library(readr)
## Warning: package 'readr' was built under R version 3.6.3
library(readr)
#Mariela Camacho Chaparro - 164956 - ingenieria quimica
# ESTADISTICA APLICADA
#ANALISIS DE DATOS COVID-19
#INTRODUCCION: con base a la informacion proporcionada se realizo el analis de 5 paises los caules en este caso son: (Belgium, Argentina, Bangladesh, Mexico y China) esto con el fin de encontrar el numero de ersonas contagiadas en cada uno de ellos asi como tambien el numero de recuperados y decesos
#objetivo: el principal objetivo es que mediante esta aplicacion y una serie de datos determinar el numero de personas contagiadas
#Declaración de URL
url_conf <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv"
url_decesos <-"https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_deaths_global.csv"
url_recuperados <-"https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_recovered_global.csv"
#Variables en marcos de datos (data frames)
datos_conf <- read.csv(url_conf)
datos_decesos <- read.csv(url_decesos)
datos_recuperados <- read.csv(url_recuperados)
#EDA Exploratory Data Analysis
class(datos_conf)
## [1] "data.frame"
dim(datos_conf)
## [1] 264 95
head(datos_conf)
## Province.State Country.Region Lat Long X1.22.20 X1.23.20
## 1 Afghanistan 33.0000 65.0000 0 0
## 2 Albania 41.1533 20.1683 0 0
## 3 Algeria 28.0339 1.6596 0 0
## 4 Andorra 42.5063 1.5218 0 0
## 5 Angola -11.2027 17.8739 0 0
## 6 Antigua and Barbuda 17.0608 -61.7964 0 0
## X1.24.20 X1.25.20 X1.26.20 X1.27.20 X1.28.20 X1.29.20 X1.30.20 X1.31.20
## 1 0 0 0 0 0 0 0 0
## 2 0 0 0 0 0 0 0 0
## 3 0 0 0 0 0 0 0 0
## 4 0 0 0 0 0 0 0 0
## 5 0 0 0 0 0 0 0 0
## 6 0 0 0 0 0 0 0 0
## X2.1.20 X2.2.20 X2.3.20 X2.4.20 X2.5.20 X2.6.20 X2.7.20 X2.8.20 X2.9.20
## 1 0 0 0 0 0 0 0 0 0
## 2 0 0 0 0 0 0 0 0 0
## 3 0 0 0 0 0 0 0 0 0
## 4 0 0 0 0 0 0 0 0 0
## 5 0 0 0 0 0 0 0 0 0
## 6 0 0 0 0 0 0 0 0 0
## X2.10.20 X2.11.20 X2.12.20 X2.13.20 X2.14.20 X2.15.20 X2.16.20 X2.17.20
## 1 0 0 0 0 0 0 0 0
## 2 0 0 0 0 0 0 0 0
## 3 0 0 0 0 0 0 0 0
## 4 0 0 0 0 0 0 0 0
## 5 0 0 0 0 0 0 0 0
## 6 0 0 0 0 0 0 0 0
## X2.18.20 X2.19.20 X2.20.20 X2.21.20 X2.22.20 X2.23.20 X2.24.20 X2.25.20
## 1 0 0 0 0 0 0 1 1
## 2 0 0 0 0 0 0 0 0
## 3 0 0 0 0 0 0 0 1
## 4 0 0 0 0 0 0 0 0
## 5 0 0 0 0 0 0 0 0
## 6 0 0 0 0 0 0 0 0
## X2.26.20 X2.27.20 X2.28.20 X2.29.20 X3.1.20 X3.2.20 X3.3.20 X3.4.20 X3.5.20
## 1 1 1 1 1 1 1 1 1 1
## 2 0 0 0 0 0 0 0 0 0
## 3 1 1 1 1 1 3 5 12 12
## 4 0 0 0 0 0 1 1 1 1
## 5 0 0 0 0 0 0 0 0 0
## 6 0 0 0 0 0 0 0 0 0
## X3.6.20 X3.7.20 X3.8.20 X3.9.20 X3.10.20 X3.11.20 X3.12.20 X3.13.20 X3.14.20
## 1 1 1 4 4 5 7 7 7 11
## 2 0 0 0 2 10 12 23 33 38
## 3 17 17 19 20 20 20 24 26 37
## 4 1 1 1 1 1 1 1 1 1
## 5 0 0 0 0 0 0 0 0 0
## 6 0 0 0 0 0 0 0 1 1
## X3.15.20 X3.16.20 X3.17.20 X3.18.20 X3.19.20 X3.20.20 X3.21.20 X3.22.20
## 1 16 21 22 22 22 24 24 40
## 2 42 51 55 59 64 70 76 89
## 3 48 54 60 74 87 90 139 201
## 4 1 2 39 39 53 75 88 113
## 5 0 0 0 0 0 1 2 2
## 6 1 1 1 1 1 1 1 1
## X3.23.20 X3.24.20 X3.25.20 X3.26.20 X3.27.20 X3.28.20 X3.29.20 X3.30.20
## 1 40 74 84 94 110 110 120 170
## 2 104 123 146 174 186 197 212 223
## 3 230 264 302 367 409 454 511 584
## 4 133 164 188 224 267 308 334 370
## 5 3 3 3 4 4 5 7 7
## 6 3 3 3 7 7 7 7 7
## X3.31.20 X4.1.20 X4.2.20 X4.3.20 X4.4.20 X4.5.20 X4.6.20 X4.7.20 X4.8.20
## 1 174 237 273 281 299 349 367 423 444
## 2 243 259 277 304 333 361 377 383 400
## 3 716 847 986 1171 1251 1320 1423 1468 1572
## 4 376 390 428 439 466 501 525 545 564
## 5 7 8 8 8 10 14 16 17 19
## 6 7 7 9 15 15 15 15 19 19
## X4.9.20 X4.10.20 X4.11.20 X4.12.20 X4.13.20 X4.14.20 X4.15.20 X4.16.20
## 1 484 521 555 607 665 714 784 840
## 2 409 416 433 446 467 475 494 518
## 3 1666 1761 1825 1914 1983 2070 2160 2268
## 4 583 601 601 638 646 659 673 673
## 5 19 19 19 19 19 19 19 19
## 6 19 19 21 21 23 23 23 23
## X4.17.20 X4.18.20 X4.19.20 X4.20.20 X4.21.20
## 1 906 933 996 1026 1092
## 2 539 548 562 584 609
## 3 2418 2534 2629 2718 2811
## 4 696 704 713 717 717
## 5 19 24 24 24 24
## 6 23 23 23 23 23
names(datos_conf)
## [1] "Province.State" "Country.Region" "Lat" "Long"
## [5] "X1.22.20" "X1.23.20" "X1.24.20" "X1.25.20"
## [9] "X1.26.20" "X1.27.20" "X1.28.20" "X1.29.20"
## [13] "X1.30.20" "X1.31.20" "X2.1.20" "X2.2.20"
## [17] "X2.3.20" "X2.4.20" "X2.5.20" "X2.6.20"
## [21] "X2.7.20" "X2.8.20" "X2.9.20" "X2.10.20"
## [25] "X2.11.20" "X2.12.20" "X2.13.20" "X2.14.20"
## [29] "X2.15.20" "X2.16.20" "X2.17.20" "X2.18.20"
## [33] "X2.19.20" "X2.20.20" "X2.21.20" "X2.22.20"
## [37] "X2.23.20" "X2.24.20" "X2.25.20" "X2.26.20"
## [41] "X2.27.20" "X2.28.20" "X2.29.20" "X3.1.20"
## [45] "X3.2.20" "X3.3.20" "X3.4.20" "X3.5.20"
## [49] "X3.6.20" "X3.7.20" "X3.8.20" "X3.9.20"
## [53] "X3.10.20" "X3.11.20" "X3.12.20" "X3.13.20"
## [57] "X3.14.20" "X3.15.20" "X3.16.20" "X3.17.20"
## [61] "X3.18.20" "X3.19.20" "X3.20.20" "X3.21.20"
## [65] "X3.22.20" "X3.23.20" "X3.24.20" "X3.25.20"
## [69] "X3.26.20" "X3.27.20" "X3.28.20" "X3.29.20"
## [73] "X3.30.20" "X3.31.20" "X4.1.20" "X4.2.20"
## [77] "X4.3.20" "X4.4.20" "X4.5.20" "X4.6.20"
## [81] "X4.7.20" "X4.8.20" "X4.9.20" "X4.10.20"
## [85] "X4.11.20" "X4.12.20" "X4.13.20" "X4.14.20"
## [89] "X4.15.20" "X4.16.20" "X4.17.20" "X4.18.20"
## [93] "X4.19.20" "X4.20.20" "X4.21.20"
#Extracción de datos de países
# a continuacion se presentan los 5 paises, mostrando cada uno sus tres resultados
#PAÍS 1: BELGIUM / BÉLGICA
conf_belgium <-t(datos_conf[datos_conf$Country.Region=="Belgium" ,])
cat("Confirmados Belgium", conf_belgium[nrow(conf_belgium)], "\n")
## Confirmados Belgium 40956
decesos_belgium <-t(datos_decesos[datos_decesos$Country.Region=="Belgium" ,])
cat("Decesos Belgium", decesos_belgium[nrow(decesos_belgium)], "\n")
## Decesos Belgium 5998
recuperados_belgium <-t(datos_recuperados[datos_recuperados$Country.Region=="Belgium" ,])
cat("Recuperados Belgium", recuperados_belgium[nrow(recuperados_belgium)], "\n")
## Recuperados Belgium 9002
#PAÍS 2: ARGENTINA
conf_Argentina<-t(datos_conf[datos_conf$Country.Region=="Argentina" ,])
cat("Confirmados ARGENTINA", conf_Argentina[nrow(conf_Argentina)], "\n")
## Confirmados ARGENTINA 3031
decesos_Argentina <-t(datos_decesos[datos_decesos$Country.Region=="Argentina" ,])
cat("Decesos Argentina", decesos_Argentina[nrow(decesos_Argentina)], "\n")
## Decesos Argentina 147
recuperados_Argentina <-t(datos_recuperados[datos_recuperados$Country.Region=="Argentina" ,])
cat("Recuperados Argentina", recuperados_Argentina[nrow(recuperados_Argentina)], "\n")
## Recuperados Argentina 840
#PAÍS 3: BANGLADESH
conf_Bangladesh<-t(datos_conf[datos_conf$Country.Region=="Bangladesh" ,])
cat("Confirmados Bangladesh", conf_Bangladesh[nrow(conf_Bangladesh)], "\n")
## Confirmados Bangladesh 3382
decesos_Bangladesh<-t(datos_decesos[datos_decesos$Country.Region=="Bangladesh" ,])
cat("Decesos Bangladesh", decesos_Bangladesh[nrow(decesos_Bangladesh)], "\n")
## Decesos Bangladesh 110
recuperados_Bangladesh<-t(datos_recuperados[datos_recuperados$Country.Region=="Bangladesh" ,])
cat("Recuperados Bangladesh", recuperados_Bangladesh[nrow(recuperados_Bangladesh)], "\n")
## Recuperados Bangladesh 87
#PAÍS 4: MEXICO / MÉXICO
conf_mexico<-t(datos_conf[datos_conf$Country.Region=="Mexico" ,])
cat("Confirmados México", conf_mexico[nrow(conf_mexico)], "\n")
## Confirmados México 8772
decesos_mexico<-t(datos_decesos[datos_decesos$Country.Region=="Mexico" ,])
cat("Decesos México", decesos_mexico[nrow(decesos_mexico)], "\n")
## Decesos México 712
recuperados_mexico<-t(datos_recuperados[datos_recuperados$Country.Region=="Mexico" ,])
cat("Recuperados México", recuperados_mexico[nrow(recuperados_mexico)], "\n")
## Recuperados México 2627
#PAÍS 5: BEIJING / CHINA
conf_China <-t(datos_conf[datos_conf$Country.Region=="China" ,])
cat("Confirmados China", conf_China[nrow(conf_China)], "\n")
## Confirmados China 991
decesos_China <-t(datos_decesos[datos_decesos$Country.Region=="China" ,])
cat("Decesos China", decesos_China[nrow(decesos_China)], "\n")
## Decesos China 6
recuperados_China <-t(datos_recuperados[datos_recuperados$Country.Region=="China" ,])
cat("Recuperados China", recuperados_China[nrow(recuperados_China)], "\n")
## Recuperados China 984