2-11 流感再現

從新加坡回來台灣後，天氣漸漸轉冷，看的出來大家在路上所穿的衣物開始變厚。

「飛哥!疾管署寄了封郵件過來，上面似乎說有一連串的數據要找你分析下。」小博在例行收信時，除了幫飛哥整理電子信箱，也會整理信息來免去飛哥一封一封看的時間。

信中寫道:「飛先生，您好，本署自西元1999年成立以來，每年會定期收集並整理流行病的好發期間與預防資訊，供民眾參考，近來疑似有不少民眾出現異常咳嗽情形，鑒於本署近期人力短缺，想請您協助分析流感的相關資料，感謝。」

「小博，來你看看，看的出來這些資料有甚麼特徵嗎?」飛哥將疾管署的附件打開來展示。

小博看了一眼就答出:「這個資料好像有規律的起伏，在夏天的時候數值低，到冬天的時候就又變高了，而且每一年都有這樣的規律呢!」

「對啊!從資料上我們可以很容易的看出每12個月就會經歷一次循環，這種具備『數據按順序排列』與『數據有規律的重現性』的資料特徵，是非常適合用『時間序列分析』來研究的。」飛哥直接點名這次的分析主軸。

「那除了這種一眼就可以明顯看出規律的資料，還有哪些適合資料這種分析手法呢?看得出有規律，但不知道規律是多少也可以嗎?」小博疑惑的問道。

「比如說兩個不同大小的齒輪鑲嵌時，因為轉一定的圈數後就會重回到最初兩顆齒輪相碰的點，這時在不知道齒數的情形下，也可以使用這種手法，藉由不斷平移資料來找出一個循環的時間長度。統計上我們稱這樣的數據有『自相關』，也就是自己跟自己相隔一定時間點後，狀態再度重現的情況，如果數據沒有自相關的話，就非常不適合用時間序列。」飛哥仔細地說明著。

小博若有所思地想著，突然說道:「既然只要具備『數據按順序排列』與『數據有規律的重現性』的特徵，那在海溝聲納探測的『深度』這種距離類型的資料應該也可以吧!」

「不錯，確實可以，只要有按照順序，且資料跟自己有自相關的話，也可以使用時間序列分析。」說罷，飛哥印出疾管署遞來的資料，開始端詳其中意義。

Python程式時間

x=c(154,123,79,87,63,54,32,13,28,69,86,75,
    112,100,89,82,76,56,48,21,22,38,73,85,
    139,130,93,90,73,60,44,21,26,47,59,69,
    132,110,99,72,74,52,43,28,29,48,63,75,
    135,120,93,90,66,67,47,31,25,47,69,59)

year=c('2015','2016','2017','2018','2019')
month=c('01','02','03','04','05','06','07','08','09','10','11','12')

k=c('')

for (i in c(1:length(year))){
	for (j in c(1:length(month))){
		data=paste(year[i], month[j], sep="-")
		k=c(k,data)}}
k=k[-1]
k

influenza_people <- ts(x, frequency=12, start=c(2015,1))
plot.ts(influenza_people)

後記:時間序列的套件在R軟體比Python還要完整，因此這個章節主要會用R進行呈現喔!(Python還是可以做啦，只是不太方便就是了~~)