Librerias

library(readxl)
library(dplyr)
library(ggplot2)
library(readr)
library(mapSpain)
knitr::kable(casos_confirmados) 
Provincia ConfirmadosAcum
Sevilla 3083
Málaga 4418
Jaén 1909
Huelva 526
Granada 3217
Córdoba 1741
Cádiz 1558
Almería 763
cs_export <- read_excel("cs_export.xls")
dfaux <- casos_confirmados
plot_conf <- 
  ggplot(dfaux, 
         aes(x = dfaux$ConfirmadosAcum, 
             y = dfaux$Provincia, 
             colour = as.factor(dfaux$Provincia), 
             fill = as.factor(dfaux$Provincia))) + 
  geom_bar(stat = "identity",position="stack") + 
  scale_x_continuous(breaks = seq(500, 5000, 500), expand = c(0,0)) + 
  theme_bw() + 
  theme(axis.title = element_blank(), 
        axis.ticks.y = element_blank(), 
        legend.position = "none", 
        panel.grid.minor = element_blank(), 
        panel.grid.major.y = element_blank())+ggtitle("Casos confirmados mediante tests por provincias")
plot_conf

Gráfico de la evolucion del COVID

Consideramos que la mejor opción es usar un gráfico de líneas, ya que podemos observar mejor los picos de los casos y las caidas. Y hemos usado un gráfico de barras modificando la escala para que sea más representativa, de las muertes por día.

num_casos <- cs_export %>%
  mutate(`Fecha declaración` = as.Date(`Fecha declaración`, format = "%d/%m/%Y")) %>%
  group_by(`Fecha declaración`) %>%
  summarise("Casos por dia" = sum(`Total confirmados (PCR+test)`),
            "Muertes por dia" = sum(Defunciones)) %>%
  arrange(`Fecha declaración`)

ggplot(num_casos, aes(x = `Fecha declaración`)) +
  ggtitle("Evolución del COVID-19") +
  geom_line(aes(y = `Casos por dia`, color = "Casos por día"), linewidth = 1, color = "springgreen3") +
  geom_col(aes(y = `Muertes por dia` * 5 , fill = "Muertes por día"), fill = "darkslategray") + 
  scale_y_continuous(sec.axis = sec_axis(~ . / 5, name = "Muertes por día")) +
  labs(color = "Casos por día", fill = "Muertes por día") +
  theme_minimal()

Grafico de acumulados

Hemos usado el geom_smooth() para mostrar y suavizar las líneas de los casos acumulados por provincias y también el de la comunidad en general.

datos_acumulado_semanal <- cs_export %>%
  group_by(Territorio, semana = lubridate::isoweek(`Fecha declaración`)) %>%
  summarise(
    fallecidos_acumulado = sum(Defunciones),
    positivos_acumulado = sum(`Total confirmados (PCR+test)`),
    curados_acumulado = sum(Curados),
    hospitalizados_acumulado = sum(Hospitalizados)
  ) 


ggplot(datos_acumulado_semanal, aes(x = semana, y = positivos_acumulado, color = Territorio)) +
  geom_smooth(method = "loess", se = FALSE) +
  scale_y_log10() +  
  labs(
    title = "Positivos acumulados por semana y provincia",
    x = "Semana",
    y = "Positivos acumulados (escala log)",
    color = "Provincia"
  ) +
  theme_minimal()

Mapa de muertes totales

Dibujamos un mapa con la gama de colores en función de menor a mayor número de muertes de cada provincia de Andalucía

muertes_total_prov <- cs_export %>%
  group_by(Territorio) %>% 
  summarise("muertes_totales" = sum(Defunciones)) %>%
  filter(Territorio != "Andalucía")

provs <- esp_get_prov_siane(c("Andalucía")) %>%
  left_join(muertes_total_prov, by = c("ine.prov.name" = "Territorio")) 


ggplot(provs) +
  geom_sf(aes(fill = muertes_totales), alpha = 0.9, color = NA) +
  scale_fill_gradientn(
    colors = hcl.colors(100, "Lajolla"),
    n.breaks = 10,
    labels = scales::label_comma(),
    guide = guide_legend()
  ) +
  labs(
    fill = "Muertes Totales",
    title = "Muertes Totales en Andalucía",
    subtitle = "Datos totales de muertes en municipios de Andalucía"
  ) +
  theme_void() +
  theme(
    plot.background = element_rect("grey80"),
    text = element_text(face = "bold"),
    plot.title = element_text(hjust = .5),
    plot.subtitle = element_text(hjust = .5)
  )

Documentación sobre mapas