U1A3 DISTRIBUCIONES DE FRECUENCIA y COVID-19

Para esto, utilizamos datos de la universidad Johns Hopkins

Importar

Importación de paquetes

library(readr)  #leer datos
library(plotly)  #gráficos interactivos
## Loading required package: ggplot2
## 
## 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(tidyverse)  #ciencia de datos
## -- Attaching packages --------------------------------------------------------- tidyverse 1.3.0 --
## v tibble  3.0.3     v dplyr   1.0.2
## v tidyr   1.1.1     v stringr 1.4.0
## v purrr   0.3.4     v forcats 0.5.0
## -- Conflicts ------------------------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks plotly::filter(), stats::filter()
## x dplyr::lag()    masks stats::lag()
library(gganimate)  #animaciones gráficas
library(gifski)  #fabricar GIF

Lectura de datos

  • Los datos se leerán desde el repositorio de JHSU
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"

Importar a archivo local los datos de URL

  • Leer archivos .csv de las url Esto descargara los archivos a la computadora a archivos separados por coma
datos_conf <- read.csv(url_conf)
datos_decesos <- read.csv(url_decesos)
datos_recuperados<- read.csv(url_recuperados)
  • Extraer datos para México
conf_mex <- t(datos_conf[datos_conf$Country.Region =="Mexico" ,])

dec_mex <- t(datos_decesos[datos_decesos$Country.Region =="Mexico" ,])

rec_mex <- t(datos_recuperados[datos_recuperados$Country.Region =="Mexico" ,])

ORDENAR Y TRANSFORMAR

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

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

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

#Elaborar un vector de fechas
Fecha <- seq(from = as.Date("2020-01-22"), to = as.Date("2020-09-08"), by="day")

#transformación de datos a vectores
#confirmados
vec1 <- as.vector(conf_mex) #transformando a vector
vec2 <- vec1[5:235] #
num1 <- as.numeric(vec2)
Confirmados <- as.vector(num1)

#Decesos
vec1 <- as.vector(dec_mex) #transformando a vector
vec2 <- vec1[5:235] #filtrar
num1 <- as.numeric(vec2) #transformar a numerico
Decesos <- as.vector(num1) #vector numerico

#Recuperados
vec1 <- as.vector(rec_mex) #transformando a vector
vec2 <- vec1[5:235] #
num1 <- as.numeric(vec2)
Recuperados <- as.vector(num1)

#Ordenar los datos en un Data frame, marco de datos, matriz

datos1 <- data.frame(Fecha, Confirmados, Decesos, Recuperados)

Visualizar

#Figura 4 Confirmados ggplot
ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Confirmados)) +
  ggtitle("Casos acumulados confirmados de COVID-19 en México, al día 08/09/20")

#Figura 5 Recuperados ggplot
ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Recuperados)) +
  ggtitle("Casos acumulados de recuperados de COVID-19 en México, al día 08/09/20")

#Figura 6 Decesos ggplot
ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Decesos)) +
  ggtitle("Casos acumulados de Decesos de COVID-19 en México, al día 08/09/20")

El objetivo de realizar animacione de transición temporal es ilustrar la manera en la que han crecido los casos confirmados de COVID-19.

ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Confirmados)) +
  ggtitle("Casos acumulados confirmados de COVID-19 en México, al día 08/09/20") +
  transition_reveal(Fecha)

#Gráfica multiejes 
gcov <- ggplot(data=datos1) +
  geom_line(aes(x=Fecha, y=Confirmados), colour="red") +
  geom_line(aes(x=Fecha, y=Decesos), colour="green") +
  geom_line(aes(x=Fecha, y=Recuperados), colour="blue") +
  ggtitle("Casos acumulados de COVID-19 en México, al día 08/09/20") +
  ylab("COVID-19 en méxico") + xlab("Mes")
gcov

#la linea roja son los confirmados, la línea verde son los decesos y la línea azul son los recuperados
ggplotly(gcov)

Grecia

U1A3 DISTRIBUCIONES DE FRECUENCIA y COVID-19

  • El objetivo de este ejercicio es analizar la frecuencia con la que ocurren los contagios, recuperaciones y muertes por COVID-19 en Grecia.

Para esto, utilizamos datos de la universidad Johns Hopkins

Importar

Importación de paquetes

library(readr)  #leer datos
library(plotly)  #gráficos interactivos
library(tidyverse)  #ciencia de datos
library(gganimate)  #animaciones gráficas
library(gifski)  #fabricar GIF

Lectura de datos

  • Los datos se leerán desde el repositorio de JHSU
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"

Importar a archivo local los datos de URL

  • Leer archivos .csv de las url Esto descargara los archivos a la computadora a archivos separados por coma
datos_conf <- read.csv(url_conf)
datos_decesos <- read.csv(url_decesos)
datos_recuperados<- read.csv(url_recuperados)
  • Extraer datos para Grecia.
conf_gre <- t(datos_conf[datos_conf$Country.Region =="Greece" ,])

dec_gre <- t(datos_decesos[datos_decesos$Country.Region =="Greece" ,])

rec_gre <- t(datos_recuperados[datos_recuperados$Country.Region =="Greece" ,])

ORDENAR Y TRANSFORMAR

  • Figura 1 Primer gráfico simple de confirmados de COVID-19 al 9 de Septiembre de 2020 para Grecia
plot(conf_gre)
## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introducidos por coerción

  • Figura 2 Gráfica simple de los recuperados de COVID-19 al 9 de septiempre de 2020 para Grecia
plot(rec_gre)
## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introducidos por coerción

  • Figura 3 Gráfica simple de los decesos de COVID-19 al 9 de septiempre de 2020 para Grecia
plot(dec_gre)
## Warning in xy.coords(x, y, xlabel, ylabel, log): NAs introducidos por coerción

  • En este apartado se van a transformar los datos de Confirmados, Recuperados, Decesos de COVID-19 en Grecia a vectores numéricos (numeric) para después ser ordenados en un marco de datos (Data frame) junto con un vector de fechas (Date)
#Elaborar un vector de fechas
Fecha <- seq(from = as.Date("2020-01-22"), to = as.Date("2020-09-09"), by="day")

#transformación de datos a vectores
#confirmados
vec1 <- as.vector(conf_gre) #transformando a vector
vec2 <- vec1[5:236] #filtrar
num1 <- as.numeric(vec2) #transformar a numerico
Confirmados <- as.vector(num1) #vector numerico

#Decesos
vec1 <- as.vector(dec_gre) #transformando a vector
vec2 <- vec1[5:236] #filtrar
num1 <- as.numeric(vec2) #transformar a numerico
Decesos <- as.vector(num1) #vector numerico

#Recuperados
vec1 <- as.vector(rec_gre) #transformando a vector
vec2 <- vec1[5:236] #filtrar
num1 <- as.numeric(vec2)
Recuperados <- as.vector(num1)

#Ordenar los datos en un Data frame, marco de datos, matriz

datos1 <- data.frame(Fecha, Confirmados, Decesos, Recuperados)

Visualizar

  • A continuación se presentan 3 gráficas simples elaboradas con ggplot para Confirmados, Recuperados, decesos e COVID-19 en Grecia, al día 09/09/20
#Figura 4 Confirmados ggplot
ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Confirmados)) +
  ggtitle("Casos acumulados confirmados de COVID-19 en Grecia, al día 09/09/20")

#Figura 5 Recuperados ggplot
ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Recuperados)) +
  ggtitle("Casos acumulados de recuperados de COVID-19 en Grecia, al día 09/09/20")

#Figura 6 Decesos ggplot
ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Decesos)) +
  ggtitle("Casos acumulados de Decesos de COVID-19 en Grecia, al día 09/09/20")

  • Gráfico animado

El objetivo de realizar animacione de transición temporal es ilustrar la manera en la que han crecido los casos confirmados de COVID-19.

ggplot(data = datos1) +
  geom_line(mapping = aes(x = Fecha, y = Confirmados)) +
  ggtitle("Casos acumulados confirmados de COVID-19 en Grecia, al día 09/09/20") +
  transition_reveal(Fecha)

  • Gráfico interactivo en conjunto Para mostrar los decesos, recuperados y confirmados en una sola gráfica
#Gráfica multiejes 
gcov <- ggplot(data=datos1) +
  geom_line(aes(x=Fecha, y=Confirmados), colour="red") +
  geom_line(aes(x=Fecha, y=Decesos), colour="green") +
  geom_line(aes(x=Fecha, y=Recuperados), colour="blue") +
  ggtitle("Casos acumulados de COVID-19 en Grecia, al día 09/09/20") +
  ylab("COVID-19 en grecia") + xlab("Mes")
gcov

#la linea roja son los confirmados, la línea verde son los decesos y la línea azul son los recuperados
  • Gráfico interactivo con plotly
ggplotly(gcov)

Redacción personal

En este ejercicio se observan las estadisticas de COVID-19 en México y Grecia, se utilizarón los datos de la Universidad de Johns Hopkins. Podemos observar y comparar los confirmados, recuperados y decesos de ambos paises y podemos observar que hay una gran diferencia entre ellos, podemos ver que en México hay más personas afectadas por COVID-19 que en Grecia, pero esto también se debe a que hay una grande diferencia entre la población de ambos paises.

Para realizar este ejercicio utilizamos Markdown por primera vez y pudimos observar las diferencias que hay con el script. Utilizamos varias librerias, las cuales nos ayudaron a crear las graficas y que estas puedan comprenderse fácilmente.