/
Sudamerica.Rmd
469 lines (344 loc) · 18.3 KB
/
Sudamerica.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
---
title: "COVID-19 Sudamérica"
output:
html_document:
keep_md: yes
collapsed: false
toc: yes
toc_depth: 3
toc_float: yes
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(
echo = FALSE,
message = FALSE,
warning = FALSE,
cache = FALSE
)
```
```{r importarSud, message=FALSE, warning=FALSE, include=FALSE}
library(readr)
library(dplyr)
library(tidyr)
library(ggplot2)
library(lubridate)
library(knitr)
library(kableExtra)
library(highcharter)
library(rjson)
library(plotly)
library(gganimate)
library(stringr)
library(leaflet)
library(sf)
library(tmap)
library(googlesheets4)
library(readxl)
library(RcppRoll)
library(DT)
sep.miles <- function(x){format(x,big.mark=".")}
#################
# Carga de Datos
#################
## Datos mundiales
{ # Confirmados
covid19 <- read_csv("https://github.com/CSSEGISandData/COVID-19/raw/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv")
covid19 <- covid19[-1]
# Fallecidos
covid19_m <- read_csv("https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv")
covid19_m <- covid19_m[-1]
# Recuperados
covid19_r <- read_csv("https://github.com/CSSEGISandData/COVID-19/raw/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_recovered_global.csv")
covid19_r <- covid19_r[-1]
}
## Mapas y Poblaciones
{
sud <- fromJSON(file="data/mapas/south-america.geo.json")
world <- fromJSON(file="data/mapas/world.geo.json")
# Paises América
poblacion <- data.frame( c('Argentina', 'Bolivia', 'Brazil', 'Chile', 'Colombia', 'Ecuador',
'Paraguay', 'Peru', 'Surinam', 'Uruguay', 'Venezuela'),
c(44938712, 11383094, 210147125, 19107216, 50372424, 17300000,
7152703, 33105273,524000, 3529014, 28067000))
names(poblacion) <- c('pais', 'poblacion')
}
## Dataset Mundial
{
mundial <- covid19[,-c(2,3)]
mundial <- mundial %>% gather(fecha, casos, 2:max(col(mundial)), -`Country/Region`)
names(mundial) <- c('pais', 'fecha', 'confirmados')
mundial$pais <- if_else(mundial$pais== 'US', 'United States of America', mundial$pais)
mundial <- mundial %>% group_by(pais, fecha) %>%
mutate(casos = sum(confirmados)) %>%
select(pais, fecha, casos) %>% unique()
mundial$fecha <-paste0(mundial$fecha,'20')
mundial$fecha <-as.Date(mundial$fecha ,"%m/%d/%Y")
mundial<-mundial %>%
filter(casos > 0) %>%
group_by(pais) %>%
arrange(pais,fecha) %>%
mutate(dia= 1:n())
mundial_m <- covid19_m[,-c(2,3)]
mundial_m <- mundial_m %>% gather(fecha, casos, 2:max(col(mundial_m)), -`Country/Region`)
names(mundial_m) <- c('pais', 'fecha', 'muertes')
mundial_m$pais <- if_else(mundial_m$pais== 'US', 'United States of America', mundial_m$pais)
mundial_m <- mundial_m %>% group_by(pais, fecha) %>%
mutate(muertes =sum(muertes)) %>% select(pais, fecha, muertes) %>% unique()
mundial_m$fecha <-paste0(mundial_m$fecha,'20')
mundial_m$fecha <-as.Date(mundial_m$fecha ,"%m/%d/%Y")
mundial_m<-mundial_m %>%
filter(muertes > 0) %>%
group_by(pais) %>%
arrange(pais,fecha) %>%
mutate(dia= 1:n())
mundial_r <- covid19_r[,-c(2,3)]
mundial_r <- mundial_r %>% gather(fecha, recuperados, 2:max(col(mundial_r)), -`Country/Region`)
names(mundial_r) <- c('pais', 'fecha', 'recuperados')
mundial_r$pais <- if_else(mundial_r$pais== 'US', 'United States of America', mundial_r$pais)
mundial_r <- mundial_r %>% group_by(pais, fecha) %>%
mutate(recuperados =sum(recuperados)) %>% select(pais, fecha, recuperados) %>% unique()
mundial_r$fecha <-paste0(mundial_r$fecha,'20')
mundial_r$fecha <-as.Date(mundial_r$fecha ,"%m/%d/%Y")
mundial_r<-mundial_r %>%
filter(recuperados > 0) %>%
group_by(pais) %>%
arrange(pais,fecha) %>%
mutate(dia= 1:n())
mundial_ambos <- mundial %>%
left_join(mundial_m, by=c('pais', 'fecha')) %>%
left_join(mundial_r, by=c('pais', 'fecha')) %>% select(pais, fecha, dia.x, casos, muertes, recuperados)
mundial_ambos$muertes <- if_else(is.na(mundial_ambos$muertes), 0, mundial_ambos$muertes)
mundial_ambos$recuperados <- if_else(is.na(mundial_ambos$recuperados), 0, mundial_ambos$recuperados)
names(mundial_ambos) <- c("pais", "fecha", "dia", "casos", "muertes", "recuperados")
mundial_ambos$fecha <-as.Date(mundial_ambos$fecha ,"%m/%d/%Y")
rm(mundial_m, mundial, mundial_r)
}
## Dataset Sudamérica
{
sudamerica <- mundial_ambos %>%
filter(pais %in% poblacion$pais)
sudamerica <- sudamerica %>% group_by(pais) %>% mutate(nuevos = casos-lag(casos))
sudamerica$nuevos <- if_else(is.na(sudamerica$nuevos)&sudamerica$dia==1,
sudamerica$casos, sudamerica$nuevos)
sudamerica$semanal <- 0
sudamerica <- sudamerica %>% group_by(pais) %>%
mutate(semanal = roll_sum(nuevos, n=7, na.rm = T, fill = NA, align = "right"))
sudamerica$muertes <- if_else(is.na(sudamerica$muertes), 0, sudamerica$muertes)
sudamerica$recuperados <- if_else(is.na(sudamerica$recuperados), 0, sudamerica$recuperados)
}
```
<!-- # Sudamérica -->
## Inicios
En Sud América el primer caso detectado de COVID-19 se informa el día `r day(min(sudamerica$fecha))` de `r format(min(sudamerica$fecha), "%b")` del 2020 en `r sudamerica %>% filter(fecha==min(sudamerica$fecha)) %>% select(pais)`.
A continuación se muestran las fechas en que se detectó por primera vez un infectado en cada país:
```{r tablaFechas, echo=FALSE, fig.align='center', message=FALSE, warning=FALSE, out.width='100%', out.height='70%', paged.print=FALSE}
fechas <- sudamerica %>%
group_by(pais) %>% arrange( fecha ) %>%
mutate(inicio= format(min(fecha),'%d/%m/%Y') ) %>%
select(pais, inicio)%>%
unique()
names(fechas) <- c('content', 'start')
fechas$start <- as.Date(as.character(fechas$start), format="%d/%m/%Y")
timevis::timevis(fechas, zoomFactor = 0.8)
```
## Casos Totales y Casos letales
En el siguiente gráfico se muestran las series de cantidades de casos y cantidades de fallecidos en cada país, en el primero se visualiza la escala fija sobre el y, en la segunda se muestra la escala libre que mejor se adapta a cada país
### {.tabset .tabset-fade .tabset-pills}
#### Escala fija
```{r casos_muertes, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%',out.height="100%", fig.align='center'}
casos<- sudamerica %>% select(pais, dia, casos, muertes) %>%
gather(tipo, cant, -c(pais, dia))
p <- ggplot(casos, aes(dia, cant, color=tipo, group=tipo, text = paste0(tipo, ": ", cant))) +
geom_line(aes(shape=tipo, color=tipo)) +
labs(x = 'día', y="") +
facet_wrap(~pais, ncol=3)+ theme(legend.position = 'bottom')
ggplotly(p, tooltip = "text" ) %>%
layout(legend = list(orientation = "h", x = 0.4, y = -0.2), height = 800)
```
#### Escala libre
```{r casos_muertes_libre, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%', out.height="100%", fig.align='center'}
p <- ggplot(casos, aes(dia, cant, color=tipo, group=tipo, text = paste0(tipo, ": ", cant))) +
geom_line(aes(shape=tipo, color=tipo), show.legend = F)+
labs(x = 'día', y="") +
facet_wrap(~pais, scales = "free_y", ncol=3)+
theme(legend.position = 'bottom')
ggplotly(p, tooltip = "text") %>%
layout(legend = list(orientation = "h", x = 0.4, y = -0.2), height = 800)
```
## Evolución de Covid
A continuación se graficará la evolución de casos acumulados y falllecidos de los países en simultáneo, tomando como día inicial el día en que se detectó por primera vez un infectado en cada país.
A las curvas se las mostrará en escala lineal y en escala (y) logaritmica para facilitar la visualización
### {.tabset .tabset-fade .tabset-pills}
#### Casos
```{r casosSud, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%'}
p <- sudamerica %>% group_by(pais)
fig <- plot_ly(p, x = ~dia, y = ~casos, color = ~pais, type = "scatter", mode='lines+markers')
fig <- layout(fig, title="Casos detectados en Sudamérica (escala lineal)",
xaxis = list(title = "día"), yaxis = list( title = "casos"))
fig
```
#### Casos (Log)
```{r casosSudLog, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%'}
p <- sudamerica %>% group_by(pais)
fig <- plot_ly(p, x = ~dia, y = ~casos, color = ~pais, type = "scatter", mode='lines+markers')
fig <- layout(fig, title="Casos detectados en Sudamérica (escala Log)",
xaxis = list(title = "día"), yaxis = list(type="log", title = "casos"))
fig
```
#### Fallecidos
```{r muertesSud, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%'}
p <- sudamerica %>% group_by(pais)
fig <- plot_ly(p, x = ~dia, y = ~muertes, color = ~pais, type = "scatter", mode='lines+markers')
fig <- layout(fig, title="Fallecidos en Sudamérica (escala lineal)",
xaxis = list(title = "día"), yaxis = list( title = "casos"))
fig
```
#### Fallecidos (Log)
```{r muertesSudLog, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%'}
fig <- plot_ly(p, x = ~dia, y = ~muertes, color = ~pais, type = "scatter", mode='lines+markers')
fig <- layout(fig, title="Fallecidos en Sudamérica (escala log)",
xaxis = list(title = "día"), yaxis = list(type="log", title = "casos"))
fig
```
## Incidencia Acumulada
La incidencia acumulada (IA) proporciona una estimación de la probabilidad o el riesgo de que un individuo libre de una determinada enfermedad la desarrolle durante un período especificado de tiempo.
Al día de la fecha las incidencias acumuladas por cada 100.000 habitantes de los países de Sud América es:
### {.tabset .tabset-fade .tabset-pills}
#### Mapa
```{r mapSud, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE}
ia <- sudamerica %>%
group_by(pais) %>%
filter(dia==max(dia)) %>%
left_join(poblacion ) %>%
mutate(inc= as.double(round(casos/poblacion*100000, 2))) %>%
select(pais, dia, poblacion, casos, inc) %>%
arrange(desc(inc))
highchart() %>%
hc_title(text = "<i>Incidencia Acumulada COVID-19 en Sudamérica</i> ",
margin = 20, align = "center", style = list(color = "#780000", useHTML = TRUE)) %>%
hc_tooltip(followPointer = FALSE) %>%
hc_add_series_map(sud, ia, name ="IA", value = "inc", joinBy = c("name", "pais"),
dataLabels = list(enabled = TRUE, format = '{point.properties.name} <br> {point.value}')) %>%
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: OMS. <p> Elaborado por: GIBD UTN')) %>%
hc_chart(borderColor = "#780000", borderRadius = 10, borderWidth = 2)
```
#### Tabla Datos
Como se observa, el país con la mayor Incidencia Acumulada al día de hoy es **`r ia[1,1] `**, que lleva *`r ia[1,2] ` días* desde la detección del primer caso.
```{r ia, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%'}
ia %>% kable( col.names = c("País", "Días", "Población","# Casos", "IA"),format.args = list( big.mark=".", decimal.mark = ","), align = c('l', 'c', 'c', 'c', 'c') ) %>%
kable_styling()
```
## Tasa de Letalidad
Una proporción interesante a comparar es la **tasa de mortalidad particular o tasa de letalidad**, es decir la cantidad de personas que fallecieron respecto al total de casos en un período de tiempo.
A continuación se muestra la evolución de la tasa de letalidad en los distintos países considerando el primer día de detección del virus
### {.tabset .tabset-fade .tabset-pills}
#### Gráfica
```{r g_tasa_mort, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%', fig.align='center'}
p <- sudamerica %>% mutate(tasa_m = round(muertes/casos * 100, 1)) %>% filter(dia==max(dia)) %>% arrange(desc(tasa_m))
fig <- plot_ly(p, type="bar")
fig <- fig %>% add_trace( x = ~pais, y = ~tasa_m, name="Letalidad",
color= ~(-tasa_m),
text=~tasa_m, textposition = 'auto',
mode="lines",
line = list(width = 5)) %>%
hide_colorbar() %>%
layout(title="Letalidad por Covid-19 en Sudamérica",
xaxis = list(), yaxis=list(title="% Letalidad"))
fig %>% layout(showlegend=F)
```
#### Datos
Los datos de la tasa de letalidad al `r max(sudamerica$fecha)` para cada país son:
```{r d_tasa_mort, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%', fig.align='center'}
sudamerica %>% group_by(pais) %>%
filter(fecha == max(fecha)) %>% mutate(tasa_m = round(muertes/casos * 100, 2))%>%
select(pais, casos, muertes, tasa_m) %>%
arrange(desc(tasa_m)) %>%
kable( col.names = c("País", "# Casos", "# Fallecidos", "Tasa de Letalidad(%)"),
format.args = list( big.mark=".", decimal.mark = ","),
align = c('l', 'c', 'c','c') ) %>%
kable_styling()
```
## Tasa de Mortalidad
Si uno quiere conocer la **tasa de mortalidad general**, es necesario comparar la cantidad de personas fallecidas respecto a la población total del país.
A continuación se muestra la tasa de mortalidad para los países de sudamérica
### {.tabset .tabset-fade .tabset-pills}
#### Gráfica
```{r sud_tasa_mort, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%', fig.align='center'}
p <- sudamerica %>%
left_join(poblacion )%>%
mutate(tasa_mor = round(muertes/poblacion * 1000000, 1)) %>% filter(dia==max(dia)) %>% arrange(desc(tasa_mor))
fig <- plot_ly(p, type="bar")
fig <- fig %>% add_trace( x = ~pais, y = ~tasa_mor, name="Mortalidad",
color= ~(-tasa_mor),
text=~tasa_mor, textposition = 'auto',
mode="lines",
line = list(width = 5)) %>%
hide_colorbar() %>%
layout(title="Mortalidad por Covid-19 en Sudamérica",
xaxis = list(), yaxis=list(title="Fall. x 1000000 Hab."))
fig %>% layout(showlegend=F)
```
#### Datos
Los datos de la mortalidad por paises al `r max(sudamerica$fecha)` son:
```{r d_tasa_mortalid, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%', fig.align='center'}
p %>% select(pais, casos, recuperados, muertes, tasa_mor) %>%
datatable(extensions = 'Buttons', rownames = FALSE,
colnames = c("Pais","Casos Detec.", "Recuperados", "Fallecidos", "Mortalidad"),
options = list(dom = 'Blfrtip',
buttons = c('copy', 'csv', 'excel', 'pdf', 'print'),
lengthMenu = list(c(10,25,50,-1),
c(10,25,50,"All"))))
```
## Trayectoria de Nuevos Casos
Este gráfico (propuesto por https://aatishb.com/covidtrends/) muestra la evolución entre la cantidad total de casos de COVID-19 en una fecha frente a los nuevos casos confirmados en la semana previa a la misma.
Cuando se traza de esta manera, el crecimiento exponencial se representaría como una línea recta creciente.
Se puede observar que casi todos los países siguen un camino muy similar de crecimiento exponencial.
### {.tabset .tabset-fade .tabset-pills}
#### Sudamérica
<!-- ```{r dinamico, echo=FALSE, fig.align='center', fig.show='animate', message=FALSE, warning=FALSE, paged.print=FALSE} -->
```{r dinamico, echo=FALSE, fig.align='center',message=FALSE, warning=FALSE, paged.print=FALSE}
avance <- sudamerica %>% group_by(pais) %>% filter(dia != max(dia))
plot_ly(avance, x=~casos, y=~semanal, color=~pais, type = "scatter", mode='lines+markers') %>%
layout(title="Trayectoria Covid-19 Sudamérica",
xaxis = list(type="log", title = "nuevos casos"),
yaxis=list(type="log", title = "Casos Semana previa"))
# dinamico <-
# ggplot(avance) +
# geom_line(aes(casos, semanal, group=pais, color=pais), size=1)+ scale_y_log10() + scale_x_log10()
# dinamico <- dinamico + transition_reveal(casos)
# animate(dinamico, renderer = ffmpeg_renderer(format = "webm"))
```
#### Por país
```{r grafTray, echo=FALSE, message=FALSE, warning=FALSE, paged.print=FALSE, out.width='100%', fig.align='center'}
sudamerica %>%
group_by(pais) %>%
ggplot(aes(x=casos, y=semanal, color=pais))+
geom_point(aes(as.numeric(casos),
as.numeric(semanal), group=pais, color=pais), size=1, show.legend = FALSE)+
geom_line(show.legend=FALSE) + facet_wrap(~pais, ncol=5)+
theme( text = element_text(size=8),
axis.text.x = element_text(angle=90, hjust=1)) +
scale_y_log10(breaks = c(10, 100, 1000, 10000, 100000, 1000000)) +
scale_x_log10(breaks = c(10, 100, 1000, 10000, 100000, 1000000)) +
labs(title="Trayectoria de COVID-19 en SudAmérica", x='Nuevos Casos',
y="Casos en la semana previa", caption="Datos: Universidad Johns Hopkins") +
facet_wrap(~pais, ncol=5)
# p <- sudamerica %>% group_by(pais)
#
# p <- ggplot(p, aes(x=casos, y=semanal)) + #geom_line()+
# geom_point(aes(casos, semanal, color=pais), size=1, show.legend = FALSE) +
# stat_smooth(method = "lm", se = FALSE, show.legend = FALSE) + facet_wrap(~pais )
#
# # Divide by day, going horizontally and wrapping with 2 columns
# p <- p + facet_wrap( ~ pais, ncol=2,scales = "free")
#
# fig <- ggplotly(p) %>% layout(title="Trayectoria Covid-19 Sudamérica",
# xaxis =list(type="log", title = "nuevos casos"),
# yaxis=list(type="log", title = "Casos Semana previa"))
#
# fig
```