Introduccion

Coronavirus es una familia de

library(pacman) #para importar la biblioteca "pacman"
p_load("base64enc", "htmltools", "mime", "xfun", "prettydoc","readr", "knitr","DT","dplyr", "ggplot2","plotly", "gganimate","gifski","scales","ggdark")

Importacion de datos

#se realiza la declaración de las variables que contendrán las url en donde se encuentran los datos crudos de confirmados, decesos, recuperados

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"

#Leer los archivos .csv de las url 

datos_conf <- read.csv(url_conf)
datos_decesos <- read.csv(url_decesos)
datos_recuperados <- read.csv(url_recuperados)

#definir variables 

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" ,])


#casos <- read.csv("docs/Casos_Diarios_Estado_Nacional_Confirmados_20211014.csv")

Fecha <- seq(from = as.Date("2020-01-22"), to = as.Date("2021-10-15"), by = "day"   )
#casos confirmados 
vec1 <- as.vector(conf_mex)
vec2 <- vec1[5:637]
num1 <- as.numeric(vec2)
Confirmados <- as.vector(num1)

#decesos 
vec1 <- as.vector(dec_mex)
vec2 <- vec1[5:637]
num1 <- as.numeric(vec2)
Decesos <- as.vector(num1)

#recuperados
vec1 <- as.vector(rec_mex)
vec2 <- vec1[5:637]
num1 <- as.numeric(vec2)
Recuperados <- as.vector(num1)

#generación de un marco de datos (data frame)

datos1 <- data.frame(Fecha, Confirmados, Decesos, Recuperados)
  • Se generan las Fechas por mes para realizar el grafico
scala <- seq(from = as.Date("2020-01-22"), to = as.Date("2021-10-15"), by = "month")

scala
##  [1] "2020-01-22" "2020-02-22" "2020-03-22" "2020-04-22" "2020-05-22"
##  [6] "2020-06-22" "2020-07-22" "2020-08-22" "2020-09-22" "2020-10-22"
## [11] "2020-11-22" "2020-12-22" "2021-01-22" "2021-02-22" "2021-03-22"
## [16] "2021-04-22" "2021-05-22" "2021-06-22" "2021-07-22" "2021-08-22"
## [21] "2021-09-22"
gcov <- ggplot(data = datos1) +
  geom_line(aes(Fecha, Confirmados, colour="Confirmados")) + 
  geom_line(aes(Fecha, Decesos, colour="Decesos")) +
  geom_line(aes(Fecha, Recuperados, colour="Recuperados")) + 
  
  xlab("Fecha") +
  ylab("COVID-19 en México") +
  labs(colour="casos")+
  ggtitle("Casos de COVID-19 en México (Fuente: JHU CSSE") +
  scale_y_continuous(labels = comma) +
scale_x_continuous(breaks = scala) +
  theme(axis.text.x = element_text(angle = 70, hjust = 1))
ggplotly(gcov, width = 1200)
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