原創(chuàng) 文摘菌 大數(shù)據(jù)文摘

大數(shù)據(jù)文摘出品

作者：劉俊寰

剛剛，根據(jù)CovidNet網(wǎng)站數(shù)據(jù)，新冠肺炎導(dǎo)致的美國確診病例累計突破200萬，全球累計確診病例數(shù)突破700萬，除了美國，巴西、俄羅斯、西班牙、英國、印度和意大利6個國家累計確診數(shù)已經(jīng)超過20萬。

“身為武漢人，雖然我無法在武漢為他們做些什么，但我真的想以某種方式提供幫助?！边@是現(xiàn)居住于美國舊金山的華人郭昱在接受采訪時說的話，她和團(tuán)隊想要做的，就是深入疫情數(shù)據(jù)，挖掘出有那些溫度的信息，幫助到全世界的人。

數(shù)字無法取代每一個鮮活的生命，但從這些看似冰冷的數(shù)字中，我們?nèi)匀豢梢缘贸鲆恍┯袦囟鹊男畔?，將這些信息分享給更多的人。

基于“一畝三分地”這個北美華人論壇的新型冠狀病毒世界疫情動態(tài)追蹤平臺CovidNet，就是郭昱和團(tuán)隊正在著手經(jīng)營的項目，這是一個實時追蹤新冠疫情數(shù)據(jù)的網(wǎng)站，在1月初美國還沒有其他實時的疫情追蹤網(wǎng)站時，郭昱就已經(jīng)開始和4位全職數(shù)據(jù)工程師著手打造這個網(wǎng)站了。

如今各國都建立起了實時疫情追蹤網(wǎng)站，其中最知名的或許要屬約翰霍普金斯大學(xué)（JHU）新冠追蹤網(wǎng)站，但其實，該網(wǎng)站的美國數(shù)據(jù)完全引用于CovidNet的數(shù)據(jù)。3月26日，美國疾病控制與預(yù)防中心（CDC）正式采用CovidNet的數(shù)據(jù)，這也是美國官方對民間數(shù)據(jù)網(wǎng)站的重要肯定。

CovidNet提供了全方位的交互式數(shù)據(jù)可視化工具，以供公眾參考。它有著比CDC更為細(xì)致的地理分布數(shù)據(jù)，交互式地圖連通了各個省、州和郡、市的病例分布，數(shù)據(jù)表格可供讀者按照不同的統(tǒng)計量對各個國家和地區(qū)進(jìn)行篩選和排序。

讀者還可以進(jìn)行跨區(qū)域的疫情橫向比較，比如當(dāng)選中國家后可以用鼠標(biāo)滑過不同地區(qū)查看相應(yīng)地區(qū)的疫情數(shù)據(jù)，除此之外，CovidNet還提供了各種動態(tài)圖進(jìn)行展示。

在時間趨勢的呈現(xiàn)上，CovidNet同樣綜合了每天的疫情數(shù)據(jù)，讀者對疫情可以有更宏觀的分析和掌握。

網(wǎng)站鏈接：

https://coronavirus.1point3acres.com/zh/world

不僅如此，為了讓更多人從中受益，5月14日，郭昱團(tuán)隊將CovidNet的建立過程和技術(shù)細(xì)節(jié)以預(yù)印本形式進(jìn)行了分享，并且向數(shù)據(jù)庫與數(shù)據(jù)挖掘領(lǐng)域的相關(guān)會議進(jìn)行了投遞。

預(yù)印本鏈接：

https://arxiv.org/abs/2005.10948?from=timeline&isappinstalled=0

截止到預(yù)印本發(fā)表時刻，CovidNet已經(jīng)覆蓋了英語、中文、法語、日語、西班牙語5種語言，共覆蓋國家或地區(qū)188個，其中有州或省份級別數(shù)據(jù)的國家有25個，覆蓋州、省份974個，覆蓋北美郡、市3169個，CovidNet的數(shù)據(jù)信息源總數(shù)達(dá)到了2038條，用戶提交的新聞線索報告數(shù)量達(dá)到16240條。

截止至本文發(fā)表，CovidNet已經(jīng)覆蓋39個國家的分省/州數(shù)據(jù)，網(wǎng)站訪問量更是超過了2.25億。

由于數(shù)據(jù)發(fā)布的及時準(zhǔn)確，CovidNet已經(jīng)引起了海內(nèi)外不少媒體的興趣，包括《星島日報》、CGTN、鳳凰衛(wèi)視在內(nèi)的多家媒體都已對郭昱以及CovidNet進(jìn)行了跟蹤報道。

美國CDC、JHU引用的全球疫情實時數(shù)據(jù)庫

4月，美國著名學(xué)術(shù)期刊，根據(jù)Gardner的說法，她和實驗室6名學(xué)生共同撐起了整個網(wǎng)站的運(yùn)作，她們的數(shù)據(jù)來源除了地方衛(wèi)生局和各地媒體，美國國內(nèi)3149個郡、市的實時疫情數(shù)據(jù)完全來源于CovidNet。

即使Gardner說得比較克制，但從她的介紹中，我們?nèi)匀荒軌蛳胂笠崟r更新的新冠疫情追蹤網(wǎng)站是有多么不易。相比于約翰霍普金斯新冠追蹤網(wǎng)站，郭昱團(tuán)隊最初只有4位全職工程師，如今CovidNet還擁有了超過50位志愿者。他們共同面對當(dāng)下最具挑戰(zhàn)性的全球性的數(shù)據(jù)追蹤問題，這不僅包括數(shù)據(jù)收集，還要進(jìn)行實時的數(shù)據(jù)核實和深入調(diào)查。

最重要的是，在全世界的監(jiān)督之下，這里的數(shù)據(jù)容不得一點(diǎn)差錯。

首先，數(shù)據(jù)收集就是一個難關(guān)。郭昱表示，在公開數(shù)據(jù)上，CovidNet主要通過以下兩種方式獲取，一個是國家官方系統(tǒng)提供的開源數(shù)據(jù)，另一個是官方統(tǒng)計的當(dāng)天最新數(shù)據(jù)。

這其中根據(jù)每個國家報道的范式不同，上述兩種方式還需要細(xì)分。

對于第一種情況，有的國家以病例為單位進(jìn)行報道，比如菲律賓或哥倫比亞，有的國家以行政區(qū)為單位進(jìn)行報道，比如意大利或西班牙。針對此，郭昱團(tuán)隊采取的做法是將前者聚合成后者的數(shù)據(jù)范式，這樣不僅能保持?jǐn)?shù)據(jù)一致性，還能為全面準(zhǔn)確地更新疫情數(shù)據(jù)提供良好的數(shù)據(jù)來源。

對于第二種情況，鑒于歷史數(shù)據(jù)大都以各種格式保存在歷史檔案或新聞存檔中，他們對能夠從官方存檔中獲取到所有的歷史數(shù)據(jù)進(jìn)行匯總，并且僅更新當(dāng)日官方報道的最新數(shù)據(jù)。

除此之外，根據(jù)全球各異的數(shù)據(jù)發(fā)布方式，郭昱團(tuán)隊設(shè)計了不同的數(shù)據(jù)處理機(jī)制。

很多時候，國家/地區(qū)-省/州-郡/縣各級衛(wèi)生機(jī)構(gòu)發(fā)布數(shù)據(jù)的時間節(jié)點(diǎn)不同步，如果以不同級別的信息源各為參照源，就會導(dǎo)致數(shù)據(jù)總和出現(xiàn)差異，例如，在某一時刻，各個郡/市的統(tǒng)計數(shù)據(jù)之和與省/州總數(shù)并不相等，他們會優(yōu)先選擇參照更基層的數(shù)據(jù)來源，同時在網(wǎng)站上公開解釋和高一級官方數(shù)據(jù)源不一致的原因。

除了數(shù)據(jù)上的整合之外，各國的診斷標(biāo)準(zhǔn)不同，從時間上看將出現(xiàn)病例匯報的渠道和方式的前后差異，比如，疫情初期通常是個例報道，每例都會提供詳細(xì)信息，但隨著確診人數(shù)的增加，個例報道逐漸演變成確診數(shù)字統(tǒng)計，從空間上看每個國家處于疫情的不同階段，根據(jù)確診定義的發(fā)展數(shù)據(jù)標(biāo)準(zhǔn)也在同步變化。

這不只表現(xiàn)在不同國家之間，在其他級不同區(qū)域之間同樣存在類似情況，比如某些區(qū)域的數(shù)據(jù)增長過快，或者同一份報告中的數(shù)據(jù)不一致，在總趨勢中出現(xiàn)了累計統(tǒng)計總數(shù)下降等，都是需要考慮的地方。

針對上述種種變化，郭昱表示，為確保質(zhì)量控制和數(shù)據(jù)的準(zhǔn)確，他們結(jié)合自動搜集和人工更改、查驗的方式，同時也會按照當(dāng)?shù)匦l(wèi)生機(jī)構(gòu)統(tǒng)計的方法，隨時針對數(shù)據(jù)獲取和統(tǒng)計方式進(jìn)行修正，包括以人工核查的方式過濾掉媒體或者衛(wèi)生部門報告中的噪聲，在根據(jù)原始信息進(jìn)行更新的基礎(chǔ)上密切關(guān)注后續(xù)發(fā)展，對歷史數(shù)據(jù)進(jìn)行回查等。

這時候，就需要這支50多人組成的去中心化志愿者團(tuán)隊登場了。

根據(jù)郭昱介紹，CovidNet的工程師團(tuán)隊成員都屬于“一畝三分地”的全職工作人員；負(fù)責(zé)數(shù)據(jù)核查的50多位志愿者們則是通過網(wǎng)絡(luò)招募加入，主要是華人群體或北美留學(xué)生，他們中有數(shù)據(jù)科學(xué)家、工程師，也有各專業(yè)學(xué)生、學(xué)者、教授。盡管有著不同的職業(yè)或?qū)I(yè)背景，每個人都能在團(tuán)隊統(tǒng)籌下完成數(shù)據(jù)統(tǒng)計和核實工作，不少志愿者還對流程的制定和迭代優(yōu)化也做出了不小貢獻(xiàn)。

團(tuán)隊是在并行異步地更新數(shù)據(jù)，為了保證減少時滯，同時避免數(shù)據(jù)多重更新等難題，團(tuán)隊設(shè)計了相應(yīng)的流程和分級處理，在規(guī)范統(tǒng)籌數(shù)據(jù)更新模式和流程之后，對于不同地區(qū)的數(shù)據(jù)整理和校對，也設(shè)有專人對應(yīng)地進(jìn)行負(fù)責(zé)。

郭昱表示，團(tuán)隊每兩個小時就會查看并檢查是否有最新數(shù)據(jù)，如果有，便會把相關(guān)數(shù)據(jù)實時更新到數(shù)據(jù)庫中。

“我們秉承從所能獲取的最原始數(shù)據(jù)出發(fā)的原則，每次更新都對歷史數(shù)據(jù)進(jìn)行全面的核查校對，因此需要用戶在使用我們數(shù)據(jù)庫的時候需要及時更新全部的數(shù)據(jù)庫而僅非當(dāng)天數(shù)據(jù)?！惫耪f道。

事在人為，CovidNet的北美成長史

以北美為例，我們來看看CovidNet的成長史。

在CovidNet之前，全球范圍內(nèi)除了中國丁香園，絕大多數(shù)主流COVID-19追蹤平臺提供的是國家層級的數(shù)據(jù)，比如國際衛(wèi)生組織（WHO）和歐洲疾病預(yù)防控制中心（ECDC）等國際組織，但這些數(shù)據(jù)往往滯后于快速發(fā)展的疫情，難以為身處混亂信息中的各地民眾帶來迫切需要的透明、及時的信息。

也正是在這個背景下，3月，北美確診病例數(shù)直線上升，成為世界疫情中心，但想要提供實時更新的數(shù)據(jù)，除了要保證在全球?qū)蛹壣系母隆⒖煽亢腿嫱?，還面臨著美國公共衛(wèi)生系統(tǒng)的分級匯報機(jī)制帶來的挑戰(zhàn)。

事在人為。為了彌補(bǔ)官方公共衛(wèi)生渠道在實時性和一致性方面的不足，從1月21日開始，CovidNet數(shù)據(jù)團(tuán)隊展開了對北美確診、死亡、治愈（recover）三項統(tǒng)計數(shù)據(jù)的追蹤，也逐步引入了一系列查證、核實方式，綜合應(yīng)對當(dāng)?shù)胤旨墔R報系統(tǒng)帶來的額外挑戰(zhàn)。

同時，CovidNet團(tuán)隊也與COVID Tracking Project團(tuán)隊展開合作，將檢測數(shù)量和病床占有數(shù)等統(tǒng)計指標(biāo)納入到數(shù)據(jù)展示中，構(gòu)建了對區(qū)域疫情更為完整清晰的刻畫。

比如在疫情爆發(fā)的不同階段，用戶對數(shù)據(jù)的關(guān)注點(diǎn)會有所變化，CovidNet在疫情爆發(fā)的不同階段采用了不同模式的數(shù)據(jù)整合方法，同時把使用不同模式的時期劃分成了疫情的三個階段：

主動搜索模式階段：疫情浮現(xiàn)初期和中期，確診數(shù)目較低。在這一模式下，志愿者團(tuán)隊主動搜索相關(guān)媒體新聞和官方報道，進(jìn)行多來源比對以保證不出現(xiàn)重復(fù)計算；

用戶匯報模式階段：疫情擴(kuò)展期，確診數(shù)目增加、地理擴(kuò)散加速。在這一時期，團(tuán)隊利用早期建立的用戶群基礎(chǔ)，開辟用戶匯報通道。主動搜索仍然發(fā)揮著重要角色，而用戶匯報通道模式的開辟也在很大程度上保證了CovidNet數(shù)據(jù)平臺的實時性；

自動收集模式階段：疫情爆發(fā)期后，每日新增確診數(shù)目激增、地理覆蓋廣泛。在這一模式下，工程師團(tuán)隊建立了一套完整的自動化更新系統(tǒng)，實時追蹤可靠數(shù)據(jù)源的數(shù)據(jù)更新（包括各地官網(wǎng)和可信的主流媒體平臺），并及時反饋給志愿者團(tuán)隊。志愿者團(tuán)隊則主要負(fù)責(zé)進(jìn)一步查證，以確保數(shù)據(jù)歷史的一致性，完成最終數(shù)據(jù)錄入。

針對不同階段，基于數(shù)據(jù)源所提供信息的詳略程度，工程師團(tuán)隊對后端數(shù)據(jù)的存儲格式也持續(xù)進(jìn)行著相應(yīng)調(diào)整、更新，后端數(shù)據(jù)的儲存格式也會有相應(yīng)的變化：

信息細(xì)化型格式：不同的案例被分別單獨(dú)記錄。每一條記錄中包含以下信息：案例數(shù)目，確診/死亡日期，確診/居住地區(qū)，性別，年齡，感染原因，數(shù)據(jù)來源，病例概述等。在疫情初期和中期，此格式作為主要格式被長期使用；

信息密集型格式：數(shù)據(jù)記錄只保留了時間和地點(diǎn)兩大信息。疫情大規(guī)模爆發(fā)后，各大數(shù)據(jù)源逐漸取消了對詳細(xì)案例信息的報道，這使得密集型格式成為更加合理和高效的選擇。這一格式從4月底成為CovidNet數(shù)據(jù)庫主要格式，一直沿用至今。

輔助統(tǒng)計表格：輔助統(tǒng)計表格不作為直接數(shù)據(jù)的記錄方式，用來存儲區(qū)域性數(shù)據(jù)的衍生統(tǒng)計信息。具體實例包括：州、郡數(shù)據(jù)的當(dāng)前案例數(shù)統(tǒng)計。

除了在數(shù)據(jù)整合和呈現(xiàn)上所做的貢獻(xiàn)外，CovidNet還開辟了美國醫(yī)護(hù)人員防護(hù)物資需求整合及發(fā)布板塊、疫情新聞板塊，希望能給更多收到疫情影響的人提供幫助。

提供真實數(shù)據(jù)，是整個團(tuán)隊的初心

作為CovidNet的創(chuàng)建人和一畝三分地的聯(lián)合創(chuàng)始人，郭昱曾獲得哈佛大學(xué)生物統(tǒng)計學(xué)博士學(xué)位，目前在Uber自動駕駛機(jī)器學(xué)習(xí)平臺任高級主管一職。

郭昱介紹道，目前她的主要工作是領(lǐng)導(dǎo)整個疫情地圖的開發(fā)，決定收取怎樣的數(shù)據(jù)，如何用不同的信息源進(jìn)行查證，怎樣做到真實可信，以及自動化的實現(xiàn)等。

“除了吃飯睡覺和上班，我其余時間每一分鐘都用在這上面了。”郭昱說道。

她在領(lǐng)英中寫道：“由于新冠疫情，我的家庭成員和很多幼年朋友仍居家隔離中，2月我的叔叔感染病毒過世。雖然我無法在武漢為他們做些什么，但我真的想以某種方式提供幫助?！?/p>

如今美國疫情依舊肆虐，這對CovidNet來說，工作量也逐漸加強(qiáng)，這就需要24小時有人維護(hù)和核實數(shù)據(jù)，即使有50多位志愿者的加入和分擔(dān)，這依然是不小的工作量。

說到志愿者團(tuán)隊，郭昱介紹道，他們來自不同的地方，參加項目的原因各不相同。盡管如此，大家有一個共同的目標(biāo)，就是希望通過疫情網(wǎng)站給用戶提供最接近真實的疫情發(fā)展信息。無論是好是壞，真實數(shù)據(jù)的傳達(dá)不僅可以幫助大家減少恐慌，也可以能幫助大家在疫情期間合理做決策。

這些人平時散落在各個角落，分布在街頭巷尾，就像每天上班途中地鐵上看到的每個普通人一樣，各自為生活努力著。他們和你我一樣，都會受到疫情影響，也會為疫情感到焦慮。

如今，CovidNet的網(wǎng)站訪問量已經(jīng)超過了2.25億，就產(chǎn)品角度而言這可以說是一次巨大的成功，郭昱也表示，“不可避免地會進(jìn)行產(chǎn)品層面上的關(guān)心，但更關(guān)心的是疫情得到控制。實際上，訪問量下降反而是一件好事，這表示疫情過去了”。

“我們做這件事得到了很多人的認(rèn)可，我們也覺得做的事情是很有價值的，希望能把更多信息的透明度帶給大家，在這個基礎(chǔ)上，群眾有什么其他的需求是我們能幫助滿足的，這些我們可以再想一想。如果你做的這個事情對于大多數(shù)人是有用的，那么會有很多人愿意參與進(jìn)來幫助你，也可以做出更大的事情來，對更多的人有更正面的影響?！惫耪f道。

原標(biāo)題：《剛剛，美國確診超200萬！美國CDC、JHU在用的疫情數(shù)據(jù)庫，來自這個武漢姑娘的華人團(tuán)隊》

閱讀原文