---
title: "Covid-19 no Estado do Rio de Janeiro: Painel Informativo."
Author: "Equipe Rio em Dados"
output: 
  flexdashboard::flex_dashboard:
    orientation: rows
    storyboard: true
    social: [ "twitter", "facebook", "linkedin", "pinterest" ]
    css: styles.css
    source_code: embed
    vertical_layout: scroll
    theme: readable
    logo: logo.png
---

```{r setup, include=FALSE}
library(flexdashboard)
library(knitr)
library(plotly)
library(lubridate)
library(tidyr)
library(DT)
library(pracma)
library(brazilmaps)
library(dplyr)
library(sf)
library(brazilmaps)
library(ggplot2)
library(kableExtra)
library(png)
library(readr)

caso_full <- read.csv("caso_full.csv")

casos_estados <- caso_full %>% filter(place_type == "state") 

casos_nacional <- casos_estados %>% 
  select(-last_available_date) %>% 
  group_by(date) %>% 
  summarise_at(vars(estimated_population_2019, 
                    last_available_confirmed:last_available_deaths,
                    new_confirmed, new_deaths), sum, na.rm = T)


municipios_rj   = readRDS("municipios_rj.rds")
apenas_munic_rj = readRDS("apenas_munic_rj")
estado_rj       = readRDS("estado_rj.rds")
munic_cep       = readRDS("munic_cep.rds")

meso  <- municipios_rj$city
micro <- municipios_rj$city

case_when(
meso == "Belford Roxo" ~ "Metropolitana do Rio de Janeiro",
meso == "Duque de Caxias"  ~ "Metropolitana do Rio de Janeiro",
meso == "Guapimirim"  ~ "Metropolitana do Rio de Janeiro",
meso == "Itaboraí"  ~ "Metropolitana do Rio de Janeiro",
meso == "Japeri"  ~ "Metropolitana do Rio de Janeiro",
meso == "Magé"  ~ "Metropolitana do Rio de Janeiro",
meso == "Maricá"  ~ "Metropolitana do Rio de Janeiro",
meso == "Mesquita"  ~ "Metropolitana do Rio de Janeiro",
meso == "Nilópolis"  ~ "Metropolitana do Rio de Janeiro",
meso == "Niterói"  ~ "Metropolitana do Rio de Janeiro",
meso == "Nova Iguaçu"  ~ "Metropolitana do Rio de Janeiro",
meso == "Queimados"  ~ "Metropolitana do Rio de Janeiro",
meso == "Rio de Janeiro" ~ "Metropolitana do Rio de Janeiro",
meso == "São Gonçalo" ~ "Metropolitana do Rio de Janeiro",
meso == "São João de Meriti"  ~ "Metropolitana do Rio de Janeiro",
meso == "Tanguá" ~ "Metropolitana do Rio de Janeiro",
meso == "Itaguaí" ~ "Metropolitana do Rio de Janeiro",
meso == "Mangaratiba" ~ "Metropolitana do Rio de Janeiro",
meso == "Seropédica" ~ "Metropolitana do Rio de Janeiro",
meso == "Petrópolis" ~ "Metropolitana do Rio de Janeiro",
meso == "São José do Vale do Rio Preto" ~ "Metropolitana do Rio de Janeiro",
meso == "Teresópolis" ~ "Metropolitana do Rio de Janeiro",
meso == "Engenheiro Paulo de Frontin" ~ "Metropolitana do Rio de Janeiro",
meso == "Mendes" ~ "Metropolitana do Rio de Janeiro",
meso == "Miguel Pereira" ~ "Metropolitana do Rio de Janeiro",
meso == "Paracambi" ~ "Metropolitana do Rio de Janeiro",
meso == "Paty do Alferes" ~ "Metropolitana do Rio de Janeiro",
meso == "Vassouras" ~ "Metropolitana do Rio de Janeiro",
meso == "Cachoeiras de Macacu" ~ "Metropolitana do Rio de Janeiro",
meso == "Rio Bonito" ~ "Metropolitana do Rio de Janeiro",
meso == "Bom Jesus do Itabapoana" ~ "Noroeste Fluminense",
meso == "Italva" ~ "Noroeste Fluminense",
meso == "Itaperuna" ~ "Noroeste Fluminense",
meso == "Laje do Muriaé" ~ "Noroeste Fluminense",
meso == "Natividade" ~ "Noroeste Fluminense",
meso == "Porciúncula" ~ "Noroeste Fluminense",
meso == "Varre-Sai" ~ "Noroeste Fluminense",
meso == "Aperibé" ~ "Noroeste Fluminense",
meso == "Cambuci" ~ "Noroeste Fluminense",
meso == "Itaocara" ~ "Noroeste Fluminense",
meso == "Miracema" ~ "Noroeste Fluminense",
meso == "Santo Antônio de Pádua" ~ "Noroeste Fluminense",
meso == "São José de Ubá" ~ "Noroeste Fluminense",
meso == "Campos dos Goytacazes" ~ "Norte Fluminense",
meso == "Cardoso Moreira" ~ "Norte Fluminense",
meso == "São Fidélis" ~ "Norte Fluminense",
meso == "São Francisco de Itabapoana" ~ "Norte Fluminense",
meso == "São João da Barra" ~ "Norte Fluminense",
meso == "Carapebus" ~ "Norte Fluminense",
meso == "Conceição de Macabu" ~ "Norte Fluminense",
meso == "Macaé" ~ "Norte Fluminense",
meso == "Quissamã" ~ "Norte Fluminense",
meso == "Bom Jardim" ~ "Centro Fluminense",
meso == "Duas Barras" ~ "Centro Fluminense",
meso == "Nova Friburgo" ~ "Centro Fluminense",
meso == "Sumidouro" ~ "Centro Fluminense",
meso == "Santa Maria Madalena" ~ "Centro Fluminense",
meso == "São Sebastião do Alto"  ~ "Centro Fluminense",
meso == "Trajano de Moraes" ~  "Centro Fluminense",
meso == "Cantagalo"  ~ "Centro Fluminense",
meso == "Carmo"  ~ "Centro Fluminense",
meso == "Cordeiro"  ~ "Centro Fluminense",
meso == "Macuco"  ~ "Centro Fluminense",
meso == "Areal"  ~ "Centro Fluminense",
meso == "Comendador Levy Gasparian"  ~ "Centro Fluminense",
meso == "Paraíba do Sul"  ~ "Centro Fluminense",
meso == "Sapucaia"  ~ "Centro Fluminense",
meso == "Três Rios"  ~ "Centro Fluminense",
meso == "Araruama" ~ "Baixadas",
meso == "Armação dos Búzios" ~ "Baixadas",
meso == "Arraial do Cabo" ~ "Baixadas",
meso == "Cabo Frio" ~ "Baixadas",
meso == "Iguaba Grande" ~ "Baixadas",
meso == "São Pedro da Aldeia" ~ "Baixadas",
meso == "Saquarema" ~ "Baixadas",
meso == "Casimiro de Abreu" ~ "Baixadas",
meso == "Rio das Ostras" ~ "Baixadas",
meso == "Silva Jardim" ~ "Baixadas",
meso == "Barra Mansa" ~ "Sul Fluminense",
meso == "Itatiaia" ~ "Sul Fluminense",
meso == "Pinheiral" ~ "Sul Fluminense",
meso == "Piraí" ~ "Sul Fluminense",
meso == "Porto Real" ~ "Sul Fluminense",
meso == "Quatis" ~ "Sul Fluminense",
meso == "Resende" ~ "Sul Fluminense",
meso == "Rio Claro" ~ "Sul Fluminense",
meso == "Volta Redonda" ~ "Sul Fluminense",
meso == "Barra do Piraí" ~ "Sul Fluminense",
meso == "Rio das Flores" ~ "Sul Fluminense",
meso == "Valença" ~ "Sul Fluminense",
meso == "Angra dos Reis" ~ "Sul Fluminense",
meso == "Paraty" ~ "Sul Fluminense") -> meso

municipios_rj$meso <- meso
```


Sidebar {.sidebar}
=====================================




Este projeto é uma iniciativa independente de alguns profissionais da área da Estatística das instituições ENCE/IBGE e UFRJ voltado para o estudo de dados sobre a COVID-19 no estado do Rio de Janeiro.




Podemos ser encontrados nas nossas redes sociais! 

[Instagram](https://www.instagram.com/rioemdados/?hl=pt-br)

[Blog](https://rioemdados.netlify.app/)




Fonte de dados: Ministério de Saúde

[Baixar dados](https://drive.google.com/u/2/uc?id=1PXg7d5NXtZoJheKaGsMnUl8Obo8EltgS&export=download)


Casos e Óbitos
===================================== 



Row
-------------------------------------


### Máximo de casos diários
```{r}
spam <- max(estado_rj$new_confirmed)
valueBox(spam, 
         icon = "fa-file-medical")
```

### Casos acumulados 

```{r}
spam <- tail(estado_rj$last_available_confirmed,1)
valueBox(spam, 
         icon = "fa-chart-line")
```


### Máximo de óbitos diários
 
```{r}
spam <- max(estado_rj$new_deaths)
valueBox(spam, 
         icon = "fa-file-medical")
```

### Óbitos acumulados

```{r}
spam <- tail(estado_rj$last_available_deaths,1)
valueBox(spam,icon = "fa-chart-line")
```

Row
-------------------------------------

### Casos confirmados por dia
    
```{r}
fig <- plot_ly(estado_rj, x = ~ymd(date), y = ~new_confirmed, name = 'Sul Fluminense', type = 'scatter', mode = 'lines',line = list(color = "rgba(65,105,225, 0.75)", width = 3)) %>% 
  layout(xaxis = list(title = "Mês"), yaxis = list (title = "Casos confirmados")) %>%
  config(locale = "pt-br")

fig


```
    
### Casos acumulados

```{r}

fig <- plot_ly(estado_rj, x = ~ymd(date), y = ~last_available_confirmed, name = 'Sul Fluminense', type = 'scatter', mode = 'lines',line = list(color = "rgba(65,105,225, 0.75)", width = 4)) %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Quantidade de casos",tickformat = "digits")) %>%
  config(locale = "pt-br")  

fig  

```
   
Row
-------------------------------------

### Óbitos confirmados por dia

```{r}
fig <- plot_ly(estado_rj, x = ~ymd(date), y = ~new_deaths, name = 'Sul Fluminense', type = 'scatter', mode = 'lines',line = list(color = "rgba(65,105,225, 0.75)", width = 3)) %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Óbitos confirmados")) %>%
  config(locale = "pt-br")

fig

```
   
   
### Óbitos acumulados

```{r}
fig <- plot_ly(estado_rj, x = ~ymd(date), y = ~last_available_deaths, name = 'Sul Fluminense', type = 'scatter', mode = 'lines',line = list(color = "rgba(65,105,225, 0.75)", width = 3)) %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Quantidade de óbitos",tickformat = "digits")) %>%
  config(locale = "pt-br")  
fig
```
   
   
Messoregiões
=====================================     


Row
-------------------------------------

### Messoregiões do Rio de Janeiro, retirado de [baixarmapas.com](http://www.baixarmapas.com.br/mapa-do-rio-de-janeiro-dividido-em-mesorregioes/) e elaborado a partir da base cartográfica do IBGE

```{r}
include_graphics("meso_x.png")
``` 

### Municípios e suas messoregiões

```{r}
dt = unique(select(municipios_rj,city,meso)) 
dt = dt[-6,] 

 datatable(dt,colnames = c('Cidade', 'Mesorregião'),filter = 'top', rownames = FALSE,options = list(language = list(url = "http://cdn.datatables.net/plug-ins/1.10.11/i18n/Portuguese.json"))) 
``` 



Row
-------------------------------------

### Casos acumulados por mesorregião para 100 mil habitantes
 

```{r}
municipios_rj = drop_na(municipios_rj) 

sul      <- subset(municipios_rj,meso=="Sul Fluminense")
metro    <- subset(municipios_rj,meso=="Metropolitana do Rio de Janeiro")
norte    <- subset(municipios_rj,meso=="Norte Fluminense")
lagos    <- subset(municipios_rj,meso=="Baixadas")
noroeste <- subset(municipios_rj,meso=="Noroeste Fluminense")
centro   <- subset(municipios_rj,meso=="Centro Fluminense")


sul %>% group_by(date) %>% summarise(sul_taxa=sum(last_available_confirmed)/sum(estimated_population_2019)*100000) -> sul_casos_taxa
metro %>% group_by(date) %>% summarise(metro_taxa=sum(last_available_confirmed)/sum(estimated_population_2019)*100000) -> metro_casos_taxa
norte %>% group_by(date) %>% summarise(norte_taxa=sum(last_available_confirmed)/sum(estimated_population_2019)*100000) -> norte_casos_taxa
lagos %>% group_by(date) %>% summarise(lagos_taxa=sum(last_available_confirmed)/sum(estimated_population_2019)*100000) -> lagos_casos_taxa
noroeste %>% group_by(date) %>% summarise(noroeste_taxa=sum(last_available_confirmed)/sum(estimated_population_2019)*100000) -> noroeste_casos_taxa
centro %>% group_by(date) %>% summarise(centro_taxa=sum(last_available_confirmed)/sum(estimated_population_2019)*100000)   -> centro_casos_taxa


estado = inner_join(sul_casos_taxa,metro_casos_taxa, by="date")
estado = inner_join(estado,norte_casos_taxa, by="date")
estado = inner_join(estado,lagos_casos_taxa, by="date")
estado = inner_join(estado,noroeste_casos_taxa, by="date")
estado = inner_join(estado,centro_casos_taxa, by="date")



m <- list(
  l = 50,
  r = 50,
  b = 100,
  t = 50,
  pad = 4
)

fig <- plot_ly(estado, x = ~ymd(date), y = ~sul_taxa, name = 'Sul Fluminense', type = 'scatter', mode = 'lines',line = list(color = "rgba(160,82,45, 1)", width = 3)) %>% 
add_trace(y = ~metro_taxa,    name = 'Metropolitana do Rio de Janeiro',line = list(color = "rgba(218, 112,214, 1)",width = 3)) %>% 
add_trace(y = ~norte_taxa,    name = 'Norte Fluminense',line = list(color = "rgba(65,105,225, 1)",width = 3)) %>% 
add_trace(y = ~lagos_taxa,    name = 'Baixadas',line = list(color = "rgba(34,139,34, 1)",width = 3)) %>% 
add_trace(y = ~noroeste_taxa, name = 'Noroeste Fluminense',line = list(color = "rgba(255,69,0, 1)",width = 3)) %>% 
add_trace(y = ~centro_taxa, name = 'Centro Fluminense',line = list(color = "rgba(255,0,0, 1)",width = 3)) %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Casos confirmados para 100 mil habitantes"))%>%
  config(locale = "pt-br")

fig
```
   
   
### Óbitos confirmados por mesorregião para 100 mil habitantes 

```{r}
municipios_rj = drop_na(municipios_rj) 

sul      <- subset(municipios_rj,meso=="Sul Fluminense")
metro    <- subset(municipios_rj,meso=="Metropolitana do Rio de Janeiro")
norte    <- subset(municipios_rj,meso=="Norte Fluminense")
lagos    <- subset(municipios_rj,meso=="Baixadas")
noroeste <- subset(municipios_rj,meso=="Noroeste Fluminense")
centro   <- subset(municipios_rj,meso=="Centro Fluminense")


sul %>% group_by(date) %>% summarise(sul_taxa= sum(last_available_deaths)/sum(estimated_population_2019)*100000 )  -> sul_casos_taxa
metro %>% group_by(date) %>% summarise(metro_taxa=sum(last_available_deaths)/sum(estimated_population_2019)*100000) -> metro_casos_taxa
norte %>% group_by(date) %>% summarise(norte_taxa=sum(last_available_deaths)/sum(estimated_population_2019)*100000) -> norte_casos_taxa
lagos %>% group_by(date) %>% summarise(lagos_taxa=sum(last_available_deaths)/sum(estimated_population_2019)*100000) -> lagos_casos_taxa
noroeste %>% group_by(date) %>% summarise(noroeste_taxa=sum(last_available_deaths)/sum(estimated_population_2019)*100000) -> noroeste_casos_taxa
centro%>%group_by(date)%>%summarise(centro_taxa=sum(last_available_deaths)/sum(estimated_population_2019)*100000) -> centro_casos_taxa


estado = inner_join(sul_casos_taxa,metro_casos_taxa, by="date")
estado = inner_join(estado,norte_casos_taxa, by="date")
estado = inner_join(estado,lagos_casos_taxa, by="date")
estado = inner_join(estado,noroeste_casos_taxa, by="date")
estado = inner_join(estado,centro_casos_taxa, by="date")

m <- list(
  l = 50,
  r = 50,
  b = 100,
  t = 50,
  pad = 4
)

fig <- plot_ly(estado, x = ~ymd(date), y = ~sul_taxa, name = 'Sul Fluminense', type = 'scatter', mode = 'lines',line = list(color = "rgba(160,82,45, 1)", width = 3)) %>% 
add_trace(y = ~metro_taxa,    name = 'Metropolitana do Rio de Janeiro',line = list(color = "rgba(218, 112,214, 1)",width = 3)) %>% 
add_trace(y = ~norte_taxa,    name = 'Norte Fluminense',line = list(color = "rgba(65,105,225, 1)",width = 3)) %>% 
add_trace(y = ~lagos_taxa,    name = 'Baixadas',line = list(color = "rgba(34,139,34, 1)",width = 3)) %>% 
add_trace(y = ~noroeste_taxa, name = 'Noroeste Fluminense',line = list(color = "rgba(255,69,0, 1)",width = 3)) %>% 
add_trace(y = ~centro_taxa, name = 'Centro Fluminense',line = list(color = "rgba(255,0,0, 1)",width = 3)) %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Óbitos confirmados para 100 mil habitantes"))%>%
  config(locale = "pt-br")

fig

```


   
Média Móvel
=====================================     

Row
-------------------------------------

### Casos confirmados por Covid-19 por dia em âmbito nacional.
    
```{r}

ma = movavg(casos_nacional$new_confirmed, n = 7)


fig <- plot_ly(casos_nacional, x = ~ymd(date), y = ~new_confirmed, name = 'Casos confirmados', type = 'bar', mode = 'lines',line = list(color = "	rgb(100,149,237)", width = 3)) %>% 
add_trace(y = ~ma, name = 'Média Móvel', line = list(color="rgb(220,20,60)",width = 3, dash = 'dot'),type='scatter') %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Casos confirmados")) %>%

config(locale = "pt-br")

fig


```


### Óbitos por Covid-19 no estado em âmbito nacional.

    
```{r}
ma = movavg(casos_nacional$new_deaths, n = 7)

fig <- plot_ly(casos_nacional, x = ~ymd(date),name = "Óbitos registrados", y = ~new_deaths, names = NULL, type = 'bar', mode = 'lines',line = list(color = "	rgb(100,149,237)", width = 3)) %>%
add_trace(y = ~ma, name = 'Média Móvel', line = list(color="rgb(220,20,60)",width = 3, dash = 'dot'),type='scatter') %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Óbitos confirmados")) %>%
config(locale = "pt-br")

fig


```


Row
-------------------------------------

### Casos confirmados por Covid-19 por dia no estado do Rio de Janeiro
    
```{r}
ma = movavg(estado_rj$new_confirmed, n = 7)

fig <- plot_ly(estado_rj, x = ~ymd(date), y = ~new_confirmed, name = 'Casos confirmados', type = 'bar', mode = 'lines',line = list(color = "	rgb(100,149,237)", width = 3)) %>% 
add_trace(y = ~ma, name = 'Média Móvel', line = list(color="rgb(220,20,60)",width = 3, dash = 'dot'),type='scatter') %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Casos confirmados")) %>%

config(locale = "pt-br")

fig


```


### Óbitos por Covid-19 no estado do Rio de Janeiro 

    
```{r}
ma = movavg(estado_rj$new_deaths, n = 7)
global = mean(estado_rj$new_deaths)


fig <- plot_ly(estado_rj, x = ~ymd(date),name = "Óbitos registrados", y = ~new_deaths, names = NULL, type = 'bar', mode = 'lines',line = list(color = "	rgb(100,149,237)", width = 3)) %>%
add_trace(y = ~ma, name = 'Média Móvel', line = list(color="rgb(220,20,60)",width = 3, dash = 'dot'),type='scatter') %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Óbitos confirmados")) %>%
config(locale = "pt-br")

fig


```


Row 
-----------------------------------------------------------------------

### Casos confirmados por Covid-19 na cidade do Rio de Janeiro 

```{r}

ma = movavg(apenas_munic_rj$new_confirmed, n = 7)


fig <- plot_ly(apenas_munic_rj, x = ~ymd(date), y = ~new_confirmed, name = 'Casos confirmados', type = 'bar', mode = 'lines',line = list(color = "	rgb(100,149,237)", width = 3)) %>% 
add_trace(y = ~ma, name = 'Média Móvel', line = list(color="rgb(220,20,60)",width = 3, dash = 'dot'),type='scatter') %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Casos confirmados")) %>%

config(locale = "pt-br")

fig


```


### Óbitos por Covid-19 na cidade do Rio de Janeiro 


```{r}
ma = movavg(apenas_munic_rj$new_deaths, n = 7)

fig <- plot_ly(apenas_munic_rj, x = ~ymd(date),name = "Óbitos registrados", y = ~new_deaths, names = NULL, type = 'bar', mode = 'lines',line = list(color = "	rgb(100,149,237)", width = 3)) %>%
add_trace(y = ~ma, name = 'Média Móvel', line = list(color="rgb(220,20,60)",width = 3, dash = 'dot'),type='scatter') %>% 
layout(xaxis = list(title = "Mês"), yaxis = list (title = "Óbitos confirmados")) %>%
config(locale = "pt-br")

fig


```


Distribuição Espacial
=====================================     

Row
-------------------------------------
    
### Casos por 100 mil habitantes

```{r}
# #municipios_rj   = readRDS("municipios_rj.rds")
# 
# dados <- municipios_rj %>% 
#   rename(confirmed_per_100k = last_available_confirmed_per_100k_inhabitants) %>% 
#   mutate(date = ymd(date),
#          city_ibge_code = as.numeric(city_ibge_code),
#          confirmed_per_100k = round(as.numeric(confirmed_per_100k), 2)) %>% 
#   filter(date == max(date))
# get_brmap("City", geo.filter = list(State = 33)) %>% 
#   left_join(dados, c("City" = "city_ibge_code")) %>%
#   mutate(hover = paste("Município:", city, '
',
#                        'Confirmados por 100 mil: ', confirmed_per_100k)) %>% 
#   ggplot() +
#   geom_sf(aes(fill = confirmed_per_100k, text = hover), colour = "black", size = 0.1) +
#   #scale_fill_viridis_c(direction = 1, option = "") +
#   #scale_fill_continuous(limits = c(150,3000), breaks = quantile(dados$confirmed_per_100k, 0:5/5, na.rm = T, names = F),
#  #guide = guide_colourbar(nbin=100, draw.ulim = FALSE, draw.llim = FALSE, barheight = 20)) +
#   scale_fill_continuous(#colours = heat.colors(7), 
#                        #breaks = c(150, 600, 1050, 1500, 1950, 2400, 2850), 
#                        type = "gradient", high = "#FF0000FF", low = "#FFFF80FF") + 
#   labs(fill = "Número de casos confirmados \n de Covid-19 por 100 mil habitantes") +
#   theme_classic() +
#   theme(axis.line = element_blank(),
#         axis.title.x = element_blank(),
#         axis.text.x  = element_blank(),
#         axis.ticks.x = element_blank(),
#         axis.title.y = element_blank(),
#         axis.text.y  = element_blank(),
#         axis.ticks.y = element_blank())  -> g
#   #scale_fill_brewer(palette = "heat") -> g 
# 
# g %>% ggplotly(tooltip = c("text")) %>%
#  config(locale = "pt-br")
```
  
### Óbitos por 100 mil habitantes
```{r}
# municipios_rj %>% 
#   mutate(last_available_deaths = as.numeric(last_available_deaths),
#          obitos_por_100mil = last_available_deaths/estimated_population_2019*10^5) -> dados
# 
# get_brmap("City", geo.filter = list(State = 33)) %>% 
#   left_join(dados, c("City" = "city_ibge_code")) %>%
#   mutate(hover = paste("Munic:", city, '
',
#                        'Óbitos por 100 mil: ', obitos_por_100mil)) %>% 
#   ggplot() +
#   geom_sf(aes(fill = obitos_por_100mil, text = hover), colour = "black", size = 0.1) +
#   #scale_fill_viridis_c(direction = 1, option = "") +
#   #scale_fill_continuous(limits = c(150,3000), breaks = quantile(dados$confirmed_per_100k, 0:5/5, na.rm = T, names = F),
#  #guide = guide_colourbar(nbin=100, draw.ulim = FALSE, draw.llim = FALSE, barheight = 20)) +
#   scale_fill_continuous(#colours = heat.colors(7), 
#                        #breaks = c(150, 600, 1050, 1500, 1950, 2400, 2850), 
#                        type = "gradient", high = "#FF0000FF", low = "#FFFF80FF") + 
#   labs(fill = "Óbitos \n por 100 mil habitantes") +
#   theme_classic() +
#   theme(axis.line = element_blank(),
#         axis.title.x = element_blank(),
#         axis.text.x  = element_blank(),
#         axis.ticks.x = element_blank(),
#         axis.title.y = element_blank(),
#         axis.text.y  = element_blank(),
#         axis.ticks.y = element_blank())  -> g
#   #scale_fill_brewer(palette = "heat") -> g 
# 
# g %>% ggplotly()
```

Row
-------------------------------------

### Casos acumulados por 100 mil habitantes por município 
    
```{r}
municipios_rj$Data <- as.Date(municipios_rj$date)
municipios_rj$Casos <- municipios_rj$last_available_confirmed_per_100k_inhabitants
municipios_rj$Cidade <- municipios_rj$city

municipios_rj %>%  
ggplot( aes(x=Data, y=Casos, group=Cidade, color=Cidade)) +
    geom_line() +
    theme_minimal() + scale_x_date(date_labels = "%b %Y") +
  theme(legend.title = element_blank())-> fig


a <- ggplotly(fig) %>%
  config(locale = "pt-br")

a
```



### Óbitos acumulados por 100 mil habitantes por município 
    
```{r}
municipios_rj$Data <- as.Date(municipios_rj$date)
municipios_rj$Casos <- municipios_rj$last_available_deaths/municipios_rj$estimated_population_2019
municipios_rj$Cidade <- municipios_rj$city

municipios_rj %>%  
ggplot( aes(x=Data, y=Casos, group=Cidade, color=Cidade)) +
    geom_line() +
    theme_minimal() + scale_x_date(date_labels = "%b %Y") +
  theme(legend.title=element_blank())-> fig


a <- ggplotly(fig) %>%
  config(locale = "pt-br")

a
```