk[i]) + 2, '高关注', 
                       ha='center', fontsize=8, color='darkred', fontweight='bold')

# 4.2 子图2：城市层面的疫情与停课风险散点图
scatter = axes[0, 1].scatter(df_cities['疫情活动指数'], df_cities['停课风险指数'], 
                            s=df_cities['模拟缺勤率(%)']*5,  # 点大小表示模拟缺勤率
                            c=df_cities['模拟缺勤率(%)'], cmap='RdYlGn_r', alpha=0.7, edgecolors='k', linewidth=0.5)
axes[0, 1].set_title('主要城市：疫情活动、停课风险与模拟缺勤率关系', fontweight='bold', pad=12)
axes[0, 1].set_xlabel('疫情活动指数')
axes[0, 1].set_ylabel('停课风险指数')
axes[0, 1].grid(True, alpha=0.3)
# 添加颜色条和气泡图例
cbar = plt.colorbar(scatter, ax=axes[0, 1])
cbar.set_label('模拟缺勤率 (%)')
# 手动添加图例，说明气泡大小
for rate in [15, 25, 35]:
    axes[0, 1].scatter([], [], s=rate*5, c='gray', alpha=0.6, edgecolors='k', label=f'缺勤率{rate}%')
axes[0, 1].legend(title='气泡大小对应:', labelspacing=1.5, loc='upper left')

# 4.3 子图3：全国省份疫情活动水平热力图（模拟）
# 创建一个简单的矩阵来模拟地域分布
activity_matrix = province_activity.reshape(4, 4)  # 简单 reshape，仅为可视化效果
im = axes[1, 0].imshow(activity_matrix, cmap='YlOrRd', aspect='auto')
axes[1, 0].set_title('全国省份疫情活动水平模拟热力图', fontweight='bold', pad=12)
axes[1, 0].set_xticks([])
axes[1, 0].set_yticks([])
# 在热力图上显示省份名称和指数
for i in range(4):
    for j in range(4):
        idx = i*4 + j
        if idx < len(provinces):
            text_color = 'white' if activity_matrix[i, j] > 60 else 'black'
            axes[1, 0].text(j, i, f'{provinces[idx]}\n{activity_matrix[i, j]}', 
                          ha='center', va='center', color=text_color, fontweight='bold')
plt.colorbar(im, ax=axes[1, 0], label='疫情活动指数')

# 4.4 子图4：停课风险与缺勤率的关系（带趋势线）
axes[1, 1].scatter(df_cities['停课风险指数'], df_cities['模拟缺勤率(%)'], alpha=0.6, color='purple')
# 计算并绘制趋势线
z = np.polyfit(df_cities['停课风险指数'], df_cities['模拟缺勤率(%)'], 1)
p = np.poly1d(z)
axes[1, 1].plot(df_cities['停课风险指数'], p(df_cities['停课风险指数']), "r--", alpha=0.8, linewidth=2, 
               label=f'趋势线: y={z[0]:.2f}x+{z[1]:.1f}')
axes[1, 1].set_title('校园停课风险指数与模拟缺勤率相关性', fontweight='bold', pad=12)
axes[1, 1].set_xlabel('停课风险指数')
axes[1, 1].set_ylabel('模拟缺勤率 (%)')
axes[1, 1].grid(True, alpha=0.3)
axes[1, 1].legend()

plt.tight_layout()
plt.show()

print("✅ 分析图表生成完毕！")
print("\n💡 核心发现（基于近期报道与模拟数据）:")
print("1. **地域差异显著**：广东、浙江、重庆、河南、内蒙古等地疫情活动与停课风险指数双高。")
print("2. **校园是放大器**：疫情高活动省份，其城市对应的校园停课风险和模拟缺勤率也同步升高。")
print("3. **缺勤与停课强相关**：趋势线显示，停课风险指数上升，通常伴随学生缺勤率增加。")
print("4. **风险传导**：高疫情活动通过学校聚集性疫情，迅速推高停课风险，可能形成‘学校-家庭-社区’传播链。")

图2：甲型H3N2流感：校园停课风险与地域分布模拟分析 (2025年11-12月)

t2.png

图表分析与核心结论

基于代码生成的图表和搜索结果，我们可以得出以下几点核心结论：

综合来看，当前甲流（H3N2）的校园疫情可被概括为：以重点省份为区域核心，通过学校这一密集场所加速传播，导致局部班级缺勤率骤升并触发停课，进而可能向家庭和社区扩散。

门急诊就诊情况的核心信息

整合当前（2025年11月底至12月初）的几项关键事实，作为分析的基准：

import matplotlib.pyplot as plt
import pandas as pd
import numpy as np
from datetime import datetime, time

plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
plt.style.use('seaborn-v0_8-whitegrid')

print("生成门急诊甲流就诊情况模拟分析图表...")

# 1. 模拟单日分时段就诊人次 (24小时)
np.random.seed(42)
hours = list(range(24))
# 基础就诊量：白天高，夜间低
base_flow = np.sin((np.array(hours) - 6) * np.pi / 12) * 30 + 50
base_flow = np.where(base_flow < 20, 20, base_flow)
# 叠加高峰效应：下午3点（15时）和晚上7点（19时）后
peak_effect = np.zeros(24)
peak_effect[15:] += np.linspace(0, 40, 9)[:9]  # 15点开始上升
peak_effect[19:] += np.linspace(0, 25, 5)[:5]  # 19点再次上升
# 加入随机波动
random_noise = np.random.normal(0, 5, 24)
hourly_patients = np.clip(base_flow + peak_effect + random_noise, 10, 120).astype(int)

# 2. 模拟一周就诊量变化（突出周末高峰）
week_days = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
weekly_base = np.array([100, 105, 102, 108, 110, 130, 125])  # 周末增加20-30%
weekly_patients = weekly_base + np.random.randint(-8, 8, size=7)

# 3. 模拟就诊患者年龄段分布
age_groups = ['0-4岁', '5-14岁', '15-24岁', '25-59岁', '60岁+']
# 突出5-14岁组的主导地位
age_distribution = np.array([15, 42, 18, 16, 9])  

# 4. 模拟不同年龄组的高热（体温≥38.5℃）发生率
high_fever_rate = np.array([65, 78, 70, 60, 55])  # 单位：%

# 5. 可视化
fig, axes = plt.subplots(2, 2, figsize=(16, 12))
fig.suptitle('甲型H3N2流感门急诊就诊情况模拟分析 (2025年11-12月)', fontsize=18, fontweight='bold', y=1.02)

# 5.1 子图1：单日内就诊流量时段分布
ax1 = axes[0, 0]
bars = ax1.bar(hours, hourly_patients, color='skyblue', edgecolor='navy', alpha=0.7)
ax1.set_title('🕒 模拟：单日门急诊就诊流量时段分布', fontsize=14, fontweight='bold', pad=12)
ax1.set_xlabel('24小时制时间')
ax1.set_ylabel('模拟就诊人次 (相对值)')
ax1.set_xticks([0, 4, 8, 12, 16, 20])
ax1.set_xticklabels(['0:00', '4:00', '8:00', '12:00', '16:00', '20:00'])
ax1.axvline(x=15, color='red', linestyle='--', alpha=0.7, label='高峰起始 (15:00后)')
ax1.axvline(x=19, color='orange', linestyle='--', alpha=0.7, label='晚高峰 (19:00后)')
ax1.legend()
ax1.grid(True, axis='y', alpha=0.3)
# 标注建议时段
ax1.axvspan(8, 10, alpha=0.2, color='green', label='建议时段 (相对空闲)')
ax1.axvspan(13, 15, alpha=0.2, color='green')
ax1.legend()

# 5.2 子图2：一周就诊量变化（周末高峰）
ax2 = axes[0, 1]
ax2.plot(week_days, weekly_patients, marker='o', linewidth=2.5, color='#E74C3C', markersize=8)
ax2.fill_between(week_days, weekly_patients, alpha=0.2, color='#E74C3C')
ax2.set_title('📅 模拟：一周内门急诊就诊量变化趋势', fontsize=14, fontweight='bold', pad=12)
ax2.set_ylabel('模拟日均就诊量 (相对值)')
ax2.grid(True, alpha=0.3)
# 突出标注周末
for i, (day, val) in enumerate(zip(week_days, weekly_patients)):
    if i >= 5:
        ax2.text(i, val+3, f'+{int((val/weekly_patients[0]-1)*100)}%', ha='center', fontweight='bold', color='darkred')

# 5.3 子图3：就诊患者年龄段分布
ax3 = axes[1, 0]
colors = ['#FF9999', '#FF6666', '#FF3333', '#CC3333', '#993333']
bars = ax3.bar(age_groups, age_distribution, color=colors)
ax3.set_title('👨👩👧👦 模拟：门急诊就诊患者年龄段分布 (阳性检出主导群体)', fontsize=14, fontweight='bold', pad=12)
ax3.set_ylabel('就诊患者构成比 (%)')
ax3.set_xlabel('年龄组')
# 在5-14岁组上突出标注
bars[1].set_edgecolor('black')
bars[1].set_linewidth(2)
ax3.text(1, age_distribution[1]+1.5, '核心就诊群体', ha='center', fontweight='bold', fontsize=10)
ax3.grid(True, axis='y', alpha=0.3)

# 5.4 子图4：各年龄组高热（≥38.5℃）发生率
ax4 = axes[1, 1]
x = np.arange(len(age_groups))
width = 0.4
bars1 = ax4.bar(x - width/2, age_distribution, width, label='就诊构成比 (%)', color='skyblue', alpha=0.7)
ax4_twin = ax4.twinx()
bars2 = ax4_twin.bar(x + width/2, high_fever_rate, width, label='高热发生率 (%)', color='#FFA500', alpha=0.7)
ax4.set_title('🌡️ 模拟：各年龄组就诊构成与高热发生率关联', fontsize=14, fontweight='bold', pad=12)
ax4.set_xlabel('年龄组')
ax4.set_ylabel('就诊构成比 (%)', color='skyblue')
ax4_twin.set_ylabel('高热发生率 (%)', color='#FFA500')
ax4.set_xticks(x)
ax4.set_xticklabels(age_groups)
# 合并图例
lines1, labels1 = ax4.get_legend_handles_labels()
lines2, labels2 = ax4_twin.get_legend_handles_labels()
ax4.legend(lines1 + lines2, labels1 + labels2, loc='upper right')
ax4.grid(True, axis='y', alpha=0.3)

plt.tight_layout()
plt.show()

print("✅ 门急诊就诊情况模拟分析图表生成完毕！")

图3：甲型H3N2流感门急诊就诊情况模拟分析 (2025年11-12月)

t3.png

图表分析与核心结论

综合来看，当前甲流就诊呈现 “学生主导、高热常见、夜间周末扎堆” 的特点。为此，建议：

1. 家庭应对：
   • 备药与监测：家中可常备退烧药。孩子发热时，密切监测体温和精神状态，若出现持续高热（超过3天）、精神萎靡、呼吸急促等情况，应立即就医。
   • 黄金窗口期：一旦怀疑流感，在症状出现48小时内使用抗病毒药物（如奥司他韦）效果最佳。
2. 就医策略：
   • 掌握就诊高峰时段，灵活选择就医时间。
   • 可利用部分医院提供的线上问诊服务进行初步咨询。
3. 根本预防：
   • 接种疫苗仍是预防流感、减轻重症的最有效手段。
   • 在公共场所科学佩戴口罩、勤洗手、多通风等基础防护措施依然有效。

注：以上分析基于公开报道的趋势和临床特征，结合模拟数据生成，旨在提供分析框架和行动参考。

当前甲流特点与相关因素分析

根据中国疾控中心2025年11月底的通报，全国流感活动整体进入中流行水平，有17个省份已达高流行水平。
华东地区除个别省份外，其余各省份均已处于中或高流行水平。这意味着疫情并非均匀分布，而是呈现明显的区域聚集性。

为了直观展示这种地域集中性，斑点鱼使用Python生成高流行省份的模拟地图：

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 设置中文字体和样式
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
plt.style.use('seaborn-v0_8-whitegrid')

# 基于公开信息模拟的高流行与中流行省份数据
high_provinces = ['北京', '天津', '河北', '山西', '辽宁', '江苏', '浙江', '安徽', '福建', '江西', '山东', '河南', '湖北', '广东', '四川', '陕西', '甘肃']
mid_provinces = ['上海', '湖南', '重庆', '云南', '广西', '贵州', '黑龙江', '吉林', '内蒙古', '宁夏', '青海', '新疆']
low_provinces = ['海南', '西藏']

# 为每个省份分配模拟的流行强度指数 (用于热力地图)
province_intensity = {}
for prov in high_provinces:
    province_intensity[prov] = np.random.uniform(70, 95)  # 高流行
for prov in mid_provinces:
    province_intensity[prov] = np.random.uniform(40, 65)  # 中流行
for prov in low_provinces:
    province_intensity[prov] = np.random.uniform(10, 30)  # 低流行

# 创建数据框
df_map = pd.DataFrame(list(province_intensity.items()), columns=['省份', '流行强度指数'])
df_map['流行水平'] = df_map['省份'].apply(lambda x: '高' if x in high_provinces else ('中' if x in mid_provinces else '低'))

print("各省份流感流行强度模拟数据 (前10行):")
print(df_map.head(10))

注：以上省份名单为基于17省高流行事实的模拟，用于可视化演示。真实的高流行省份名单，请以中国疾控中心（CDC）官方周报为准。

# 绘制模拟的全国流感流行强度热力图（示意图）
fig, ax = plt.subplots(1, 2, figsize=(16, 6))

# 子图1：省份流行强度条形图
provinces_plot = list(province_intensity.keys())
intensity_plot = list(province_intensity.values())
colors = ['#E74C3C' if p in high_provinces else ('#F39C12' if p in mid_provinces else '#2ECC71') for p in provinces_plot]

ax[0].barh(provinces_plot, intensity_plot, color=colors, edgecolor='black')
ax[0].set_xlabel('模拟流行强度指数')
ax[0].set_title('各省份甲型H3N2流感流行强度模拟示意图', fontweight='bold', pad=12)
ax[0].axvline(x=70, color='grey', linestyle='--', alpha=0.7, label='高流行阈值')
ax[0].axvline(x=40, color='grey', linestyle=':', alpha=0.7, label='中流行阈值')
ax[0].legend()
ax[0].grid(True, axis='x', alpha=0.3)

# 子图2：简单的地理区块模拟图（用气泡大小表示强度）
np.random.seed(42)
x = np.random.randn(len(provinces_plot))
y = np.random.randn(len(provinces_plot))

scatter = ax[1].scatter(x, y, s=[i*2 for i in intensity_plot], c=intensity_plot, cmap='RdYlGn_r', alpha=0.6, edgecolors='black')
ax[1].set_title('流感流行强度地理分布模拟（气泡大小代表强度）', fontweight='bold', pad=12)
ax[1].set_xticks([])
ax[1].set_yticks([])

# 为部分重点省份添加标签
for i, prov in enumerate(provinces_plot):
    if province_intensity[prov] > 80:  # 为强度特别高的省份加注
        ax[1].text(x[i], y[i]+0.15, prov, ha='center', fontsize=9, fontweight='bold')

# 添加颜色条
plt.colorbar(scatter, ax=ax[1], label='流行强度指数')

plt.tight_layout()
plt.show()

图6：流感流行强度地理分布模拟

t6.png

通过图表可以归纳出当前甲流疫情的地域分布特点：

1. 多点高发，范围广泛：高流行省份遍布华北、华东、华南、华中和西南，并非局限于单一区域。
2. 南北方同步活跃：北方省份哨点医院报告的流感样病例百分比为 7.0%，南方省份为 6.7%，均处于较高水平且北方略高。
3. 城市聚集性明显：疫情报告多集中在人口密集、社交频繁的城市地区，学校和托幼机构是疫情“放大器”。

当前甲流特点与症状

根据全国流感监测数据和临床报告，甲流的核心症状在全国范围内基本一致，都以突发高热、全身酸痛为主，但在严重程度、并发症和特定人群表现上存在一些值得注意的地区性特点。

核心症状一致性：全国共同的“流感样”表现

甲流的症状具有高度可预测性。下图模拟了全国报告的主要症状出现概率，这构成了各地症状的“基本盘”：

import matplotlib.pyplot as plt
import numpy as np

plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

# 甲流全国常见核心症状及模拟出现概率（基于临床描述综合）
symptoms_core = ['发热\n(>38.5℃)', '咳嗽', '乏力/酸痛', '头痛', '咽痛', '寒战', '鼻塞/流涕']
core_frequency = np.array([95, 85, 80, 75, 65, 60, 55])  # 模拟出现百分比

# 可视化核心症状谱
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(16, 7))
fig.suptitle('甲型H3N2流感全国核心症状谱 (模拟数据)', fontsize=16, fontweight='bold')

# 子图1：核心症状频率条形图
bars = ax1.barh(symptoms_core, core_frequency, color='#E74C3C', alpha=0.7, edgecolor='black')
ax1.set_xlabel('模拟出现概率 (%)')
ax1.set_title('全国高度一致的核心症状', fontweight='bold', pad=12)
ax1.set_xlim(0, 100)
ax1.grid(True, axis='x', alpha=0.3)
# 在条形上添加数值
for bar, freq in zip(bars, core_frequency):
    width = bar.get_width()
    ax1.text(width + 1, bar.get_y() + bar.get_height()/2, f'{freq}%', va='center')

# 子图2：症状组合示意图（桑基图风格简化）
# 模拟从“感染”到“主要症状”的流量
symptom_start = ['感染']
symptom_end = ['高热就诊', '咳嗽乏力就诊', '轻症未就诊']
flow_value = [70, 20, 10]  # 模拟不同主诉就诊的比例
colors_flow = ['#C0392B', '#E67E22', '#7DCEA0']

wedges, texts, autotexts = ax2.pie(flow_value, labels=symptom_end, colors=colors_flow, autopct='%1.1f%%',
                                    startangle=90, wedgeprops=dict(edgecolor='w'))
ax2.set_title('模拟：以核心症状就诊的分布', fontweight='bold', pad=12)
centre_circle = plt.Circle((0,0),0.40,fc='white')
ax2.add_artist(centre_circle)
ax2.text(0, 0, '感染后\n主要路径', ha='center', va='center', fontweight='bold')

plt.tight_layout()
plt.show()

图9：甲型H3N2流感全国核心症状谱 (模拟数据)

t9.png

图表解读：无论身处何地，一旦感染当前流行的甲型H3N2，超过90%的患者会出现突发性高热（常超过38.5℃），并伴有咳嗽、严重的全身乏力和肌肉酸痛。这是判断流感而非普通感冒的关键。

症状的地区性特点分析

尽管核心症状相同，但以下因素会导致一些可观察到的差异：

下面的代码模拟了这些地域和人群差异：

# 模拟并可视化症状的地域及人群差异
fig, axes = plt.subplots(2, 2, figsize=(15, 12))

# 数据准备：模拟不同地区/人群的症状强度（0-10分）
categories = ['高热程度', '咳嗽频率', '肌肉酸痛', '头痛', '胃肠道症状']
north_data = np.array([9.5, 8.0, 8.5, 7.0, 3.0])  # 北方：高热、咳嗽、酸痛突出
south_data = np.array([9.0, 7.0, 8.0, 8.5, 4.0])  # 南方：高热、头痛较突出
child_data = np.array([9.8, 7.5, 6.0, 5.0, 7.5])  # 儿童：高热、胃肠道症状突出
elderly_data = np.array([6.5, 8.0, 8.5, 6.0, 4.5]) # 老年人：发热轻，咳嗽乏力重

# 子图1：南北方成人症状强度雷达图
ax_radar = axes[0, 0]
angles = np.linspace(0, 2 * np.pi, len(categories), endpoint=False).tolist()
angles += angles[:1]  # 闭合图形
north_plot = np.append(north_data, north_data[0])
south_plot = np.append(south_data, south_data[0])
ax_radar.plot(angles, north_plot, 'o-', linewidth=2, label='北方成人（模拟）', color='#3498DB')
ax_radar.fill(angles, north_plot, alpha=0.1, color='#3498DB')
ax_radar.plot(angles, south_plot, 's-', linewidth=2, label='南方成人（模拟）', color='#E67E22')
ax_radar.fill(angles, south_plot, alpha=0.1, color='#E67E22')
ax_radar.set_xticks(angles[:-1])
ax_radar.set_xticklabels(categories, fontsize=10)
ax_radar.set_ylim(0, 10)
ax_radar.set_title('地域差异模拟：南北方典型成人症状强度对比', fontweight='bold', pad=15)
ax_radar.legend(loc='upper right')
ax_radar.grid(True)

# 子图2：儿童 vs 老年人症状对比条形图
ax_bar = axes[0, 1]
x = np.arange(len(categories))
width = 0.35
bars1 = ax_bar.bar(x - width/2, child_data, width, label='儿童（模拟）', color='#9B59B6', alpha=0.8)
bars2 = ax_bar.bar(x + width/2, elderly_data, width, label='老年人（模拟）', color='#16A085', alpha=0.8)
ax_bar.set_xlabel('症状类型')
ax_bar.set_ylabel('模拟症状强度 (0-10)')
ax_bar.set_title('人群差异显著：儿童与老年人症状表现对比', fontweight='bold', pad=12)
ax_bar.set_xticks(x)
ax_bar.set_xticklabels(categories)
ax_bar.legend()
ax_bar.grid(True, axis='y', alpha=0.3)
# 在儿童高热和胃肠道症状上做标注
ax_bar.text(0 - width/2, child_data[0]+0.2, '易惊厥', ha='center', fontsize=9, fontweight='bold', color='#9B59B6')
ax_bar.text(4 - width/2, child_data[4]+0.2, '常伴呕吐腹泻', ha='center', fontsize=9, fontweight='bold', color='#9B59B6')
# 在老年人低热高咳嗽上做标注
ax_bar.text(0 + width/2, elderly_data[0]+0.2, '发热或不明显', ha='center', fontsize=9, fontweight='bold', color='#16A085')
ax_bar.text(1 + width/2, elderly_data[1]+0.2, '咳嗽肺炎风险高', ha='center', fontsize=9, fontweight='bold', color='#16A085')

# 子图3：并发症风险地域模拟（热力图风格）
ax_heat = axes[1, 0]
complications = ['肺炎', '心肌炎', '神经系统\n并发症', '原有基础病\n加重']
regions = ['华北', '华东', '华南', '西南', '东北']
risk_data = np.array([
    [7, 5, 3, 8],  # 华北
    [6, 4, 4, 7],  # 华东
    [5, 6, 5, 6],  # 华南
    [6, 5, 4, 7],  # 西南
    [8, 4, 3, 9],  # 东北
])
im = ax_heat.imshow(risk_data, cmap='YlOrRd', aspect='auto', vmin=0, vmax=10)
ax_heat.set_xticks(np.arange(len(complications)))
ax_heat.set_yticks(np.arange(len(regions)))
ax_heat.set_xticklabels(complications, fontsize=10)
ax_heat.set_yticklabels(regions)
ax_heat.set_title('不同地区并发症风险模拟 (指数: 0-10)', fontweight='bold', pad=12)
# 在热力格中显示数值
for i in range(len(regions)):
    for j in range(len(complications)):
        text_color = 'white' if risk_data[i, j] > 6 else 'black'
        ax_heat.text(j, i, f'{risk_data[i, j]}', ha='center', va='center', color=text_color, fontweight='bold')
plt.colorbar(im, ax=ax_heat, label='风险指数')

# 子图4：症状持续时间模拟分布
ax_box = axes[1, 1]
np.random.seed(42)
# 模拟不同人群的发热持续时间（天）
fever_child = np.random.exponential(scale=2.5, size=100) + 3  # 儿童：平均4-5天
fever_adult_north = np.random.exponential(scale=2.0, size=100) + 2  # 北方成人：平均3-4天
fever_adult_south = np.random.exponential(scale=2.2, size=100) + 2.5  # 南方成人：平均3.5-4.5天
fever_elderly = np.random.exponential(scale=3.0, size=100) + 1  # 老年人：平均2-4天，但可能不典型
all_fever = [fever_child, fever_adult_north, fever_adult_south, fever_elderly]
labels_box = ['儿童', '北方成人', '南方成人', '老年人']
boxplot = ax_box.boxplot(all_fever, labels=labels_box, patch_artist=True, medianprops=dict(color='black'))
colors_box = ['#9B59B6', '#3498DB', '#E67E22', '#16A085']
for patch, color in zip(boxplot['boxes'], colors_box):
    patch.set_facecolor(color)
    patch.set_alpha(0.6)
ax_box.set_ylabel('发热持续时间模拟 (天)')
ax_box.set_title('症状持续时间的人群与地域差异模拟', fontweight='bold', pad=12)
ax_box.grid(True, axis='y', alpha=0.3)

plt.tight_layout()
plt.show()

图10：症状持续时间的人群与地域差异模拟

t10.png

流感与气温的关系分析

多项科学研究证实，流感传播与气象条件密切相关，但关系并非简单的“越冷越多”，而是复杂的非线性关系。

1. 核心科学依据

• 温度与湿度是关键：一项2025年发表的覆盖中国324个城市的研究指出，温度是影响流感活动最重要的气象因素。低温低湿的冬季环境（11月至次年3月）最有利于流感病毒在空气中长时间存活和高效传播。
• “U型”关系：研究发现了气象因素与流感发病之间的“U型关系”，意味着极低温和较高温都可能增加流感风险，而最适宜的温度区间风险最低。
• 气候带差异：在温带地区（如中国大部分北方省份），流感流行通常呈现明显的冬季单峰。而在热带地区（如中国南方部分地区），流感活动可能与降雨季相关，季节模式更复杂。

2. 可视化：温度与流感风险的模拟关系
下面的代码模拟了流感风险与气温之间的“U型”非线性关系：

# 模拟流感风险与气温的“U型”关系
temperatures = np.arange(-10, 31, 1)  # 温度范围从-10°C到30°C
# 使用二次函数模拟U型关系，最低风险约在10°C
flu_risk = 0.01 * (temperatures - 10)**2 + 20 + np.random.normal(0, 2, len(temperatures))

fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(15, 5))

# 子图1：U型关系曲线
ax1.plot(temperatures, flu_risk, linewidth=2.5, color='darkblue')
ax1.fill_between(temperatures, flu_risk, 25, alpha=0.1, color='blue')
ax1.set_xlabel('温度 (℃)')
ax1.set_ylabel('模拟流感相对风险指数')
ax1.set_title('温度与流感风险的“U型”关系模拟', fontweight='bold', pad=12)
ax1.axvline(x=5, color='red', linestyle='--', alpha=0.7, label='低温高风险区')
ax1.axvline(x=22, color='orange', linestyle='--', alpha=0.7, label='高温高风险区')
ax1.axvspan(-10, 5, alpha=0.1, color='blue', label='冬季风险区间')
ax1.axvspan(22, 30, alpha=0.1, color='red', label='异常暖冬风险区间')
ax1.legend()
ax1.grid(True, alpha=0.3)

# 子图2：不同气候带的模拟季节模式
months = np.arange(1, 13)
# 温带：冬季单峰
temperate_pattern = 30 + 20 * np.sin((months - 1) * 2 * np.pi / 12 - np.pi/2)
# 热带：可能双峰或与雨季相关
tropical_pattern = 25 + 10 * np.sin((months - 1) * 2 * np.pi / 12 + np.pi/4) + 5 * np.sin((months - 1) * 2 * np.pi / 6)

ax2.plot(months, temperate_pattern, marker='o', label='温带气候区 (模拟)', linewidth=2)
ax2.plot(months, tropical_pattern, marker='s', label='热带/亚热带气候区 (模拟)', linewidth=2)
ax2.set_xlabel('月份')
ax2.set_ylabel('模拟流感活动水平')
ax2.set_title('不同气候带流感活动的季节性模式差异', fontweight='bold', pad=12)
ax2.set_xticks(months)
ax2.set_xticklabels(['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月'], rotation=30)
ax2.legend()
ax2.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

图7：流感风险与气温之间的“U型”非线性关系图

t7.png

流感与地理的关系分析

📊 核心差异对比：北方 vs 南方

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd

# 设置中文字体和样式
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
plt.style.use('seaborn-v0_8-whitegrid')

print("开始生成南北方甲流流行特征对比可视化图表...")

# 1. 数据准备：基于表格中描述的差异
months = np.arange(1, 13)
month_labels = ['1月', '2月', '3月', '4月', '5月', '6月', '7月', '8月', '9月', '10月', '11月', '12月']

# 1.1 模拟季节模式数据：北方单峰陡峭，南方主峰平缓且有夏季小峰
# 北方：集中在12-2月的高峰
north_seasonal = np.array([15, 45, 55, 30, 10, 5, 3, 3, 5, 10, 20, 30])
# 南方：冬季主峰+夏季小峰
south_seasonal = np.array([25, 40, 45, 30, 20, 25, 30, 35, 25, 20, 25, 30])

# 1.2 模拟近五年高峰月阳性率数据（用于箱型图）
np.random.seed(42)
north_peak_rates = np.random.normal(52, 8, 5)  # 北方均值52%，波动大
south_peak_rates = np.random.normal(36, 4, 5)   # 南方均值36%，波动小

# 1.3 模拟气候风险数据：气温与湿度组合下的传播风险
temperatures = np.linspace(-10, 30, 9)
abs_humidity_north = np.linspace(2, 10, 9)  # 北方绝对湿度低
rel_humidity_south = np.linspace(60, 90, 9) # 南方相对湿度高

# 1.4 模拟毒株构成数据 (2023-2024季)
strains_north = {'H3N2': 45, 'H1N1': 40, '乙流(Vic)': 15}
strains_south = {'H3N2': 65, 'H1N1': 20, '乙流(Yam)': 15}

# 2. 创建2x2的子图布局
fig, axes = plt.subplots(2, 2, figsize=(16, 12))
fig.suptitle('甲型流感南北方流行特征对比分析', fontsize=18, fontweight='bold', y=1.02)

# 2.1 子图1：季节模式对比
ax1 = axes[0, 0]
width = 0.35
x = np.arange(len(months))
ax1.bar(x - width/2, north_seasonal, width, label='北方模式', color='#3498DB', alpha=0.8, edgecolor='black')
ax1.bar(x + width/2, south_seasonal, width, label='南方模式', color='#E67E22', alpha=0.8, edgecolor='black')
ax1.set_xlabel('月份')
ax1.set_ylabel('模拟流感活动指数')
ax1.set_title('主要流行季节模式对比', fontweight='bold', pad=12)
ax1.set_xticks(x)
ax1.set_xticklabels(month_labels, rotation=30)
ax1.legend()
ax1.grid(True, axis='y', alpha=0.3)
# 标注关键特征
ax1.text(0.5, 58, '北方：冬季单峰，陡升陡降', ha='center', fontsize=10, fontweight='bold', color='#3498DB')
ax1.text(6.5, 38, '南方：主峰平缓，夏季有小峰', ha='center', fontsize=10, fontweight='bold', color='#E67E22')

# 2.2 子图2：流行强度对比（高峰月阳性率）
ax2 = axes[0, 1]
bp_data = [north_peak_rates, south_peak_rates]
box = ax2.boxplot(bp_data, patch_artist=True, labels=['北方省份', '南方省份'],
                  medianprops=dict(color='black', linewidth=2),
                  boxprops=dict(facecolor='lightgray'))
# 自定义箱体颜色
colors = ['#3498DB', '#E67E22']
for patch, color in zip(box['boxes'], colors):
    patch.set_facecolor(color)
    patch.set_alpha(0.6)
ax2.set_ylabel('高峰月流感阳性率 (%)')
ax2.set_title('近五年高峰月阳性率分布对比', fontweight='bold', pad=12)
ax2.grid(True, axis='y', alpha=0.3)
# 添加数据点
for i, data in enumerate(bp_data):
    y = data
    x = np.random.normal(i+1, 0.04, size=len(y))
    ax2.scatter(x, y, alpha=0.6, color=colors[i], edgecolor='black', s=50)

# 2.3 子图3：毒株构成对比
ax3 = axes[1, 0]
# 北方毒株
north_values = list(strains_north.values())
north_labels = [f'{k}\n{v}%' for k, v in strains_north.items()]
north_colors = ['#E74C3C', '#3498DB', '#2ECC71']
wedges_north, texts_north, autotexts_north = ax3.pie(
    north_values, labels=north_labels, colors=north_colors, startangle=90,
    wedgeprops=dict(edgecolor='w', linewidth=1), autopct='', pctdistance=0.85
)
ax3.set_title('北方近年毒株构成 (模拟2023-2024季)', fontweight='bold', pad=12)
centre_circle = plt.Circle((0,0),0.70,fc='white')
ax3.add_artist(centre_circle)
ax3.text(0, 0, '北方', ha='center', va='center', fontsize=12, fontweight='bold')

# 南方毒株
ax3_sub = axes[1, 0].inset_axes([0.65, 0.1, 0.35, 0.35])
south_values = list(strains_south.values())
south_labels = [f'{k}\n{v}%' for k, v in strains_south.items()]
south_colors = ['#E74C3C', '#3498DB', '#9B59B6']
wedges_south, texts_south, autotexts_south = ax3_sub.pie(
    south_values, labels=south_labels, colors=south_colors, startangle=90,
    wedgeprops=dict(edgecolor='w', linewidth=1), autopct='', pctdistance=0.85
)
centre_circle_south = plt.Circle((0,0),0.70,fc='white')
ax3_sub.add_artist(centre_circle_south)
ax3_sub.text(0, 0, '南方', ha='center', va='center', fontsize=10, fontweight='bold')
ax3.text(0.5, -0.1, '毒株构成对比：北方H1N1占比更高，南方H3N2主导更明显', 
         ha='center', va='center', transform=ax3.transAxes, fontsize=9)

# 2.4 子图4：气候驱动因素示意图
ax4 = axes[1, 1]
# 创建散点图模拟不同温湿度组合下的风险
np.random.seed(123)
n = 100
# 北方：低温和低绝对湿度组合，高风险点集中
north_temp = np.random.uniform(-10, 10, n)
north_humidity = np.random.uniform(2, 8, n)
north_risk = 0.7 * (10 - north_temp) + 0.3 * (8 - north_humidity) + np.random.normal(0, 2, n)
# 南方：温度范围广，高相对湿度，风险点分散
south_temp = np.random.uniform(5, 30, n)
south_humidity = np.random.uniform(60, 95, n)
south_risk = 0.5 * np.abs(south_temp - 20) + 0.5 * np.abs(south_humidity - 80) + np.random.normal(0, 3, n)

scatter_north = ax4.scatter(north_temp, north_humidity, c=north_risk, cmap='Blues', 
                           s=50, alpha=0.7, edgecolors='black', linewidth=0.5, label='北方模式')
scatter_south = ax4.scatter(south_temp, south_humidity, c=south_risk, cmap='Oranges', 
                           s=50, alpha=0.7, marker='s', edgecolors='black', linewidth=0.5, label='南方模式')
ax4.set_xlabel('温度 (℃)')
ax4.set_ylabel('湿度 (北方:绝对湿度g/kg, 南方:相对湿度%)')
ax4.set_title('气候驱动因素差异示意图', fontweight='bold', pad=12)
ax4.legend()
ax4.grid(True, alpha=0.3)
# 标注关键风险区域
ax4.axvspan(-10, 5, alpha=0.1, color='blue', label='北方高风险温区')
ax4.axvspan(25, 30, alpha=0.1, color='red', label='南方潜在风险温区')
ax4.text(-5, 9, '低温低湿\n(北方典型风险环境)', ha='center', fontsize=9, bbox=dict(boxstyle="round,pad=0.3", facecolor="white", alpha=0.8))
ax4.text(25, 85, '高温高湿\n(南方风险环境)', ha='center', fontsize=9, bbox=dict(boxstyle="round,pad=0.3", facecolor="white", alpha=0.8))

plt.tight_layout()
plt.show()

print("✅ 南北方甲流流行特征对比图表生成完毕！")
print("\n📋 核心结论摘要：")
print("1. 季节模式：北方呈集中、陡峭的冬季单峰；南方则更平缓且可能伴夏季小峰。")
print("2. 流行强度：北方高峰月的阳性率中位数和波动范围均显著高于南方。")
print("3. 毒株构成：北方H1N1与H3N2竞争更激烈；南方H3N2优势持续且明显。")
print("4. 气候驱动：北方传播主要受低温、低绝对湿度驱动；南方则与高温、高相对湿度相关。")

图8：南北方甲流流行特征对比图

t8.png

图表解读与核心发现

这张组合图表从四个维度直观验证了在表格中总结的差异：

1. 季节模式对比（左上图）
   • 北方：活动指数在12月至次年2月急剧攀升，形成陡峭单峰，3月后迅速回落，符合“陡升陡降”特征。
   • 南方：冬季主峰相对平缓，且在6-8月（夏季）出现了一个清晰的小高峰，印证了“有时有夏季小峰”的特点。
2. 流行强度对比（右上图）
   • 箱型图显示，北方省份高峰月阳性率的中位数、上四分位数均远高于南方，且数据点分布更分散，说明某些年份或地区的峰值可以非常高（如突破50%）。
   • 南方数据分布更集中，波动小，印证了其流行强度相对温和、稳定的特点。
3. 毒株构成对比（左下图）
   • 嵌套饼图清晰显示：在模拟的2023-2024季，北方H1N1（蓝）占比达40%，与H3N2（红）形成竞争；而南方H3N2占比高达65%，占据绝对主导地位。
   • 乙流毒株在南北方的系别也不同，体现了长期演化差异。
4. 气候驱动示意图（右下图）
   • 散点图揭示了不同的风险环境组合：北方的“高风险”点密集出现在低温（-10℃至5℃）、低绝对湿度（2-8 g/kg）的蓝色区域。
   • 南方的风险点则分散在更广的温度范围，并与高相对湿度（>80%）相关联的橙色区域，这与“和降水、湿度关系密切”的描述一致。

• 北方的防控必须抓住冬季的“关键窗口期”，采取高强度、集中式的干预（如季节性疫苗接种、高峰期限聚）。
• 南方则需要 “全年警惕，重点防御” 的策略，不仅关注冬春季，对夏季可能的疫情抬头也要有所准备。

根本原因分析：为什么会产生这种差异？

南北方差异主要源于以下三个因素的共同作用：

总结与应对启示

理解这种地域差异，对你的防护有直接指导意义：

注：以上分析和可视化基于长期监测规律和模拟数据。具体到某一年份，可能会因优势毒株更替、气候异常（如暖冬）、人群流动性变化等因素出现特例。最准确的实时信息，请查阅中国国家流感中心每周发布的《流感周报》。

甲流阳性率趋势模拟预测

根据中国疾病预防控制中心（CDC）及地方疾控部门发布的最新预测，基于权威的疫情趋势研判，使用Python对全国及主要地区未来三个月（2025年12月至2026年2月）的甲流阳性率趋势进行模拟分析和可视化。

核心预测依据与全国趋势

1. 当前疫情现状 (预测起点)
截至2025年12月初，全国流感活动处于快速上升阶段。

• 阳性率：全国门急诊流感样病例的流感病毒检测阳性率已从11月底的接近45% 上升至 51%。
• 流行水平：全国共有17个省份处于高流行水平，其余省份处于中流行水平。
• 优势毒株：甲型H3N2亚型占绝对主导，占比超过95%。

2. 全国及分区域高峰期预测
以下是基于疾控部门发布信息的权威预测汇总：

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib.dates as mdates
from datetime import datetime, timedelta

# 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False

# 1. 定义预测时间段：从2025-12-01到2026-02-28
start_date = datetime(2025, 12, 1)
end_date = datetime(2026, 2, 28)
date_range = pd.date_range(start=start_date, end=end_date, freq='D')
days = len(date_range)

# 2. 模拟全国阳性率趋势 (逻辑斯谛增长与衰减模型)
# 假设12月10日为全国理论峰值日，峰值阳性率设为52%
peak_date_national = datetime(2025, 12, 10)
peak_value = 52.0
growth_rate = 0.25  # 增长速率
decay_rate = 0.05   # 衰减速率

# 计算每日模拟阳性率
national_rates = []
for i, date in enumerate(date_range):
    days_to_peak = (date - peak_date_national).days
    if days_to_peak <= 0:
        # 增长期：逻辑斯谛增长
        rate = peak_value / (1 + np.exp(-growth_rate * days_to_peak))
    else:
        # 衰减期：指数衰减，并叠加一个小的反弹波动
        decay = peak_value * np.exp(-decay_rate * days_to_peak)
        # 模拟1月初的小反弹
        bounce = 1.5 * np.exp(-0.3 * (days_to_peak - 22)**2) if days_to_peak > 15 else 0
        rate = decay + bounce
    # 确保阳性率不低于基线值（例如5%）
    national_rates.append(max(rate, 5.0))

# 3. 模拟南北方差异化趋势
# 北方：峰值稍早（12月15日），下降和反弹更明显
peak_date_north = datetime(2025, 12, 15)
north_rates = []
for i, date in enumerate(date_range):
    days_to_peak = (date - peak_date_north).days
    if days_to_peak <= 0:
        rate = 50.0 / (1 + np.exp(-0.3 * days_to_peak))
    else:
        decay = 50.0 * np.exp(-0.06 * days_to_peak)
        # 模拟1月初更明显的反弹
        bounce = 3.0 * np.exp(-0.25 * (days_to_peak - 20)**2) if 15 < days_to_peak < 35 else 0
        rate = decay + bounce
    north_rates.append(max(rate, 5.0))

# 南方：峰值稍晚（1月1日），流行期更长，下降更平缓
peak_date_south = datetime(2026, 1, 1)
south_rates = []
for i, date in enumerate(date_range):
    days_to_peak = (date - peak_date_south).days
    if days_to_peak <= 0:
        rate = 48.0 / (1 + np.exp(-0.2 * days_to_peak))
    else:
        # 更慢的衰减
        decay = 48.0 * np.exp(-0.04 * days_to_peak)
        bounce = 2.0 * np.exp(-0.2 * (days_to_peak - 25)**2) if 20 < days_to_peak < 45 else 0
        rate = decay + bounce
    south_rates.append(max(rate, 5.0))

# 4. 创建趋势图表
fig, axes = plt.subplots(2, 1, figsize=(14, 10))

# 图1：全国及南北方模拟趋势对比
ax1 = axes[0]
ax1.plot(date_range, national_rates, label='全国模拟趋势', linewidth=3, color='#E74C3C')
ax1.plot(date_range, north_rates, label='北方地区模拟', linestyle='--', linewidth=2, color='#3498DB')
ax1.plot(date_range, south_rates, label='南方地区模拟', linestyle='--', linewidth=2, color='#F39C12')

# 标注关键时间点
key_dates = {
    datetime(2025, 12, 10): ('全国预测高峰\n(12月上中旬)', '#E74C3C'),
    datetime(2025, 12, 15): ('北方高峰\n(12月中旬)', '#3498DB'),
    datetime(2026, 1, 1): ('南方高峰\n(12月末-1月初)', '#F39C12'),
    datetime(2026, 2, 1): ('预计进入常规水平', '#2ECC71')
}
for date, (text, color) in key_dates.items():
    ax1.axvline(x=date, color=color, linestyle=':', alpha=0.5)
    ax1.text(date, ax1.get_ylim()[1]*0.9, text, ha='center', fontsize=9, color=color, fontweight='bold')

ax1.set_title('全国甲流阳性率未来三个月模拟预测趋势 (2025.12 - 2026.02)', fontsize=16, fontweight='bold', pad=15)
ax1.set_ylabel('流感病毒检测阳性率 (%)')
ax1.set_xlabel('日期')
ax1.legend(loc='upper right')
ax1.grid(True, alpha=0.3)
ax1.set_ylim(0, 60)
# 设置x轴日期格式
ax1.xaxis.set_major_formatter(mdates.DateFormatter('%m-%d'))
ax1.xaxis.set_major_locator(mdates.WeekdayLocator(interval=2))

# 图2：以全国趋势为基础的预测区间和关键节点
ax2 = axes[1]
ax2.plot(date_range, national_rates, linewidth=3, color='#E74C3C', zorder=5)

# 填充预测不确定性区间（示意）
lower_bound = [r * (1 - 0.15 * (1 - i/days)) for i, r in enumerate(national_rates)]  # 不确定性前期大，后期小
upper_bound = [r * (1 + 0.15 * (1 - i/days)) for i, r in enumerate(national_rates)]
ax2.fill_between(date_range, lower_bound, upper_bound, alpha=0.2, color='#E74C3C', label='预测不确定性区间')

# 划分并标注不同预测阶段
ax2.axvspan(datetime(2025, 12, 1), datetime(2025, 12, 20), alpha=0.1, color='orange', label='快速上升与达峰期')
ax2.axvspan(datetime(2025, 12, 20), datetime(2026, 1, 15), alpha=0.1, color='yellow', label='高位波动与下降期')
ax2.axvspan(datetime(2026, 1, 15), datetime(2026, 2, 28), alpha=0.1, color='green', label='持续下降至常规水平期')

# 添加关键文字说明
ax2.text(datetime(2025, 12, 10), 10, '防控关键期\n(未来6-8周不能放松)', ha='center', fontsize=10,
         bbox=dict(boxstyle="round,pad=0.3", facecolor='white', edgecolor='gray', alpha=0.8))
ax2.text(datetime(2026, 2, 10), 15, '预计2月初\n多数地区回归常规水平', ha='center', fontsize=9,
         bbox=dict(boxstyle="round,pad=0.3", facecolor='white', edgecolor='gray', alpha=0.8))

ax2.set_title('全国趋势预测阶段与不确定性示意', fontsize=14, fontweight='bold', pad=12)
ax2.set_ylabel('阳性率 (%)')
ax2.set_xlabel('日期')
ax2.legend(loc='upper right')
ax2.grid(True, alpha=0.3)
ax2.set_ylim(0, 60)
ax2.xaxis.set_major_formatter(mdates.DateFormatter('%m-%d'))
ax2.xaxis.set_major_locator(mdates.WeekdayLocator(interval=2))

plt.tight_layout()
plt.show()

图12：全国甲流阳性率未来三个月模拟预测趋势 (2025.12 - 2026.02)

t12.png

图表解读与核心结论

1. 趋势解读

• 全国趋势（红色实线）：模拟曲线显示，全国阳性率在2025年12月上中旬达到峰值（约52%），这与中疾控的预测高度一致。此后将进入持续约6-8周的下降期，直至2026年2月初降至较低水平。
• 南北方差异（蓝色和黄色虚线）：模拟结果体现了预测中的地域差异：
  • 北方：峰值出现时间略早（12月中旬），下降过程中在1月初可能出现一个较明显的小反弹。
  • 南方：峰值时间稍晚（12月末至1月初），且流行期更长，下降曲线更为平缓。
• 预测不确定性：第二张图中的阴影区域强调了预测的不确定性。疫情实际发展受病毒变异、人群免疫水平、防控措施力度及气候等多种因素影响，模型预测可能与实际情况存在差异。

2. 核心结论与行动建议
综合预测分析和可视化结果，可得出下表结论：

注：本次模拟分析基于公开发布的疫情预测和经典的传染病动力学模型，所有数据均为模拟数据，旨在直观展示趋势。实际疫情发展请以国家及各地疾控部门的官方通报为准。

幼儿园班级有小朋友甲流了怎么办

第一步：核心决策树——官方指引怎么说？

根据多省市疾控中心和教育部门发布的指引，我们可以将决策路径总结为以下几点：

import matplotlib.pyplot as plt
import networkx as nx

plt.rcParams['font.sans-serif'] = ['SimHei', 'Arial Unicode MS']
plt.rcParams['axes.unicode_minus'] = False

# 创建决策树图
G = nx.DiGraph()
# 添加节点
decisions = [
    "开始：同园其他班出现甲流病例",
    "孩子有发烧/咳嗽症状？", 
    "立即就医，居家休息，切勿送园\n[按指引：体温恢复、症状消失48小时后方可复课",
    "幼儿园已采取严格措施？\n(如隔离病例、加强消毒、通风",
    "孩子是流感高危人群？\n(如免疫力较低、有基础病)",
    "（谨慎考虑）可考虑送园\n但需加强个人防护与观察",
    "（相对安全）风险较低可送园",
    "建议暂缓送园，居家观察\n[按指引：学校可采取停课措施防蔓延"
]
for i, d in enumerate(decisions):
    G.add_node(i, label=d)

# 添加边和决策逻辑
edges = [
    (0, 1, "是"), (0, 1, "否"),  # 起点到第一个判断
    (1, 2, "是"), # 有症状 -> 居家
    (1, 3, "否"), # 无症状 -> 判断幼儿园措施
    (3, 4, "否"), # 措施不严 -> 判断是否高危
    (3, 6, "是", "措施严格"), # 措施严 -> 风险低可送
    (4, 5, "是", "是"), # 是高危 -> 谨慎考虑
    (4, 7, "否", "否"), # 非高危但园所措施不严 -> 暂缓
]
for edge in edges:
    G.add_edge(edge[0], edge[1], decision=edge[2] if len(edge) > 2 else "", label=edge[3] if len(edge) > 3 else "")

# 绘图
pos = {0: (0, 0), 1: (-2, -1.5), 2: (-4, -3), 3: (0, -1.5), 4: (2, -3), 5: (3, -4.5), 6: (0, -3), 7: (2, -4.5)}
plt.figure(figsize=(14, 10))
nx.draw(G, pos, node_color='lightblue', node_size=5000, with_labels=False, arrowsize=20, font_size=9)
nx.draw_networkx_labels(G, pos, labels={i: G.nodes[i]['label'] for i in G.nodes()}, font_size=8)
nx.draw_networkx_edge_labels(G, pos, edge_labels={(u, v): G.edges[u, v]['label'] for u, v in G.edges() if G.edges[u, v]['label']}, font_size=8, label_pos=0.3)
plt.title("幼儿园出现甲流病例后送园决策树（基于疾控指引）", fontsize=14, fontweight='bold')
plt.axis('off')
plt.tight_layout()
plt.show()

图4：幼儿园出现甲流病例后送园决策树（基于疾控指引）

t4.png

这张图清晰地告诉你，疾控部门的官方建议是分层、有条件的。核心判断点在于 孩子的健康状况、幼儿园的防控力度和孩子自身是否为高危人群。

第二步：幼儿园的“防火墙”有多牢固？

幼儿园的防控措施是你决策的关键。以下图表模拟了严格执行与未严格执行措施的幼儿园，其内部疫情扩散风险的差异。

import numpy as np

# 模拟两组幼儿园：严格执行措施 vs. 措施一般
np.random.seed(42)
days = np.arange(1, 31)  # 模拟一个月
# 假设初始病例数相同
initial_cases = 1

# 严格执行措施（每日通风2-3次，消毒，病例隔离）
strict_growth_rate = 0.15  # 低传播率
strict_cases = initial_cases * np.exp(strict_growth_rate * (days - 1))
strict_cases = np.minimum(strict_cases, 20)  # 设置上限

# 措施一般（通风消毒不规律，隔离不及时）
normal_growth_rate = 0.40  # 高传播率
normal_cases = initial_cases * np.exp(normal_growth_rate * (days - 1))
normal_cases = np.minimum(normal_cases, 60)  # 设置上限

# 绘制对比图
fig, ax = plt.subplots(figsize=(10, 6))
ax.plot(days, strict_cases, marker='o', linewidth=2, color='green', label='严格防控幼儿园（模拟）')
ax.plot(days, normal_cases, marker='s', linewidth=2, color='orange', label='防控一般幼儿园（模拟）')

# 标注关键措施
ax.axvspan(5, 8, alpha=0.1, color='blue', label='严格执行晨午检')
ax.axvspan(15, 18, alpha=0.1, color='red')
ax.text(6.5, ax.get_ylim()[1]*0.8, '病例隔离\n与消毒', ha='center', fontsize=9, backgroundcolor='white')
ax.text(16.5, ax.get_ylim()[1]*0.6, '发现聚集疫情\n可能停课', ha='center', fontsize=9, backgroundcolor='white')

ax.set_xlabel('天数')
ax.set_ylabel('模拟累计病例数')
ax.set_title('不同防控力度下的幼儿园甲流传播模拟')
ax.legend()
ax.grid(True, linestyle='--', alpha=0.5)
plt.tight_layout()
plt.show()

图5：不同防控力度下的幼儿园甲流传播模拟

t5.png

这张图直观地告诉你：幼儿园的“防火墙”（通风、消毒、病例隔离）是否牢固，直接决定了病毒在园内传播的速度和范围。

第三步：如何获取关键信息并做决策？

基于以上分析，建议你按以下步骤操作，并在决定送园后执行严格的个人防护：

总结

简单来说，是否送孩子上学的决策，应建立在以下三个核心问题的答案之上：

1. 幼儿园的“防火墙”：措施是否严格、到位？
2. 孩子的“防护盾”：有无症状，是否已接种疫苗？
3. 疫情的“火势”：病例是否被有效隔离，有无扩大风险？

如果你的评估结果显示风险较高，或你无法获得上述明确信息，那么“暂缓送园，居家观察”是更谨慎和符合疾控建议的选择。
家有一娃真是愁愁愁啊！！！