covid19_provincias_spain_consolidated <-read_csv("https://raw.githubusercontent.com/montera34/escovid19data/master/data/output/covid19-provincias-spain_consolidated.csv")
#View(covid19_provincias_spain_consolidated)
## Remove columns with more than 50% NA
data_raw <- covid19_provincias_spain_consolidated[, which(colMeans(!is.na(covid19_provincias_spain_consolidated)) > 0.9)]
# convert NA in 0
data_raw[is.na(data_raw)] <- 0
write.csv(data_raw,"data/MyData.csv", row.names = FALSE)data_raw_month <- data_raw %>%
group_by(month = lubridate::floor_date(date, "month"),province) %>%
summarise(total_casos = sum(num_casos2),
total_hosp = sum(num_hosp),
total_def = sum(num_def),
total_uci = sum(num_uci),
poblacion = poblacion,
ccaa = ccaa, .groups = 'drop')
data_raw_month$month <- format(data_raw_month$month, "%m-%Y")X02001 <- read.delim("~/Documentos/MASTER UOC/Visualización de Datos/A8-PEC3/PEC3-COVID/PEC3-COVID/data/02001.csv")
# https://www.ine.es/buscar/searchResults.do?searchString=P.I.B.+a+precios+de+mercado+y+valor+a%C3%B1adido+bruto+a+precios+b%C3%A1sicos+por+ramas+de+actividad%3A+Precios+corrientes+por+provincias+y+periodo&Menu_botonBuscador=&searchType=DEF_SEARCH&startat=0&L=0ine_raw <- X02001 %>% pivot_wider(names_from = c(Ramas.de.actividad,periodo), values_from = Total, values_fn = list())
ine_raw <- do.call(rbind.data.frame, ine_raw)
#Change the index number of a dataframe
ine_raw<-data.frame(t(ine_raw))
# df1 <- data.frame(ine_raw[,-1], row.names = ine_raw[,1])
mysub <- function(x) {gsub("\\.","",x)}
df1 <- (apply(ine_raw, 2, mysub ))
df1 <- as.data.frame(df1)
df1 <- df1 %>%
mutate_at(c(2:34), as.numeric)
df1 <- df1 %>% dplyr::select(Provincias, PRODUCTO.INTERIOR.BRUTO.A.PRECIOS.DE.MERCADO_2018.P..2)
colnames(df1) <- c("province", "PIB")
#ine_raw <- ine_raw %>% dplyr::select( c("Valor añadido bruto total_2018(P) ", "Impuestos netos sobre los productos_2018(P) "))
#ine_raw$pib2018 <- ine_raw$Valor.añadido.bruto.total_2018.P.+ine_raw$Impuestos.netos.sobre.los.productos_2018.P.data_raw_month1 <- data_raw_month %>% pivot_wider(names_from = month, values_from = c(total_casos, total_hosp, total_def, total_uci), values_fn = list(total_casos=mean, total_hosp=mean, total_def=mean, total_uci=mean))merge <- merge(df1, data_raw_month, by = "province")
merge <- merge%>% distinct()
merge$month <- parse_date_time(merge$month, "%m-%Y")
merge_province <- merge %>% group_by(province) %>%
summarise(total_casos = sum(total_casos),
total_hosp = sum(total_hosp),
total_def = sum(total_def),
total_uci = sum(total_uci),
poblacion = poblacion,
PIB = PIB, ccaa=ccaa, .groups = 'drop')
data_province <- merge_province%>% distinct()merge_ccaa <- data_province %>% group_by(ccaa) %>%
summarise_if(is.numeric, sum)
data_ccaa <- merge_ccaa%>% distinct()merge_ccaa_month <- merge %>% group_by(month, ccaa) %>%
summarise(total_casos = sum(total_casos),
total_hosp = sum(total_hosp),
total_def = sum(total_def),
total_uci = sum(total_uci), .groups = 'drop')write.csv(data_province,"data/data_province.csv", row.names = FALSE)
write.csv(data_ccaa,"data/data_ccaa.csv", row.names = FALSE)
write.csv(merge_ccaa_month,"data/data_ccaa_month.csv", row.names = FALSE)Seleccionar alguno de los conjuntos de datos proporcionados o alguno de complejidad y características similares. Recomendamos usar alguno de los conjuntos de datos siguientes:
(https://github.com/montera34/escovid19data)
| nombre | autoria | fuente | fecha publicación | licencia |
|---|---|---|---|---|
| COVID | Montera 34 | Recopila información de varias fuentes | todos los días | Atribución 4.0 Internacional (CC BY 4.0) |
| PIB | Instituto Nacional de Estadistica | Elaboración propia | 2018 | El Instituto Nacional de Estadística ha creado el espacio Datos abiertos para incluir en él los recursos de información pública que se generen. El catálogo de información reutilizable es accesible tanto a traves de la web del INE: www.ine.es/datosabiertos, como a través del portal datos.gob.es |
(skimr::skim(covid19_provincias_spain_consolidated)| Name | covid19_provincias_spain_… |
| Number of rows | 25822 |
| Number of columns | 59 |
| _______________________ | |
| Column type frequency: | |
| character | 2 |
| Date | 1 |
| logical | 35 |
| numeric | 21 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| province | 0 | 1 | 4 | 22 | 0 | 52 | 0 |
| ccaa | 0 | 1 | 5 | 27 | 0 | 19 | 0 |
Variable type: Date
| skim_variable | n_missing | complete_rate | min | max | median | n_unique |
|---|---|---|---|---|---|---|
| date | 0 | 1 | 2020-01-01 | 2021-05-11 | 2020-09-05 | 497 |
Variable type: logical
| skim_variable | n_missing | complete_rate | mean | count |
|---|---|---|---|---|
| new_cases | 24975 | 0.03 | 0.36 | FAL: 543, TRU: 304 |
| PCR | 25385 | 0.02 | 0.50 | FAL: 220, TRU: 217 |
| TestAc | 25679 | 0.01 | 0.07 | FAL: 133, TRU: 10 |
| activos | 25796 | 0.00 | 0.46 | FAL: 14, TRU: 12 |
| hospitalized | 25368 | 0.02 | 0.62 | TRU: 280, FAL: 174 |
| hospitalized_accumulated | 25800 | 0.00 | 0.14 | FAL: 19, TRU: 3 |
| hospitalized_new | 25757 | 0.00 | 0.42 | FAL: 38, TRU: 27 |
| intensive_care | 23419 | 0.09 | 0.42 | FAL: 1397, TRU: 1006 |
| deceased | 25282 | 0.02 | 0.18 | FAL: 441, TRU: 99 |
| cases_accumulated | 25584 | 0.01 | 0.24 | FAL: 181, TRU: 57 |
| cases_accumulated_PCR | 25694 | 0.00 | 0.19 | FAL: 104, TRU: 24 |
| recovered | 25822 | 0.00 | NaN | : |
| deceased_hosp_eus | 25822 | 0.00 | NaN | : |
| cases_per_cienmil | 25641 | 0.01 | 0.00 | FAL: 181 |
| intensive_care_per_1000000 | 24420 | 0.05 | 0.00 | FAL: 1397, TRU: 5 |
| deceassed_per_100000 | 25380 | 0.02 | 0.00 | FAL: 441, TRU: 1 |
| hospitalized_per_100000 | 25648 | 0.01 | 0.00 | FAL: 174 |
| cases_14days | 25782 | 0.00 | 0.48 | FAL: 21, TRU: 19 |
| cases_7days | 25624 | 0.01 | 0.39 | FAL: 120, TRU: 78 |
| cases_PCR_14days | 25702 | 0.00 | 0.38 | FAL: 75, TRU: 45 |
| cases_PCR_7days | 25528 | 0.01 | 0.34 | FAL: 194, TRU: 100 |
| daily_cases | 24287 | 0.06 | 0.33 | FAL: 1026, TRU: 509 |
| daily_cases_avg7 | 25615 | 0.01 | 0.43 | FAL: 119, TRU: 88 |
| daily_cases_PCR | 23995 | 0.07 | 0.34 | FAL: 1202, TRU: 625 |
| daily_cases_PCR_avg7 | 25526 | 0.01 | 0.36 | FAL: 190, TRU: 106 |
| daily_deaths | 14143 | 0.45 | 0.30 | FAL: 8189, TRU: 3490 |
| daily_deaths_hosp_eus | 25448 | 0.01 | 0.39 | FAL: 230, TRU: 144 |
| daily_deaths_inc | 17692 | 0.31 | 0.04 | FAL: 7788, TRU: 342 |
| daily_deaths_avg3 | 20355 | 0.21 | 0.24 | FAL: 4163, TRU: 1304 |
| daily_deaths_avg7 | 22952 | 0.11 | 0.20 | FAL: 2283, TRU: 587 |
| daily_deaths_avg7_hosp_eus | 25759 | 0.00 | 0.38 | FAL: 39, TRU: 24 |
| ia14 | 25706 | 0.00 | 0.35 | FAL: 75, TRU: 41 |
| source_name | 25822 | 0.00 | NaN | : |
| source | 25822 | 0.00 | NaN | : |
| comments | 25822 | 0.00 | NaN | : |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| ine_code | 0 | 1.00 | 26.50 | 15.01 | 1 | 13.00 | 26.0 | 40.00 | 52.0 | ▇▇▇▇▇ |
| num_casos | 5490 | 0.79 | 126.87 | 354.81 | 0 | 2.00 | 26.0 | 113.00 | 6743.0 | ▇▁▁▁▁ |
| num_casos_prueba_pcr | 5490 | 0.79 | 104.85 | 298.71 | 0 | 1.00 | 22.0 | 96.00 | 6726.0 | ▇▁▁▁▁ |
| num_casos_prueba_test_ac | 5490 | 0.79 | 0.23 | 1.40 | 0 | 0.00 | 0.0 | 0.00 | 32.0 | ▇▁▁▁▁ |
| num_casos_prueba_ag | 5490 | 0.79 | 21.50 | 109.87 | 0 | 0.00 | 0.0 | 4.00 | 3411.0 | ▇▁▁▁▁ |
| num_casos_prueba_elisa | 5490 | 0.79 | 0.18 | 2.07 | 0 | 0.00 | 0.0 | 0.00 | 86.0 | ▇▁▁▁▁ |
| num_casos_prueba_desconocida | 5490 | 0.79 | 0.10 | 1.26 | 0 | 0.00 | 0.0 | 0.00 | 65.0 | ▇▁▁▁▁ |
| num_casos_cum1 | 5490 | 0.79 | 12743.52 | 36583.56 | 0 | 751.00 | 3041.5 | 10427.00 | 493480.0 | ▇▁▁▁▁ |
| num_casos2 | 30 | 1.00 | 137.96 | 390.88 | 0 | 3.00 | 35.0 | 119.00 | 7738.0 | ▇▁▁▁▁ |
| num_hosp | 30 | 1.00 | 13.59 | 52.02 | 0 | 0.00 | 3.0 | 11.00 | 1930.0 | ▇▁▁▁▁ |
| num_uci | 30 | 1.00 | 1.26 | 4.17 | 0 | 0.00 | 0.0 | 1.00 | 135.0 | ▇▁▁▁▁ |
| num_def | 30 | 1.00 | 3.04 | 10.45 | 0 | 0.00 | 1.0 | 3.00 | 334.0 | ▇▁▁▁▁ |
| num_casos_cum2 | 30 | 1.00 | 22795.71 | 58559.73 | 0 | 1295.75 | 5208.0 | 23072.50 | 696000.0 | ▇▁▁▁▁ |
| num_hosp_cum | 30 | 1.00 | 3103.64 | 8754.94 | 0 | 376.00 | 1164.5 | 2520.25 | 98453.0 | ▇▁▁▁▁ |
| num_uci_cum | 30 | 1.00 | 273.03 | 662.16 | 0 | 40.00 | 107.0 | 242.00 | 7456.0 | ▇▁▁▁▁ |
| num_def_cum | 30 | 1.00 | 717.78 | 1674.07 | 0 | 90.00 | 317.0 | 665.00 | 15139.0 | ▇▁▁▁▁ |
| poblacion | 0 | 1.00 | 904098.64 | 1176256.42 | 84777 | 316798.00 | 581078.0 | 1022800.00 | 6663394.0 | ▇▁▁▁▁ |
| deaths_last_week | 0 | 1.00 | 24.87 | 96.09 | -18 | 0.00 | 7.0 | 21.00 | 2366.0 | ▇▁▁▁▁ |
| num_casos_avg7 | 5802 | 0.78 | 127.38 | 339.57 | 0 | 2.10 | 27.7 | 115.40 | 4499.7 | ▇▁▁▁▁ |
| num_casos_prueba_pcr_avg7 | 5802 | 0.78 | 105.47 | 286.49 | 0 | 2.00 | 24.1 | 99.40 | 4191.3 | ▇▁▁▁▁ |
| num_casos2_avg7 | 342 | 0.99 | 139.33 | 357.39 | 0 | 4.30 | 39.7 | 123.40 | 5135.3 | ▇▁▁▁▁ |
skimr::skim(X02001)| Name | X02001 |
| Number of rows | 1716 |
| Number of columns | 4 |
| _______________________ | |
| Column type frequency: | |
| character | 4 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| Provincias | 0 | 1 | 4 | 22 | 0 | 52 | 0 |
| Ramas.de.actividad | 0 | 1 | 15 | 244 | 0 | 10 | 0 |
| periodo | 0 | 1 | 4 | 7 | 0 | 3 | 0 |
| Total | 0 | 1 | 3 | 11 | 0 | 1558 | 0 |
skimr::skim(data_raw)| Name | data_raw |
| Number of rows | 25822 |
| Number of columns | 15 |
| _______________________ | |
| Column type frequency: | |
| character | 2 |
| Date | 1 |
| numeric | 12 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| province | 0 | 1 | 4 | 22 | 0 | 52 | 0 |
| ccaa | 0 | 1 | 5 | 27 | 0 | 19 | 0 |
Variable type: Date
| skim_variable | n_missing | complete_rate | min | max | median | n_unique |
|---|---|---|---|---|---|---|
| date | 0 | 1 | 2020-01-01 | 2021-05-11 | 2020-09-05 | 497 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| ine_code | 0 | 1 | 26.50 | 15.01 | 1 | 13.0 | 26.0 | 40.00 | 52.0 | ▇▇▇▇▇ |
| num_casos2 | 0 | 1 | 137.80 | 390.68 | 0 | 3.0 | 34.0 | 119.00 | 7738.0 | ▇▁▁▁▁ |
| num_hosp | 0 | 1 | 13.57 | 51.99 | 0 | 0.0 | 3.0 | 11.00 | 1930.0 | ▇▁▁▁▁ |
| num_uci | 0 | 1 | 1.26 | 4.17 | 0 | 0.0 | 0.0 | 1.00 | 135.0 | ▇▁▁▁▁ |
| num_def | 0 | 1 | 3.04 | 10.45 | 0 | 0.0 | 1.0 | 3.00 | 334.0 | ▇▁▁▁▁ |
| num_casos_cum2 | 0 | 1 | 22769.23 | 58530.86 | 0 | 1283.0 | 5185.5 | 23046.75 | 696000.0 | ▇▁▁▁▁ |
| num_hosp_cum | 0 | 1 | 3100.03 | 8750.49 | 0 | 374.0 | 1163.0 | 2517.75 | 98453.0 | ▇▁▁▁▁ |
| num_uci_cum | 0 | 1 | 272.71 | 661.84 | 0 | 40.0 | 107.0 | 242.00 | 7456.0 | ▇▁▁▁▁ |
| num_def_cum | 0 | 1 | 716.95 | 1673.27 | 0 | 90.0 | 316.0 | 665.00 | 15139.0 | ▇▁▁▁▁ |
| poblacion | 0 | 1 | 904098.64 | 1176256.42 | 84777 | 316798.0 | 581078.0 | 1022800.00 | 6663394.0 | ▇▁▁▁▁ |
| deaths_last_week | 0 | 1 | 24.87 | 96.09 | -18 | 0.0 | 7.0 | 21.00 | 2366.0 | ▇▁▁▁▁ |
| num_casos2_avg7 | 0 | 1 | 137.48 | 355.37 | 0 | 3.9 | 38.3 | 121.60 | 5135.3 | ▇▁▁▁▁ |
skimr::skim(ine_raw)| Name | ine_raw |
| Number of rows | 52 |
| Number of columns | 34 |
| _______________________ | |
| Column type frequency: | |
| character | 34 |
| ________________________ | |
| Group variables | None |
Variable type: character
| skim_variable | n_missing | complete_rate | min | max | empty | n_unique | whitespace |
|---|---|---|---|---|---|---|---|
| Provincias | 0 | 1 | 4 | 22 | 0 | 52 | 0 |
| PRODUCTO.INTERIOR.BRUTO.A.PRECIOS.DE.MERCADO_2018.P..2 | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| PRODUCTO.INTERIOR.BRUTO.A.PRECIOS.DE.MERCADO_2018.P..3 | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| PRODUCTO.INTERIOR.BRUTO.A.PRECIOS.DE.MERCADO_2017.4 | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| PRODUCTO.INTERIOR.BRUTO.A.PRECIOS.DE.MERCADO_2017.5 | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| PRODUCTO.INTERIOR.BRUTO.A.PRECIOS.DE.MERCADO_2016.6 | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| PRODUCTO.INTERIOR.BRUTO.A.PRECIOS.DE.MERCADO_2016.7 | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| A..Agricultura..ganadería..silvicultura.y.pesca_2018.P. | 0 | 1 | 3 | 9 | 0 | 52 | 0 |
| A..Agricultura..ganadería..silvicultura.y.pesca_2017 | 0 | 1 | 3 | 9 | 0 | 52 | 0 |
| A..Agricultura..ganadería..silvicultura.y.pesca_2016 | 0 | 1 | 3 | 9 | 0 | 52 | 0 |
| B_E..Industrias.extractivas..industria.manufacturera..suministro.de.energía.eléctrica..gas..vapor.y.aire.acondicionado..suministro.de.agua..actividades.de.saneamiento..gestión.de.residuos.y.descontaminación_2018.P. | 0 | 1 | 6 | 10 | 0 | 52 | 0 |
| B_E..Industrias.extractivas..industria.manufacturera..suministro.de.energía.eléctrica..gas..vapor.y.aire.acondicionado..suministro.de.agua..actividades.de.saneamiento..gestión.de.residuos.y.descontaminación_2017 | 0 | 1 | 6 | 10 | 0 | 52 | 0 |
| B_E..Industrias.extractivas..industria.manufacturera..suministro.de.energía.eléctrica..gas..vapor.y.aire.acondicionado..suministro.de.agua..actividades.de.saneamiento..gestión.de.residuos.y.descontaminación_2016 | 0 | 1 | 6 | 10 | 0 | 52 | 0 |
| C….De.las.cuales..Industria.manufacturera_2018.P. | 0 | 1 | 6 | 10 | 0 | 52 | 0 |
| C….De.las.cuales..Industria.manufacturera_2017 | 0 | 1 | 6 | 10 | 0 | 52 | 0 |
| C….De.las.cuales..Industria.manufacturera_2016 | 0 | 1 | 6 | 10 | 0 | 52 | 0 |
| F..Construcción_2018.P. | 0 | 1 | 6 | 10 | 0 | 52 | 0 |
| F..Construcción_2017 | 0 | 1 | 6 | 9 | 0 | 52 | 0 |
| F..Construcción_2016 | 0 | 1 | 6 | 9 | 0 | 51 | 0 |
| G_J..Comercio.al.por.mayor.y.al.por.menor..reparación.de.vehículos.de.motor.y.motocicletas..transporte.y.almacenamiento..hostelería..información.y.comunicaciones_2018.P. | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| G_J..Comercio.al.por.mayor.y.al.por.menor..reparación.de.vehículos.de.motor.y.motocicletas..transporte.y.almacenamiento..hostelería..información.y.comunicaciones_2017 | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| G_J..Comercio.al.por.mayor.y.al.por.menor..reparación.de.vehículos.de.motor.y.motocicletas..transporte.y.almacenamiento..hostelería..información.y.comunicaciones_2016 | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| K_N..Actividades.financieras.y.de.seguros..actividades.inmobiliarias..actividades.profesionales..científicas.y.técnicas..actividades.administrativas.y.servicios.auxiliares_2018.P. | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| K_N..Actividades.financieras.y.de.seguros..actividades.inmobiliarias..actividades.profesionales..científicas.y.técnicas..actividades.administrativas.y.servicios.auxiliares_2017 | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| K_N..Actividades.financieras.y.de.seguros..actividades.inmobiliarias..actividades.profesionales..científicas.y.técnicas..actividades.administrativas.y.servicios.auxiliares_2016 | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| O_U..Administración.pública.y.defensa..seguridad.social.obligatoria..educación..actividades.sanitarias.y.de.servicios.sociales..actividades.artísticas..recreativas.y.de.entretenimiento..reparación.de.artículos.de.uso.doméstico.y.otros.servicios_2018.P. | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| O_U..Administración.pública.y.defensa..seguridad.social.obligatoria..educación..actividades.sanitarias.y.de.servicios.sociales..actividades.artísticas..recreativas.y.de.entretenimiento..reparación.de.artículos.de.uso.doméstico.y.otros.servicios_2017 | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| O_U..Administración.pública.y.defensa..seguridad.social.obligatoria..educación..actividades.sanitarias.y.de.servicios.sociales..actividades.artísticas..recreativas.y.de.entretenimiento..reparación.de.artículos.de.uso.doméstico.y.otros.servicios_2016 | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| Valor.añadido.bruto.total_2018.P. | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| Valor.añadido.bruto.total_2017 | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| Valor.añadido.bruto.total_2016 | 0 | 1 | 9 | 11 | 0 | 52 | 0 |
| Impuestos.netos.sobre.los.productos_2018.P. | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| Impuestos.netos.sobre.los.productos_2017 | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
| Impuestos.netos.sobre.los.productos_2016 | 0 | 1 | 7 | 10 | 0 | 52 | 0 |
Fecha
ccaa
provincia
casos
hospitalizados
uci
defuncionesPIB 2018Utilizar alguna herramienta para crear una propuesta de diseño inicial o mockup que responda una pregunta básica sobre el conjunto de datos.
(https://www.figma.com/file/3QdnGPU5CwuhdHGnXjJs4e/Flow-Chart-Copy?node-id=70941%3A42)
Determinar qué elementos interactivos pueden añadirse a la propuesta inicial para mejorar sus capacidades como herramienta de análisis visual.
Los elementos interactivos a añadir en la propuesta inicial para mejorar las capacidades son:
(covid19_provincias_timeseries <- data_raw %>%
ggplot(aes(date, num_casos2, group = province)) +
geom_line(aes(color = province), alpha = 0.25) +
geom_smooth(
aes(group = NULL),
method = "loess",
span = 0.1,
se = FALSE,
size = 1.5,
color = "red"
) +
theme_minimal() +
labs(y = "", x = "", title = "Media nuevos casos")
ggplotly(covid19_provincias_timeseries)covid19_ccaa_timeseries <- covid19_provincias_spain_consolidated %>%
ggplot(aes(date, num_casos2, group = ccaa)) +
geom_line(aes(color = ccaa, shape=ccaa), alpha = 0.25) +
geom_smooth(
aes(group = NULL),
method = "loess",
span = 0.1,
se = FALSE,
size = 1.5,
color = "blue"
) +
theme_minimal() +
labs(y = "", x = "", title = "Media nuevos casos")
ggplotly(covid19_ccaa_timeseries)covid19_ccaa_timeseries <- covid19_provincias_spain_consolidated %>%
ggplot(aes(date, num_def, group = ccaa)) +
geom_line(aes(color = ccaa, shape=ccaa), alpha = 0.25) +
geom_smooth(
aes(group = NULL),
method = "loess",
span = 0.1,
se = FALSE,
size = 1.5,
color = "blue"
) +
theme_minimal() +
labs(y = "", x = "", title = "Media de decesos")
ggplotly(covid19_ccaa_timeseries)gg_ccaa_cresta <- covid19_provincias_spain_consolidated %>%
#drop_na() %>%
dplyr::mutate(ccaa = factor(ccaa) %>% fct_reorder(num_casos2) %>% fct_rev()) %>%
filter(as.numeric(ccaa) %in% (1:5)) %>%
ggplot(aes(x = num_casos2, y = fct_rev(ccaa))) +
geom_density_ridges(
aes(color = ccaa, shape = ccaa),
fill="grey10",
alpha = 0.75,
size = 1
) +
scale_x_continuous() +
theme_minimal() +
labs(x = "Media nuevos casos", y = "", title = "Top 5 CCAA por Media número de casos")
gg_ccaa_cresta
Implementar usando cualquier herramienta la versión interactiva que permita la manipulación de diferentes elementos de la visualización interactiva.
Dashboard
(
¿Cuantos hospitalizados ha tenido Madrid)
Nos lo ofrece el Dashboard de datastudio filtrando por Madrid
¿Cual es el total de casos?
Nos lo ofrece directamente datastudio directamente
¿Podemos ver las 3 olas de contagios desde enero de 2020))
Si. Cualquier de las gráficas donde el valor de la abcisa sea date (la fecha), nos mostrará los 3 picos principales durante este periodo. En el caso de Pais Vasco o Navarra podemos ver hasta 4 olas.