{ "cells": [ { "cell_type": "code", "execution_count": 1, "metadata": {}, "outputs": [], "source": [ "import urllib.request \n", "import time \n", "import pandas as pd" ] }, { "cell_type": "code", "execution_count": 2, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Beginning file download \n" ] } ], "source": [ "url1 = 'https://covid.ourworldindata.org/data/ecdc/total_cases.csv' #Uniform Resource Locator (URL)\n", "filename1 = 'data/total_cases.csv'\n", "print('Beginning file download ')\n", "urllib.request.urlretrieve(url1, filename1)\n", "time.sleep(.300) #delay for time 0.3 second" ] }, { "cell_type": "code", "execution_count": 3, "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Beginning file download \n" ] } ], "source": [ "url2 = 'https://covid.ourworldindata.org/data/ecdc/total_deaths.csv'\n", "filename2 = 'data/total_deaths.csv'\n", "print('Beginning file download ')\n", "urllib.request.urlretrieve(url2, filename2)\n", "time.sleep(.300)" ] }, { "cell_type": "code", "execution_count": 4, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
dateWorldAfghanistanAlbaniaAlgeriaAndorraAngolaAnguillaAntigua and BarbudaArgentina...United States Virgin IslandsUruguayUzbekistanVaticanVenezuelaVietnamWestern SaharaYemenZambiaZimbabwe
02019-12-31270.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
12020-01-01270.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
22020-01-02270.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
32020-01-03440.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
42020-01-04440.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
..................................................................
2712020-09-273292081339227.013153.050914.01836.04590.03.0101.0702471.0...1317.01998.054953.012.071940.01069.0766.02033.014612.07803.0
2722020-09-283320282039227.013259.051067.01836.04672.03.0101.0711312.0...1317.02008.055593.012.072691.01074.0766.02034.014641.07812.0
2732020-09-293343666539239.013391.051213.01966.04797.03.0101.0723119.0...1318.02010.056068.012.073528.01077.0766.02035.014660.07816.0
2742020-09-303372561839254.013518.051368.01966.04905.03.0101.0736596.0...1318.02033.056519.012.074363.01094.0766.02035.014715.07837.0
2752020-10-013402992339268.013649.051530.02050.05013.03.0101.0750988.0...1318.02046.056997.012.075122.01094.0766.02035.014759.07838.0
\n", "

276 rows × 212 columns

\n", "
" ], "text/plain": [ " date World Afghanistan Albania Algeria Andorra Angola \\\n", "0 2019-12-31 27 0.0 NaN 0.0 NaN NaN \n", "1 2020-01-01 27 0.0 NaN 0.0 NaN NaN \n", "2 2020-01-02 27 0.0 NaN 0.0 NaN NaN \n", "3 2020-01-03 44 0.0 NaN 0.0 NaN NaN \n", "4 2020-01-04 44 0.0 NaN 0.0 NaN NaN \n", ".. ... ... ... ... ... ... ... \n", "271 2020-09-27 32920813 39227.0 13153.0 50914.0 1836.0 4590.0 \n", "272 2020-09-28 33202820 39227.0 13259.0 51067.0 1836.0 4672.0 \n", "273 2020-09-29 33436665 39239.0 13391.0 51213.0 1966.0 4797.0 \n", "274 2020-09-30 33725618 39254.0 13518.0 51368.0 1966.0 4905.0 \n", "275 2020-10-01 34029923 39268.0 13649.0 51530.0 2050.0 5013.0 \n", "\n", " Anguilla Antigua and Barbuda Argentina ... \\\n", "0 NaN NaN NaN ... \n", "1 NaN NaN NaN ... \n", "2 NaN NaN NaN ... \n", "3 NaN NaN NaN ... \n", "4 NaN NaN NaN ... \n", ".. ... ... ... ... \n", "271 3.0 101.0 702471.0 ... \n", "272 3.0 101.0 711312.0 ... \n", "273 3.0 101.0 723119.0 ... \n", "274 3.0 101.0 736596.0 ... \n", "275 3.0 101.0 750988.0 ... \n", "\n", " United States Virgin Islands Uruguay Uzbekistan Vatican Venezuela \\\n", "0 NaN NaN NaN NaN NaN \n", "1 NaN NaN NaN NaN NaN \n", "2 NaN NaN NaN NaN NaN \n", "3 NaN NaN NaN NaN NaN \n", "4 NaN NaN NaN NaN NaN \n", ".. ... ... ... ... ... \n", "271 1317.0 1998.0 54953.0 12.0 71940.0 \n", "272 1317.0 2008.0 55593.0 12.0 72691.0 \n", "273 1318.0 2010.0 56068.0 12.0 73528.0 \n", "274 1318.0 2033.0 56519.0 12.0 74363.0 \n", "275 1318.0 2046.0 56997.0 12.0 75122.0 \n", "\n", " Vietnam Western Sahara Yemen Zambia Zimbabwe \n", "0 0.0 NaN NaN NaN NaN \n", "1 0.0 NaN NaN NaN NaN \n", "2 0.0 NaN NaN NaN NaN \n", "3 0.0 NaN NaN NaN NaN \n", "4 0.0 NaN NaN NaN NaN \n", ".. ... ... ... ... ... \n", "271 1069.0 766.0 2033.0 14612.0 7803.0 \n", "272 1074.0 766.0 2034.0 14641.0 7812.0 \n", "273 1077.0 766.0 2035.0 14660.0 7816.0 \n", "274 1094.0 766.0 2035.0 14715.0 7837.0 \n", "275 1094.0 766.0 2035.0 14759.0 7838.0 \n", "\n", "[276 rows x 212 columns]" ] }, "execution_count": 4, "metadata": {}, "output_type": "execute_result" } ], "source": [ "df1 = pd.read_csv(filename1)\n", "df1" ] }, { "cell_type": "code", "execution_count": 5, "metadata": {}, "outputs": [ { "data": { "text/html": [ "
\n", "\n", "\n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", " \n", "
dateWorldAfghanistanAlbaniaAlgeriaAndorraAngolaAnguillaAntigua and BarbudaArgentina...United States Virgin IslandsUruguayUzbekistanVaticanVenezuelaVietnamWestern SaharaYemenZambiaZimbabwe
02019-12-3100.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
12020-01-0100.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
22020-01-0200.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
32020-01-0300.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
42020-01-0400.0NaN0.0NaNNaNNaNNaNNaN...NaNNaNNaNNaNNaN0.0NaNNaNNaNNaN
..................................................................
2712020-09-279951631453.0375.01711.053.0167.00.03.015543.0...19.047.0454.00.0600.035.01.0588.0332.0227.0
2722020-09-289989831453.0377.01714.053.0171.00.03.015749.0...19.047.0460.00.0606.035.01.0588.0332.0227.0
2732020-09-2910029031456.0380.01719.053.0176.00.03.016113.0...20.047.0463.00.0614.035.01.0588.0332.0228.0
2742020-09-3010091091458.0384.01726.053.0179.00.03.016519.0...20.048.0468.00.0621.035.01.0588.0332.0228.0
2752020-10-0110150431458.0387.01734.053.0182.00.03.016937.0...20.048.0471.00.0628.035.01.0588.0332.0228.0
\n", "

276 rows × 212 columns

\n", "
" ], "text/plain": [ " date World Afghanistan Albania Algeria Andorra Angola \\\n", "0 2019-12-31 0 0.0 NaN 0.0 NaN NaN \n", "1 2020-01-01 0 0.0 NaN 0.0 NaN NaN \n", "2 2020-01-02 0 0.0 NaN 0.0 NaN NaN \n", "3 2020-01-03 0 0.0 NaN 0.0 NaN NaN \n", "4 2020-01-04 0 0.0 NaN 0.0 NaN NaN \n", ".. ... ... ... ... ... ... ... \n", "271 2020-09-27 995163 1453.0 375.0 1711.0 53.0 167.0 \n", "272 2020-09-28 998983 1453.0 377.0 1714.0 53.0 171.0 \n", "273 2020-09-29 1002903 1456.0 380.0 1719.0 53.0 176.0 \n", "274 2020-09-30 1009109 1458.0 384.0 1726.0 53.0 179.0 \n", "275 2020-10-01 1015043 1458.0 387.0 1734.0 53.0 182.0 \n", "\n", " Anguilla Antigua and Barbuda Argentina ... \\\n", "0 NaN NaN NaN ... \n", "1 NaN NaN NaN ... \n", "2 NaN NaN NaN ... \n", "3 NaN NaN NaN ... \n", "4 NaN NaN NaN ... \n", ".. ... ... ... ... \n", "271 0.0 3.0 15543.0 ... \n", "272 0.0 3.0 15749.0 ... \n", "273 0.0 3.0 16113.0 ... \n", "274 0.0 3.0 16519.0 ... \n", "275 0.0 3.0 16937.0 ... \n", "\n", " United States Virgin Islands Uruguay Uzbekistan Vatican Venezuela \\\n", "0 NaN NaN NaN NaN NaN \n", "1 NaN NaN NaN NaN NaN \n", "2 NaN NaN NaN NaN NaN \n", "3 NaN NaN NaN NaN NaN \n", "4 NaN NaN NaN NaN NaN \n", ".. ... ... ... ... ... \n", "271 19.0 47.0 454.0 0.0 600.0 \n", "272 19.0 47.0 460.0 0.0 606.0 \n", "273 20.0 47.0 463.0 0.0 614.0 \n", "274 20.0 48.0 468.0 0.0 621.0 \n", "275 20.0 48.0 471.0 0.0 628.0 \n", "\n", " Vietnam Western Sahara Yemen Zambia Zimbabwe \n", "0 0.0 NaN NaN NaN NaN \n", "1 0.0 NaN NaN NaN NaN \n", "2 0.0 NaN NaN NaN NaN \n", "3 0.0 NaN NaN NaN NaN \n", "4 0.0 NaN NaN NaN NaN \n", ".. ... ... ... ... ... \n", "271 35.0 1.0 588.0 332.0 227.0 \n", "272 35.0 1.0 588.0 332.0 227.0 \n", "273 35.0 1.0 588.0 332.0 228.0 \n", "274 35.0 1.0 588.0 332.0 228.0 \n", "275 35.0 1.0 588.0 332.0 228.0 \n", "\n", "[276 rows x 212 columns]" ] }, "execution_count": 5, "metadata": {}, "output_type": "execute_result" } ], "source": [ "df2 = pd.read_csv(filename2)\n", "df2" ] }, { "cell_type": "code", "execution_count": null, "metadata": {}, "outputs": [], "source": [] } ], "metadata": { "kernelspec": { "display_name": "Python 3", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.7.6" } }, "nbformat": 4, "nbformat_minor": 4 }