/
Argentina.Rmd
1707 lines (1259 loc) · 75.3 KB
/
Argentina.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "COVID-19 Argentina"
output:
html_document:
toc: true
toc_float: true
collapsed: false
number_sections: false
toc_depth: 3
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(
echo = FALSE,
message = FALSE,
warning = FALSE,
cache = FALSE,
# out.height='700px',
out.width = '800px'
)
library(readr)
library(dplyr)
library(tidyr)
library(tidyverse)
library(ggplot2)
library(lubridate)
library(knitr)
library(kableExtra)
library(highcharter)
library(rjson)
library(plotly)
library(gganimate)
library(stringr)
library(sf)
library(tmap)
# library(googlesheets4)
library(readxl)
library(RcppRoll)
library(DT)
library(ggpmisc)
# library(data.table)
sep.miles <- function(x){format(x,big.mark=".")}
```
```{r importarArg, message=FALSE, warning=FALSE, include=FALSE}
#################
# Carga de Datos
#################
capUti <-3981
## Mapas y Poblaciones
colorR <- function(c, d){ c <- if_else(c < 150 & d <1.2, '#009900', #verde
if_else((c >= 150 & d < 1.2)| (c < 150 & d >= 1.2), "#F5F93D", #amarillo
if_else((c >= 150 & d>=1.2), '#FF0000', '#FFFFFF'))) #rojo
return(c)}
argentina <- fromJSON(file = "data/mapas/ar-all.geo.json")
## Datos abiertos
# casos_pronvinciales <- read_rds("data/casos_pronvinciales.rds")
casos_pronvinciales <- read_csv("data/Covid19Casos.csv")
saveRDS(casos_pronvinciales, "data/casos_pronvinciales.rds")
poblacionArg <- read_delim("data/poblaciones/prov_argentina.csv", ";",
escape_double = FALSE,
locale = locale(decimal_mark = ",",
grouping_mark = ".", encoding = "ISO-8859-1"),
trim_ws = TRUE)
### Totales generales
argCov <- read_excel("data/argentina.xlsx", "argentina_gral")
names(argCov) <- c("dia", "casosD", "Detectados", "muertesD", "Fallecidos",
"Altas", "Recuperados", "UTI", "MuestraD", "TotalPruebas","DescEpidemiologia", "DescTest", "Descartados",
"Importados", "Estrecho", "Comunitaria", "Investigacion", "InicioSint", "activos_uti", "letalidad")
argCov$dia <- as.Date(argCov$dia, '%d/%m/%Y')
covidArg <- read_excel("data/argentina.xlsx", "casos_provincias")
covidArg$FECHA <- as.Date(covidArg$FECHA, '%d/%m/%Y')
casos14 <- covidArg %>% filter(FECHA >= today()-14) %>%
group_by(PROVINCIA) %>% mutate(casos14 = sum(CASOS)) %>%
select(PROVINCIA, casos14) %>% unique()
casos28 <- covidArg %>% filter(FECHA >= today()-28 & FECHA < today()-14) %>%
group_by(PROVINCIA) %>% mutate(casos28 = sum(CASOS)) %>%
select(PROVINCIA, casos28) %>% unique()
razon <- casos14 %>% left_join(casos28)
razon$razon <- round(razon$casos14/razon$casos28, 2)
incid14 <- casos14 %>% left_join(poblacionArg, by = c("PROVINCIA"="provincia"))
incid14$incid <- round(incid14$casos14/incid14$poblacion*100000,0)
indicadores <- incid14 %>% left_join(razon) %>% select(PROVINCIA, razon, incid)
rm(casos14, casos28, razon, incid14)
### Detalle fallecidos
muertosArg <- covidArg %>% select(FECHA, PROVINCIA, MUERTES)
### Ocup UTI
# covidUTI <- read_excel("data/argentina.xlsx", "UTI")
# covidArg$FECHA <- as.Date(covidArg$FECHA, '%d/%m/%Y')
#############
### Edades
#############
## Confirmados
edades <- casos_pronvinciales %>% filter(clasificacion_resumen=="Confirmado") %>%
group_by(sexo, edad, edad_años_meses) %>%
mutate(cantidad=n()) %>% select(sexo, edad, edad_años_meses, cantidad) %>% unique()
edades$edad <- if_else(edades$edad_años_meses=="Meses", 0, edades$edad)
edades <- edades %>% group_by(sexo, edad) %>%
mutate(cantidad=sum(cantidad)) %>% select(sexo, edad, cantidad) %>% unique()
edades$grupo <- if_else(edades$edad < 10, "0 a 9",
if_else(edades$edad < 20, "10 a 19",
if_else(edades$edad < 30, "20 a 29",
if_else(edades$edad < 40, "30 a 39",
if_else(edades$edad < 50, "40 a 49",
if_else(edades$edad < 60, "50 a 59",
if_else(edades$edad < 70, "60 a 69",
if_else(edades$edad < 80, "70 a 79", "80 o mas"))))))))
edades_g <- edades %>% group_by(sexo, grupo) %>% mutate(cantidad=sum(cantidad)) %>%
select(sexo, grupo, cantidad) %>% unique()
## Fallecidos
fallecidos_edad <- casos_pronvinciales %>%
filter(clasificacion_resumen=="Confirmado" & fallecido=="SI") %>%
group_by(sexo, edad, edad_años_meses) %>%
mutate(cantidad = n()) %>% select(sexo, edad, edad_años_meses, cantidad) %>% unique()
fallecidos_edad$edad <- if_else(fallecidos_edad$edad_años_meses=="Meses", 0, fallecidos_edad$edad)
fallecidos_edad <- fallecidos_edad %>%
group_by(sexo, edad) %>%
mutate(cantidad=sum(cantidad)) %>%
select(sexo, edad, cantidad) %>% unique()
fallecidos_edad$grupo <- if_else(fallecidos_edad$edad < 10, "0 a 9",
if_else(fallecidos_edad$edad < 20, "10 a 19",
if_else(fallecidos_edad$edad < 30, "20 a 29",
if_else(fallecidos_edad$edad < 40, "30 a 39",
if_else(fallecidos_edad$edad < 50, "40 a 49",
if_else(fallecidos_edad$edad < 60, "50 a 59",
if_else(fallecidos_edad$edad < 70, "60 a 69",
if_else(fallecidos_edad$edad < 80, "70 a 79", "80 o mas"))))))))
fallecidos_edad <- fallecidos_edad %>% group_by(sexo, grupo) %>% mutate(cantidad=sum(cantidad)) %>%
select(sexo, grupo, cantidad) %>% unique()
##############
## Clasificacion
##############
confirmados <- casos_pronvinciales %>%
filter(carga_provincia_nombre== residencia_provincia_nombre &
clasificacion_resumen=="Confirmado") %>%
group_by(carga_provincia_nombre, fecha_apertura) %>% mutate(confirmados = n()) %>%
select(carga_provincia_nombre, fecha_apertura, confirmados) %>% unique()
recuperados <- casos_pronvinciales %>%
filter( carga_provincia_nombre== residencia_provincia_nombre &
clasificacion_resumen == "Confirmado" &
clasificacion %in% c("Caso confirmado por laboratorio - No activo (por tiempo de evolución)",
"Caso confirmado por criterio clínico-epidemiológico - No activo (por tiempo de evolución)",
"Caso confirmado por laboratorio - No Activo por criterio de laboratorio")) %>%
group_by(carga_provincia_nombre, fecha_apertura) %>% mutate(altas = n()) %>%
select(carga_provincia_nombre, fecha_apertura, altas) %>% unique()
confirmados_lab <- casos_pronvinciales %>%
filter(carga_provincia_nombre== residencia_provincia_nombre &
clasificacion_resumen=="Confirmado" &
clasificacion %in% c("Caso confirmado por laboratorio - Activo",
"Caso confirmado por laboratorio - Activo Internado",
"Caso confirmado por laboratorio - Fallecido",
"Caso confirmado por laboratorio - No activo (por tiempo de evolución)",
"Caso confirmado por laboratorio - No Activo por criterio de laboratorio" )) %>%
group_by(carga_provincia_nombre, fecha_apertura) %>% mutate(confirmados = n()) %>%
select(carga_provincia_nombre, fecha_apertura, confirmados) %>% unique()
descartados_lab <- casos_pronvinciales %>%
filter(carga_provincia_nombre== residencia_provincia_nombre &
clasificacion_resumen=="Descartado" &
clasificacion %in% c("Caso Descartado") ) %>%
group_by(carga_provincia_nombre, fecha_apertura) %>% mutate(descartados = n()) %>%
select(carga_provincia_nombre, fecha_apertura, descartados) %>% unique()
positiv_lab <-descartados_lab %>%
left_join(confirmados_lab, by=c("carga_provincia_nombre"="carga_provincia_nombre",
"fecha_apertura"="fecha_apertura"))
positiv_lab$positividad <- round(positiv_lab$confirmados/
(positiv_lab$confirmados + positiv_lab$descartados)*100, 1)
positiv_lab$positividad <- if_else(is.na(positiv_lab$positividad), 0,
as.double(positiv_lab$positividad))
descartados <- casos_pronvinciales %>%
filter(carga_provincia_nombre== residencia_provincia_nombre &
clasificacion_resumen=="Descartado" ) %>%
group_by(carga_provincia_nombre, fecha_apertura) %>% mutate(descartados = n()) %>%
select(carga_provincia_nombre, fecha_apertura, descartados) %>% unique()
fallecidos <- casos_pronvinciales %>%
filter(carga_provincia_nombre== residencia_provincia_nombre &
clasificacion_resumen=="Confirmado" &
fallecido=="SI") %>%
group_by(carga_provincia_nombre, fecha_apertura) %>% mutate(fallecidos = n()) %>%
select(carga_provincia_nombre, fecha_apertura, fallecidos) %>% unique()
casos_provincias <- confirmados %>%
left_join(descartados, by=c("carga_provincia_nombre"="carga_provincia_nombre",
"fecha_apertura"="fecha_apertura")) %>%
left_join(recuperados, by=c("carga_provincia_nombre"="carga_provincia_nombre",
"fecha_apertura"="fecha_apertura")) %>%
left_join(fallecidos, by=c("carga_provincia_nombre"="carga_provincia_nombre",
"fecha_apertura"="fecha_apertura"))
casos_provincias$positividad <- round(casos_provincias$confirmados/
(casos_provincias$confirmados + casos_provincias$descartados)*100, 1)
casos_provincias$confirmados <- if_else(is.na(casos_provincias$confirmados), 0,
as.double(casos_provincias$confirmados))
casos_provincias$altas <- if_else(is.na(casos_provincias$altas), 0, as.double(casos_provincias$altas))
casos_provincias$descartados <- if_else(is.na(casos_provincias$descartados), 0,
as.double(casos_provincias$descartados))
casos_provincias$fallecidos <- if_else(is.na(casos_provincias$fallecidos), 0,
as.double(casos_provincias$fallecidos))
casos_provincias$positividad <- if_else(is.na(casos_provincias$positividad), 0,
as.double(casos_provincias$positividad))
casos_provincias$activos <- casos_provincias$confirmados - casos_provincias$altas - casos_provincias$fallecidos
color <- function(d){
c <- if_else(d==0, '#FFFFFF',
if_else(d < 25, '#fdd49e',
if_else(d < 50, '#fc8d59',
if_else(d < 75, '#d7301f',
if_else(d < 100, '#b30000',
"#7f0000")))))
return(c)}
urlign <- "https://wms.ign.gob.ar/geoserver/gwc/service/tms/1.0.0/capabaseargenmap@EPSG%3A3857@png/{z}/{x}/{-y}.png"
```
## Cantidad de Casos Actuales
En Argentina los datos son informados diariamente por el Ministerio de Salud de la Nación tanto en su sala de situación como en los datos abiertos.
Los datos con los que se trabajarán son de procesamiento propio en base a los informes mencionados y se encuentran actualizados al `r max(covidArg$FECHA) `.
### {.tabset .tabset-fade .tabset-pills}
#### Evolución en Argentina
```{r evolArg, echo=FALSE, fig.align='center', message=FALSE, warning=FALSE, paged.print=FALSE}
argCov$dia <- as.Date(argCov$dia, '%d/%m/%Y')
argCov$Recuperados <- if_else(is.na(argCov$Recuperados), 0, argCov$Recuperados)
evolArg <- argCov %>%
select(dia, Detectados, Fallecidos, Recuperados) %>%
mutate(Activos = Detectados - Fallecidos - Recuperados) %>%
select(dia, Detectados, Activos, Fallecidos, Recuperados) %>%
gather(tipo, cantidad, c(Detectados, Activos, Fallecidos, Recuperados), -dia)
m <- evolArg %>% filter(dia==max(dia))
a <- list( x = m$dia+20, y =if_else(m$tipo=="Fallecidos", m$cantidad+45000,
if_else(m$tipo=="Activos", m$cantidad+70000, m$cantidad)),
text = paste0('<b>', m$tipo, '\n', format(m$cantidad, big.mark=".") , '</b>'),
xref = "x", yref = "y", showarrow = F, ax = 60, ay = -40)
b <- list( x="2020-03-20", y= 1, yref = "y", xref = "x", ax=0, ay=-390,
text="ASPO", textangle = 0, showarrow = T,
arrowhead = 0, arrowwidth=0.8, borderwidth=0.5, opacity=0.7)
pal <- c( '#8DA0CB', '#9BD92F','#FF8080', '#66C2A5')
fig <- plot_ly(evolArg, x =~dia, y=~cantidad, split = ~tipo, color=~tipo,
colors=pal, alpha = 0.1, type='scatter', mode='lines', fill='tozeroy')
fig %>% layout(title="<b> Evolución de COVID-19 en Argentina</b>",
xaxis = list(title = "",
format="%Y-%mm-%d"), yaxis = list(title = ""),
annotations=a) %>% layout(showlegend = FALSE, annotations=b, width = 800)
```
#### Ocupación de UTI
A continuación se grafica la evolución de la cantidad de casos internados en Unidades de Terapia Intensiva y de los casos activos
```{r distrArgH,echo=FALSE, message=FALSE, warning=FALSE }
p2 <- argCov %>%filter(dia >="2020-03-28") %>% #filter(dia==max(dia)) %>%
select(dia, Detectados, Fallecidos, Recuperados, UTI) %>%
mutate(Activos = Detectados - Fallecidos - Recuperados-UTI) %>%
select(dia, Activos, Fallecidos, Recuperados, UTI) %>%
mutate(porc = UTI/capUti*100)
fig <- plot_ly(p2, x = ~dia, y = ~UTI, type = 'bar', name = 'UTI',
marker = list(color = "#8DA0CB"))
# fig <- fig %>% add_lines(x=~dia, y =~c(1:393), yaxis="y2" )
# ay <- list( tickfont = list(color = "red"),
# overlaying = "y",
# side = "right",
# title = "% Ocupacion")
fig <- fig %>% layout(title = 'Ocupación de UTI',
xaxis = list(title = "", tickfont = list(size = 14, color = 'rgb(107, 107, 107)')),
yaxis = list( title = 'Cantidad',
titlefont = list(size = 16, color = 'rgb(107, 107, 107)'),
tickfont = list( size = 14, color = 'rgb(107, 107, 107)')),
# yaxis2 =ay,
legend = list(x = 0, y = 1, bgcolor = 'rgba(255, 255, 255, 0)', bordercolor = 'rgba(255, 255, 255, 0)'),
barmode = 'group', bargap = 0.15, bargroupgap = 0.1)
fig
```
#### Tabla
```{r datoEvolArg, echo=FALSE, message=FALSE, warning=FALSE}
totalesArg <- argCov %>%
select(dia, Detectados, Fallecidos, Recuperados)
totalesArg %>% datatable(extensions = 'Buttons', rownames = FALSE,
colnames = c("Fecha", "Casos Detectados", "Fallecidos", "Recuperados"),
options = list(dom = 'Blfrtip',
buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
lengthMenu = list(c(10,25,50,-1),
c(10,25,50,"All"))))
```
## Ultimos casos confirmados
À continuación se muestra la distribución por provincias de los casos confirmados el día `r max(covidArg$FECHA)`.
Si presiona sobre los rectángulos mas pequeños ampliará la provincia/jurisdicción correspondiente.
```{r casosDia, echo=FALSE, message=FALSE, warning=FALSE}
covidArg_hoy <- covidArg %>%
group_by(PROVINCIA) %>% filter(FECHA==max(FECHA)) %>% select(PROVINCIA,FECHA, CASOS) %>% unique()
covidArg_hoy$PROVINCIA <- if_else(covidArg_hoy$PROVINCIA == "Ciudad de Buenos Aires", "CABA", covidArg_hoy$PROVINCIA)
covidArg_hoy$parents <- "Confirmados"
plot_ly(data = covidArg_hoy,
type= "treemap",
values = ~CASOS,
labels= ~PROVINCIA,
parents= ~parents,
domain = list(column=0),
name = "Confirmados",
textinfo="label+value+percent parent") %>%
layout(title = paste("Covid19 - Distribución de casos Confirmados el día ", max(covidArg_hoy$FECHA)))
```
## Evolución de Incidencia por Provincia
À continuación se muestra la evolución del indicador de la incidencia acumulada en 14 días en cada provicia.
Si este indicador es mayor a 250 casos cada 100000 habitantes se considera que la provincia está en Alto riesgo sanitario y epidemiológico
```{r evolIncid, echo=FALSE, message=FALSE, warning=FALSE}
diarios <- covidArg %>%
group_by(PROVINCIA) %>% arrange(FECHA) %>%
mutate(casosP = round(roll_mean(CASOS, n=7, align="right", fill = NA), 0))
incid <- diarios %>%
left_join(poblacionArg, by = c("PROVINCIA" = "provincia")) %>%
mutate(incid = round(casosP/poblacion*100000,0)) %>%
arrange(PROVINCIA, FECHA) %>%
group_by(PROVINCIA) %>% arrange(FECHA) %>%
mutate(casos14 = roll_sum(CASOS, n=14, fill=NA, align = "right"),
incidP= roll_mean(incid, n=7, fill=NA, align = "right")) %>%
mutate(incid14 = round(casos14/poblacion*100000,0)) %>%
mutate(incid14P = round(roll_mean(incid14, n=7, fill=NA, align = "right"),0),
colorD = if_else(incidP < 10, 1,
if_else(incidP < 25, 2, 3)),
colorI = if_else(incid14P < 50, 1,
if_else(incid14P < 150, 2, 3)))
incid %>%
filter(!is.na(incidP) &
FECHA >="2020-09-01") %>%
ggplot(mapping=aes(x=FECHA, color = colorI, y = incid14)) +
geom_line(aes(group = PROVINCIA), size = 2, show.legend = F) +
stat_peaks() +
stat_peaks( geom = "text",
mapping = aes(label = ..y.label..),
vjust = -0.01, hjust=1.1, color = "red",
fontface = 'bold', size=2.75,
check_overlap = TRUE, span = NULL) +
labs(title = paste("COVID-19- Indicador de Incidencia acumulada en 14 días por Provincia 2021"),
subtitle = paste0("Escala libre") ,
y = "Casos c/100.000", x = "Fecha", width = 850) +
facet_wrap(~ PROVINCIA,
scales = "free_y", ncol = 6) +
scale_color_gradient2(low = "green", high ="red", mid = "yellow", midpoint = 2 )
```
## Casos de Hoy por Incidencia
À continuación se muestra la distribución por provincias de los casos confirmados el día `r max(covidArg$FECHA)` pero considerando la población de cada provincia/jurisdicción
```{r casosDiaIncid, echo=FALSE, message=FALSE, warning=FALSE}
covidHoy_Incid <- covidArg_hoy %>% left_join(poblacionArg, by=c("PROVINCIA"="provincia")) %>%
mutate(casos=round(CASOS/poblacion*100000, 0))
covidHoy_Incid$parents <- "Incidencia"
plot_ly(data = covidHoy_Incid,
type= "treemap",
values = ~casos,
labels= ~PROVINCIA,
parents= ~parents,
domain = list(column=0),
name = "Confirmados",
textinfo="label+value+percent parent") %>%
layout(title = paste("Covid19 - Distribución de la Incidencia diaria el día ", max(covidHoy_Incid$FECHA)))
```
## Promedios semanales
Los pormedios de casos confirmados y fallecidos semanales se muestran en el gráfico a continuación
```{r promSem, echo=FALSE, message=FALSE, warning=FALSE }
argCov<-argCov %>% mutate(Activos=casosD-Altas - muertesD)
promedios<- argCov %>% select(dia, casosD, Altas, muertesD, Activos) %>%
mutate(casosP=round(roll_mean(casosD, n=7, align="right", fill = NA),0),
altasP=roll_mean(Altas, n=7, align="right", fill = NA),
muertesP=round(roll_mean(muertesD, n=7, align="right", fill = NA),0)) %>%
select(dia, casosP, altasP, muertesP, Activos) %>% unique()
fig <- plot_ly(promedios, x = ~dia, y = ~muertesP, type = 'bar', name = 'Fallecidos',
marker = list(color = 'rgba(222,45,38,0.8)'),text= ~muertesP, textposition = 'outside')
# fig <- fig %>% add_trace(y = ~Activos, type = 'bar', name = 'Activos', marker = list(color = '#66C2A5'))
fig <- fig %>% add_trace(y = ~casosP, name = 'Casos', marker = list(color = 'rgb(55, 83, 109)'),text= ~casosP, textposition = 'outside')
fig <- fig %>% layout(title = '\n Promedio (7 días) de casos y fallecimientos diarios',
xaxis = list(
title = "",
tickfont = list(size = 14, color = 'rgb(107, 107, 107)')),
yaxis = list(
title = 'Cantidad',
titlefont = list(size = 14, color = 'rgb(107, 107, 107)'),
tickfont = list( size = 14, color = 'rgb(107, 107, 107)')),
legend = list(x = 0, y = 1, bgcolor = 'rgba(255, 255, 255, 0)', bordercolor = 'rgba(255, 255, 255, 0)'),
barmode = 'group', bargap = 0.15, bargroupgap = 0.1, width = 800)
fig
```
## Composición por Edad
A continuación se grafican las pirámides poblacionales de casos confirmados y fallecimientos.
La composición de la siguiente pirámide poblacional de los casos confirmados fue confeccionada con los datos abiertos del Ministerio de Salud de la Nación.
### {.tabset .tabset-fade .tabset-pills}
#### Casos confirmados
```{r piramide}
edades_g <- edades_g %>% filter(!is.na(grupo) & sexo %in% c("F", "M"))
edades_g$sexo <- if_else(edades_g$sexo=="M", "Hombre", "Mujer")
edades_g <- edades_g %>% ungroup() %>% mutate(prop = round(cantidad/sum(cantidad)*100, 2))
edades_g$porcent <- if_else(edades_g$sexo=="Hombre", edades_g$prop*-1, edades_g$prop)
plot_ly(edades_g, x = ~porcent, y = ~grupo, color = ~sexo, width = 900) %>%
add_bars(orientation = "h", hoverinfo = "y+text+name",
text = ~paste(abs(round(porcent,1)), "%", '\n(',cantidad,')'),
textposition = 'outside', colors = c("#5e3c99", "#fdb863")) %>%
layout(bargap = 0.1, barmode = "overlay",
title = "Pirámide Poblacional de Casos Confirmados",
xaxis = list(tickmode = "array",
tickvals = c(-100, -50, -25, -20, -15, -10, -5, 0, 5, 10, 15, 20, 25, 50, 100),
ticktext = c("100", "50%", "25%", "20%", "15%", "10%","5%", "0", "5%", "10%", "15%","20%", "25%", "50%", "100%"),
title = "Casos Confirmados"),
yaxis = list(title = "Grupo Edad"))
```
<!-- ### {.tabset .tabset-fade .tabset-pills} -->
#### Distribución de confirmados
```{r distrEdad, echo=FALSE, fig.align='center', message=FALSE, warning=FALSE, out.width='100%'}
edades_d <- casos_pronvinciales %>%
filter(clasificacion_resumen=="Confirmado") %>%
mutate(anio = if_else(sepi_apertura==53, 2020, year(fecha_apertura))) %>%
group_by(anio, sepi_apertura, edad, edad_años_meses) %>%
mutate(cantidad=n()) %>% select(anio, sepi_apertura, edad, edad_años_meses, cantidad) %>% unique()
edades_d$edad <- if_else(edades_d$edad_años_meses=="Meses", 0, edades_d$edad)
edades_d <- edades_d %>% group_by(anio, sepi_apertura, edad) %>%
mutate(cantidad=sum(cantidad)) %>% select(anio, sepi_apertura, edad, cantidad) %>% unique()
edades_d$grupo <- if_else(edades_d$edad < 15, "0 a 14",
if_else(edades_d$edad < 30, "15 a 29",
if_else(edades_d$edad < 45, "30 a 44",
if_else(edades_d$edad < 60, "45 a 59",
if_else(edades_d$edad < 75, "60 a 74", "75 o mas")))))
edades_d <- edades_d %>% filter(!is.na(grupo)) %>% group_by(anio, sepi_apertura, grupo) %>% mutate(cantidad=sum(cantidad)) %>%
select(anio, sepi_apertura, grupo, cantidad) %>% unique() %>% ungroup() %>% arrange(anio, sepi_apertura) %>%
group_by(anio, sepi_apertura) %>% mutate(prop = cantidad/sum(cantidad))
edades_d$semana <- paste0(edades_d$anio,
if_else(edades_d$sepi_apertura<10, paste0('0', edades_d$sepi_apertura),
as.character(edades_d$sepi_apertura)))
edades_d2 <- edades_d %>% ungroup() %>% select(semana, grupo, prop) %>% spread(grupo, prop)
plot_ly(edades_d2, x = ~semana, text = ~prop,
textposition = 'auto',
textfont = list(family= "Times", size= c(18, 21, 20), color= c("White"))) %>%
add_trace( y = ~`0 a 14`, type = "bar", name = "0 a 14", text=~round(`0 a 14`*100,0),
# textposition = 'auto',
color = I("orchid3")) %>%
add_trace(y = ~`15 a 29`, name = "15 a 29", text=~round(`15 a 29`*100,0),
# textposition = 'auto',
color = I("indianred3")) %>%
add_trace(y = ~`30 a 44`, name = "30 a 44", text=~round(`30 a 44`*100,0),
# textposition = 'auto',
color = I("olivedrab3")) %>%
add_trace(y = ~`45 a 59`, name = "45 a 59", text=~round(`45 a 59`*100,0),
# textposition = 'auto',
color = I("steelblue3")) %>%
add_trace(y = ~`60 a 74`, name = "60 a 74", text=~round(`60 a 74`*100,0),
# textposition = 'auto',
color = I("steelblue4")) %>%
add_trace(y = ~`75 o mas`, name = "75 o mas", text=~round(`75 o mas`*100,0),
color = I("steelblue2")) %>%
layout(uniformtext=list(minsize=12, mode='hide'), textposition = 'inside',
yaxis = list(title = "% Confirmados según Edad", tickformat = "%"),
xaxis=list(title="Semana"),
barmode = "stack", legend = list(x = 100, y = 0.5))
```
#### Fallecidos
```{r piramideFall}
edades_m <- fallecidos_edad %>% filter(sexo %in% c("F", "M")) %>% ungroup() %>%
mutate(prop = round(cantidad/sum(cantidad)*100, 2)) %>%
select(grupo, genero=sexo, total=cantidad, prop)
edades_m$genero <- if_else(edades_m$genero=="M", "Hombre", "Mujer")
edades_m$prop <- if_else(edades_m$genero=="Hombre", edades_m$prop*-1, edades_m$prop)
plot_ly(edades_m, x = ~prop, y = ~grupo, color = ~genero, width = 900) %>%
add_bars(orientation = "h",
hoverinfo = "y+text+name",
# text = ~paste(abs(prop), " %", '\n Cant.: (', total,')'),
text = ~paste(abs(round(prop,1)), "%", '\n(',total,')'),
textposition = 'outside',
colors = c("#5e3c99", "#fdb863")) %>%
# colors = c("#2c7fb8", "#fa9fb5")) %>%
layout(bargap = 0.1, barmode = "overlay",
title = "Piramide Poblaciónal de Personas Fallecidas",
xaxis = list(tickmode = "array",
tickvals = c(-100, -50, -25, -20, -15, -10, -5, 0,
5, 10, 15, 20, 25, 50, 100),
ticktext = c("100", "50%", "25%", "20%", "15%", "10%","5%", "0",
"5%", "10%", "15%","20%", "25%", "50%", "100%"),
title = "Fallecidos"),
yaxis = list(title = "Grupo Edad"))
```
## Letalidad por Grupo
A continuación se grafica la letalidad por grupos y sexo y en grandes grupos
### {.tabset .tabset-fade .tabset-pills}
#### Grupos
```{r let_Edad}
edad_let <- edades_g %>% left_join(edades_m, by=c("sexo"="genero", "grupo"="grupo")) %>%
group_by(grupo) %>%
mutate(casos=sum(cantidad), fall=sum(total), let=round(fall/casos*100,1)) %>%
select(grupo, casos, fall, let) %>% unique()
let_edad <- edades_g %>% left_join(edades_m, by=c("sexo"="genero", "grupo"="grupo")) %>%
filter(!is.na(grupo)) %>%
mutate(let = round(total/cantidad*100, 1)) %>% select(sexo, grupo, let) %>% unique()
plot_ly(let_edad, x=~let, y=~grupo, color=~sexo, width = 900) %>%
add_bars(orientation = "h",
hoverinfo = "y+text",
text = ~paste(let, '%'),
textposition = 'outside',
colors = c("#5e3c99", "#fdb863")) %>% # c("#2c7fb8", "#fa9fb5")) %>%
layout( title = "Tasas de Letalidad por Grupo",
xaxis = list(title = "Letalidad"), yaxis = list(title = "Grupo Edad"))
```
#### Edad
```{r let_Edad2}
plot_ly(edad_let, x=~let, y=~grupo) %>%
add_bars(orientation = "h",hoverinfo = "y+text",
text = ~paste(let, '%'),
textposition = 'outside') %>%
layout( title = "Tasas de Letalidad por edades",
xaxis = list(title = "Letalidad"), yaxis = list(title = "Grupo Edad"))
```
#### Evolucion
Evolución de la distribución de los fallecidos por rango etario
```{r let_Evol2}
#
# edades_d <- casos_pronvinciales %>%
# filter(clasificacion_resumen=="Confirmado") %>%
# mutate(anio = if_else(sepi_apertura==53, 2020, year(fecha_apertura))) %>%
# group_by(anio, sepi_apertura, edad, edad_años_meses) %>%
# mutate(cantidad=n()) %>% select(anio, sepi_apertura, edad, edad_años_meses, cantidad) %>% unique()
#
# edades_d$edad <- if_else(edades_d$edad_años_meses=="Meses", 0, edades_d$edad)
#
# edades_d <- edades_d %>% group_by(anio, sepi_apertura, edad) %>%
# mutate(cantidad=sum(cantidad)) %>% select(anio, sepi_apertura, edad, cantidad) %>% unique()
#
# edades_d$grupo <- if_else(edades_d$edad < 15, "0 a 14",
# if_else(edades_d$edad < 30, "15 a 29",
# if_else(edades_d$edad < 45, "30 a 44",
# if_else(edades_d$edad < 60, "45 a 59",
# if_else(edades_d$edad < 75, "60 a 74", "75 o mas")))))
#
# edades_d <- edades_d %>% filter(!is.na(grupo)) %>% group_by(anio, sepi_apertura, grupo) %>% mutate(cantidad=sum(cantidad)) %>%
# select(anio, sepi_apertura, grupo, cantidad) %>% unique() %>% ungroup() %>% arrange(anio, sepi_apertura) %>%
# group_by(anio, sepi_apertura) %>% mutate(prop = cantidad/sum(cantidad))
#
# edades_d$semana <- paste0(edades_d$anio,
# if_else(edades_d$sepi_apertura<10, paste0('0', edades_d$sepi_apertura),
# as.character(edades_d$sepi_apertura)))
#
# edades_d2 <- edades_d %>% ungroup() %>% select(semana, grupo, prop) %>% spread(grupo, prop)
edades_d_f <- casos_pronvinciales %>%
filter(clasificacion_resumen=="Confirmado" & fallecido=="SI")%>%
mutate(anio = if_else(sepi_apertura==53, 2020, year(fecha_apertura))) %>%
group_by(anio, sepi_apertura, edad, edad_años_meses) %>%
mutate(cantidad=n()) %>% select(anio, sepi_apertura, edad, edad_años_meses, cantidad) %>% unique()
edades_d_f$edad <- if_else(edades_d_f$edad_años_meses=="Meses", 0, edades_d_f$edad)
media <- edades_d_f %>% group_by(anio, sepi_apertura) %>%
mutate(media = round(mean(edad, na.rm=T), 1)) %>%
select(anio, sepi_apertura, media) %>%
unique() %>% ungroup() %>%
mutate(semana = paste0(anio, if_else(sepi_apertura<10, paste0('0', sepi_apertura),
as.character(sepi_apertura)))) %>%
select(semana, media) %>% arrange(semana, media)
edades_d_f <- edades_d_f %>% group_by(anio, sepi_apertura, edad) %>%
mutate(cantidad=sum(cantidad)) %>% select(anio, sepi_apertura, edad, cantidad) %>% unique()
edades_d_f$grupo <- if_else(edades_d_f$edad < 15, "0 a 14",
if_else(edades_d_f$edad < 30, "15 a 29",
if_else(edades_d_f$edad < 45, "30 a 44",
if_else(edades_d_f$edad < 60, "45 a 59",
if_else(edades_d_f$edad < 75, "60 a 74", "75 o mas")))))
edades_d_f <- edades_d_f %>% filter(!is.na(grupo)) %>% group_by(anio, sepi_apertura, grupo) %>%
mutate(fall=sum(cantidad)) %>%
select(anio, sepi_apertura, grupo, fall) %>% unique() %>% ungroup() %>% arrange(anio, sepi_apertura) %>%
group_by(anio, sepi_apertura) %>% mutate(prop_f = fall/sum(fall))
edades_d_f$semana <- paste0(edades_d_f$anio,
if_else(edades_d_f$sepi_apertura<10, paste0('0', edades_d_f$sepi_apertura),
as.character(edades_d_f$sepi_apertura)))
edades_d_f2 <- edades_d_f %>% ungroup() %>% select(semana, grupo, prop_f) %>% spread(grupo, prop_f)
edades_d_f2 <- edades_d_f2 %>% left_join(media)
ay <- list( tickfont = list(color = "gray"), overlaying = "y",
side = "right", title = "edad mdia")
fig <- plot_ly(edades_d_f2, x = ~semana, text = ~round(`0 a 14`*100,0),
textposition = 'auto',
textfont = list(family= "Times", size= c(18, 21, 20), color= c("White"))) %>%
add_trace( y = ~`0 a 14`, type = "bar", name = "0 a 14", text=~round(`0 a 14`*100,0),
# textposition = 'auto',
color = I("orchid3")) %>%
add_trace(y = ~`15 a 29`, name = "15 a 29", text=~round(`15 a 29`*100,0),
# textposition = 'auto',
color = I("indianred3")) %>%
add_trace(y = ~`30 a 44`, name = "30 a 44", text=~round(`30 a 44`*100,0),
# textposition = 'auto',
color = I("olivedrab3")) %>%
add_trace(y = ~`45 a 59`, name = "45 a 59", text=~round(`45 a 59`*100,0),
# textposition = 'auto',
color = I("steelblue3")) %>%
add_trace(y = ~`60 a 74`, name = "60 a 74", text=~round(`60 a 74`*100,0),
# textposition = 'auto',
color = I("steelblue4")) %>%
add_trace(y = ~`75 o mas`, name = "75 o mas", text=~round(`75 o mas`*100,0),
color = I("steelblue2")) %>%
add_lines(mode = "lines", y = ~media, name = "Edad Media", yaxis = "y2") %>%
# add_lines(y = ~media, name = "Edad Media", yaxis = "y2") %>%
layout(uniformtext=list(minsize=12, mode='hide'), textposition = 'inside',
yaxis = list(title = "% Fallecidos según Edad", tickformat = "%"),
yaxis2 = list(overlaying = "y", side = "right"),
yaxis2 = ay,
xaxis=list(title="Semana"),
barmode = "stack", legend = list(x = 100, y = 1))
fig
```
## Casos actuales por Provincia
La notificación de los casos por jurisdicción se realiza teniendo en cuenta la residencia según el Registro Nacional de las Personas, pudiendo variar en función de la investigación de la jurisdicción.
El Ministerio diariamente informa la cantidad de casos por provincia pudiendo rectificar luego cantidades de casos reasignados.
#### {.tabset .tabset-fade .tabset-pills}
##### Activos
La cantidad de casos Activos se ha calculado en base a los informes provinciales de los Ministerios de Salud, considerando los casos confirmados menos los recuperados/altas menos los fallecidos-
Debido a que no todas las provincias lo informan diariamente pueden existir algunas diferencias con las situaciones actuales.
```{r mapaActivos, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center', out.height='100%'}
activos <- casos_provincias %>% group_by(carga_provincia_nombre) %>%
mutate(activos=sum(activos)) %>% select(carga_provincia_nombre, activos) %>% unique()
activos$carga_provincia_nombre <- if_else(activos$carga_provincia_nombre=="CABA",
"Ciudad de Buenos Aires",
activos$carga_provincia_nombre)
colors <- c("#ffffcc", "#ffeda0", "#fed976", "#feb24c", "#fd8d3c", "#fc4e2a", "#e31a1c", "#bd0026", "#800026")
highchart(width = 900) %>%
hc_title(text = "<i>Casos Activos COVID-19 por Provincia en Argentina</i> - <b>GIBD</b>",
margin = 5, align = "center",
style = list(color = "#bd0026", useHTML = TRUE, fontWeight = "bold")) %>%
hc_tooltip(followPointer = FALSE) %>%
hc_add_series_map(argentina, activos, name = "Activos",
value = "activos", joinBy = c("name", "carga_provincia_nombre"),
dataLabels = list(enabled = TRUE, format = '{point.properties.woe-name}')) %>%
hc_colorAxis(stops=color_stops(n=length(colors), colors = colors)) %>%
hc_legend(align = "center", x = 0, y = -10) %>%
hc_mapNavigation(enabled = TRUE) %>%
hc_add_theme(hc_theme_ffx()) %>%
hc_add_annotation(xValue = 0, yValue = 0,
title = list(text = 'Fuente: Ministerios de Salud Provinciales')) %>%
hc_chart(borderColor = "#bd0026",
borderRadius = 10,
borderWidth = 2)
```
##### Casos
```{r mapas, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}
covidArg_hoy <- covidArg %>%
group_by(PROVINCIA) %>%
mutate(total=sum(CASOS)) %>% select(PROVINCIA, total) %>% unique()
covidArg_hoy$PROVINCIA <- if_else(covidArg_hoy$PROVINCIA=="CABA", "Ciudad de Buenos Aires", covidArg_hoy$PROVINCIA)
highchart(width = 900) %>%
hc_title(text = "<i>Mapa dinámico de COVID-19 en Argentina</i> - <b>GIBD</b>",
margin = 5, align = "center",
style = list(color = "#08338F", useHTML = TRUE)) %>%
hc_subtitle(text = "Casos detectados por provincia", align = "center",
style = list(color = "#0C5C9E", fontWeight = "bold")) %>%
hc_tooltip(followPointer = FALSE) %>%
hc_add_series_map(argentina, covidArg_hoy, name = "Total",
value = "total", joinBy = c("name", "PROVINCIA"),
dataLabels = list(enabled = TRUE, format = '{point.properties.woe-name}')) %>%
hc_colorAxis(minColor = "#B7D4EB", maxColor = "#08338F") %>%
hc_legend(align = "center", x = 0, y = -10) %>%
hc_mapNavigation(enabled = TRUE) %>%
hc_add_theme(hc_theme_ffx()) %>%
hc_add_annotation(xValue = 0, yValue = 0, title = list(text = 'Fuente: Datos Propios')) %>%
hc_chart(borderColor = "#08338F",
borderRadius = 10,
borderWidth = 2)
```
##### Fallecidos
```{r mapasFallArg, echo=FALSE, message=FALSE, warning=FALSE, fig.align='center'}
muertosArg_hoy <- muertosArg %>% group_by(PROVINCIA) %>% mutate(total=sum(MUERTES, na.rm = T)) %>%
select(Provincia=PROVINCIA, total) %>% unique()
muertosArg_hoy$Provincia <- if_else(muertosArg_hoy$Provincia=="CABA", "Ciudad de Buenos Aires", muertosArg_hoy$Provincia)
highchart(width = 900) %>%
hc_title(text = "<i>Mapa dinámico de COVID-19 en Argentina</i> - <b>Fallecidos</b>",
margin = 5, align = "center",
style = list(color = "#780000", useHTML = TRUE)) %>%
hc_subtitle(text = "Casos detectados por provincia",
align = "center",
style = list(color = "#780000", fontWeight = "bold")) %>%
hc_tooltip(followPointer = FALSE) %>%
hc_add_series_map(argentina, muertosArg_hoy, name = "Total",
value = "total", joinBy = c("name", "Provincia"),
dataLabels = list(enabled = TRUE,
format = '{point.properties.woe-name}')) %>%
hc_colorAxis(minColor = "#FFAAAA", maxColor = "#780000") %>%
hc_legend(align = "center", x = 0, y = -10) %>%
hc_mapNavigation(enabled = TRUE) %>%
hc_add_theme(hc_theme_ffx()) %>%
hc_add_annotation(xValue = 0, yValue = 0, title = list(text = 'Fuente: Datos Propios')) %>%
hc_chart(borderColor = "#780000",
borderRadius = 10,
borderWidth = 2)
```
##### Tabla
```{r tabProv, echo=FALSE, message=FALSE, warning=FALSE}
muertosArg_hoy$Provincia <- if_else(muertosArg_hoy$Provincia== "Ciudad de Buenos Aires","CABA" , muertosArg_hoy$Provincia)
covidArg_hoy$PROVINCIA <- if_else(covidArg_hoy$PROVINCIA== "Ciudad de Buenos Aires", "CABA", covidArg_hoy$PROVINCIA)
activos$carga_provincia_nombre <- if_else(activos$carga_provincia_nombre=="Ciudad de Buenos Aires", "CABA",
activos$carga_provincia_nombre)
tabla <- covidArg_hoy %>% left_join(muertosArg_hoy, by=c("PROVINCIA"="Provincia")) %>%
left_join(activos, by=c("PROVINCIA"="carga_provincia_nombre")) %>%
select(PROVINCIA, total.x, total.y, activos)
names(tabla) <- c("Provincia", "Confirmados", "Fallecidos", "Recuperados")
tabla$Fallecidos <- if_else(is.na(tabla$Fallecidos), 0, as.double(tabla$Fallecidos))
tabla %>% kable( col.names = c("Provincia", "Confirmados", "Fallecidos", "Recuperados"),
format.args = list( big.mark=".", decimal.mark = ","),
align = c('l', 'c', 'c', 'c') ) %>% kable_styling()
```
## Distribución por Provincias
Los porcentajes que representa cada provincia de casos confirmados, fallecidos y activos se muestra a continuación
### {.tabset .tabset-fade .tabset-pills}
#### Confirmados
```{r distrProvConf}
tabla$parents <- "Confirmados"
plot_ly(data = tabla,
type= "treemap",
values = ~Confirmados,
labels= ~Provincia,
parents= ~parents,
domain = list(column=0),
name = "Confirmados",
textinfo="label+value+percent parent") %>%
layout(title = "Covid19 - Distribución de casos Confirmados por provincia")
```
#### Fallecidos
```{r distrProvFall}
tabla$parents <- "Fallecidos"
plot_ly(data = tabla,
type= "treemap",
values = ~Fallecidos,
labels= ~Provincia,
parents= ~parents,
domain = list(column=0),
name = "Fallecidos",
textinfo="label+value+percent parent") %>%
layout(title = "Covid19 - Distribución de casos Fallecidos por provincia")
```
#### Activos
```{r distrProvAct}
activos$parents <- "Activos"
plot_ly(data = activos,
type= "treemap",
values = ~activos,
labels= ~carga_provincia_nombre,
parents= ~parents,
domain = list(column=0),
name = "Activos",
textinfo="label+value+percent parent") %>%
layout(title = "Covid19 - Distribución de casos Activos por provincia")
```
## Evolución por Provincia
A continuación se muestra la evolución de las curvas de los casos confirmados y fallecimientos por día para cada una de las provincias argentinas. Ambas curvas se muestran a escala libre y escala logaritmica.
También se muestra al final la media móvil (7 días) de los casos darios por provincia
<!-- <!-- ### Evolución -->
<!-- <iframe width="760" height="500" src="https://preview.flourish.studio/2125321/R0ECnRKTwlv1xuOmT0wP9XQuaG66nj0TPEgdMBACYQY9BWfIEXMnxfgX4EVUlm9O/" frameborder="0" allow="accelerometer; autoplay; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe> -->
### {.tabset .tabset-fade .tabset-pills}
#### Casos
```{r ev_prov, echo=FALSE, fig.align='center', message=FALSE, out.height='650px',warning=FALSE, out.width='100%'}
tabla_prov<- covidArg %>%
group_by(PROVINCIA, FECHA) %>% mutate(casos=sum(CASOS)) %>% select(PROVINCIA, FECHA, casos) %>% unique()
tabla_prov$acumulados <-0
tabla_prov$FECHA <- as.Date(tabla_prov$FECHA , "%d/%m/%Y")
tabla_prov <- tabla_prov %>% ungroup() %>% group_by(PROVINCIA) %>%
arrange(PROVINCIA, FECHA) %>%
mutate(acumulados =cumsum(casos))
tabla_prov <- tabla_prov %>%
gather(casos, acum, -c(PROVINCIA, FECHA))
names(tabla_prov) <- c("provincia", "fecha", "tipo", "cant")
p <- tabla_prov %>%
filter(cant>0&tipo=="acumulados") %>%
group_by(provincia) %>% arrange(fecha) %>% mutate(dia1 = row_number())
fig <- plot_ly(p, x = ~fecha, y = ~cant, color = ~provincia, type = "scatter", mode='lines+markers')
fig <- layout(fig, autosize = F, width = 800, #
height=550, # automargin = FALSE, margin = 1,
title="Evolución de casos confirmados por Provincia",
xaxis = list(title = "día"), yaxis = list(title = "casos"))
fig
```
#### Casos (Log)
```{r ev_provLog, echo=FALSE, fig.align='center', message=FALSE, out.height='650px',warning=FALSE, out.width='100%'}
fig <- plot_ly(p, x = ~fecha, y = ~cant, color = ~provincia, type = "scatter", mode='lines+markers')
fig <- layout(fig, autosize = F, width = 800,
title="Evolución de casos confirmados por Provincia (Log)",
xaxis = list(title = "día"), yaxis = list(type = "log", title = "casos"))
fig
```
#### Fallecidos
```{r ev_provFall, echo=FALSE, fig.align='center', message=FALSE, warning=FALSE, out.height='650px', out.width='100%'}