今天我们来重复一下这张图，首先用我们的nCov2019包,我们可以容易地访问到历史记录，nCov2019包中的全球历史数据， 然后稍微操作一下，就可以拿到所有确诊数超过100的国家，把这个时间当做0点，然后我们就可以对比一下发展趋势了。
require(nCov2019)
require(dplyr)
d <- load_nCov2019()
dd <- d['global'] %>%
as_tibble %>%
rename(confirm=cum_confirm) %>%
filter(confirm > 100) %>%
group_by(country) %>%
mutate(days_since_100 = as.numeric(time - min(time))) %>%
ungroup
最近人民日报新媒体发布的「新冠肺炎全球疫情形势」图，很多人想重复，但画不出来。这其实是几行代码的事情而已。
这个图，大名叫风玫瑰图，用R画起来分分钟的事情。但你画出来的，可能很丑，要画出爆款，还是有点门槛的。
这个图确诊数是取过对数，这一点容易，而颜色的映射，也是取对数的，不然的话，前三是红的，其它全绿了。然后标国家和确诊数目，字体还要旋转相应的角度，这一点可能是最难的。当然细节上还有一点，就是中间还要空一个白洞。如果你知道怎么加白洞，那么加两圈淡淡的圈也容易了。
首先我们用nCov2019包中的全球历史数据，两三行代码就能拿到。
我们的nCov2019包，悄咪咪地加入了全球的历史数据。
历史数据，一如既往地用load_nCov2019()函数获得。然后历史数据嘛，也是一样使用x['global']获得。
> require(nCov2019)
Loading required package: nCov2019
> x = load_nCov2019()
> d = x['global']
> head(d)
time country cum_confirm cum_heal cum_dead
1 2019-12-01 China 1 0 0
2 2019-12-02 China 1 0 0
3 2019-12-03 China 1 0 0
4 2019-12-04 China 1 0 0
5 2019-12-05 China 1 0 0
6 2019-12-06 China 1 0 0
> tail(d)
time country cum_confirm cum_heal cum_dead
1606 2020-03-08 Tunisia 1 0 0
1607 2020-03-08 Ukraine 1 0 0
1608 2020-03-08 United States 445 10 19
1609 2020-03-08 Holy See [Vatican City State] 1 0 0
1610 2020-03-08 Vietnam 30 16 0
1611 2020-03-08 South Africa 2 0 0
之前的lang参数照常使用，用于指定语言。如果不指定，则会通过R的语言设定来自动设置语言，简单点讲就是你的R是中文的，自动使用中文，其它情况则使用英文。
正如图中所展示的，你在公众号的后台，发送期刊的全称或简称，它就会返回来这个期刊的信息，当然包括我们最想要知道的影响因子和分区信息。
这里的简称是官方简称，像图中Methods Ecol Evol，就是Methods in Ecology and Evolution的简称，这是官方的简称，非官方的，比如我们可以说这个杂志是MEE，这种基本上是不被支持的，因为期刊太多，容易撞名。
所以用起来很简单，全称或简称，输进去，立马出来相关的信息，比如
在《检索疫情数据的R包来了》一文写的安装方式，依然是可行的。但鉴于许多国内的用户，可能在访问github上存在一些问题，我把nCov2019在国内的码云上做了个同步的镜像，所以呢，你也可以通过码云去安装了，安装代码如下：
## 方法一，使用github
remotes::install_github("GuangchuangYu/nCov2019")
## 方法二，使用gitee
remotes::install_git('https://gitee.com/GuangchuangYu/nCov2019')
