Note

Please note that this data is from April 4, 2020. As people are constantly being tested, the numbers may change. I’ll try to update this document on a regular basis.

Tables

per County

Baden-Württemberg

url <- "https://sozialministerium.baden-wuerttemberg.de/fileadmin/redaktion/m-sm/intern/downloads/Downloads_Gesundheitsschutz/Tabelle_Coronavirus-Faelle-BW.xlsx"
  destfile <- "Tabelle_Coronavirus_Faelle_BW.xlsx"
  curl::curl_download(url, destfile)
  bw_raw<- read_excel(destfile, skip=6)
  bw <- bw_raw[, 1:2] 
  bw_t=bw; colnames(bw_t) <- c("County", "Cases")
kable(bw_t) %>%
   kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases
Alb-Donau-Kreis 271
Baden-Baden (Stadtkreis) 100
Biberach 275
Böblingen 783
Bodenseekreis 219
Breisgau-Hochschwarzwald 585
Calw 379
Emmendingen 368
Enzkreis 175
Esslingen 1003
Freiburg im Breisgau (Stadtkreis) 586
Freudenstadt 210
Göppingen 463
Heidelberg (Stadtkreis) 189
Heidenheim 226
Heilbronn 485
Heilbronn (Stadtkreis) 220
Hohenlohekreis 530
Karlsruhe 373
Karlsruhe (Stadtkreis) 177
Konstanz 229
Lörrach 333
Ludwigsburg 934
Main-Tauber-Kreis 177
Mannheim (Stadtkreis) 256
Neckar-Odenwald-Kreis 125
Ortenaukreis 323
Ostalbkreis 400
Pforzheim (Stadtkreis) 59
Rastatt 335
Ravensburg 387
Rems-Murr-Kreis 600
Reutlingen 586
Rhein-Neckar-Kreis 703
Rottweil 233
Schwäbisch Hall 450
Schwarzwald-Baar-Kreis 284
Sigmaringen 478
Stuttgart 901
Tübingen 819
Tuttlingen 197
Ulm (Stadtkreis) 138
Waldshut 137
Zollernalbkreis 479
Summe 17180
NA NA
Hinweis: Es handelt sich bei den Zahlen immer um einen vorläufigen Datenstand. Änderungen sind durch Nachmeldungen und Streichungen möglich. Aufgrund des Meldeverzugs zwischen dem Bekanntwerden neuer Fälle vor Ort und der Übermittlung an das Landesgesundheitsamt kann es mitunter auch deutliche Abweichungen zu den von den kommunalen Gesundheitsämtern aktuell herausgegebenen Zahlen geben. Dafür bitten wir um Verständnis. NA

Bayern

 webpage_bayern <- read_html("https://www.lgl.bayern.de/gesundheit/infektionsschutz/infektionskrankheiten_a_z/coronavirus/karte_coronavirus/index.htm")
  bayern <- html_nodes(webpage_bayern, "table") # tell R to use tables
  bayern_raw <- webpage_bayern %>% # tell R which table to use
   html_nodes("table") %>%
  . [3]%>% # use first table (there is only one)
  html_table(fill=T)
  bayern=bayern_raw[[1]]
  bayern=bayern[,1:5]
  colnames(bayern) <- c("NAME_2", "Cases", "New Cases", "Cases/100k", "Deaths")
  b_t=bayern; colnames(b_t) <- c("County", "Cases", "New Cases", "Cases/100k", "Deaths")
kable(b_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases New Cases Cases/100k Deaths
Aichach-Friedberg 164.000 (+ 10) 122,76 50,90
Altötting 233.000 (+ 29) 209,51 124,09
Amberg Stadt 34.000 (+ 8) 81,01 59,57
Amberg-Sulzbach 142.000 (+ 21) 137,72 83,41
Ansbach 250.000 (+ 20) 135,91 70,67
Ansbach Stadt 41.000 (+ 7) 97,98 52,57
Aschaffenburg 210.000 (+ 23) 120,55 53,96
Aschaffenburg Stadt 66.000 (+ 3) 93,58 28,36
Augsburg 217.000
86,27 25,84
Augsburg Stadt 218.000 (+ 24) 73,86 33,54
Bad Kissingen 122.000 (+ 8) 118,20 65,88
Bad Tölz 241.000 (+ 12) 189,43 79,39
Bamberg 248.000 (+ 8) 168,61 63,91
Bamberg Stadt 88.000 (+ 1) 113,41 34,80
Bayreuth 178.000 (+ 26) 171,72 84,90
Bayreuth Stadt 86.000 (+ 13) 115,19 56,26
Berchtesgadener Land 140.000 (+ 11) 132,42 70,94
Cham 261.000 (+ 18) 204,09 66,47
Coburg 66.000
75,94 31,07
Coburg Stadt 23.000
55,76 16,97
Dachau 390.000
253,44 106,57
Deggendorf 146.000 (+ 5) 122,35 28,49
Dillingen a.d. Donau 80.000 (+ 6) 83,32 49,99
Dingolfing-Landau 123.000 (+ 13) 127,84 47,81
Donau-Ries 173.000 (+ 35) 129,59 80,15
Ebersberg 265.000 (+ 23) 186,43 80,91
Eichstätt 122.000 (+ 14) 92,19 52,89
Erding 397.000 (+ 26) 288,39 106,06
Erlangen Stadt 92.000 (+ 20) 82,17 36,62
Erlangen-Höchstadt 112.000 (+ 25) 82,19 40,36
Forchheim 132.000 (+ 11) 113,70 49,96
Freising 643.000 (+ 28) 358,99 137,34
Freyung-Grafenau 99.000 (+ 3) 126,35 47,22
Fürstenfeldbruck 458.000 (+ 16) 208,83 82,98
Fürth 236.000 (+ 57) 201,04 100,52
Fürth Stadt 143.000 (+ 41) 111,94 46,18
Garmisch-Partenkirchen 177.000 (+ 38) 200,07 100,60
Günzburg 138.000 (+ 37) 109,74 54,87
Haßberge 79.000 (+ 2) 93,38 46,10
Hof 183.000 (+ 17) 192,00 111,21
Hof Stadt 60.000 (+ 8) 130,63 78,38
Ingolstadt Stadt 171.000 (+ 33) 124,83 84,68
Kaufbeuren Stadt 52.000 (+ 7) 118,47 68,35
Kelheim 235.000 (+ 20) 192,22 109,60
Kempten Stadt 51.000 (+ 3) 74,01 24,67
Kitzingen 49.000 (+ 12) 53,90 22,00
Kronach 61.000 (+ 3) 90,86 25,32
Kulmbach 99.000 (+ 8) 137,80 41,76
Landsberg am Lech 206.000 (+ 31) 171,57 79,95
Landshut 368.000 (+ 20) 231,89 102,71
Landshut Stadt 153.000 (+ 6) 211,31 109,11
Lichtenfels 115.000 (+ 4) 172,06 86,78
Lindau (Bodensee) 176.000 (+ 9) 215,50 93,06
Main-Spessart 91.000 (+ 5) 72,01 33,24
Memmingen Stadt 31.000
70,72 9,12
Miesbach 380.000 (+ 21) 381,04 142,39
Miltenberg 148.000
114,95 55,92
Mühldorf a.Inn 269.000 (+ 49) 233,41 144,03
München 833.000 (+ 103) 238,77 86,85
München Stadt 3.370 (+ 322) 229,02 70,88
Neu-Ulm 219.000 (+ 8) 125,72 60,85
Neuburg-Schrobenhausen 118.000 (+ 10) 122,05 57,92
Neumarkt i.d.Opf. 138.000 (+ 7) 103,32 51,66
Neustadt a.d. Aisch-Bad Windsheim 79.000 (+ 5) 78,71 33,88
Neustadt a.d. Waldnaab 373.000 (+ 30) 395,33 261,79
Nürnberg Stadt 372.000 (+ 14) 71,76 33,95
Nürnberger Land 298.000 (+ 48) 174,92 89,22
Oberallgäu 121.000 (+ 11) 77,88 28,32
Ostallgäu 280.000 (+ 22) 199,55 113,32
Passau 239.000 (+ 21) 124,45 74,46
Passau Stadt 71.000 (+ 11) 135,32 78,14
Pfaffenhofen a.d.Ilm 183.000 (+ 15) 143,92 82,58
Regen 79.000 (+ 9) 101,73 50,22
Regensburg 239.000 (+ 22) 123,47 52,69
Regensburg Stadt 238.000 (+ 16) 155,95 59,63
Rhön-Grabfeld 67.000 (+ 8) 84,08 41,41
Rosenheim 1.093 (+ 85) 418,80 181,24
Rosenheim Stadt 182.000 (+ 29) 287,41 104,23
Roth 158.000 (+ 30) 124,45 52,77
Rottal-Inn 394.000 (+ 24) 326,54 167,41
Schwabach Stadt 40.000 (+ 3) 98,06 49,03
Schwandorf 216.000 (+ 28) 146,75 92,40
Schweinfurt 181.000 (+ 11) 157,25 87,75
Schweinfurt Stadt 67.000 (+ 5) 124,00 77,73
Starnberg 346.000
254,24 80,09
Straubing Stadt 153.000 (+ 20) 320,12 175,75
Straubing-Bogen 198.000 (+ 30) 196,72 124,19
Tirschenreuth 722.000 (+ 54) 995,81 521,35
Traunstein 403.000 (+ 56) 227,57 132,70
Unterallgäu 169.000 (+ 14) 117,33 49,99
Weiden Stadt 125.000 (+ 16) 293,98 164,63
Weilheim-Schongau 273.000 (+ 11) 201,70 79,06
Weißenburg-Gunzenhausen 142.000 (+ 6) 150,43 66,74
Wunsiedel i.Fichtelgebirge 351.000 (+ 62) 479,65 259,64
Würzburg 259.000 (+ 12) 160,04 53,76
Würzburg Stadt 329.000 (+ 11) 257,27 87,58
Gesamtergebnis 23.049 (+ 2.087) 176,26 77,77

Rheinland-Pfalz

webpage_rp <- read_html("https://msagd.rlp.de/de/unsere-themen/gesundheit-und-pflege/gesundheitliche-versorgung/oeffentlicher-gesundheitsdienst-hygiene-und-infektionsschutz/infektionsschutz/informationen-zum-coronavirus-sars-cov-2/")
  rp<- html_nodes(webpage_rp, "table") # tell R to use tables
  rp_counties <- webpage_rp %>% # tell R which table to use
    html_nodes("table") %>%
    . [1]%>% # use first table 
    html_table(fill=T)
  corona_rp=rp_counties[[1]]
  corona_rp=corona_rp[c(-1,-26),] # table with just counties
  rp_t=corona_rp; colnames(rp_t) <- c("County", "Cases", "Deaths")
kable(rp_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases Deaths
2 Ahrweiler 83 1
3 Altenkirchen 60 1
4 Alzey-Worms 98
5 Bad Dürkheim 207 3
6 Bad Kreuznach 131 1
7 Bernkastel-Wittlich 76
8 Birkenfeld 44
9 Bitburg-Prüm 119
10 Cochem-Zell 116
11 Donnersbergkreis 70 1
12 Germersheim 84 1
13 Kaiserslautern 64
14 Kusel 59
15 Mainz-Bingen 184 2
16 Mayen-Koblenz 252 2
17 Neuwied 156 2
18 Rhein-Hunsrück 118
19 Rhein-Lahn-Kreis 104 2
20 Rhein-Pfalz-Kreis 113
21 Südliche Weinstr. 114
22 Südwestpfalz 64 2
23 Trier-Saarburg 103 1
24 Vulkaneifel 65
25 Westerwaldkreis 184 3
27 Frankenthal 25
28 Kaiserslautern 69 1
29 Koblenz 163 7
30 Landau i.d.Pfalz 42
31 Ludwigshafen 109
32 Mainz 238
33 Neustadt Weinst. 67 1
34 Pirmasens 20
35 Speyer 34
36 Trier 70
37 Worms 102 2
38 Zweibrücken 20
39 Stand: 04.04.2020; 10 Uhr

Nordrhein-Westfalen

webpage_nrw <- read_html("https://www.mags.nrw/coronavirus-fallzahlen-nrw")
  nrw_raw <- html_nodes(webpage_nrw, "table") # tell R to use tables
  nrw_raw <- webpage_nrw %>% # tell R which table to use
    html_nodes("table") %>%
    . [1]%>% # use first table (there is only one)
    html_table(fill=T)
  nrw=nrw_raw[[1]]
  colnames(nrw) <- c("NAME_2", "Cases")

  nrw_t=nrw; colnames(nrw_t) <- c("County", "Cases", "Deaths")
kable(nrw_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases Deaths
Aachen & Städteregion Aachen 1.210 27
Bielefeld 205.000 1
Bochum 301.000 10
Bonn 370.000 3
Borken (Kreis) 609.000 9
Bottrop 55.000 1
Coesfeld (Kreis) 375.000 7
Dortmund 380.000 1
Duisburg 379.000 2
Düren (Kreis) 335.000 9
Düsseldorf 543.000 4
Ennepe-Ruhr-Kreis 229.000 1
Essen 481.000 9
Euskirchen (Kreis) 165.000 2
Gelsenkirchen 159.000 2
Gütersloh (Kreis) 446.000 3
Hagen 96.000 2
Hamm 217.000 4
Heinsberg (Kreis) 1.432 40
Herford (Kreis) 213.000 1
Herne 68.000 NA
Hochsauerlandkreis (Kreis) 346.000 1
Höxter (Kreis) 99.000 1
Kleve (Kreis) 285.000 3
Köln 1.694 26
Krefeld 264.000 1
Leverkusen 146.000 1
Lippe (Kreis) 429.000 3
Märkischer Kreis 175.000 3
Mettmann (Kreis) 484.000 9
Minden-Lübbecke (Kreis) 385.000 1
Mönchengladbach 250.000 1
Mülheim / Ruhr 96.000 2
Münster 537.000 2
Oberbergischer Kreis 303.000 2
Oberhausen 91.000 NA
Olpe (Kreis) 193.000 2
Paderborn (Kreis) 338.000 5
Recklinghausen (Kreis) 490.000 1
Remscheid 89.000 1
Rhein-Erft-Kreis 514.000 7
Rheinisch-Bergischer Kreis 236.000 3
Rhein-Kreis Neuss 425.000 6
Rhein-Sieg-Kreis 675.000 3
Siegen-Wittgenstein (Kreis) 140.000 2
Soest (Kreis) 220.000 1
Solingen 132.000 1
Steinfurt (Kreis) 574.000 5
Unna (Kreis) 282.000 3
Viersen (Kreis) 353.000 7
Warendorf (Kreis) 341.000 2
Wesel (Kreis) 267.000 2
Wuppertal 284.000 5
Gesamt 19.405 250

Thüringen

webpage_thu <- read_html("https://www.landesregierung-thueringen.de/corona-bulletin/")
  thu_raw <- html_nodes(webpage_thu, "table") # tell R to use tables
  thu_raw <- webpage_thu %>% # tell R which table to use
    html_nodes("table") %>%
    . [2]%>% # use first table (there is only one)
    html_table(fill=T)
  thu=thu_raw[[1]]
  thu=thu[,c(1,3,8)]
  colnames(thu) <- c("County", "Cases", "Deaths")
  thu_t=thu
kable(thu_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases Deaths
Altenburger Land 30 NA
Eichsfeld 64 1
Gotha 34 NA
Greiz 175 5
Hildburghausen 7 NA
Ilm-Kreis 80 1
Kyffhäuserkreis 27 NA
Nordhausen 20 NA
Saale-Holzland-Kreis 36 NA
Saale-Orla-Kreis 61 1
Saalfeld-Rudolstadt 48 NA
Schmalkalden-Meiningen 35 NA
Sömmerda 29 NA
Sonneberg 34 1
Unstrut-Hainich-Kreis 29 NA
Wartburgkreis 28 NA
Weimarer Land 36 NA
Eisenach 8 NA
Erfurt 94 NA
Gera 36 NA
Jena 117 1
Suhl 9 NA
Weimar 43 NA
Summe: 1080 10

Sachsen

webpage_sachsen <- read_html("https://www.coronavirus.sachsen.de/infektionsfaelle-in-sachsen-4151.html")
  sachsen_raw <- html_nodes(webpage_sachsen, "table") # tell R to use tables
  sachsen_raw <- webpage_sachsen %>% # tell R which table to use
    html_nodes("table") %>%
    . [1]%>% # use first table (there is only one)
    html_table(fill=T)
  sachsen=sachsen_raw[[1]]
  colnames(sachsen) <- c("NAME_2", "Cases")

  s_t=sachsen; colnames(s_t)<-c("County", "Cases", "Cases/100k", "Deaths")
kable(s_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "550px")
County Cases Cases/100k Deaths
Landeshauptstadt Dresden 407 (+4) 73 4
Stadt Chemnitz 143 (+5) 58 2
Stadt Leipzig 403 (+25) 69 1
Landkreis Bautzen 206 (+5) 68 2
Erzgebirgskreis 271 (+32) 80 5
Landkreis Görlitz 98 (+9) 38 3
Landkreis Leipzig 125 (+6) 48 1
Landkreis Meißen 115 (+10) 47 3
Landkreis Mittelsachsen 159 (+18) 52 1
Landkreis Nordsachsen 73 (+0) 37
Landkreis Sächsische Schweiz-Osterzgebirge 226 (+26) 92
Vogtlandkreis 134 (+6) 59 1
Landkreis Zwickau 483 (+51) 152 9
Gesamtzahl 2.843 (+197) 70 32 (Anteil 1,1%)

Brandenburg

webpage_bb <- read_html("https://msgiv.brandenburg.de/msgiv/de/presse/pressemitteilungen/detail/~04-04-2020-corona-faelle-stand-04042020-08-00-uhr")
  bb_raw <- html_nodes(webpage_bb, "table") # tell R to use tables
  bb_raw <- webpage_bb %>% # tell R which table to use
    html_nodes("table") %>%
    . [1]%>% # use first table (there is only one)
    html_table(fill=T)
  bb=bb_raw[[1]]
  bb=bb[-1,c(1,3,5)]
  bb_t=bb; colnames(bb_t) <- c("County", "Cases", "Deaths")
kable(bb_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases Deaths
2 Barnim 102 2
3 Brandenburg a. d. Havel 31
4 Cottbus 34
5 Dahme-Spreewald 115 2
6 Elbe-Elster 52 1
7 Frankfurt (Oder) 12
8 Havelland 81
9 Märkisch-Oderland 108 1
10 Oberhavel 131 1
11 Oberspreewald-Lausitz 28
12 Oder-Spree 83
13 Ostprignitz-Ruppin 21
14 Potsdam 216 6
15 Potsdam-Mittelmark 182 4
16 Prignitz 9
17 Spree-Neiße 49
18 Teltow-Fläming 67
19 Uckermark 22 1
20 Brandenburg gesamt 1.343 18

Niedersachsen

nsachsen_raw <- read_delim("https://www.apps.nlga.niedersachsen.de/corona/download.php?csv-file", 
                             ";", escape_double = FALSE, na = "NA", 
                             trim_ws = TRUE)
  nsachsen=nsachsen_raw[, c(3,4,5)]
  ns_t=nsachsen; colnames(ns_t) <- c("County", "Cases", "Cases/100k")
kable(ns_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases Cases/100k
LK Ammerland 107 85.7
LK Aurich 66 34.7
LK Celle 102 57.0
LK Cloppenburg 43 25.0
LK Cuxhaven 61 30.7
LK Diepholz 195 89.7
LK Emsland 178 54.4
LK Friesland 18 18.2
LK Gifhorn 90 51.0
LK Goslar 74 54.2
LK Grafschaft Bentheim 123 89.7
LK Göttingen 239 72.9
LK Hameln-Pyrmont 82 55.1
LK Harburg 266 104.6
LK Heidekreis 38 27.1
LK Helmstedt 78 85.4
LK Hildesheim 188 68.1
LK Holzminden 76 107.5
LK Leer 53 31.0
LK Lüchow-Dannenberg 11 22.7
LK Lüneburg 119 64.7
LK Nienburg (Weser) 41 33.7
LK Northeim 48 36.2
LK Oldenburg 147 112.0
LK Osnabrück 440 122.8
LK Osterholz 57 50.0
LK Peine 106 78.8
LK Rotenburg (Wümme) 60 36.6
LK Schaumburg 71 45.0
LK Stade 138 67.5
LK Uelzen 28 30.3
LK Vechta 212 148.6
LK Verden 96 70.0
LK Wesermarsch 46 51.9
LK Wittmund 16 28.0
LK Wolfenbüttel 60 50.1
Region Hannover 1072 92.7
SK Braunschweig 215 86.4
SK Delmenhorst 23 29.6
SK Emden 10 20.0
SK Oldenburg 111 65.8
SK Osnabrück 268 163.0
SK Salzgitter 67 64.3
SK Wilhelmshaven 9 11.8
SK Wolfsburg 216 173.6

Schleswig-Holstein

webpage_sh <- read_html("https://www.schleswig-holstein.de/DE/Landesregierung/I/Presse/_documents/Corona-Liste_Kreise.html")
  sh_raw <- html_nodes(webpage_sh, "table") # tell R to use tables
  sh_raw <- webpage_sh %>% # tell R which table to use
    html_nodes("table") %>%
    . [1]%>% # use first table (there is only one)
    html_table(fill=T)
  sh_raw=sh_raw[[1]]
  sh=sh_raw
  sh_t=sh; colnames(sh_t) <- c("County", "Cases")
kable(sh_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases
Dithmarschen 37.000
Flensburg 27.000
Herzogtum Lauenburg 147.000
Kiel 157.000
Lübeck 103.000
Neumünster 30.000
Nordfriesland 48.000
Ostholstein 51.000
Pinneberg 300.000
Plön 72.000
Rendsburg-Eckernförde 158.000
Schleswig-Flensburg 93.000
Segeberg 134.000
Steinburg 53.000
Stormarn 158.000
SUMME 1.568

Mecklenburg-Vorpommern

webpage_mv <- read_html("https://www.regierung-mv.de/Landesregierung/wm/Aktuell/?id=159065&processor=processor.sa.pressemitteilung")
  mv_raw <- html_nodes(webpage_mv, "table") # tell R to use tables
  mv_raw <- webpage_mv %>% # tell R which table to use
    html_nodes("table") %>%
    . [1]%>% # use first table (there is only one)
    html_table(fill=T)
  mv=mv_raw[[1]]
  mv=mv[c(-1,-2),c(1,3)]
  mv_t=mv
  colnames(mv_t) <- c("County", "Cases")
kable(mv_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
County Cases
3 Kreis/ kreisfreie Stadt Stand 03.04. 16:30
4 Hansestadt Rostock 62
5 Landkreis Rostock 42
6 Mecklenburgische Seenplatte 90
7 Schwerin 75
8 Nordwestmecklenburg 51
9 Vorpommern-Rügen 58
10 Vorpommern-Greifswald 76
11 Ludwigslust-Parchim 47
12 Summe 501

per State

  ####  States #### 
  webpage_dtl <- read_html("https://www.rki.de/DE/Content/InfAZ/N/Neuartiges_Coronavirus/Fallzahlen.html")
  corona_raw <- html_nodes(webpage_dtl, "table") # tell R to use tables
  corona_raw <- webpage_dtl %>% # tell R which table to use
    html_nodes("table") %>%
    . [1]%>% # use first table (there is only one)
    html_table(fill=T)
  corona_raw=corona_raw[[1]]
  states=corona_raw[-1, c(1,2,4,5)] 
  states_t=states; colnames(states_t) <- c("State", "Cases", "Cases/100k", "Deaths")

# html table 
kable(states_t) %>%
  kable_styling() %>%
  scroll_box(width = "500px", height = "600px")
State Cases Cases/100k Deaths
2 Baden-Württem­berg 17.014 154 316
3 Bayern 21.908 168 349
4 Berlin 3.471 93 22
5 Brandenburg 1.211 48 12
6 Bremen 354 52 6
7 Hamburg 2.697 146 16
8 Hessen 4.279 68 42
9 Mecklenburg- Vor­pommern 501 31 5
10 Niedersachsen 5.571 70 85
11 Nordrhein-West­falen 17.885 100 200
12 Rhein­land-Pfalz 3.504 86 29
13 Saarland 1.265 128 14
14 Sachsen 2.591 64 24
15 Sachsen-Anhalt 896 41 11
16 Schles­wig-Holstein 1.559 54 17
17 Thüringen 1.072 50 10
18 Gesamt 85.778 103 1.158

Interactive map

Cases per County

  • If you click on a county, it will show you the name and the amount of cases in that county.
#### Joining data and map ####
countymap<- inner_join(germany, county_data, by="OBJECTID")
  


##### plotting an interactive map ####
tmap_mode("view")
tm_shape(countymap) +
 tm_polygons(col="cases.y", palette = "Reds", id="GEN.x", style="cont", title="Cases per County")

Cases per State

##### joining map and data #####
statemap<-inner_join(germany_state, states_data)

##### plotting an interactive map ####
tmap_mode("view")
tm_shape(statemap) +
 tm_polygons(col="Fallzahl", palette = "Reds", id="NAME_1",  style="cont", title="Cases per State")