Tarea Modulo 5

El objetivo de esta tarea es familiarizar al estudiante con el manejo de gráficos dinámicos, específicamente usaremos visualizaciones creadas con el paquete rCharts. Como se discutió en la presentación rCharts permite la creación de gráficos dinámicos basado en diferentes librerías de Javascript, pero para el presente trabajo nos centraremos solo en NVD3. NVD3 es una librería basada en Javascript D3 que permite la creación de distintos tipos de visualizaciones.

Considere el archivo sobre los efectos del virus COVID-19 en el mundo . La data puede ser provista por el instructor o bajada de algunos de los repositorios a nivel mundial de acuerdo a enlace provisto al inicio de este documento. El dataset contiene varias columnas y sus filas corresponden a los valores de cada país día a día desde el inicio de la pandemia. Nos interesa únicamente los totales, por lo que el estudiante deberá realizar los filtros a la última fecha y agregaciones que crea conveniente.

Lea la data directamente del Internet al ambiente R, note que esta contiene información día a día, lo cual no nos interesa , queremos obtener la data a la fecha última , por lo tanto deberá realizar un filtro a esa fecha.

Preprocesamiento.

# Extraer la data de internet a la ulitma fecha 14-07-204
covid_ultimo_corte <-  read.csv("https://covid19.who.int/WHO-COVID-19-global-data.csv",
                   header=TRUE, sep=",")
#View(covid_ultimo_corte)
names(covid_ultimo_corte)

[1] "Date_reported"     "Country_code"      "Country"          
[4] "WHO_region"        "New_cases"         "Cumulative_cases" 
[7] "New_deaths"        "Cumulative_deaths"

dim(covid_ultimo_corte)

[1] 57120     8

require(dplyr)
ultima_fecha <- max(covid_ultimo_corte$Date_reported, na.rm = TRUE)
ultima_fecha <- covid_ultimo_corte %>%
  filter(Date_reported == ultima_fecha)

# Seleccionar las columnas de interes
# WHO_region, 
# Country_code
# Cumulative_cases
# Cumulative_deaths

# Realice una selección de dichas columnas 
covid <- ultima_fecha[, c("WHO_region", "Country_code", "Cumulative_cases", "Cumulative_deaths" )]
#View(covid)
dim(covid)

[1] 240   4

colSums(covid == 0)

       WHO_region      Country_code  Cumulative_cases Cumulative_deaths 
                0                NA                 2                13

# Realice un filtro  de aquellos países que no tiene casos o muertos registrados 
covid <- covid[covid$Cumulative_cases != 0, ]
covid <- covid[covid$Cumulative_deaths != 0, ]
colSums(covid == 0)

       WHO_region      Country_code  Cumulative_cases Cumulative_deaths 
                0                NA                 0                 0

#View(covid)
dim(covid)

[1] 227   4

# Realice un filtro de  los países que pertenecen a la  región “Other”
# unique(covid$WHO_region)
covid <- covid[covid$WHO_region != "OTHER", ]
View(covid)
unique(covid$WHO_region)

[1] "EMRO"  "EURO"  "AFRO"  "WPRO"  "AMRO"  "SEARO" ""

dim(covid)

[1] 226   4

# Asegúrese de que la data está completa , es decir , no existen valores en blanco 
# Valores vacios en Who_Region
sum(covid$WHO_region == "")

[1] 14

covid<- covid[covid$WHO_region != "", ]
# Comprobar valores 0 
colSums(covid == 0)

       WHO_region      Country_code  Cumulative_cases Cumulative_deaths 
                0                NA                 0                 0

dim(covid)

[1] 212   4

# Valores vacios en Country Code
covid <- covid[!is.na(covid$Country_code), ]
colSums(covid == 0)

       WHO_region      Country_code  Cumulative_cases Cumulative_deaths 
                0                 0                 0                 0

# Dataset final
head(covid)

  WHO_region Country_code Cumulative_cases Cumulative_deaths
1       EMRO           AF           235214              7998
2       EURO           AL           335047              3605
3       AFRO           DZ           272083              6881
4       WPRO           AS             8359                34
5       EURO           AD            48015               159
6       AFRO           AO           107481              1937

dim(covid)

[1] 211   4

1.- Desarrolle las siguientes visualizaciones utilizando rCharts:

Presente el mejor diagrama basado en rCharts usando la librería NVD3 para graficar la posición de cada país con respecto a los casos y muertes agrupando por región. Se requiere 1 solo diagrama . Revise la documentación de rCharts provista en el aula vitual . Note la funcionalidades dinámicas que se presenta . Realice el gráfico primero en R-studio y cuando este satisfecho de su presentación , salve el código javascript generado e inclúyalo en el archivo rmd mediante una etiqueta iframe.. Para esto tome como plantilla el laboratorio:

LAB_VIS_RMD_RCHARTS4-BROWSER.rmd

Renderice el archivo y verifique se presenta adecuadamente dentro del cuaderno RMD en un browser . Note las configuraciones dinámicas que provee.

# Cargar las librerías necesarias
require(rCharts)
require(dplyr)
require(reshape2)
require(tidyr)
require(knitr)

# Agrupar y resumir los datos por país y región
covidm <- covid %>%
  group_by(Country_code, WHO_region) %>%
  summarise(
    Cumulative_cases = sum(Cumulative_cases, na.rm = TRUE),
    Cumulative_deaths = sum(Cumulative_deaths, na.rm = TRUE),
    .groups = 'drop'
  )

# Verificar las dimensiones del dataset resultante
print(dim(covidm))

[1] 211   4

# Reformatear los datos para incluir tanto muertes como casos en un formato adecuado para un gráfico de barras apiladas
covidm_long <- covidm %>%
  pivot_longer(cols = c(Cumulative_cases, Cumulative_deaths), names_to = "Metric", values_to = "Count")

# Verificar la estructura del dataset reformateado
head(covidm_long)

# A tibble: 6 × 4
  Country_code WHO_region Metric              Count
  <chr>        <chr>      <chr>               <int>
1 AD           EURO       Cumulative_cases    48015
2 AD           EURO       Cumulative_deaths     159
3 AE           EMRO       Cumulative_cases  1067030
4 AE           EMRO       Cumulative_deaths    2349
5 AF           EMRO       Cumulative_cases   235214
6 AF           EMRO       Cumulative_deaths    7998

# Crear el gráfico de barras apiladas con ambas métricas agrupadas por WHO_region
chart <- nPlot(Count ~ Country_code, group = 'WHO_region', data = covidm_long, type = 'sccaterChart')

# Personalizar el gráfico (opcional)
chart$xAxis(axisLabel = 'Country Code')
chart$yAxis(axisLabel = 'Count')

# Mostrar el gráfico
#chart

# Guardar el gráfico como archivo JavaScript para su inclusión en RMarkdown
chart$save('covid_chart.html', standalone = TRUE)

Las barras se encuentra apiladas por numero de casos y muertes, debido a la escala es casi imperceptible dada la poquisima cantidada de una de las variables sobre la otra, apenas puede notarse un pequeño sombreado en algunas barras, tambien se puede acceder a esta información llevando el mouse a la zona de diferente color en cada barra.

En el mismo archivo vamos a incluir un gráfico D3 relacionado con la misma data Covid

El instructor pondrá los siguientes ejemplos como plantillas para la resolución de esta tarea.

Index44.html
Index42.html
Index31.html

El archivo index44.html servirá como plantilla base sobre el cual el alumno deberá realizar los cambios siguientes,

Para crear el script D3 deberá seguir los siguientes pasos:

Necesitamos extraer la data covid en 3 sets (listas) que pasaremos al código D3.

La primera lista es de las regiones
La segunda lista es de lista es de los paises
La tercera lista es de los casos acumulados.

# Funciones para crear las listas.
listareg <- as.list(covid$WHO_region)
for (r in 1:length(listareg))
{
  if (r < length(listareg)) {
    cat('"',as.character(listareg[r]),'"', ",", sep="")}
  else{
    cat('"',as.character(listareg[r]),'"',  sep="")
  }
}

"EMRO","EURO","AFRO","WPRO","EURO","AFRO","AMRO","AMRO","AMRO","EURO","AMRO","WPRO","EURO","EURO","AMRO","EMRO","SEARO","AMRO","EURO","EURO","AMRO","AFRO","AMRO","SEARO","AMRO","AMRO","EURO","AFRO","AMRO","AMRO","WPRO","EURO","AFRO","AFRO","AFRO","WPRO","AFRO","AMRO","AMRO","AFRO","AFRO","AMRO","WPRO","AMRO","AFRO","AFRO","WPRO","AMRO","AFRO","EURO","AMRO","AMRO","EURO","EURO","AFRO","EURO","EMRO","AMRO","AMRO","AMRO","EMRO","AMRO","AFRO","AFRO","EURO","AFRO","AFRO","WPRO","EURO","EURO","WPRO","AFRO","AFRO","EURO","EURO","AFRO","EURO","EURO","AMRO","WPRO","AMRO","AFRO","AFRO","AMRO","AMRO","AMRO","EURO","EURO","SEARO","SEARO","EMRO","EMRO","EURO","EURO","EURO","AMRO","WPRO","EMRO","EURO","AFRO","WPRO","EURO","EMRO","EURO","WPRO","EURO","EMRO","AFRO","AFRO","EMRO","EURO","EURO","AFRO","AFRO","WPRO","SEARO","AFRO","EURO","WPRO","AFRO","AFRO","AMRO","WPRO","EURO","WPRO","EURO","AMRO","EMRO","AFRO","SEARO","WPRO","SEARO","EURO","WPRO","WPRO","AMRO","AFRO","AFRO","EURO","WPRO","EURO","EMRO","EMRO","EMRO","WPRO","AMRO","WPRO","AMRO","AMRO","WPRO","EURO","EURO","AMRO","EMRO","WPRO","EURO","EURO","EURO","AFRO","AMRO","AMRO","AMRO","WPRO","EURO","AFRO","EMRO","AFRO","EURO","AFRO","AFRO","WPRO","AMRO","EURO","EURO","WPRO","EMRO","AFRO","AFRO","EURO","SEARO","EMRO","AMRO","EURO","EURO","EMRO","EURO","SEARO","EURO","SEARO","AFRO","WPRO","AMRO","EMRO","EURO","AMRO","WPRO","AFRO","EURO","EMRO","AFRO","AMRO","AMRO","AMRO","EURO","WPRO","AMRO","WPRO","WPRO","EMRO","AFRO","AFRO"

listareg <- as.list(covid$Country_code)
for (r in 1:length(listareg))
{
  if (r < length(listareg)) {
    cat('"',as.character(listareg[r]),'"', ",", sep="")}
  else{
    cat('"',as.character(listareg[r]),'"',  sep="")
  }
}

"AF","AL","DZ","AS","AD","AO","AI","AG","AR","AM","AW","AU","AT","AZ","BS","BH","BD","BB","BY","BE","BZ","BJ","BM","BT","BO","BQ","BA","BW","BR","VG","BN","BG","BF","BI","CV","KH","CM","CA","KY","CF","TD","CL","CN","CO","KM","CG","CK","CR","CI","HR","CU","CW","CY","CZ","CD","DK","DJ","DM","DO","EC","EG","SV","GQ","ER","EE","SZ","ET","FJ","FI","FR","PF","GA","GM","GE","DE","GH","GR","GL","GD","GU","GT","GN","GW","GY","HT","HN","HU","IS","IN","ID","IR","IQ","IE","IL","IT","JM","JP","JO","KZ","KE","KI","XK","KW","KG","LA","LV","LB","LS","LR","LY","LT","LU","MG","MW","MY","MV","ML","MT","MH","MR","MU","MX","FM","MC","MN","ME","MS","MA","MZ","MM","NR","NP","NL","NC","NZ","NI","NE","NG","MK","MP","NO","PS","OM","PK","PW","PA","PG","PY","PE","PH","PL","PT","PR","QA","KR","MD","RO","RU","RW","KN","LC","VC","WS","SM","ST","SA","SN","RS","SC","SL","SG","SX","SK","SI","SB","SO","ZA","SS","ES","LK","SD","SR","SE","CH","SY","TJ","TH","GB","TL","TG","TO","TT","TN","TR","TC","TV","UG","UA","AE","TZ","US","VI","UY","UZ","VU","VE","VN","WF","YE","ZM","ZW"

for (r in 1:length(covid$Cumulative_cases))
{
  if (r < length(covid$Cumulative_cases)) {
    cat('[',as.character(covid$Cumulative_cases[r]),',' ,as.character(covid$Cumulative_deaths[r]), "]", ",", sep="")     }
  else{
    cat('[',as.character(covid$Cumulative_cases[r]),',' ,as.character(covid$Cumulative_deaths[r]), "]",  sep="")     }  
}

[235214,7998],[335047,3605],[272083,6881],[8359,34],[48015,159],[107481,1937],[3904,12],[9106,146],[10113624,130685],[451944,8777],[44224,292],[11861161,25236],[6082414,22534],[835636,10353],[39064,849],[696614,1536],[2051272,29498],[107794,593],[994037,7118],[4870157,34339],[71412,688],[28036,163],[18860,165],[62697,21],[1212145,22387],[11922,41],[403662,16391],[330696,2801],[37511921,702116],[7557,64],[347069,178],[1329588,38700],[22139,400],[54569,15],[64474,417],[139310,3056],[125241,1974],[4818690,55280],[31472,37],[15441,113],[7702,194],[5400928,62727],[99369029,122280],[6389838,142727],[9109,160],[25227,389],[7344,2],[1230653,9368],[88433,835],[1317144,18752],[1113662,8530],[45883,305],[696031,1451],[4760891,43507],[100933,1471],[3435679,9693],[15690,189],[16047,74],[661103,4384],[1077122,36050],[516023,24830],[201912,4230],[17130,183],[10189,103],[610471,2998],[75356,1427],[501185,7574],[69047,885],[1499712,11466],[38997490,168091],[79340,650],[49051,307],[12627,372],[1863615,17150],[38437756,174979],[172057,1462],[5661735,39167],[11971,21],[19693,238],[52287,419],[1250369,20203],[38572,468],[9614,177],[74357,1302],[34298,860],[472888,11114],[2230591,49053],[210315,186],[45041192,533623],[6829353,162059],[7627863,146837],[2465545,25375],[1743422,9699],[4841558,12707],[26727644,197081],[157137,3604],[33803572,74694],[1746997,14122],[1504370,19072],[344105,5689],[5085,24],[274279,3212],[667290,2570],[88953,1024],[219060,671],[977765,7475],[1239904,10947],[36138,709],[7930,294],[507269,6437],[1367900,9809],[393140,1000],[68564,1427],[89168,2686],[5306834,37351],[186694,316],[33166,743],[122577,918],[16252,17],[63869,997],[328167,1073],[7617685,334524],[26460,65],[17181,67],[1011489,2136],[251280,2654],[1403,8],[1279115,16305],[233841,2252],[642839,19494],[5393,1],[1003450,12031],[8639162,22986],[80163,314],[2635247,4246],[16179,245],[9518,315],[267188,3155],[350731,9977],[14837,41],[1511220,5732],[703228,5708],[399449,4628],[1580631,30656],[6372,10],[1044783,8738],[46864,670],[735759,19880],[4526977,220975],[4140383,66864],[6666637,120718],[5661625,28695],[1252713,5938],[514524,690],[34571873,35934],[636266,12241],[3533987,68815],[24254803,403155],[133264,1468],[6607,46],[30271,410],[9674,124],[17057,31],[25292,126],[6771,80],[841469,9646],[89409,1971],[2583470,18057],[51790,172],[7979,125],[3006155,2024],[11051,92],[1877895,21226],[1356318,10073],[25954,199],[27334,1361],[4072759,102595],[18823,147],[13980340,121852],[672797,16907],[63993,5046],[82501,1406],[2753981,27339],[4456903,14170],[57423,3163],[17786,125],[4797692,34712],[24964791,232112],[23460,138],[39530,290],[16976,12],[191496,4390],[1153361,29423],[17004718,101419],[6805,40],[2943,1],[172154,3632],[5532518,109920],[1067030,2349],[43230,846],[103436829,1191632],[25389,132],[1041317,7682],[175081,1016],[12019,14],[552695,5856],[11624000,43206],[3760,9],[11945,2159],[349749,4069],[266385,5740]

Calculamos el minimo y el maximo de las variables Cumulative Cases y Cumulative Deaths

# Cumulative Cases
min(covid$Cumulative_cases)

[1] 1403

max(covid$Cumulative_cases)

[1] 103436829

# Cumulative Deaths
min(covid$Cumulative_deaths)

[1] 1

max(covid$Cumulative_deaths)

[1] 1191632

Calculamos los cuartiles de la variable Cumulative Cases

quantile(covid$Cumulative_cases)

       0%       25%       50%       75%      100% 
     1403     32319    267188   1502041 103436829

Tarea Modulo 5

Carlos Lincango

2024-08-06

Preprocesamiento.