Casos COVID en Colombia
Nombrar archivo excel
——————
library(readr)
COVID <- read_csv("Downloads/COVID.csv")##
## ── Column specification ────────────────────────────────────────────────────────
## cols(
## .default = col_character(),
## `ID de caso` = col_number(),
## `Código DIVIPOLA departamento` = col_number(),
## `Código DIVIPOLA municipio` = col_number(),
## Edad = col_double(),
## `Unidad de medida de edad` = col_double(),
## `Código ISO del país` = col_double(),
## `Pertenencia étnica` = col_double()
## )
## ℹ Use `spec()` for the full column specifications.## Warning: 16 parsing failures.
## row col expected actual file
## 1559363 Código ISO del país no trailing characters 1,724 'Downloads/COVID.csv'
## 1559384 Código ISO del país no trailing characters 1,249 'Downloads/COVID.csv'
## 1559433 Código ISO del país no trailing characters 1,580 'Downloads/COVID.csv'
## 1559434 Código ISO del país no trailing characters 1,239 'Downloads/COVID.csv'
## 1559442 Código ISO del país no trailing characters 1,580 'Downloads/COVID.csv'
## ....... ................... ...................... ...... .....................
## See problems(...) for more details.Exportar datos de Antioquia
——————
Antioquia <- COVID[COVID$"Nombre departamento"=="ANTIOQUIA",]
Antioquia## # A tibble: 526,190 x 23
## `fecha reporte we… `ID de caso` `Fecha de notificac… `Código DIVIPOLA depart…
## <chr> <dbl> <chr> <dbl>
## 1 9/3/2020 0:00:00 3 7/3/2020 0:00:00 5
## 2 11/3/2020 0:00:00 4 9/3/2020 0:00:00 5
## 3 11/3/2020 0:00:00 5 9/3/2020 0:00:00 5
## 4 11/3/2020 0:00:00 6 10/3/2020 0:00:00 5
## 5 14/3/2020 0:00:00 20 11/3/2020 0:00:00 5
## 6 14/3/2020 0:00:00 21 11/3/2020 0:00:00 5
## 7 14/3/2020 0:00:00 22 12/3/2020 0:00:00 5
## 8 15/3/2020 0:00:00 32 11/3/2020 0:00:00 5
## 9 19/3/2020 0:00:00 106 19/3/2020 0:00:00 5
## 10 19/3/2020 0:00:00 107 12/3/2020 0:00:00 5
## # … with 526,180 more rows, and 19 more variables: Nombre departamento <chr>,
## # Código DIVIPOLA municipio <dbl>, Nombre municipio <chr>, Edad <dbl>,
## # Unidad de medida de edad <dbl>, Sexo <chr>, Tipo de contagio <chr>,
## # Ubicación del caso <chr>, Estado <chr>, Código ISO del país <dbl>,
## # Nombre del país <chr>, Recuperado <chr>, Fecha de inicio de síntomas <chr>,
## # Fecha de muerte <chr>, Fecha de diagnóstico <chr>,
## # Fecha de recuperación <chr>, Tipo de recuperación <chr>,
## # Pertenencia étnica <dbl>, Nombre del grupo étnico <chr>Histograma
——————
edad <- Antioquia["Edad"]
hist(Antioquia$Edad, col = c("lightpink","mistyrose","rosybrown3","rosybrown1"), main = "HISTOGRAMA DE EDADES COVID ANTIOQUIA", ylab = "Frecuencia", xlab = "Edades de Contagiados")
Summary edades
——————
summary(Antioquia$Edad)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 27.00 37.00 39.92 52.00 110.00Data frame
——————
TIPOCONTAGIO <- Antioquia["Tipo de contagio"]
TIPOCONTAGIO## # A tibble: 526,190 x 1
## `Tipo de contagio`
## <chr>
## 1 Importado
## 2 Relacionado
## 3 Relacionado
## 4 Relacionado
## 5 Relacionado
## 6 Relacionado
## 7 Importado
## 8 Importado
## 9 Importado
## 10 Importado
## # … with 526,180 more rowsNOMBREPAIS <- Antioquia["Nombre del país"]
NOMBREPAIS## # A tibble: 526,190 x 1
## `Nombre del país`
## <chr>
## 1 ESPAÑA
## 2 <NA>
## 3 <NA>
## 4 <NA>
## 5 <NA>
## 6 <NA>
## 7 ESTADOS UNIDOS DE AMÉRICA
## 8 ESPAÑA
## 9 ESPAÑA
## 10 ESPAÑA
## # … with 526,180 more rowsTabla1 <- data.frame(TIPOCONTAGIO, NOMBREPAIS)Frecuencia relativa
——————
PORCENTAJETIPOCONTAGIO <- table(TIPOCONTAGIO)
PORCENTAJETIPOCONTAGIO## TIPOCONTAGIO
## Comunitaria En estudio Importado Relacionado
## 204618 230650 849 90073Diagrama de tarta 3D
——————
library(plotrix)
etiquetas1 <- c("Comunitaria", "En estudio", "Importado", "Relacionado")
pie3D(PORCENTAJETIPOCONTAGIO,labels=etiquetas1,
explode=0.000001, main="Tipos de Contagio", col = c("lightpink","mistyrose","rosybrown3","rosybrown1"))
Summary tipos contagio
——————
summary(PORCENTAJETIPOCONTAGIO)## Number of cases in table: 526190
## Number of factors: 1Pairs tipos contagio
——————
pairs(PORCENTAJETIPOCONTAGIO,col=c("lightpink"))
Sumatoria
——————
RECUYMUER <- Antioquia["Recuperado"]
Recuperados = sum(RECUYMUER=="Recuperado")
Fallecidos = sum(RECUYMUER=="Fallecido")
Recuperados## [1] 495754Fallecidos## [1] 11674Gráfica recuperados vs fallecidos
——————
plot(Recuperados, Fallecidos,col="lightpink", main="Recuperados vs Fallecidos")
Diagrama de tarta 2D fallecidos vs recuperados
——————
etiquetas2 <- c("Recuperados", "Fallecidos")
RvsF <- c(Recuperados, Fallecidos)
pie(RvsF,labels=etiquetas2, main="Fallecido vs Recuperados", col= c("lightpink","mistyrose"), 14)
Diagrama de tarta 3D fallecidos vs recuperados
——————
etiquetas3 <- c("Fallecidos","Recuperados")
pie3D(RvsF,labels=etiquetas3,explode=0, main="Recuperados vs Fallecidos", col = c("lightpink","mistyrose"), 9 )
Tipo de recuperacion
——————
Tipo_recuperacion <- Antioquia["Tipo de recuperación"]
tipo_recuperacion1 <- table(Tipo_recuperacion)
pie(tipo_recuperacion1,col=c("lightpink","mistyrose"), main="Tipo de recuperacion")
Summary tipo de recuperacion
——————
summary(tipo_recuperacion1)## Number of cases in table: 495754
## Number of factors: 1Pairs tipo de recuperacion
——————
pairs(tipo_recuperacion1,col=c("lightpink"))
Contagiados por sexo F/M
——————
sexo_antioquia= Antioquia["Sexo"]
sexo_antioquia1= table(sexo_antioquia)
pie(sexo_antioquia1, col=c("lightpink","mistyrose"), main="Numero de contagiados por sexo")
Summary sexo contgiados
——————
summary(sexo_antioquia1)## Number of cases in table: 526190
## Number of factors: 1Pairs contagiados por sexo
——————
pairs(sexo_antioquia1,col=c("lightpink"))
Grafica contagios en todos los municipios
——————
MUNICIPIO <- Antioquia["Nombre municipio"]
MUNICIPIOS1 <- table(MUNICIPIO)
plot(MUNICIPIOS1, col = c("lightpink"))
pie(MUNICIPIOS1,col = c("lightpink","mistyrose","rosybrown3"), main="Contagiados en todos los municipios")
Summary municipios
——————
summary(MUNICIPIOS1)## Number of cases in table: 526190
## Number of factors: 1Pairs contagiados por municipios
——————
pairs(MUNICIPIOS1,col=c("lightpink"))
Numero de contagiados en Medellin
——————
MEDELLIN=sum(MUNICIPIO=="MEDELLIN")
MEDELLIN## [1] 296683Numero de contagiados en Itagui
——————
ITAGUI=sum(MUNICIPIO=="ITAGUI")
ITAGUI## [1] 32944Numero de contagiados en Bello
——————
BELLO=sum(MUNICIPIO=="BELLO")
BELLO## [1] 43821Numero de contagiados en Rionegro
——————
RIONEGRO=sum(MUNICIPIO=="RIONEGRO")
RIONEGRO## [1] 17833Grafica de contagiados por municipios
——————
MUNICIPIOS3=c(MEDELLIN,ITAGUI,BELLO,RIONEGRO)
etiquetas4=c("Medellin","Itagui","Bello","Rionegro")
pie(MUNICIPIOS3, label=etiquetas4, col=c("lightpink","mistyrose","rosybrown3","rosybrown1"), main="Contagiados por municipios")
Municipios Area Metropolitana
——————
MUNICIPIOSAM <- table(MUNICIPIO == c("BARBOSA","COPACABANA","GIRARDOTA", "BELLO","MEDELLIN", "ENVIGADO", "ITAGUI", "SABANETA", "LA ESTRELLA","CALDAS"))
etiquetas3 <- c("Resto del departamento", "Área Metropolitana")
pie(MUNICIPIOSAM, main = "Casos Área Metropolinana vs Casos Resto del Departamento",
labels = etiquetas3, col=c("lightpink","mistyrose"), 8)
Graficas contagiados area metropolitana vs resto del departamento
——————
pairs(MUNICIPIOSAM,col=c("lightpink"))
Estado del paciente
——————
estado=Antioquia["Estado"]
estado## # A tibble: 526,190 x 1
## Estado
## <chr>
## 1 Leve
## 2 Leve
## 3 Leve
## 4 Leve
## 5 Leve
## 6 Leve
## 7 Leve
## 8 Leve
## 9 Leve
## 10 Leve
## # … with 526,180 more rowsestado2=table(estado)
etiquetas5=c("fallecido","moderado", "grave","leves")
pie3D(estado2, explode=0, labels=etiquetas5,col=c("lightpink","mistyrose"), main="Estado del paciente")
Graficas estado del paciente
——————
pairs(estado2,col=c("lightpink"))
Histograma Pertenencia etnica
——————
hist(Antioquia$`Pertenencia étnica`, col=c("lightpink","mistyrose","rosybrown3","rosybrown1"), main="Pertenencia etnica")