library(rnaturalearth)
library(ggplot2)
library(reticulate)
library(knitr)
library(tidyverse)
library(gghighlight)
library(magrittr)
library(readxl)
library(readr)
library(ape)
library(ggdendro)
library(bookdown)
library(janitor)
require(rgdal)
require(ggplot2)
library(sf)
# Cargamos la base de datos de los shapes:
shp_comunas_chile = st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shapes_de_chile/comunas.shp")
## Reading layer `comunas' from data source `C:\Users\usuario\Documents\GitHub\Analisis_covid19_con_R\analisis_21_mayo_SIR_GEO\shapes_de_chile\comunas.shp' using driver `ESRI Shapefile'
## Simple feature collection with 346 features and 11 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -12184470 ymin: -7554436 xmax: -7393642 ymax: -1978920
## projected CRS: WGS 84 / Pseudo-Mercator
# Leemos la base de datos de DataIntelligence y arreglamos el formato de la fecha:
covid19 <- read_xlsx("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/data_20_mayo.xlsx")
covid19$Fecha <- excel_numeric_to_date(covid19$Fecha)
################################################################################################
# shp_comunas_ayp = shp_comunas_chile %>% filter(Region == "Región de Arica y Parinacota")
#
# # Borrar una vez que se escriba:
# # st_write(shp_comunas_ayp,"shp_comunas_ayp.shp")
#
# shp_comunas_ayp=st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shp_comunas_ayp.shp")
#
# # Graficamos el shape:
# ggplot(shp_comunas_ayp) + geom_sf(aes(fill = Comuna)) + guides(fill = "none")
#
# # Extraemos los registros que contengan en el campo Region la palabra Arica_y_Parinacota:
# covid19_ayp = covid19[covid19$Region=="Arica_y_Parinacota",]
#
# head(covid19_ayp,20)
# head(shp_comunas_ayp,20)
#
# colnames(covid19_ayp)[3] <- "cod_comuna"
#
# data_ayp<-left_join(covid19_ayp,shp_comunas_ayp,by="cod_comuna")
#
# head(data_ayp,100)
#
# data_ayp<-st_as_sf(data_ayp)
#
# library(gganimate)
#
# e <- ggplot(data_ayp)+
# geom_sf(aes(fill=Casos_Acumulados))+
# transition_manual(Fecha)+
# labs(subtitle = "Día transcurrido de la pandemia en la Región de Arica y Parinacota: {current_frame}")
#
# animate(e)
################################################################################
################################################################################
# Cargamos la base de datos de los shapes:
shp_comunas_ayp = shp_comunas_chile %>% filter(Region == "Región de Arica y Parinacota")
# Borrar una vez que se escriba:
# st_write(shp_comunas_ayp,"shp_comunas_ayp.shp")
shp_comunas_ayp=st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shp_comunas_ayp.shp")
## Reading layer `shp_comunas_ayp' from data source `C:\Users\usuario\Documents\GitHub\Analisis_covid19_con_R\analisis_21_mayo_SIR_GEO\shp_comunas_ayp.shp' using driver `ESRI Shapefile'
## Simple feature collection with 4 features and 11 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -7834568 ymin: -2181956 xmax: -7671207 ymax: -1978920
## projected CRS: WGS 84 / Pseudo-Mercator
# Graficamos el shape:
ggplot(shp_comunas_ayp) + geom_sf(aes(fill = Comuna)) + guides(fill = "none")
# Extraemos los registros que contengan en el campo Region la palabra Región de Arica y Parinacota:
covid19_ayp = covid19[covid19$Region=="Arica_y_Parinacota",]
colnames(covid19_ayp)[3] <- "cod_comuna"
data_ayp<-left_join(covid19_ayp,shp_comunas_ayp,by="cod_comuna")
head(data_ayp,100)
## # A tibble: 65 x 28
## Region.x Comuna.x cod_comuna Fecha Clave Casos_Diarios Casos_Acumulados
## <chr> <chr> <dbl> <date> <chr> <dbl> <dbl>
## 1 Arica_y~ Arica 15101 2020-03-17 1510~ 1 1
## 2 Arica_y~ Arica 15101 2020-03-18 1510~ 0 1
## 3 Arica_y~ Arica 15101 2020-03-19 1510~ 0 1
## 4 Arica_y~ Arica 15101 2020-03-20 1510~ 0 1
## 5 Arica_y~ Arica 15101 2020-03-21 1510~ 0 1
## 6 Arica_y~ Arica 15101 2020-03-22 1510~ 1 2
## 7 Arica_y~ Arica 15101 2020-03-23 1510~ 0 2
## 8 Arica_y~ Arica 15101 2020-03-24 1510~ 0 2
## 9 Arica_y~ Arica 15101 2020-03-25 1510~ 0 2
## 10 Arica_y~ Arica 15101 2020-03-26 1510~ 1 3
## # ... with 55 more rows, and 21 more variables: Muertes <dbl>,
## # Casos_Activos <dbl>, Recuperados <dbl>, Recuperados_Diarios <dbl>,
## # Dia <dbl>, Fallecidos_Diarios <dbl>, `on-off` <chr>, Max_Dia <dbl>,
## # muertes_cienmil <dbl>, casos_acum_cienmil <dbl>, objectid <dbl>,
## # shape_leng <dbl>, dis_elec <int>, cir_sena <int>, codregion <int>,
## # st_area_sh <dbl>, st_length_ <dbl>, Region.y <chr>, Comuna.y <chr>,
## # Provincia <chr>, geometry <POLYGON [m]>
data_ayp<-st_as_sf(data_ayp)
library(gganimate)
a <- ggplot(data_ayp)+
geom_sf(aes(fill=Casos_Acumulados))+
scale_fill_gradient(low = "#56B1F7", high = "#132B43")+
transition_manual(Fecha)+
labs(subtitle = "Fecha de la pandemia en la Región de Arica y Parinacota: {current_frame}")
animate(a)
################################################################################
################################################################################
# Cargamos la base de datos de los shapes:
shp_comunas_tar = shp_comunas_chile %>% filter(Region == "Región de Tarapacá")
# Borrar una vez que se escriba:
# st_write(shp_comunas_tar,"shp_comunas_tar.shp")
shp_comunas_tar=st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shp_comunas_tar.shp")
## Reading layer `shp_comunas_tar' from data source `C:\Users\usuario\Documents\GitHub\Analisis_covid19_con_R\analisis_21_mayo_SIR_GEO\shp_comunas_tar.shp' using driver `ESRI Shapefile'
## Simple feature collection with 7 features and 11 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -7823439 ymin: -2467185 xmax: -7614795 ymax: -2147481
## projected CRS: WGS 84 / Pseudo-Mercator
# Graficamos el shape:
ggplot(shp_comunas_tar) + geom_sf(aes(fill = Comuna)) + guides(fill = "none")
# Extraemos los registros que contengan en el campo Region la palabra Región de Tarapacá:
covid19_tar = covid19[covid19$Region=="Tarapaca",]
colnames(covid19_tar)[3] <- "cod_comuna"
data_tar<-left_join(covid19_tar,shp_comunas_tar,by="cod_comuna")
head(data_tar,100)
## # A tibble: 100 x 28
## Region.x Comuna.x cod_comuna Fecha Clave Casos_Diarios Casos_Acumulados
## <chr> <chr> <dbl> <date> <chr> <dbl> <dbl>
## 1 Tarapaca Alto_Ho~ 1107 2020-03-25 1107~ 1 1
## 2 Tarapaca Alto_Ho~ 1107 2020-03-26 1107~ 0 1
## 3 Tarapaca Alto_Ho~ 1107 2020-03-27 1107~ 0 1
## 4 Tarapaca Alto_Ho~ 1107 2020-03-28 1107~ 0 1
## 5 Tarapaca Alto_Ho~ 1107 2020-03-29 1107~ 0 1
## 6 Tarapaca Alto_Ho~ 1107 2020-03-30 1107~ 2 3
## 7 Tarapaca Alto_Ho~ 1107 2020-03-31 1107~ 0 3
## 8 Tarapaca Alto_Ho~ 1107 2020-04-01 1107~ 0 3
## 9 Tarapaca Alto_Ho~ 1107 2020-04-02 1107~ 0 3
## 10 Tarapaca Alto_Ho~ 1107 2020-04-03 1107~ 1 4
## # ... with 90 more rows, and 21 more variables: Muertes <dbl>,
## # Casos_Activos <dbl>, Recuperados <dbl>, Recuperados_Diarios <dbl>,
## # Dia <dbl>, Fallecidos_Diarios <dbl>, `on-off` <chr>, Max_Dia <dbl>,
## # muertes_cienmil <dbl>, casos_acum_cienmil <dbl>, objectid <dbl>,
## # shape_leng <dbl>, dis_elec <int>, cir_sena <int>, codregion <int>,
## # st_area_sh <dbl>, st_length_ <dbl>, Region.y <chr>, Comuna.y <chr>,
## # Provincia <chr>, geometry <MULTIPOLYGON [m]>
data_tar<-st_as_sf(data_tar)
library(gganimate)
b <- ggplot(data_tar)+
geom_sf(aes(fill=Casos_Acumulados))+
scale_fill_gradient(low = "#56B1F7", high = "#132B43")+
transition_manual(Fecha)+
labs(subtitle = "Fecha de la pandemia en la Reegión de Tarapaca: {current_frame}")
animate(b)
# shp_comunas_tar <- shp_comunas_tar %>% mutate(centroid = map(geometry, st_centroid), coords = map(centroid,
# st_coordinates), coords_x = map_dbl(coords, 1), coords_y = map_dbl(coords,
# 2))
#
# head(shp_comunas_tar)
# library(ggrepel)
# ggplot(data = shp_comunas_tar) +
# geom_sf()+
# geom_text_repel(mapping = aes(coords_x, coords_y, label = Comuna), size = 3, min.segment.length = 0)
################################################################################
################################################################################
# # Cargamos la base de datos de los shapes:
# shp_comunas_ant = shp_comunas_chile %>% filter(Region == "Región de Antofagasta")
#
# # Borrar una vez que se escriba:
# # st_write(shp_comunas_ant,"shp_comunas_ant.shp")
#
# shp_comunas_ant=st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shp_comunas_tar.shp")
#
# # Graficamos el shape:
# ggplot(shp_comunas_ant) + geom_sf(aes(fill = Comuna)) + guides(fill = "none")
#
# # Extraemos los registros que contengan en el campo Region la palabra Región de Tarapacá:
# covid19_ant = covid19[covid19$Region=="Antofagasta",]
#
# colnames(covid19_ant)[3] <- "cod_comuna"
#
# data_ant<-left_join(covid19_ant,shp_comunas_ant="cod_comuna")
# head(data_ant,100)
#
# data_ant<-st_as_sf(data_ant)
#
# library(gganimate)
# e <- ggplot(data_ant)+
# geom_sf(aes(fill=Casos_Acumulados))+
# scale_fill_gradient(low = "#56B1F7", high = "#132B43")+
# transition_manual(Fecha)+
# labs(subtitle = "Fecha de la pandemia en la Región de Antofagasta: {current_frame}")
# animate(e)
################################################################################
################################################################################
# Cargamos la base de datos de los shapes:
shp_comunas_ata = shp_comunas_chile %>% filter(Region == "Región de Atacama")
# Borrar una vez que se escriba:
# st_write(shp_comunas_ata,"shp_comunas_ata.shp")
shp_comunas_ata=st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shp_comunas_ata.shp")
## Reading layer `shp_comunas_ata' from data source `C:\Users\usuario\Documents\GitHub\Analisis_covid19_con_R\analisis_21_mayo_SIR_GEO\shp_comunas_ata.shp' using driver `ESRI Shapefile'
## Simple feature collection with 9 features and 11 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -7962196 ymin: -3443937 xmax: -7599012 ymax: -2910895
## projected CRS: WGS 84 / Pseudo-Mercator
# Graficamos el shape:
ggplot(shp_comunas_ata) + geom_sf(aes(fill = Comuna)) + guides(fill = "none")
# Extraemos los registros que contengan en el campo Region la palabra Región de Tarapacá:
covid19_ata = covid19[covid19$Region=="Atacama",]
colnames(covid19_ata)[3] <- "cod_comuna"
data_ata<-left_join(covid19_ata,shp_comunas_ata,by="cod_comuna")
head(data_ata,100)
## # A tibble: 100 x 28
## Region.x Comuna.x cod_comuna Fecha Clave Casos_Diarios Casos_Acumulados
## <chr> <chr> <dbl> <date> <chr> <dbl> <dbl>
## 1 Atacama Caldera 3102 2020-05-03 3102~ 1 1
## 2 Atacama Caldera 3102 2020-05-04 3102~ 0 1
## 3 Atacama Caldera 3102 2020-05-05 3102~ 0 1
## 4 Atacama Caldera 3102 2020-05-06 3102~ 0 1
## 5 Atacama Caldera 3102 2020-05-07 3102~ 0 1
## 6 Atacama Caldera 3102 2020-05-08 3102~ 1 2
## 7 Atacama Caldera 3102 2020-05-09 3102~ 0 2
## 8 Atacama Caldera 3102 2020-05-10 3102~ 0 2
## 9 Atacama Caldera 3102 2020-05-11 3102~ 1 3
## 10 Atacama Caldera 3102 2020-05-12 3102~ 0 3
## # ... with 90 more rows, and 21 more variables: Muertes <dbl>,
## # Casos_Activos <dbl>, Recuperados <dbl>, Recuperados_Diarios <dbl>,
## # Dia <dbl>, Fallecidos_Diarios <dbl>, `on-off` <chr>, Max_Dia <dbl>,
## # muertes_cienmil <dbl>, casos_acum_cienmil <dbl>, objectid <dbl>,
## # shape_leng <dbl>, dis_elec <int>, cir_sena <int>, codregion <int>,
## # st_area_sh <dbl>, st_length_ <dbl>, Region.y <chr>, Comuna.y <chr>,
## # Provincia <chr>, geometry <MULTIPOLYGON [m]>
data_ata<-st_as_sf(data_ata)
library(gganimate)
c <- ggplot(data_ata)+
geom_sf(aes(fill=Casos_Acumulados))+
scale_fill_gradient(low = "#56B1F7", high = "#132B43")+
transition_manual(Fecha)+
labs(subtitle = "Fecha de la pandemia en la Reegión de Atacama: {current_frame}")
animate(c)
################################################################################
################################################################################
# Cargamos la base de datos de los shapes:
shp_comunas_coq = shp_comunas_chile %>% filter(Region == "Región de Coquimbo")
# Borrar una vez que se escriba:
# st_write(shp_comunas_coq,"shp_comunas_coq.shp")
shp_comunas_coq=st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shp_comunas_coq.shp")
## Reading layer `shp_comunas_coq' from data source `C:\Users\usuario\Documents\GitHub\Analisis_covid19_con_R\analisis_21_mayo_SIR_GEO\shp_comunas_coq.shp' using driver `ESRI Shapefile'
## Simple feature collection with 15 features and 11 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -7983551 ymin: -3800405 xmax: -7771113 ymax: -3380445
## projected CRS: WGS 84 / Pseudo-Mercator
# Graficamos el shape:
ggplot(shp_comunas_coq) + geom_sf(aes(fill = Comuna)) + guides(fill = "none")
# Extraemos los registros que contengan en el campo Region la palabra Región de Tarapacá:
covid19_coq = covid19[covid19$Region=="Coquimbo",]
colnames(covid19_coq)[3] <- "cod_comuna"
data_coq<-left_join(covid19_coq,shp_comunas_coq,by="cod_comuna")
head(data_coq,100)
## # A tibble: 100 x 28
## Region.x Comuna.x cod_comuna Fecha Clave Casos_Diarios Casos_Acumulados
## <chr> <chr> <dbl> <date> <chr> <dbl> <dbl>
## 1 Coquimbo Andacol~ 4103 2020-05-03 4103~ 2 2
## 2 Coquimbo Andacol~ 4103 2020-05-04 4103~ 0 2
## 3 Coquimbo Andacol~ 4103 2020-05-05 4103~ 0 2
## 4 Coquimbo Andacol~ 4103 2020-05-06 4103~ 0 2
## 5 Coquimbo Andacol~ 4103 2020-05-07 4103~ 0 2
## 6 Coquimbo Andacol~ 4103 2020-05-08 4103~ 1 3
## 7 Coquimbo Andacol~ 4103 2020-05-09 4103~ 0 3
## 8 Coquimbo Andacol~ 4103 2020-05-10 4103~ 0 3
## 9 Coquimbo Andacol~ 4103 2020-05-11 4103~ 0 3
## 10 Coquimbo Andacol~ 4103 2020-05-12 4103~ 0 3
## # ... with 90 more rows, and 21 more variables: Muertes <dbl>,
## # Casos_Activos <dbl>, Recuperados <dbl>, Recuperados_Diarios <dbl>,
## # Dia <dbl>, Fallecidos_Diarios <dbl>, `on-off` <chr>, Max_Dia <dbl>,
## # muertes_cienmil <dbl>, casos_acum_cienmil <dbl>, objectid <dbl>,
## # shape_leng <dbl>, dis_elec <int>, cir_sena <int>, codregion <int>,
## # st_area_sh <dbl>, st_length_ <dbl>, Region.y <chr>, Comuna.y <chr>,
## # Provincia <chr>, geometry <MULTIPOLYGON [m]>
data_coq<-st_as_sf(data_coq)
library(gganimate)
d <- ggplot(data_coq)+
geom_sf(aes(fill=Casos_Acumulados))+
scale_fill_gradient(low = "#56B1F7", high = "#132B43")+
transition_manual(Fecha)+
labs(subtitle = "Fecha de la pandemia en la Región de Coquimbo: {current_frame}")
animate(d)
################################################################################
################################################################################
# Cargamos la base de datos de los shapes:
shp_comunas_val = shp_comunas_chile %>% filter(Region == "Región de Valparaíso")
# Borrar una vez que se escriba:
# st_write(shp_comunas_val,"shp_comunas_val.shp")
shp_comunas_val=st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shp_comunas_val.shp")
## Reading layer `shp_comunas_val' from data source `C:\Users\usuario\Documents\GitHub\Analisis_covid19_con_R\analisis_21_mayo_SIR_GEO\shp_comunas_val.shp' using driver `ESRI Shapefile'
## Simple feature collection with 38 features and 11 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -12184470 ymin: -4022904 xmax: -7791133 ymax: -3034575
## projected CRS: WGS 84 / Pseudo-Mercator
shp_comunas_val <- shp_comunas_val %>% filter(Comuna != "Isla de Pascua")
# Graficamos el shape:
ggplot(shp_comunas_val) + geom_sf(aes(fill = Comuna)) + guides(fill = "none")
# Extraemos los registros que contengan en el campo Region la palabra Región de Tarapacá:
covid19_val = covid19[covid19$Region=="Valparaiso",]
colnames(covid19_val)[3] <- "cod_comuna"
data_val<-left_join(covid19_val,shp_comunas_val,by="cod_comuna")
head(data_val,100)
## # A tibble: 100 x 28
## Region.x Comuna.x cod_comuna Fecha Clave Casos_Diarios Casos_Acumulados
## <chr> <chr> <dbl> <date> <chr> <dbl> <dbl>
## 1 Valpara~ Algarro~ 5602 2020-03-28 5602~ 5 5
## 2 Valpara~ Algarro~ 5602 2020-03-29 5602~ 0 5
## 3 Valpara~ Algarro~ 5602 2020-03-30 5602~ 2 7
## 4 Valpara~ Algarro~ 5602 2020-03-31 5602~ 0 7
## 5 Valpara~ Algarro~ 5602 2020-04-01 5602~ 2 9
## 6 Valpara~ Algarro~ 5602 2020-04-02 5602~ 0 9
## 7 Valpara~ Algarro~ 5602 2020-04-03 5602~ 0 9
## 8 Valpara~ Algarro~ 5602 2020-04-04 5602~ 0 9
## 9 Valpara~ Algarro~ 5602 2020-04-05 5602~ 0 9
## 10 Valpara~ Algarro~ 5602 2020-04-06 5602~ 0 9
## # ... with 90 more rows, and 21 more variables: Muertes <dbl>,
## # Casos_Activos <dbl>, Recuperados <dbl>, Recuperados_Diarios <dbl>,
## # Dia <dbl>, Fallecidos_Diarios <dbl>, `on-off` <chr>, Max_Dia <dbl>,
## # muertes_cienmil <dbl>, casos_acum_cienmil <dbl>, objectid <dbl>,
## # shape_leng <dbl>, dis_elec <int>, cir_sena <int>, codregion <int>,
## # st_area_sh <dbl>, st_length_ <dbl>, Region.y <chr>, Comuna.y <chr>,
## # Provincia <chr>, geometry <MULTIPOLYGON [m]>
data_val<-st_as_sf(data_val)
library(gganimate)
e <- ggplot(data_val)+
geom_sf(aes(fill=Casos_Acumulados))+
scale_fill_gradient(low = "#56B1F7", high = "#132B43")+
transition_manual(Fecha)+
labs(subtitle = "Fecha de la pandemia en la Región de Valparaiso: {current_frame}")
animate(e)
################################################################################
################################################################################
# shp_comunas_rm = shp_comunas_chile %>% filter(Region == "Región Metropolitana de Santiago")
#
# #st_write(shp_comunas_rm,"shp_comunas_rm.shp")
#
# shp_comunas_rm=st_read("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_21_mayo_SIR_GEO/shp_comunas_rm.shp")
#
# ggplot(shp_comunas_rm) + geom_sf(aes(fill = Comuna)) + guides(fill = "none")
#
# ######################
# ######################
# ######################
#
#
# covid19 <- read_xlsx("C:/Users/usuario/Documents/GitHub/Analisis_covid19_con_R/analisis_15_mayo_SIR/covid19cc.xlsx")
# Aca hay un error porque selecciono solo la comuna de santiago, lo que yo quiero es obtener todas las comunas de la region metropolitana.
# covid19_sant = covid19[covid19$Region=="Metropolitana",]
# colnames(covid19_sant)[3] <- "cod_comuna"
# #covid19_sant$Fecha <- excel_numeric_to_date(covid19_sant$Fecha)
#
# head(covid19_sant,20)
# head(shp_comunas_rm,20)
#
# data_rm<-left_join(covid19_sant,shp_comunas_rm,by="cod_comuna")
# # data_rm<-left_join(covid19_sant,shp_comunas_rm,by="cod_comuna",all.x = TRUE)
# # %>% dplyr::select(Comuna.x,Fec, Fecha,Casos_Acumulados,geometry)
#
# #tabla unida
# head(data_rm)
#
# data_rm<-st_as_sf(data_rm)
# head(data_rm)
#
# data_rm_30 = (data_rm %>% filter(Fec == 30))
# head(data_rm_30,10)
#
# data_rm_50 = (data_rm %>% filter(Fec == 50))
# head(data_rm_50,10)
# ggplot(data_rm_30 )+
# geom_sf(data = shp_comunas_rm,fill = "white")+
# geom_sf(data = data_rm %>% filter(Fec == 30),aes(fill=Casos_Acumulados))+
# ggtitle("Expansión del COVID-19 en la Región Metropolitana")
#
# ggplot(data_rm_50 )+
# geom_sf(data = shp_comunas_rm,fill = "white")+
# geom_sf(data = data_rm %>% filter(Fec == 50),aes(fill=Casos_Acumulados))+
# ggtitle("Expansión del COVID-19 en la Región Metropolitana")
# #
# head(comunas_santiago_data_u)
#
# ggplot(data_rm) + geom_sf(aes(fill = Comuna.x)) + guides(fill = "none")
# ggplot(shp_brasil_datos %>% filter(gini != "NA")) +
# geom_sf(aes(fill = gini))