Coronavirus
Daiana Emili
19/3/2020
CORONAVIRUS: Análisis de datos con R - TUTORIAL
En las últimas semanas el brote de coronavirus (2019-nCoV) ha hecho noticia alrededor del mundo. Es momento de cuidarnos pero NO de quedarnos quietos, por eso podemos aprovechar esta oportunidad para seguir aprendiendo.
El desafío propuesto en #datosdemieRcoles consiste en analizar los datos disponibles sobre casos reportados, muertes y personas que se han recuperado. Por mi parte, les comparto el código que utilicé para crear un ranking de países, un mapa interactivo y un gráfico animado que muestra la evolución a través del tiempo de los casos confirmados en Argentina y sus países limítrofes.
Los datos fueron obtenidos desde el repositorio oficial del Centro para Ciencia de Sistemas e Ingeniería (CCSE) de la Universidad John Hopkins. Estos set de datos se actualizan diariamente.
¿Qué es #datosdemiercoles?
Datos de miércoles es el primo latinoamericano de #tidytuesday, un proyecto semanal de datos organizado por la comunidad de R, que busca que sus participantes desarrollen sus habilidades procesando datos para crear gráficos significativos usando ggplot2, tidyr, dplyr y otras herramientas del tidyverse.
El objetivo de #datosdemiercoles es aplicar tus habilidades en un desafío concreto, recibir retroalimentación, explorar el trabajo de otras personas y conectarte con la comunidad hispanohablante de R. Se trata de generar un espacio de diálogo seguro y amable para practicar tus habilidades procesando y visualizando datos, independiente de tu nivel de manejo de R.
En primer lugar descargo los datos y pongo la base en condiciones para poder realizar el análisis.
confirmados <- readr::read_csv("https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Confirmed.csv")
muertes <- readr::read_csv("https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Deaths.csv")
recuperados <- readr::read_csv("https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Recovered.csv")
#Transformamos el dataset de confirmaciones
df_confirmaciones <- reshape2::melt(confirmados, id.vars = colnames(confirmados)[1:4])
df_confirmaciones$Fechas <- as.Date(df_confirmaciones$variable, format = "%m/%e/%y")
#Creo una variable para unir los 3 datasets
df_confirmaciones$campo_unir<- as.factor(paste(df_confirmaciones$Lat, df_confirmaciones$Long, df_confirmaciones$Fechas, sep="_"))
colnames(df_confirmaciones)[6]<- "infectados"
df_muertes <- reshape2::melt(muertes, id.vars = colnames(muertes)[1:4])
df_muertes$Fechas <- as.Date(df_muertes$variable, format = "%m/%e/%y")
df_muertes$campo_unir<- as.factor(paste(df_muertes$Lat, df_confirmaciones$Long, df_muertes$Fechas, sep="_"))
colnames(df_muertes)[6]<-"muertes"
df_recuperados <- reshape2::melt(recuperados, id.vars = colnames(recuperados)[1:4])
df_recuperados$Fechas <- as.Date(df_recuperados$variable, format = "%m/%e/%y")
df_recuperados$campo_unir<- as.factor(paste(df_recuperados$Lat, df_recuperados$Long, df_recuperados$Fechas, sep="_"))
colnames(df_recuperados)[6]<-"recuperados"
#Unos los datasets
df<- df_confirmaciones[,-5]
df$muertes<- df_muertes$muertes[match(df$campo_unir, df_muertes$campo_unir)]
df$recuperados<- df_recuperados$recuperados[match(df$campo_unir, df_recuperados$campo_unir)]
#Dado que la suma entre pacientes muertos y pacientes recuperados no es igual a la cantidad de pacientes
#confirmados, creo la variable "Enfermos" para cuantificar los pacientes confirmados que aun siguen enfermos.
df$enfermos<- df$infectados-df$muertes-df$recuperados
rm(confirmados, muertes, recuperados, df_confirmaciones, df_muertes, df_recuperados)
colnames(df)[2]<- "COUNTRY"El siguiente paso consiste en identificar cuáles son las preguntas para las cuales quisiera encontrar una respuesta en los datos.
Por ejemplo, me gustaría iniciar mi análisis con un ranking de países en el que pueda identificar la cantidad de personas infectadas, fallecidas, recuperadas y personas que aún continúan enfermas.
En segundo lugar, me gustaría poder hacer un mapa de calor con la información obtenida en el punto anterior.
Por último, me gustaría conocer la evolución a través del tiempo de los casos confirmados en Argentina y sus países limítrofes.
Ranking de países según personas infectadas
#Filtro la base quedándome con la info de la fecha mas actual.
df_obj1<- subset(df, df$Fechas=="2020-03-19")
#Hago una agregacion de las variables por país, porque hay paises para los que tengo la información repartida por pcia.
df_obj1<- aggregate(df_obj1[,c(5,8,9,10)], by= list(df_obj1$COUNTRY), FUN= function(x) c(sum(x)))
colnames(df_obj1)[1]<-"COUNTRY"
df_obj1$COUNTRY<-as.factor(df_obj1$COUNTRY)
df_obj1<- df_obj1[order(df_obj1$infectados, decreasing = TRUE),]
library(formattable)
library(data.table)
library(DT)
rownames(df_obj1)<-NULL
as.datatable(
formattable(df_obj1, rownames=FALSE ,list(
infectados = formatter("span",
style = x ~ style(color = "orange"),
x ~ sprintf("%g (rank: %02g)", x, rank(-x))),
muertes = formatter("span",
style = x ~ style(color = "red"),
x ~ sprintf("%g (rank: %02g)", x, rank(-x))),
recuperados = formatter("span",style = x ~ style(color = "green")),
enfermos = formatter("span",style = x ~ style(color = "orange"))
)))Los datos fueron obtenidos desde el repositorio oficial del Centro para Ciencia de Sistemas e Ingeniería (CCSE) de la Universidad John Hopkins. La información está presentada a la fecha ‘19-03-20’
El coronavirus se ha extendido más de 150 países y afecta a más de 245.000 personas, de las que 10.000 han perdido la vida.
A continuación se presenta un mapa de calor en el cual se puede identificar a los países en una escala de rojos según la cantidad de personas infectadas. Dado que la base de datos cuenta con información por provincia y región sólo para algunos países, al deslizar el mouse se obtiene información a nivel país y al hacer click sobre los íconos amarillos y azules se puede obtener la información desagregada a nivel provincia/región.
library(rgdal)
library(leaflet)
#shapefilemundial
df_mapa<- readOGR("C:/Users/elfer/OneDrive/Desktop/Codigos_R/Mapas/Capa mundial/capa_mundial_ok.shp")## OGR data source with driver: ESRI Shapefile
## Source: "C:\Users\elfer\OneDrive\Desktop\Codigos_R\Mapas\Capa mundial\capa_mundial_ok.shp", layer: "capa_mundial_ok"
## with 256 features
## It has 5 fields#head(df_mapa@data)
df_obj1$Color<- ifelse(df_obj1$infectados<=50, 1,
ifelse(df_obj1$infectados<=100, 2,
ifelse(df_obj1$infectados<=300, 3,
ifelse(df_obj1$infectados<=500,4,
ifelse(df_obj1$infectados<=750, 5,
ifelse(df_obj1$infectados<=1000,6,
ifelse(df_obj1$infectados<=1500,7,
ifelse(df_obj1$infectados<=2000,8,
ifelse(df_obj1$infectados<=2500,9,
ifelse(df_obj1$infectados<=3000,10,
ifelse(df_obj1$infectados<=5000,11,
ifelse(df_obj1$infectados<=10000,12,
ifelse(df_obj1$infectados<=20000,13,
ifelse(df_obj1$infectados<=30000,14,
ifelse(df_obj1$infectados<=50000,15,16
)))))))))))))))
df_obj2 <- merge(df_mapa,df_obj1, by="COUNTRY")
df_obj2<- subset(df_obj2, COUNTRY%in%df_obj1$COUNTRY)
df_obj2_pcias<- subset(df, df$Fechas=="2020-03-19" & df$infectados>0)
library(RColorBrewer)
pal <- colorNumeric(
palette=c( "#FDD0A2","#FDAE6B","#FD8D3C", "#FD8D3C" ,"#F16913" ,"#F46D43", "#D73027", "#A50026"),
domain = df_obj2@data$Color)
#Los colores los pongo en funcion al nro de casos por pais
#Pero tmb uso un segundo dataset para aprovechar la info por pcia en los casos en los que tenga la info
g<-leaflet(data = df_obj2) %>%
addTiles()%>%
addPolygons(
weight = 1,
fillOpacity = 0.8,
color = "black",
fillColor = ~pal(df_obj2@data$Color),
# popup = paste(df_mapa@data$PAIS, variable, sep=" "), #%>% #etiqueta los paises
label=paste(df_obj2@data$COUNTRY,
"Infectados:", df_obj2@data$infectados,
"Muertes:", df_obj2@data$muertes,
"Recuperados:", df_obj2@data$recuperados, sep=" "))%>%
addMarkers(lng=~df_obj2_pcias$Long, lat=~df_obj2_pcias$Lat,
label=~paste("Info", df_obj2_pcias$COUNTRY, sep=" "),
popup = paste("Pcia/Estado:",df_obj2_pcias$`Province/State`,
"Infectados:", df_obj2_pcias$infectados,
"Muertes:", df_obj2_pcias$muertes,
"Recuperados:", df_obj2_pcias$recuperados, sep=" "),
clusterOptions = markerClusterOptions(removeOutsideVisibleBounds = F),
labelOptions = labelOptions(noHide = F,
direction = 'auto'))
gLos datos fueron obtenidos desde el repositorio oficial del Centro para Ciencia de Sistemas e Ingeniería (CCSE) de la Universidad John Hopkins. La información está presentada a la fecha ‘19-03-20’
Por último, voy a acotar el análisis para los países “Argentina”, “Brazil”, “Bolivia”, “Chile”, “Uruguay” y “Paraguay”. Dentro de este grupo, el primer caso tuvo lugar el “2020-02-27”. Por ende, voy a analizar la evolución a través del tiempo de los casos confirmados en Argentina y sus países limítrofes, a partir de dicha fecha.
###Objetivo 3
library(gganimate)
library(gifski)
df_obj3<- subset(df, df$COUNTRY %in% c("Argentina", "Brazil", "Bolivia" , "Chile" , "Uruguay","Paraguay") & df$Fechas>"2020-02-27")
ggplot(df_obj3,aes(x = Fechas,
y = infectados ,
color =COUNTRY
)) +
geom_line(size=1.5) +
scale_x_date(breaks = scales::pretty_breaks(n=11)) +
labs(x = "Fecha", y = "Personas infectadas", title = "Evolución a través del tiempo de los casos
confirmados en Argentina y sus países limítrofes") +
theme_minimal()+
theme(plot.title = element_text(hjust = 0.5),
plot.background = element_rect(size = 1, color = "white", fill ="#C6DBEF"),
text=element_text(size = 15, family = "Serif", color = "black"),
axis.text.y = element_text(colour = "black"),
axis.text.x = element_text(colour ="black"),
axis.text=element_text(size = 8),
legend.position = "top",
legend.justification = c("center", "top"),
legend.box.just = "center",
legend.title = element_blank()
) +
transition_reveal(Fechas)
Los datos fueron obtenidos desde el repositorio oficial del Centro para Ciencia de Sistemas e Ingeniería (CCSE) de la Universidad John Hopkins. La información está presentada a la fecha ‘19-03-20’
anim_save("corona_ok.gif")