Funções úteis para organizar dados da COVID-19

Este é um tutorial introdutório, onde veremos algumas funções úteis para trabalhar com dados da COVID-19 usando o R, a partir do repositório da Johns Hopkins University. Os códigos estão comentados, de modo a facilitar a compreensão para leigos, porém, no geral vamos assumir algum conhecimento básico de R.

Se você deseja trabalhar com dados do R internacionalmente, vale a pena conferir o pacote Tidy Covid 19. Aqui, porém, usaremos principalmente o tidyverse.

Atenção: Tenha cuidado redobrado ao compartilhar conclusões, visualizações e análises sobre dados de saúde pública, especialmente em meio a uma pandemia mundial.

library(tidyverse)

Importando os dados

O primeiro passo é baixar os dados e entender a sua estrutura.

# Vamos chamar o link com o CSV de "url"
url = 'https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv'
# Agora, importamos o CSV no R...
dados = read.csv(url)
#... e o exibimos
dados

Você pode navegar pela tabela utilizando a páginação acima. Podemos ver que temos os seguintes campos:

• Province.State (província, por exemplo, Guiana Francesa)
• Country.Region (país, por exemplo, França)
• Lat (latitude)
• Long (longitude)
• Datas: e na sequência temos várias datas, registrando a série histórica de cada país. Cada dia é uma coluna.

Filtrando dados

Filtrar os registros é bem fácil. Abaixo, vamos criar um novo conjunto de dados (df) filtrando apenas os registros com Brasil e Itália no campo Country.Region. Depois, vamos excluir as colunas Province.State, Lat e Long, que não nos interessam.

Repare que podemos selecionar as colunas que não queremos com o sinal de negativo (-) com o comando select. Usaremos esse recurso novamente no comando seguinte. Veja também que a barra em pé (|) significa o operador “OU”.

df <- dados %>% filter(Country.Region == 'Italy' | Country.Region == 'Brazil') %>% 
  select(-Province.State,-Lat,-Long)
df

Transformando colunas em linhas

Para facilitar a análise e visualização dos dados, ao invés de ter várias colunas, vamos criar uma variável (ou uma nova coluna) que contenha o dia e outra com o número de casos. Assim, podemos resumir aquelas várias colunas em apenas duas.

Você pode utilizar diversas funções, como a gather ou a pivot_longer. Para nosso exemplo, ambas são muitos semelhantes, mas a primeira será descontinuada pela equipe de desenvolvedores, então, recomendamos utilizar a pivot_longer.

Basicamente, precisamos definir três parâmetros para elas realizarem seu trabalho:

• Dados: Quais as colunas serão alvos da transformação? No nosso caso, as que possuem a contagem de casos por dia, ou seja, todas menos a do país.

• Chave: Como será chamada a variável que guardará o nome das colunas? No nosso caso, vamos chamar de “Day”.

• Valores: Como será chamada a variável que guardará os valores das células? Vamos nomeá-la de “Total”.

Veja abaixo como utilizamos estes parâmetros em ambas as funções.

# Se você não conseguir rodar a função abaixo, talvez precise atualizar o pacote "tidyr"
# Neste caso, voocê pode rodar o comando install.packages("tidyr") 
# Ou utilizar a função gather, descomentando a linha abaixo
# df %>% gather(dia,casos,-Country.Region)
df <- df %>% pivot_longer(-Country.Region,"Day",values_to = "Total")
df

Transformando textos em datas

Agora, precisamos definir que o campo “dia” deve ser encarado como uma data. Repare bem no padrão da data na tabela acima.

Ela é uma sequência de caraceteres (indicado pela sigla “chr” no cabeçalho). A primeira coisa que faremos é tirar este “X” e depois formatar a coluna como data.

Primeiro, vamos usar uma função para substituir (replace) uma sequência de caracteres (string ou str), a função str_replace. Com ela, vamos trocar no campo “dia” do banco de dados “df” qualquer ocorrência de X por uma sequência vazia, Ou seja, na prática, removeremos todos os “X”.

Depois, vamos mudar o campo para o formato de data com a função as.Data, explicitando que o formato data que é mês (%m), dia (%d) e ano (%y) - separados por um ponto.

df$Day <- str_replace(df$Day,"X", "") %>%
  as.Date(format='%m.%d.%y')
# Vamos checar se funcionou vendo o dia mais recente, já no formato correto
max(df$Day)

[1] "2020-04-20"

Identificando o dia zero a partir de X casos

Uma métrica bastante comum em análise de epidemias é a contagem de quantos dias se passaram desde determinado limar de casos. Isso facilita a comparação de fenômenos que ocorreram em datas distintas. Vamos criar uma nova coluna (Day0) com o “dia zero” de caada país.

df <- df %>% 
  # A ordem das datas é fundamental, então, vamos ordenar os dados por dia
  arrange(Day) %>%
  # Você pode querer contar os dias partir do centésimo caso, por exemplo. Para trocar este parâmetro, basta mudar o número abaixo.
  filter(Total > 0)  %>%
  # Então, vamos usar o group_by para que a operação a seguir seja feita para cada país (Country.Region)
  group_by(Country.Region) %>%
  # Vamos definir o dia 0 como o menor dia daquele país
  mutate(Day0 = min(Day)) 
df

Contagem de dias desde o caso número X

Já sabemos a data de registro e a data do primeiro caso, para cada registro de nossa tabela. Agora, está fácil calcularmos a diferença entre os dias. Assim, podemos analisar como cada país estava uma semana após a passar o limiar do centésimo caso, por exemplo.

Vamos criar uma nova variável (conta_dia) que vai ser o resultado da diferença entre a data de registro (dia) e o dia 0 (dia0) em dias.

# Vamos adicionar o novo campo
df$CountDays <- difftime(df$Day,df$Day0,units = "days")
# E visualizar os dados ordernados por ele
df %>% arrange(CountDays) 

Casos novos por dia e aumento percentual

Repare que a coluna “casos” traz o total de casos acumulado até a data especificada no campo Day. Mas e se quisermos saber o número de novos casos por dia?

Vamos criar uma nova coluna chamada novos_casos, que será resultado do número de casos do dia menos o número de casos do dia anterior, em cada país.

Também vamos adicionar novos campos para mostrar o aumento percentual no número acumulado de casos confirmados diariamentee a média móvel de novos casos nos últimos 7 dias.

Para relembrar, para calcular o aumento percentual, pegamos o número de novos casos (NewCases), dividimos pelo total dia anterior (lag(Total)) e então multiplicamos por 100 para obter a taxa percentual. Também vamos arredondar o resultado, usando a função round().

df <- df %>% 
  # Vamos remover a coluna day0 pois ela não é mais necessária
  select(-Day0) %>%
  # Agrupamos por país
  group_by(Country.Region) %>% 
  arrange(Day) %>%
  # Lembrando que nossos casos já estão ordenados por dia
  # Então, utilizamos a função lag() para retornar o último valor daquela coluna
  mutate(NewCases = Total - lag(Total)) %>%
  # E por fim o aumento percentual
  mutate(Increase = round((NewCases/lag(Total)*100))) 
df

NA

Média móvel simples

Para observarmos as tendências de série temporais, uma métrica útil a média móvel, que “suaviza” oscilações diárias. Vamos adicionar um campo que irá incluí-la, por meio de um função que irá somar os registros de novos casos nos últimos 7 dias para cada país e fazer um média.

df <- df %>%  
 # Agora, vamos adicionar uma coluna com a média móvel da última semanas
  mutate(Roll_mean = round(zoo::rollmeanr(NewCases, 7, fill = NA)))
df

Casos por milhão de habitantes

Ainda que alguns especialistas desencorajam o uso de taxas populacionais para avaliação da taxa de contágio nos estágios iniciais de uma pandemia, pois, segundo eles, o número de pessoas contagiadas por cada infectada não seria alterada pelo tamanho da população, à medida que a epidemia progride este número passa a ser útil e atualmente é utilizado inclusive pelo Ministério da Saúde para avaliar o impacto. A taxa é especialmente boa não só para comparar populações de tamanhos distintos, como também para avaliar o impacto na infra-estrutura de saúde. Então, vamos ver como realizá-la.

Para se aprofundar mais nesta discussão, vide o item 4.4.2 deste artigo ou esta matéria do The New York Times.

Aqui, vamos adicionar uma coluna com a população dos países. Como este é apenas um exemplo e temos só 2 casos, podemos usar uma condicional simples. Se o país for a Itália, inserimos a população de 60 milhões (60483538), se não, então, será do Brasil, que tem população de 211 milhões (211376071). Se você for fazer esta operação com vários países, então, é melhor importar uma tabela com os dados populacionais e cruzá-la com os dados da COVID.

df <- df %>% mutate(Pop = ifelse(Country.Region == "Italy",60483538,211376071)) %>%
  # Uma vez que você insira a coluna de população, o cálculo da taxa é simples
mutate(taxa = round((Total/Pop) * 1000000))
df

Bônus: plotando o resultado em gráfico

Este não é um tutorial de visualização de dados, mas depois de chegar aqui nós merecemos ver o resultado do trabalho em um gráfico. Então, vamos lá!