COVID-19已在韩国感染了10,000多人。
韩国疾病预防控制中心（KCDC）迅速透明地宣布了COVID-19的信息。
我们根据KCDC和地方政府的报告材料制作结构化的数据集。
此外，我们使用各种数据挖掘或可视化技术来分析和可视化数据。

1.数据表清单
1）案例数据
病例：韩国COVID-19感染病例数据
2）患者资料
PatientInfo：韩国COVID-19患者的流行病学数据
PatientRoute：韩国COVID-19患者的路线数据（当前不可用）
3）时间序列数据
时间：韩国COVID-19状态的时间序列数据
TimeAge：按韩国年龄划分的COVID-19状态的时间序列数据
TimeGender：韩国按性别划分的COVID-19状态的时间序列数据
TimeProvince：以韩国省为单位的COVID-19状态的时间序列数据
4）附加数据
地区：韩国地区的位置和统计数据
天气：韩国地区的天气数据
SearchTrend：在NAVER（韩国最大的门户网站之一）中搜索的关键字的趋势数据
首尔流动人口：韩国首尔的流动人口数据（来自SK Telecom Big Data Hub）
政策：韩国针对COVID-19的政府政策数据
2.我们数据集的结构
颜色的意思是它们具有相似的属性。
如果在列之间连接了一条线，则意味着列的值被部分共享。
虚线表示相关性较弱.db_0701
3.每个数据表的详细说明

案例= p_info = pd.read_csv（path +'Case.csv'）
p_info = pd.read_csv（path +'PatientInfo.csv'）
#p_route = pd.read_csv（路径+'PatientRoute.csv'）
时间= pd.read_csv（路径+'Time.csv'）
t_age = pd.read_csv（path +'TimeAge.csv'）
t_gender = pd.read_csv（path +'TimeGender.csv'）
t_provin = pd.read_csv（path +'TimeProvince.csv'）
区域= pd.read_csv（路径+'Region.csv'）
天气= pd.read_csv（路径+'Weather.csv'）
搜索= pd.read_csv（路径+'SearchTrend.csv'）
浮动= pd.read_csv（路径+'SeoulFloating.csv'）
策略= pd.read_csv（路径+'Policy.csv'）

我们根据KCDC和地方政府的报告材料制作结构化的数据集。
在韩国，我们使用术语“ -do”，“-si”，“-gun”和“ -gu”
它们的含义解释如下。
韩国行政区划的级别
上级（省级师）
特殊城市：首尔
大城市：釜山/大邱/大田/光州/仁川/蔚山
省份：京畿道/江原道/忠清北道/忠清南道/全罗北道/全罗南道/庆尚北道/庆尚南道
下级（市级师）
City（-si）韩国城市列表
国家（郡）韩国县列表
District（-gu）韩国地区列表

1）案例
韩国COVID-19感染病例数据
case_id：感染病例的ID
case_id（7）= region_code（5）+ case_number（2）
您可以在“ Region.csv”中检查region_code
省：特殊城市/大城市/省（-做）
城市：城市（-si）/国家（-gun）/地区（-gu）
“来自其他城市”的值表示团体感染开始的地方是其他城市。
组：TRUE：组感染/ FALSE：非组
如果此列中的值为“ TRUE”，则“ infection_cases”的值表示组的名称。
名为“与患者联系”，“海外流入”和“等”的值不是组感染。
fection_case：感染病例（组名或其他病例）
“海外流入”是指感染来自其他国家。
“等”值包括个别案件，调查后仍在进行关联分类的案件以及正在调查的案件。
确认：已确认的累计数量
纬度：组的纬度（WGS84）
经度：组的经度（WGS）