Essonne

Ulla

Datteln IV

Today, Germany switches on the biggest single-block coal power station in Europe 

 Datteln IV. 

1100 MW electrical output,  2600 MW thermal output, 42% efficiency,

9 000 000 tons of CO2 per year.

Clearly, Germany takes CO2 seriously,

they hope to bring the Mediterranean Climate into Germany's Baltic coast really soon.

Essonne

Krajina

Les Trois Pignons

Zbabělci

„Los! Die Fahne weg!“ křičel, když mu někde nestáhli vlajku dost rychle. Ulice před autem se taky vyprazdňovala. Kaldounovic vlajku někdo zatahoval do vikýře, jak nejrychleji mohl. Vypadalo to, jako kdyby vikýř polykal červeno‑bílý makarón. Tak. Honem to schovat. Přišli s tím trochu moc brzo. Honem, pryč s tím. Jen nepobouřit Němce. Aby revoluce byla v bezpečí. A byla v bezpečí. Tahle revoluce byla určitě v bezpečí. Docela určitě. Oficír s pistolí v ruce pozoroval se zájmem Kaldounovic vlajku. Auto skoro zastavilo. Díval se, jak vlajka mizí ve vikýři, a mlčel. Vtom se ale někde na fasádě zachytila. Ten, co ji vytahoval, počal s ní prudce škubat, ale držela pevně.

...

Vstal jsem, pozdvihl jsem slavnostně saxofon a rozvzlykal jsem se na počest vítězství a konce války, na počest tohohle města a všech jeho krásných dívek a na počest veliké, bezedné, věčné, pitomé, krásné lásky. A vzlykal jsem nad tím vším, nad svým životem, nad esesáky, které popravili, a nad chudákem Hrobem, který pad, nad Irenou, která nechápala a blížila se pomalu svojí zkáze v nějakém manželství, nad tím časem mládí, který skončil, a nad rozchodem, který začínal, nad orchestrem, který se už nikdy takhle nesejde, nad večery, kdy jsme hráli pod petrolejkama a mysleli na svět, který přijde, nad všemi těmi krásnými dívkami, které jsem miloval, a miloval jsem jich mnoho, snad všechny, a nad sluncem, a z oranžových a šafránových červánků na západě se ke mně skláněl nějaký nový a nově marný život, ale byl hezký a já jsem pozvedl třpytící se saxofon k němu a zpíval jsem a mluvil jsem z jeho pozlaceného korpusu, že ho přijímám, a že přijímám všechno, cokoliv přijde, protože nemohu nic dělat, a odněkud z té záplavy zlata a slunce se ke mně zase naklonila ta holka, co ji teprve potkám, a pohladila mě po tváři. Dole tancovali pásci, které jsem měl rád a které jsem měl za pár dní opustit, a měl jsem jít jinam, zase někam, a já jim hrál a myslel jsem na všechny ty obvyklé věci, na které jsem vždycky myslel, na holky a na jazz a na tu neznámou holku, kterou potkám v Praze.

Playing with Virus data

Thanks
to the  Sage for the mathematical framework,
to the ECDC for the worldwide pandemic data,
to the China for the virus,

we can now play with the statistics and create some interesting graphs,

• like the current number of days to double number of victims [should be high]
• or the exponent of the current cases grows (if considered exponential) [should be low].

Copy the program, download the data (in CSV) and play .....

---

import csv
from datetime import date

# ------------------------------------------------------------------------------

date0 = date(2019, 12, 31)

# ------------------------------------------------------------------------------

# Functions defining graphs

# Cases / Deaths

def cases(v):
  return anything(v, 'cases')
  
def deaths(v):
  return anything(v, 'deaths')
 
def anything(v, c):
  v1 = {}
  #for x in v:
  #  v1[x] = v[x][c]
  for k in sorted(v.keys()):
      v1[k] = v[k][c]
  return v1
  
# Daily increase [%]
  
def delta_cases(v):
  return delta_any(v, 'cases')

def delta_deaths(v):
  return delta_any(v, 'deaths')
  
def delta_any(v, c):
  v1 = {}
  sum = 0
  for k in sorted(v.keys()):
    sum += v[k][c]
    if sum != 0:
      v1[k] = 100 * v[k][c] / sum
  return v1
  
# Number of days to double numbers 
  
def double_cases(v):
  return double_any(v, 'cases')
  
def double_deaths(v):
  return double_any(v, 'deaths')
   
def double_any(v, c):
  v1 = {}
  sum = 0
  for k in sorted(v.keys()):
    sum += v[k][c]
    if v[k][c] != 0:
      v1[k] = sum / v[k][c]
  return v1
 
# Exponet for exponential fit of latest days 
 
def exp_cases(v):
  return exp_any(v, 'cases')
 
def exp_deaths(v):
  return exp_any(v, 'deaths')
  
def exp_any(v, c):
  v1 = {}
  y0 = -1
  for k in sorted(v.keys()):
    if y0 > 0 and v[k][c] > 0:
      v1[k] = log(float(v[k][c])) - y0
    y0 = log(float(v[k][c]))
  return v1
 
# Mortality 
 
def mortality(v):
  v1 = {}
  sum = 0
  for k in sorted(v.keys()):
    sum += v[k]['deaths']
    if v[k]['cases'] != 0:
      v1[k] = 100 * v[k]['deaths'] / v[k]['cases']
  return v1
  
# Sigmoid fit  

def sigmoidFit(name, values):
  data = []
  sum = 0
  for v in values:
    sum += v[1]
    data += [(v[0], sum)]
  var('L, k, x0, x')
  model(x) = L / (1 + exp(- k * (x - x0)))
  sol = find_fit(data, model)
  print(sol)
  f(x) = model(L = sol[0].rhs(), k = sol[1].rhs(), x0 = sol[2].rhs())
  h = plot([])
  h += text(name,                                                                      ( 30, sol[0].rhs() / 2      ), fontsize = 10, color = 'black')
  h += text('today is ' + str(len(data) - round(sol[2].rhs())) + ' days after peak', (130, sol[0].rhs() / 2 * 0.9), fontsize = 10, color = 'black')
  h += plot(f(x), x, [0, len(data) * 2])
  h += list_plot(data, color = 'red')
  show(h)

# Reading and interpreting country data

def readCountry(country, f, normalised, integrated, offset, smear):
  val = {}
  with open('virus.csv', newline='') as csvfile:
    reader = csv.DictReader(csvfile)
    for row in reader:
      date1 = date(int(row['year']), int(row['month']), int(row['day']))
      days = (date1 - date0).days
      if row['countriesAndTerritories'] == country:
        v = {}
        if normalised:
          v['cases']  = float(row['cases'])  / float(row['popData2018'])
          v['deaths'] = float(row['deaths']) / float(row['popData2018'])
        else:
          v['cases']  = int(row['cases'])
          v['deaths'] = int(row['deaths'])
        val[int(days)] = v
  if integrated:
    valI = {}
    sumC = 0
    sumD = 0
    for k in sorted(val.keys()):
      sumC += val[k]['cases']
      sumD += val[k]['deaths']
      valI[k] = {'cases':sumC, 'deaths':sumD}
    val = valI
  if smear > 0:
    valS = {}
    for k in sorted(val.keys()):
      sumC = 0
      sumD = 0
      n = 0
      for i in [0..smear]:
        if k + i in val.keys():
          n += 1
          sumC += val[k + i]['cases']
          sumD += val[k + i]['deaths']
      valS[k] = {'cases':(sumC / n), 'deaths':(sumD / n)}
    val = valS
  if offset > 0:
    valO = {}
    d    = 0
    for k in sorted(val.keys()):
      d += 1
      if d > offset:
        valO[k] = val[k]
    val = valO
  return f(val)

# Creating histogram

def plotHisto(values, logarithmic, col, country, doSpline):
  data = []
  maxx = 0
  for val in values:
    data += [(val, values[val])]
    if val > maxx:
      maxx = val
  sc = 'linear'
  if logarithmic:
    sc = 'semilogy'
  p = list_plot(data, scale = sc, color = col)
  if (doSpline):
    s = spline(data)
    p += plot(s, 0, maxx,  scale = sc, color = col, legend_label = country)
  return p

# ------------------------------------------------------------------------------
       
# Define group of countries to analyse            
countries = [
             ('France',                   'red'),
             ('Italy',                    'green'),
             ('Germany',                  'grey'),
             ('Belgium',                  'pink'),
             ('Russia',                   'purple'),
             ('Spain',                    'orange'),
             ('Czechia',                  'blue'), 
             ('Sweden',                   'brown'), 
             ('Japan',                    'yellow'), 
             ('United_Kingdom',           'violet'), 
             ('United_States_of_America', 'black')
             ]
countries0 = [
              ('France',                   'red'),
              ('Italy',                    'green'),
              ('Czechia',                  'blue')
              ]
countriesF = [
              ('France',                   'red'),
              ]
       
# Set graphs to create       
# - for analytical graphs              
optionsList = [
               {'normalised':true,   'integrated':false, 'logarithmic':false, 'smear':5,  'offset':60, 'doSpline':true, 'countries':countries,  'f':[cases, deaths]},
               {'normalised':true,   'integrated':false, 'logarithmic':false, 'smear':0,  'offset':60, 'doSpline':true, 'countries':countries,  'f':[cases, deaths]},
               {'normalised':true,   'integrated':true,  'logarithmic':false, 'smear':0,  'offset':60, 'doSpline':true, 'countries':countries,  'f':[cases, deaths]},
               {'normalised':false,  'integrated':false, 'logarithmic':false, 'smear':0,  'offset':60, 'doSpline':true, 'countries':countries0, 'f':[cases, deaths]},
               {'normalised':false,  'integrated':true,  'logarithmic':false, 'smear':0,  'offset':60, 'doSpline':true, 'countries':countries0, 'f':[cases, deaths]},
               {'normalised':true,  'integrated':true,  'logarithmic':true,  'smear':5,  'offset':60, 'doSpline':true, 'countries':countries,  'f':[cases, deaths]},
               {'normalised':false, 'integrated':false, 'logarithmic':false, 'smear':5,  'offset':60, 'doSpline':true, 'countries':countries,  'f':[delta_cases, delta_deaths]},
               {'normalised':false, 'integrated':false, 'logarithmic':false, 'smear':5,  'offset':60, 'doSpline':true, 'countries':countries,  'f':[double_cases, double_deaths]},
               {'normalised':false, 'integrated':false, 'logarithmic':false, 'smear':5,  'offset':60, 'doSpline':true, 'countries':countries,  'f':[exp_cases, exp_deaths]},
               {'normalised':false, 'integrated':false, 'logarithmic':false, 'smear':10, 'offset':60, 'doSpline':true, 'countries':countries,  'f':[mortality]},
               ]
# - for sigmoid fit
countries4fit = countriesF
  
# ------------------------------------------------------------------------------
   
# Main loop for analytical graphs
for options in optionsList:
  normalised  = options['normalised']
  integrated  = options['integrated']
  logarithmic = options['logarithmic']
  smear       = options['smear']
  offset      = options['offset']
  doSpline    = options['doSpline']
  countries    = options['countries']
  for f in options['f']:
    if f == delta_cases or f == delta_deaths or f == double_cases or f == double_deaths:
      integrated = false
    if f == exp_cases or f == exp_deaths:
      integrated = true
      normalised = false
    #if integrated:
    #  offset = 0
    h = plot([])
    for (country, color) in countries:
      h += plotHisto(readCountry(country, f, normalised, integrated, offset, smear), logarithmic, color, country, doSpline)
    x = (3 * h.get_minmax_data()['xmin'] + h.get_minmax_data()['xmax']) / 4
    y = (3 * h.get_minmax_data()['ymin'] + h.get_minmax_data()['ymax']) / 4
    t = f.__name__
    if normalised:
      t += ",\nnormalised"
    if integrated:
      t += ",\nintegrated"
    if logarithmic:
      t += ",\nlogarithmic"
    if smear > 0:
      t += ",\nsmear = " + str(smear)
    h += text(t, (x, y), fontsize = 10, color = 'black')
    show(h)

# Main loop for sigmoid fit
for country in countries4fit:
  for h in [cases, deaths]:
    values = readCountry(country[0], h, false, false, 0, 0)
    a = []
    for v in values:
      a += [(v, values[v])] 
    sigmoidFit(country[0] + "\n" + h.__name__, a)

# ------------------------------------------------------------------------------