Covid-19 - Panorama Brasil

library(tidyverse)
library(readr)
library(scales)
library(ggthemes)
library(reshape2)
library(ggplot2)
library(knitr)
library(viridis)  
library(RSelenium)

# raspar dados do saude.gov.br

#diretorio <- "D:/projetos github/covid"  #preciso acertar o diretório
# diretorio <- paste(Sys.getenv("USERPROFILE"),"Downloads", sep = "\\")

#fprof = makeFirefoxProfile(
#  list(
#    # "moz:firefoxOptions" = list(args = list('--headless')),
#    browser.download.manager.showWhenStarting = F,
#    browser.download.dir = diretorio,
#    browser.download.folderList = 2L,
#    pdfjs.disabled = T,
#    browser.helperApps.neverAsk.saveToDisk = "text/csv",
#    plugin.disable_full_page_plugin_for_types = "text/csv"
#  ))
#rD = rsDriver(browser = "firefox", check = F, verbose = F, extraCapabilities = fprof)
#remDr = rD[["client"]]

#remDr$navigate("https://covid.saude.gov.br/")
#Sys.sleep(2)

#webElem = remDr$findElement(using = 'xpath', "//ion-button[@class='btn-outline md button button-solid button-has-icon-only ion-activatable ion-focusable ydrated']")
#webElem$clickElement()

#remDr$close()
#rD[["server"]]$stop()

Base de dados

covidsaude <- read.csv("D:/projetos github/covid/covidsaude.csv", sep=";")
covidsaude

#covidsaude <- data.frame(regiao=covidsaude$regiao,estado=covidsaude$estado,data=covidsaude$data,casosNovos=as.numeric(covidsaude$casosNovos),casosAcumulados=as.numeric(covidsaude$casosAcumulados),obitosNovos=covidsaude$obitosNovos,obitosAcumulados=covidsaude$obitosAcumulados)

#covidsaude <- as.tibble(covidsaude)

[Base de dados https://covid.saude.gov.br/]

Situação Brasil

covidsaude %>% summarise(casos_novos=sum(casosNovos),obitos = sum(obitosNovos)) %>%
  mutate(Letalidade=obitos/casos_novos) %>% mutate(Letalidade=round(Letalidade,4))   

NA

Casos novos por dia

covidsaude %>% group_by(data) %>% summarise(casos_novos=sum(casosNovos))%>% mutate(Tot_perc=(casos_novos/sum(casos_novos))) %>% mutate(Tot_perc=round(Tot_perc,4))

covidsaude %>% group_by(data) %>% summarise(casos_novos=sum(casosNovos))%>% mutate(Tot_perc=(casos_novos/sum(casos_novos))) %>%
  ggplot(aes(data)) +   theme_bw(base_size = 16)+ theme(axis.text.x = element_text(angle=90)) +
  ylab("covid19 - Novos Casos") + xlab("dia")+
  theme(legend.position = "bottom") +
  geom_point(aes(y = casos_novos), size=4, color="red")

NA
NA

Casos novos por região

a<-covidsaude %>% group_by(regiao) %>% summarise(Casos_novos=sum(casosNovos)) %>% mutate(Casos_novos_perc=(Casos_novos/sum(Casos_novos)))%>% arrange(desc((Casos_novos_perc)))%>% mutate(Casos_novos_perc=round(Casos_novos_perc,2))

a

#covidsaude %>% group_by(regiao) %>% summarise(total=sum(casosNovos)) %>% mutate(Tot_perc=(total/sum(total)))%>% arrange(desc((Tot_perc)))  %>% 
# ggplot(aes(x="Região", y=Tot_perc, fill=regiao)) +
#  geom_bar(colour="black", stat="identity")+
#  theme_minimal()

ggplot(a, aes(x = reorder(regiao,Casos_novos), y= Casos_novos, fill = as.factor(regiao))) + 
  geom_bar(stat = "identity",show.legend = F) + theme_bw(base_size = 16) + ylab ("Casos") +xlab ("Região") +
  geom_text(aes(label=Casos_novos),vjust=-0.2, color="black", size=5)

Casos novos por estado

b<-covidsaude %>% group_by(estado) %>% summarise(Casos_novos=sum(casosNovos)) %>% mutate(Casos_novos_perc=(Casos_novos/sum(Casos_novos)))%>% arrange(desc((Casos_novos_perc)))
b

#ggplot(b, aes(x = reorder(estado,Casos_novos), y= Casos_novos, fill = as.factor(estado))) + 
#  geom_bar(stat = "identity",show.legend = F) +
#  labs(fill = "estado")  +   theme_bw(base_size = 16) + ylab ("Casos Novos") +xlab ("Estado")+
#  geom_text(aes(label=Casos_novos),vjust=-0.5, color="black", size=5)

x <- covidsaude %>% group_by(regiao,estado) %>% summarise(casos_novos=sum(casosNovos)) %>% mutate(casos_novos_perc=(casos_novos/sum(casos_novos))) %>% mutate(casos_novos_perc=round(casos_novos_perc,2)) %>% arrange(desc((casos_novos_perc)))
#x

ggplot(x,aes(x = reorder(estado,casos_novos), y= casos_novos, fill = regiao)) +
  labs(fill = "Região")+ 
  geom_bar(stat = "identity",  show.legend = T) + 
  theme_bw(base_size = 16) + ylab ("Casos") +xlab ("Estado") + theme(legend.position = "top") +
  geom_text(aes(label=casos_novos),vjust=-0.2, color="black", size=5)

Óbitos novos por dia Brasil

covidsaude %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>% mutate(Tot_perc=(obitos_novos/sum(obitos_novos))) %>% mutate(Tot_perc=round(Tot_perc,4)) 

covidsaude %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>% mutate(Tot_perc=(obitos_novos/sum(obitos_novos))) %>% 
  ggplot(aes(as.numeric(data),obitos_novos)) +
  theme_bw(base_size = 16)+ theme(axis.text.x = element_text(angle=90)) +
  ylab("covid19 - Óbitos") + xlab("dia")+
  theme(legend.position = "bottom") +
  geom_point(aes(data,y = obitos_novos), size=4, color="red")+
  geom_smooth(method="auto", se=F, fullrange=FALSE, level=0.95)

Óbitos novos por dia - Brasil - Regiões

covidsaude %>% group_by(data,regiao) %>% summarise(obitos_novos=sum(obitosNovos))%>% mutate(Tot_perc=(obitos_novos/sum(obitos_novos))) %>%
  ggplot(aes(as.numeric(data),obitos_novos)) +
  theme_bw(base_size = 16)+ theme(axis.text.x = element_text(angle=90)) +
  ylab("covid19 - Óbitos") + xlab("dia")+
  theme(legend.position = "bottom") +
  geom_point(aes(data, y = obitos_novos), size=4, color="red")+
  geom_smooth(method="auto", se=TRUE, fullrange=FALSE, level=0.99)+
  facet_grid(regiao~.)

NA
NA

Tendência de óbitos por dia BRASIL

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência Brasil

prev<-covidsaude %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "  Tendência de óbitos ", x=13, y=235), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=200), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=200), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=200), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=200), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=200), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=200), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=200), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=63, y=200), color="black", size=10)

Tendência de óbitos por região - SUDESTE

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(regiao=="Sudeste") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
  y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "Tendência de óbitos",  x=13, y=y+.3*y), color="red", size=10)+
    geom_text(aes(label = "região SUDESTE para", x=14, y=y+.15*y), color="red", size=10)+
    geom_text(aes(label = "os próximos 7 dias:", x=13, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=28, y=y+.3*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=33, y=y+.3*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=38, y=y+.3*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=43, y=y+.3*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=48, y=y+.3*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=53, y=y+.3*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=58, y=y+.3*y), color="black", size=10)

Tendência de óbitos por região - NORTE

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(regiao=="Norte") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
 y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "Tendência de óbitos",  x=13, y=y+.4*y), color="red", size=10)+
    geom_text(aes(label = "região NORTE para", x=13, y=y+.2*y), color="red", size=10)+
    geom_text(aes(label = "os próximos 7 dias:", x=13, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=28, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=33, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=38, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=43, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=48, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=53, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=58, y=y+.2*y), color="black", size=10)

Tendência de óbitos por região - NORDESTE

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(regiao=="Nordeste") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
  y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "Tendência de óbitos",  x=13, y=y+.2*y), color="red", size=10)+
    geom_text(aes(label = "região NORDESTE para", x=14, y=y+.1*y), color="red", size=10)+
    geom_text(aes(label = "os próximos 7 dias:", x=13, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=28, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=33, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=38, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=43, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=48, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=53, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=58, y=y+.2*y), color="black", size=10)

Tendência de óbitos por região - SUL

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(regiao=="Sul") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
 y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "Tendência de óbitos",  x=13, y=y+.4*y), color="red", size=10)+
    geom_text(aes(label = "região SUL para", x=13, y=y+.2*y), color="red", size=10)+
    geom_text(aes(label = "os próximos 7 dias:", x=13, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=28, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=33, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=38, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=43, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=48, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=53, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=58, y=y+.2*y), color="black", size=10)

Tendência de óbitos por região - CENTRO-OESTE

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(regiao=="Centro-Oeste") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
 y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "Tendência de óbitos",  x=15, y=y+.4*y), color="red", size=10)+
    geom_text(aes(label = "região CENTRO-OESTE", x=15, y=y+.2*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=30, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.2*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=63, y=y+.2*y), color="black", size=10)

Tendência de óbitos por região - SUDESTE - RJ

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência RJ

prev<-covidsaude %>% filter(estado=="RJ") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
  y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "  Tendência de óbitos RJ ", x=15, y=y+.1*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=63, y=y+.1*y), color="black", size=10)

Tendência de óbitos por região - SUDESTE - SP

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(estado=="SP") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
   y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
      geom_text(aes(label = "  Tendência de óbitos SP ", x=15, y=y+.1*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=63, y=y+.1*y), color="black", size=10)

NA
NA

Tendência de óbitos por região - SUDESTE - MG

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(estado=="MG") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
  y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "  Tendência de óbitos MG ", x=15, y=y+.2*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=62, y=y+.1*y), color="black", size=10)

Tendência de óbitos por região - SUDESTE - ES

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(estado=="ES") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
 y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "  Tendência de óbitos ES ", x=15, y=y+.1*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=62, y=y+.1*y), color="black", size=10)

Tendência de óbitos por região - NORDESTE - PE

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência PE

prev<-covidsaude %>% filter(estado=="PE") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
  y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "  Tendência de óbitos PE ", x=15, y=y+.1*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=62, y=y+.1*y), color="black", size=10)

Tendência de óbitos por região - NORDESTE - CE

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(estado=="CE") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
 y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "  Tendência de óbitos CE ", x=15, y=y+.2*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=62, y=y+.1*y), color="black", size=10)

Tendência de óbitos por região - NORTE - AM

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(estado=="AM") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
 y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "  Tendência de óbitos AM ", x=15, y=y+.1*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=62, y=y+.1*y), color="black", size=10)

Tendência de óbitos por região - SUL- PR

método: LOESS (locally estimated scatterplot smoothing) [https://en.wikipedia.org/wiki/Local_regression]

# Tendência SP e RJ

prev<-covidsaude %>% filter(estado=="PR") %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos))%>%mutate(Tot_perc=(obitos_novos/sum(obitos_novos)))

# to allow extrapolation
model <- loess(obitos_novos ~ as.numeric(data), data = prev, control = loess.control(surface = "direct"))

#Tendência para 7 dias
prev_7<-predict(model, data.frame(data = seq(length(model$x)+1,length(model$x)+7, 1)), se = TRUE)

  xvalues=seq(1:length(model$x))
  yfit=model$fitted
  yvalues=model$y
  data=prev$data

  dados <- data.frame(data,xvalues,yfit,yvalues)
 
prev_7<-round(prev_7$fit,0)
  
 y=model$fitted[length(model$fitted)] # maiorvalor

  ggplot(aes(data,yfit),data=dados)+
    theme_bw(base_size = 16) +
    theme(axis.text.x = element_text(angle=90)) +
    ylab("covid19 - Observados e ajustados --> Óbitos") + xlab("dia")+
    theme(legend.position = "bottom") +
    geom_point(aes(y = yfit, color = "yfit"), size=4) +
    geom_point(aes(y = yvalues, color = "yvalues"), size=4)+
    geom_text(aes(label = "  Tendência de óbitos PR ", x=15, y=y+.2*y), color="red", size=10)+
    geom_text(aes(label = "para os próximos 7 dias:", x=15, y=y), color="red", size=10)+
    geom_text(aes(label = prev_7[1], x=33, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[2], x=38, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[3], x=43, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[4], x=48, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[5], x=53, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[6], x=58, y=y+.1*y), color="black", size=10)+
    geom_text(aes(label = prev_7[7], x=62, y=y+.1*y), color="black", size=10)

Casos novos e óbitos novos por dia

covidsaude %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos),casos_novos=sum(casosNovos)) %>%
  ggplot(aes(data)) +   theme_bw(base_size = 16)+ theme(axis.text.x = element_text(angle=90)) +
  ylab("covid19 - Casos e Óbitos") + xlab("dia")+
  theme(legend.position = "bottom") +
  geom_point(aes(y = obitos_novos, color = "obitos_novos"), size=4) +
  geom_point(aes(y = casos_novos, color = "casos_novos"), size=4)

# óbitos >0
covidsaude %>% group_by(data) %>% summarise(obitos_novos=sum(obitosNovos),casos_novos=sum(casosNovos))  %>% filter(obitos_novos>0) %>%
  ggplot(aes(data)) +   theme_bw(base_size = 16)+ theme(axis.text.x = element_text(angle=90)) +
  ylab("covid19 - Casos e Óbitos") + xlab("dia - a partir do primeiro óbito")+
  theme(legend.position = "bottom") +
  geom_point(aes(y = obitos_novos, color = "obitos_novos"), size=4) +
  geom_point(aes(y = casos_novos, color = "casos_novos"), size=4)

Óbitos novos por região

c <- covidsaude %>% group_by(regiao) %>% summarise(obitos_Novos=sum(obitosNovos))%>% mutate(Tot_perc=(obitos_Novos/sum(obitos_Novos)))%>% arrange(desc((Tot_perc)))  %>% mutate(Tot_perc=round(Tot_perc,4)) 
c

ggplot(c, aes(x = reorder(regiao,obitos_Novos), y= obitos_Novos, fill = as.factor(regiao))) + 
  geom_bar(stat = "identity",show.legend = F) +
  labs(fill = "regiao")  +   theme_bw(base_size = 16) + ylab ("Óbitos") +xlab ("Região")+
  geom_text(aes(label=obitos_Novos),vjust=-0.2, color="black", size=5)

Óbitos novos por estado

d <- covidsaude %>% group_by(regiao,estado) %>% summarise(obitos_Novos=sum(obitosNovos))%>% mutate(Tot_perc=(obitos_Novos/sum(obitos_Novos))) %>% arrange(desc((Tot_perc)))  %>% mutate(Tot_perc=round(Tot_perc,4)) 
d

ggplot(d, aes(x = reorder(estado,obitos_Novos), y= obitos_Novos, fill = regiao)) + 
  geom_bar(stat = "identity",show.legend = T) +
  labs(fill = "Região")+
   theme_bw(base_size = 18) + ylab ("Óbitos") + xlab ("Estado")+ theme(legend.position = "top") +
  geom_text(aes(label=obitos_Novos),vjust=-0.2, color="black", size=5)

NA
NA
NA
NA
NA

Letalidade por estado (óbitos/confirmados)

e <- covidsaude %>% group_by(regiao,estado) %>% summarise(total_ob=sum(obitosNovos),total_casos=sum(casosNovos)) %>%
  mutate(Letalidade=(total_ob/total_casos)) %>% arrange(desc((Letalidade))) %>% mutate(Letalidade=round(Letalidade,2))

ggplot(e, aes(x = reorder(estado,Letalidade), y= Letalidade, fill = as.factor(regiao))) + 
  geom_bar(stat = "identity",show.legend = T) +
  labs(fill = "Região")  +   theme_bw(base_size = 16) + ylab ("Letalidade") + xlab("Estado")+ theme(legend.position = "top") +
  geom_text(aes(label=Letalidade),vjust=-0.5, color="black", size=5)

NA
NA

Casos acumulados por dia

covidsaude %>% group_by(data) %>% summarise(total=sum(casosAcumulados))

Óbitos acumulados por dia

covidsaude %>% group_by(data) %>% summarise(total=sum(obitosAcumulados))

NA
NA
NA

Casos acumulados e óbitos acumulados por dia

covidsaude %>% group_by(data) %>% summarise(obitos_novos_acum=sum(obitosAcumulados),casos_novos_acum=sum(casosAcumulados)) %>%
  ggplot(aes(data)) +   theme_bw(base_size = 16)+ theme(axis.text.x = element_text(angle=90)) +
  ylab("covid19 - Casos e Óbitos acumulados") + xlab("dia")+
  theme(legend.position = "bottom") +
  geom_point(aes(y = obitos_novos_acum, color = "obitos_novos"), size=4) +
  geom_point(aes(y = casos_novos_acum, color = "casos_novos"), size=4)

NA
NA

Casos acumulados e óbitos acumulados por dia (a partir do 1º óbito)

# óbitos >0
covidsaude %>% group_by(data) %>% summarise(obitos_novos_acum=sum(obitosAcumulados),casos_novos_acum=sum(casosAcumulados))  %>% filter(obitos_novos_acum>0) %>%
  ggplot(aes(data)) +   theme_bw(base_size = 16)+ theme(axis.text.x = element_text(angle=90)) +
  ylab("covid19 - Casos e Óbitos acumulados") + xlab("dia - a partir do primeiro óbito ")+
  theme(legend.position = "bottom") +
  geom_point(aes(y = obitos_novos_acum, color = "obitos_novos_acum"), size=4) + 
  geom_point(aes(y = casos_novos_acum, color = "casos_novos_acum"), size=4) 

Casos e óbitos novos por região

a <-covidsaude %>% group_by(regiao) %>% summarise(casos_novos=sum(casosNovos),obitos_Novos=sum(obitosNovos))
a <- stack(a)
a<- cbind(a, Regiao=c("Centro-Oeste","Nordeste","Norte", "Sudeste","Sul","Centro-Oeste","Nordeste","Norte", "Sudeste","Sul"))
colnames(a) <- c("frequência","Casos_óbitos","Região")
#a <- arrange(a,frequência)
#a

ggplot(data=a, aes(x=reorder(Região,frequência), y=frequência, fill=Casos_óbitos)) +
geom_bar(stat="identity", position = position_dodge())+
geom_text(aes(label = frequência), vjust = -.5, color = "black",
position = position_dodge(1), size = 5)+ theme_bw(base_size = 16) + ylab ("Frequência") +xlab ("Região")

NA
NA
NA

# casos novos por Região e Estado  

#covidsaude %>% 
#  ggplot(aes(x = regiao, y = casosNovos)) + geom_boxplot(aes(fill = regiao), show.legend = FALSE)+ theme_bw()+ ylab("covid19 - Brasil - Casos_Novos") + xlab("Estado") + theme(axis.text.x = element_text(angle=90)) #+ facet_wrap(~ regiao)#+ facet_grid(.~estado)

#covidsaude %>% arrange(desc((casosNovos))) %>%
#  ggplot(aes(x = estado, y = casosNovos)) + geom_boxplot(aes(fill = regiao), show.legend = FALSE)+ theme_bw()+ ylab("covid19 - Brasil - Casos_Novos") + xlab("Estado") + theme(axis.text.x = element_text(angle=90)) #+ facet_wrap(~ regiao)#+ facet_grid(.~estado)

# óbitos novos por Região e Estado  

#covidsaude <- arrange(covidsaude,desc(casosNovos))

#ggplot(covidsaude, aes(x = regiao, y = obitosNovos )) + geom_boxplot(aes(fill = regiao), show.legend = FALSE)+ theme_bw()+
#  ylab("covid19 - Brasil - Óbitos_Novos") + xlab("Estado") + theme(axis.text.x = element_text(angle=90)) 
  
#ggplot(covidsaude, aes(x = estado, y = obitosNovos )) + geom_boxplot(aes(fill = regiao), show.legend = FALSE)+ theme_bw()+
#  ylab("covid19 - Brasil - Óbitos_Novos") + xlab("Estado") + theme(axis.text.x = element_text(angle=90))