#Adalberto Encinas Icedo
setwd("~/verano")
#Analizar series de tiempo acumuladas de datos
#de Covid-19 en Tayikistan utilizando el repositorio de JHU

#En este documento analizaremos la forma que se ha comportado el COVID-19 en el
#pais de Tayikistan y lo comparare con el lugar donde yo vivo; Sonora, Mexico.
#Bibliotecas
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)

#declaracion de variables
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 Mexico 
conf_tajik <- t(datos_conf[datos_conf$Country.Region=="Tajikistan",])
dec_tajik <- t(datos_decesos[datos_decesos$Country.Region=="Tajikistan",])
rec_tajik <- t(datos_recuperados[datos_recuperados$Country.Region=="Tajikistan",])

#Primer Figura acumulada
plot(conf_tajik)
## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introducidos por coerción

#Para crear una 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_tajik)
vec2 <-vec1[5: 143]
num1 <- as.numeric(vec2)
Confirmados <- as.vector(num1)

#decesos 
vec1 <- as.vector(dec_tajik)
vec2 <-vec1[5:143]
num1 <- as.numeric(vec2)
Decesos <- as.vector(num1)

#recuperados
vec1 <- as.vector(rec_tajik)
vec2 <-vec1[5:143]
num1 <- as.numeric(vec2)
Recuperados <- as.vector(num1)

datos1 <- data.frame(Fecha, Confirmados, Decesos, Recuperados)
#Confirmados
ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Confirmados)) 

#Tayikistan empezo a tener casos de COVID-19 a finales de abril y a principios de 
#mayo, esto se debe a que no hay tantos visitantes externos del pais. 
#Tajikistan tiene una poblacion de 9,100,000 de personas. Ocupando el lugar 107 en 
#cuanto a poblacion se refiere. Su tasa de natalidad de 21.8 nacimientos/1000 habitantes
#supera por mucho a su tasa de mortalidad de 5.8 muertes/1000 habitantes. Por lo que podemos
#suponer que tiene una poblacion joven. En este pais los hombres son mayoria del pais 
#siendo el 50.9% de la poblacion. 
#Para ponernos en contexto, Tajikistan tiene un territorio de 144,100 km^2, siendo 
#un territorio 30 km^2 mas pequeño que Sonora, pero teniendo 3 veces la poblacion de
#Sonora, aparte no tiene acceso al mar y tiene una geografia montañosa. 
#Tiene una densidad de poblacion de 59.71 habitantes por km^2, ocupando el puesto 145 
#nivel global, estando 3 posiciones atras de Mexico. 
#Para ponernos en contexto otra vez, Sonora tiene una densidad de poblacion
#de 16 habitantes por km^2.
#La esperanza en Tayikistan es de 69 años y en Mexico es de 75 de años. La esperanza de
#vida en Sonora es ligeramente mayor a la esperanza de vida nacional.

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

#Tayikistan ha sido exitoso en esta pandemia controlando el numero de decesos, ayudandolo
#mucho su situacion demografica. Su poblacion no suele moverse mucho a otros paises y 
#tampoco el pais recibe tanto turismo

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

#El numero de recuperados ha sido un numero mucho mas grande que el decesos.
#La situacion medica de aquel pais y la manera de actuar de gobierno puede ser
#que haya ayudado a este gran exito 

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

#Figura 5 Multi ejes
gcov <- ggplot(data=datos1)+
  geom_line(aes(x=Fecha, y= Confirmados, color='green'))+
  geom_line(aes(x=Fecha, y= Decesos, color='red'))+
  geom_line(aes(x=Fecha,y=Recuperados,color='blue'))+
  ylab('COVID-19 en Tayikistan')+ xlab('Fecha')+
  transition_reveal(Fecha)

#Grafica interactiva compuesta
ggplotly(gcov)
#Conclusion
#La situacion economica, geografica y demografica, ha sido de mucha ayuda para
#el exito que Tayikistan ha tenido durante la pandemia. 
#Tayikistan esta en la zona menos densa poblada del mundo y aparte de estar afuera 
#de los paises que reciben turismo.

#Referencias:
#https://www.indexmundi.com/g/r.aspx?v=21000&l=es
#https://centrogilbertobosques.senado.gob.mx › ...PDF
#tayikistán ficha técnica - Centro Gilberto Bosques - Senado de la República
#https://es.actualitix.com/pais/tjk/tayikistan-edad-promedio.php