library(pacman)
p_load("readr", "tidyverse", "DT", "prettydoc", "gridExtra")
DatosMobilityReport <- read_csv("sonora2.csv")## Parsed with column specification:
## cols(
## country_region_code = col_character(),
## country_region = col_character(),
## sub_region_1 = col_character(),
## sub_region_2 = col_logical(),
## iso_3166_2_code = col_character(),
## census_fips_code = col_logical(),
## date = col_character(),
## retail_and_recreation_percent_change_from_baseline = col_double(),
## grocery_and_pharmacy_percent_change_from_baseline = col_double(),
## parks_percent_change_from_baseline = col_double(),
## transit_stations_percent_change_from_baseline = col_double(),
## workplaces_percent_change_from_baseline = col_double(),
## residential_percent_change_from_baseline = col_double()
## )- Gráficas
##
Retail_Recreation_Percentage <- DatosMobilityReport$retail_and_recreation_percent_change_from_baseline
###
Grocery_Pharmacy_Percentage <- DatosMobilityReport$grocery_and_pharmacy_percent_change_from_baseline
###
Parks_Percentage <- DatosMobilityReport$parks_percent_change_from_baseline
###
TransitStations_Percentage <- DatosMobilityReport$transit_stations_percent_change_from_baseline
###
Workplaces_Percentage <- DatosMobilityReport$workplaces_percent_change_from_baseline
###
Residential_Percentage <- DatosMobilityReport$residential_percent_change_from_baseline
###
Porcentaje_VR <- DatosMobilityReport$retail_and_recreation_percent_change_from_baseline
###
Porcentaje_F <- DatosMobilityReport$grocery_and_pharmacy_percent_change_from_baseline
###
Porcentaje_P <- DatosMobilityReport$parks_percent_change_from_baseline
###
Porcentaje_ET <- DatosMobilityReport$transit_stations_percent_change_from_baseline
###
Porcentaje_AT <- DatosMobilityReport$workplaces_percent_change_from_baseline
###
Porcentaje_H <- DatosMobilityReport$residential_percent_change_from_baseline
# Data frame
FechaMR = seq(from = as.Date("2019-02-15"), to = as.Date("2019-07-15"), by = 'day')
dataMR <- data.frame(x=FechaMR,y=Retail_Recreation_Percentage)
# Gráficas
gMR1 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_VR), size=1, colour="orange") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("a) Tiendas y ocio (-31%)")
gMR2 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_F), size=1, colour="darkgreen") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("b) Supermercados y farmacias (-11%)")
gMR3 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_P), size=1, colour="purple") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("c) Parques (-26%)")
gMR4 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_ET), size=1, colour="brown") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("d) Estaciones de transporte (-31%)")
gMR5 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_AT), size=1, colour="red") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("e) Lugares de trabajo (-27%)")
gMR6 <- ggplot(data=dataMR) +
geom_line(aes(x=FechaMR, y=Porcentaje_H), size=1, colour="blue") +
geom_hline(yintercept = 0) +
theme_light() +
xlab("Fecha") +
ylab("Porcentaje") +
ggtitle("f) Zonas residenciales (+12%)")
# Unir gráficas
grid.arrange(gMR1,gMR2,gMR3,gMR4,gMR5,gMR6)
Análisis de movilidad regional utilizando datos de “google mobility report”
¿Ocurrió algo importante entre el 3 de enero y el 6 de febrero del 2020?
Los días festivos 6 de enero y 5 de febrero.
El valor de referencia de cada día es el valor medio del periodo de cinco semanas de enero. Piensa en eventos locales y cambios estacionales que puedan sesgar el valor de referencia:
¿Hubo un invierno frío o un verano más largo de lo habitual en tu región?
Un invierno mucho más frio.
¿Los festivos cayeron el mismo día de la semana?
Los días como tal no, pero el 5 de febrero se recorrió a lunes por el puente.
¿Tienes otras fuentes de datos (como tiques de peajes, parquímetros o viajes en metro) que puedan ayudarte a determinar el cambio previsto?
Mediante herramientas de Google.
De enero hasta ahora, ¿cómo varía la cantidad de personas que visitan parques?
A mediados de marzo bajó drasticamente la cantidad de gente que asistia a estos lugares debido a la cuarentena, pero con el paso del tiempo las personas empezaron a salir de manera normal.
Tanto el tiempo meteorológico diario como el de cada estación tienen efecto en la cantidad de personas que van a los parques:
En un año normal, ¿cambia la frecuencia de las visitas a los parques desde enero hasta ahora?
Solo en el verano disminuye un poco debido al calor.
Según los registros meteorológicos, ¿cómo cambia la cantidad de personas que visitan parques en los días de lluvia en comparación con los días de sol?
Los días lluviosos hay menos gente.
¿Cuánto tiempo crees que pasará la gente en las zonas residenciales?
Se supone que debería ser las 24 horas de día, pero hay mucha gente que tiene que salir de sus casa a trabajar, así que unas 12 o 16 horas al día dependiendo de la jornada.
Haz una estimación del número de horas que crees que pasaba la gente en zonas residenciales antes de la respuesta al COVID-19. Realiza la estimación de los días laborables y de los fines de semana por separado:
¿Cómo podrían cambiar las horas de trabajo según el puesto? Por ejemplo, un empleado de oficina, un padre que se queda en casa, un estudiante, un empleado de supermercado o una enfermera que trabaja por turnos. Usa los datos demográficos de tu región para consultar la variedad de trabajos.
La jornada laboral de todos debería de ser de 8 o 12 horas, pero en algunos lugares dan jornadas más largas o más cortas, sobretodo a los estudiantes.
Por cada grupo de tu comunidad, estima el número de horas al día que crees que va a permanecer la gente en zonas residenciales durante la respuesta al COVID-19.
La gente con menos resursos es la que se quedará menor tiempo en su casa, porque tiene que salir todos los días a trabajar.
¿Cómo pueden relacionarse los tipos de trabajo con los cambios en la movilidad los días laborables y los fines de semana?
En trabajos como la docencia se tiene dos días de descanso, pero en la mayoría de los trabajos se da un solo día de descanso.
No informamos de ningún cambio en función de los tipos de trabajo, pero puedes pensar en los diferentes trabajos que realiza la gente de tu comunidad durante los fines de semana y los días laborables.
¿Qué efectos pueden tener las respuestas al COVID-19 en los diferentes trabajos?
Los trabajos de oficina se pueden llevar desde casa, pero los trabajos de campo no.
¿Los efectos serían diferentes en las personas que trabajan entre semana que en las que lo hacen los fines de semana?
Muy poco.
¿Con qué grado de precisión está representada tu región?
Con mucha precisión.
Estos informes se crean con el mismo tipo de datos que se usan para mostrar las horas punta en Google Maps. Responde las siguientes preguntas:
¿Cuántos lugares de interés muestra Google Maps en tu región? ¿Cuáles son las diferencias y similitudes entre tu región y otras regiones? Abre Google Maps y compruébalo.
En Obregón no hay muchos lugares de interes, a comparación de Hermosillo, donde si hay muchos lugares a donde ir.
¿En tu región hay lugares de trabajo en los que no se permitan dispositivos móviles? Por ejemplo, edificios de organismos públicos o bases militares. ¿Qué efecto podría tener esto en el número de personas que acuden a los lugares de trabajo?
Los datos se ven afectados, por que, si estas personas dejan su celular en casa, en los datos aparecería como si esa persona se hubiera quedado en su casa.