U1A6.R

#Analizar series de tiempo acumuladas de datos
#de COVID 19 en New Zealand utilizando el repositorio de JHU

library(readr)
library(tidyverse)

## -- Attaching packages ------------------------------------- tidyverse 1.3.0 --

## v ggplot2 3.3.1     v dplyr   1.0.0
## v tibble  3.0.1     v stringr 1.4.0
## v tidyr   1.1.0     v forcats 0.5.0
## v purrr   0.3.4

## -- Conflicts ---------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

library(plotly)

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

library(gganimate)
library(gifski)

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"

#Leer los archivos CSV de las URL
datos_conf <- read.csv(url_conf)
datos_decesos <- read.csv(url_decesos)
datos_recuperados <- read.csv(url_recuperados)

#filtrar datos para new zealand
conf_nz <- t(datos_conf[datos_conf$Country.Region=="New Zealand" ,])
dec_nz <- t(datos_decesos[datos_decesos$Country.Region=="New Zealand" ,])
rec_nz <- t(datos_recuperados[datos_recuperados$Country.Region=="New Zealand" ,])

#figura 1 de confirmados acumulados
plot(conf_nz)

## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introducidos por coerción

#para crear un vector de fecha con formato dia-mes-año
Fecha <- seq(from= as.Date("2020-01-22"), to= as.Date("2020-06-08"), by="day")

#Formatear datos confirmados
vec1 <- as.vector(conf_nz) #trasformar de formato matriz a vector
vec2 <- vec1[5:143] #filtrar datos en un rango
num1 <- as.numeric(vec2) #transformar a numericos
Confirmados <- as.vector(num1)

#Formatear datos de decesos 
vec1 <- as.vector(dec_nz) #trasformar de formato matriz a vector
vec2 <- vec1[5:143] #filtrar datos en un rango
num1 <- as.numeric(vec2) #transformar a numericos
Decesos <- as.vector(num1)

#Formatear datos de recuperados
vec1 <- as.vector(rec_nz) #trasformar de formato matriz a vector
vec2 <- vec1[5:143] #filtrar datos en un rango
num1 <- as.numeric(vec2) #transformar a numericos
Recuperados <- as.vector(num1)

#Para construir un marco de datos
datos1 <- data.frame(Fecha, Confirmados, Decesos, Recuperados)

#figura 2 de casos confirmados en nz
#utilizando ggplot
ggplot(data=datos1) +
  geom_line(mapping = aes(x=Fecha, y=Confirmados))

#Figura 3 de decesos
ggplot(data=datos1) +
  geom_line(mapping = aes(x=Fecha, y=Decesos))

#Figura 4 de recuperados
ggplot(data=datos1) +
  geom_line(mapping = aes(x=Fecha, y=Recuperados))

#Animación simple
ggplot(data=datos1) +
  ggtitle("Casos confirmados acumulados COVID-19 en New Zealand") +
  geom_line(mapping=aes(x=Fecha, y=Confirmados)) +
  transition_reveal(Fecha)

#Figura 5 multi ejes
ggplot(data=datos1) +
  geom_line(aes(x=Fecha,y=Confirmados),color='red') + 
  geom_line(aes(x=Fecha,y=Decesos),color='blue') + 
  geom_line(aes(x=Fecha, y=Recuperados), color='green') +
  ylab('COVID-19 New Zealand') + xlab('Fecha') +
  transition_reveal(Fecha)

#Gráfica interactiva
gcov <- ggplot(data=datos1) +
  geom_line(aes(x=Fecha, y=Confirmados), colour='red') +
  geom_line(aes(x=Fecha, y=Decesos), colour='blue') +
  geom_line(aes(x=Fecha, y=Recuperados), colour='green') +
  ylab('COVID-19 New Zealand') + xlab('Fecha')
ggplotly(gcov)