病毒扩散仿真程序，用 python 也可以。
概述事情是这样的，B 站 UP 主 @ele 实验室，写了一个简单的疫情传播仿真程序，告诉大家在家待着的重要性，视频相信大家都看过了，并且 UP 主也放出了源码。
因为是 Java 开发的，所以开始我并没有多加关注。后来看到有人解析代码，发现我也能看懂，然后就琢磨用 Python 应该怎么实现。
Java 版程序浅析一个人就是 1 个（x, y）坐标点，并且每个人有一个状态。
public class Person extends Point { private int state = State.NORMAL; }在每一轮的迭代中，遍历每个人，每个人根据自身的状态，做出一定的动作，包括：
移动
状态变化
影响他人
这些动作的具体变更，取决于定义的各种系数。
一轮迭代完成，打印这些点，不同的状态对应不同的颜色。
绘图部分直接使用的 Java 绘图类 Graphics。
Python 版思路如果我们想用 Python 实现应该怎么做呢？
如果完全复刻 Java 版本，则每次迭代需遍历所有人，并计算和他人距离，这就是 N^2 次计算。如果是 1000 个人，就需要循环 1 百万次。这个 Python 的性能肯定捉急。
不过 Python 有 numpy ，可以快速的操作数组。结合 matplotlib 则可以画出图形。
import numpy as np import matplotlib.pyplot as plt 如何模拟人群为了减少函数之间互相传参和使用全局变量，我们也来定义一个类:
class People(object): def __init__(self, count=1000, first_infected_count=3): self.count = count self.first_infected_count = first_infected_count self.init()所有人的坐标数据就是 N 行 2 列的数组，同时伴随一定的状态：
def init(self): self._people = np.random.normal(0, 100, (self.count, 2)) self.reset()状态值和计时器也都是数组，同时每次随机选取指定数量的人感染：
def reset(self): self._round = 0 self._status = np.array([0] * self.count) self._timer = np.array([0] * self.count) self.random_people_state(self.first_infected_count, 1)这里关键的一点是，辅助数组的大小和人数保持一致，这样就能形成一一对应的关系。
状态发生变化的人才顺带记录时间：
def random_people_state(self, num, state=1): """随机挑选人设置状态 """ assert self.count > num # TODO：极端情况下会出现无限循环 n = 0 while n < num: i = np.random.randint(0, self.count) if self._status[i] == state: continue else: self.set_state(i, state) n += 1 def set_state(self, i, state): self._status[i] = state # 记录状态改变的时间 self._timer[i] = self._round通过状态值，就可以过滤出人群，每个人群都是 people 的切片视图。这里 numpy 的功能相当强大，只需要非常简洁的语法即可实现:
@property def healthy(self): return self._people[self._status == 0] @property def infected(self): return self._people[self._status == 1]按照既定的思路，我们先来定义每轮迭代要做的动作:
def update(self): """每一次迭代更新""" self.change_state() self.affect() self.move() self._round += 1 self.report()顺序和开始分析的略有差异，其实并不是十分重要，调换它们的顺序也是可以的。
如何改变状态这一步就是更新状态数组 self._status 和 计时器数组 self._timer:
def change_state(self): dt = self._round - self._timer # 必须先更新时钟再更新状态 d = np.random.randint(3, 5) self._timer[(self._status == 1) & ((dt == d) | (dt > 14))] = self._round self._status[(self._status == 1) & ((dt == d) | (dt > 14))] += 1仍然是通过切片过滤出要更改的目标，然后全部更新。
这里具体的实现我写的非常简单，没有引入太多的变量：
在一定周期内的 感染者（infected），状态置为 确诊（confirmed）。 我这里简单假设了确诊者就被医院收治，所以失去了继续感染他人的机会（见下面）。如果要搞复杂点，可以引入病床，治愈，死亡等状态。
如何影响他人影响别人是整个程序的性能瓶颈，因为需要计算每个人之间的距离。
这里继续做了简化，只处理感染者：
def infect_possible(self, x=0., safe_distance=3.0): """按概率感染接近的健康人 x 的取值参考正态分布概率表，x=0 时感染概率是 50% """ for inf in self.infected: dm = (self._people - inf) ** 2 d = dm.sum(axis=1) ** 0.5 sorted_index = d.argsort() for i in sorted_index: if d[i] >= safe_distance: break # 超出范围，不用管了 if self._status[i] > 0: continue if np.random.normal() > x: continue self._status[i] = 1 # 记录状态改变的时间 self._timer[i] = self._round可以看到，距离的计算仍然是通过 numpy 的矩阵操作。但是需要对每一个感染者单独计算，所以如果感染者较多，python 的处理效率感人。
如何移动