Examen Final
Manejo de Bases de Datos y programación, METPOL
Cristina Martin del Campo Nuñez
17/12/2021
library(readxl)
library(tidyverse)
library(lubridate)
library(stringr)
library(knitr)
library(xlsx)
library(plotly)
library(rgdal)
library(RColorBrewer)
library(leaflet)
library(htmltools)setwd("C:/Cristina/CIDE/Primer Semestre/Programacion/Final")Ejercicio
Utilizando la información brindada por la Secretaría de Salud Federal sobre los casos de COVID-19 detectados en la República Mexicana, y considerando solamente los casos positivos se generarán tablas y gráficas.
Antes de ello, se tiene que hacer un pre-procesamiento de la base de datos:
### Carga de datos
X211130COVID19MEXICO <- read.csv("211130COVID19MEXICO.csv",
encoding = "UTF-8")El Economista 1 señaló que la Secretaría de Salud para el último día del mes del noviembre del presente año se registraban 3,887,873 casos acumulados de COVID-19 en México.
La base de datos abarca desde el 13 de marzo del 2020 hasta el 30 de noviembre del 2021. Revisando su estructura y los catalogos adjuntos resulta que la suma de:
* CASO DE COVID-19 CONFIRMADO POR ASOCIACIÓN CLÍNICA EPIDEMIOLÓGICA (CLAVE 1)
* CASO DE COVID-19 CONFIRMADO POR COMITÉ DE DICTAMINACIÓN (CLAVE 2)
* CASO DE SARS-COV-2 CONFIRMADO (CLAVE 3)
De la columna CLASIFICACION_FINAL equivalen a los casos reportados por la Secretaría.
CLAS_FIN<-X211130COVID19MEXICO %>% group_by(CLASIFICACION_FINAL) %>% count(CLASIFICACION_FINAL)
CLAS_FIN## # A tibble: 7 x 2
## # Groups: CLASIFICACION_FINAL [7]
## CLASIFICACION_FINAL n
## <int> <int>
## 1 1 245851
## 2 2 14732
## 3 3 3627290
## 4 4 11448
## 5 5 81936
## 6 6 470439
## 7 7 7409490### Se filtran los casos positivos
Positivos<-filter(X211130COVID19MEXICO, X211130COVID19MEXICO$CLASIFICACION_FINAL<4)
dim(Positivos)## [1] 3887873 40rm(X211130COVID19MEXICO)Por otro lado, se realiza el filtrado de los casos presentados en una entidad federativa con más de 20 municipios, en este caso Tamaulipas
### Se filtran los casos de Tamaulipas
Tamaulipas<-filter(Positivos, Positivos$ENTIDAD_RES=="28" )
rm(Positivos,
CLAS_FIN)Dado que la base de datos cuenta con la clave pero no con el dato del nombre del municipio se tiene que hacer la combinación con el catalogo correspondiente.
### Carga de catálogo
cat_muni<-read_excel("201128 Catalogos.xlsx",sheet = "Catálogo MUNICIPIOS")
cat_mun_tmps<-filter(cat_muni, cat_muni$CLAVE_ENTIDAD=="28" )Sin embargo, antes de hacer esta “combinación” se tiene que buscar que existan campos en común por lo que se modifican las claves
### Modificación claves
Tamaulipas$MUNICIPIO_RES<-str_pad(Tamaulipas$MUNICIPIO_RES,3,side="left",pad="0") #todos los que son longitud cuatro se quedan igual, los de menor longitud se rellenan con ceros
### Cobinación de tablas
Tamps_COVID<-merge(x=cat_mun_tmps,
y=Tamaulipas,
by.x = "CLAVE_MUNICIPIO",
by.y = "MUNICIPIO_RES",
all.x = FALSE,
sort = FALSE)
rm(Tamaulipas,
cat_muni,
cat_mun_tmps)
gc()## used (Mb) gc trigger (Mb) max used (Mb)
## Ncells 1543145 82.5 15620324 834.3 13926648 743.8
## Vcells 13450752 102.7 752106108 5738.2 938615659 7161.11 Tablas
1.1 Porcentaje de defunciones por municipio
Como primer paso, se crea una columna de puros “1” para poder contar más facilmente los casos positivos, lo cuál será útil para todo el desarrollo.
Tamps_COVID$CUENTA<-1Se crea una nueva columna para contabilizar las no defunciones que se obtienen a partir de los NA que resultan de establecer la columna de “Fecha de defunción” a tipo fecha
### Se establece el formato fecha
Tamps_COVID$FECHA_DEF<-as.Date(Tamps_COVID$FECHA_DEF, format="%Y-%m-%d")
### Se crea nueva columna
Tamps_COVID$DEFUN<-0
### Se rellena la nueva columna
for (i in 1:dim(Tamps_COVID)[1]) {
if(is.na(Tamps_COVID[i,15])==T){
Tamps_COVID[i,44]<-0
} else {
Tamps_COVID[i,44]<-1
}
}Para el cálculo del porcentaje de defunciones se crea una tabla resumen que contabilice tanto el número de casos positivos como el número de defunciones pra así realizar la división
### Creación tabla resumen
DEFUNCIONES<-aggregate(cbind((CUENTA),(DEFUN))~ CLAVE_MUNICIPIO+MUNICIPIO,
data=Tamps_COVID,sum)
### Cambio de encabezados
names(DEFUNCIONES)<-c("Clave","Municipio","Positivos","Defunciones")
### Se realiza la operación
DEFUNCIONES$PC_Defunciones<-round(((DEFUNCIONES$Defunciones/DEFUNCIONES$Positivos)*100), 2)
### Se ordenan de mayor a menor
DEFUNCIONES<-DEFUNCIONES[order(DEFUNCIONES$PC_Defunciones,decreasing = TRUE),]
### Se muestran
DEFUNCIONES## Clave Municipio Positivos Defunciones PC_Defunciones
## 16 015 GUSTAVO DÍAZ ORDAZ 96 19 19.79
## 30 029 OCAMPO 117 23 19.66
## 10 010 CRUILLAS 18 3 16.67
## 32 031 PALMILLAS 12 2 16.67
## 44 043 XICOTÉNCATL 445 70 15.73
## 26 026 MIQUIHUANA 27 4 14.81
## 13 012 GONZÁLEZ 452 60 13.27
## 29 028 NUEVO MORELOS 50 6 12.00
## 28 027 NUEVO LAREDO 8177 935 11.43
## 4 004 ANTIGUO MORELOS 125 14 11.20
## 6 006 BUSTAMANTE 36 4 11.11
## 12 011 GÓMEZ FARÍAS 103 11 10.68
## 40 039 TULA 388 40 10.31
## 17 016 HIDALGO 171 17 9.94
## 34 033 RÍO BRAVO 1987 196 9.86
## 33 032 REYNOSA 15289 1458 9.54
## 8 008 CASAS 21 2 9.52
## 14 013 GÜÉMEZ 141 13 9.22
## 20 019 LLERA 159 14 8.81
## 11 021 EL MANTE 4574 352 7.70
## 21 020 MAINERO 54 4 7.41
## 1 001 ABASOLO 150 11 7.33
## 41 040 VALLE HERMOSO 1330 91 6.84
## 39 038 TAMPICO 15142 964 6.37
## 9 009 CIUDAD MADERO 8614 515 5.98
## 35 034 SAN CARLOS 85 5 5.88
## 22 022 MATAMOROS 15543 894 5.75
## 24 024 MIER 140 8 5.71
## 25 025 MIGUEL ALEMÁN 788 44 5.58
## 19 018 JIMÉNEZ 72 4 5.56
## 7 007 CAMARGO 290 15 5.17
## 43 042 VILLAGRÁN 40 2 5.00
## 3 003 ALTAMIRA 9557 458 4.79
## 23 023 MÉNDEZ 21 1 4.76
## 36 035 SAN FERNANDO 1091 50 4.58
## 42 041 VICTORIA 14745 574 3.89
## 2 002 ALDAMA 1062 41 3.86
## 5 005 BURGOS 26 1 3.85
## 38 037 SOTO LA MARINA 1054 24 2.28
## 18 017 JAUMAVE 372 8 2.15
## 31 030 PADILLA 452 7 1.55
## 15 014 GUERRERO 67 0 0.00
## 27 999 NO ESPECIFICADO 2 0 0.00
## 37 036 SAN NICOLÁS 13 0 0.00Se observa que en ningún municipio se registran porcentajes de defunción de 20% o mayores, así mismo se observa que los municipios con un mayor porcentaje de defuncione, no son los municipios ni con más casos ni con mayor número de defunciones.
1.2 Porcentaje de casos positivos con al menos una comorbilidad a nivel municipal
Según el catalogo, el si está indicado por un “1”, en ese caso cuando se reporte “1” en cualquiera de estas columnas se considera un positivo con comorbilidad
- DIABETES
- EPOC
- ASMA
- INMUSUPR
- HIPERTENSION
- OTRAS_COM
- CARDIOVASCULAR
- OBESIDAD
- RENAL_CRONICA
- TABAQUISMO Entonces, se crea una nueva columna para indicar si al paciente tiene alguna comorbilidad y se rellena usando la condicional case_when y varias condiciones usando la expresión lógica or (|)
### Se modifica el DF para agregar y rellenar una columna
Tamps_COVID <- Tamps_COVID %>%
mutate(
COMORB = case_when(
DIABETES == 1 | EPOC == 1 | ASMA == 1 | INMUSUPR == 1 | HIPERTENSION == 1 |
OTRA_COM == 1 | CARDIOVASCULAR == 1 | OBESIDAD == 1 | RENAL_CRONICA == 1 | TABAQUISMO == 1 ~ 1,
TRUE ~ 0
)
)Para el cálculo de el porcentaje de casos positivos con el menos una ccomorbilidad a nivel municipal se crea una tabla resumen que contabilice tanto el número de casos positivos como el número de casos con al menos una comorbilidad para realizar el cálculo
### Creación tabla resumen
COMORBILIDADES<-aggregate(cbind((CUENTA),(COMORB))~ CLAVE_MUNICIPIO+MUNICIPIO,
data=Tamps_COVID,sum)
### Cambio de encabezados
names(COMORBILIDADES)<-c("Clave","Municipio","Positivos","Al menos una comorbilidad")
### Se realiza la operación
COMORBILIDADES$PC_CComorb<-round(((COMORBILIDADES$`Al menos una comorbilidad`/COMORBILIDADES$Positivos)*100), 2)
### Se ordenan de mayor a menor
COMORBILIDADES<-COMORBILIDADES[order(COMORBILIDADES$PC_CComorb,decreasing = TRUE),]
### Se muestran
COMORBILIDADES## Clave Municipio Positivos Al menos una comorbilidad PC_CComorb
## 27 999 NO ESPECIFICADO 2 2 100.00
## 26 026 MIQUIHUANA 27 20 74.07
## 37 036 SAN NICOLÁS 13 8 61.54
## 6 006 BUSTAMANTE 36 21 58.33
## 30 029 OCAMPO 117 68 58.12
## 12 011 GÓMEZ FARÍAS 103 59 57.28
## 4 004 ANTIGUO MORELOS 125 66 52.80
## 20 019 LLERA 159 83 52.20
## 44 043 XICOTÉNCATL 445 227 51.01
## 10 010 CRUILLAS 18 9 50.00
## 7 007 CAMARGO 290 144 49.66
## 35 034 SAN CARLOS 85 41 48.24
## 40 039 TULA 388 187 48.20
## 41 040 VALLE HERMOSO 1330 635 47.74
## 19 018 JIMÉNEZ 72 34 47.22
## 17 016 HIDALGO 171 80 46.78
## 43 042 VILLAGRÁN 40 18 45.00
## 25 025 MIGUEL ALEMÁN 788 350 44.42
## 34 033 RÍO BRAVO 1987 882 44.39
## 11 021 EL MANTE 4574 1991 43.53
## 14 013 GÜÉMEZ 141 61 43.26
## 18 017 JAUMAVE 372 159 42.74
## 16 015 GUSTAVO DÍAZ ORDAZ 96 41 42.71
## 1 001 ABASOLO 150 63 42.00
## 29 028 NUEVO MORELOS 50 21 42.00
## 32 031 PALMILLAS 12 5 41.67
## 24 024 MIER 140 58 41.43
## 38 037 SOTO LA MARINA 1054 410 38.90
## 5 005 BURGOS 26 10 38.46
## 13 012 GONZÁLEZ 452 173 38.27
## 33 032 REYNOSA 15289 5845 38.23
## 8 008 CASAS 21 8 38.10
## 9 009 CIUDAD MADERO 8614 3095 35.93
## 42 041 VICTORIA 14745 5120 34.72
## 28 027 NUEVO LAREDO 8177 2836 34.68
## 39 038 TAMPICO 15142 5151 34.02
## 31 030 PADILLA 452 151 33.41
## 36 035 SAN FERNANDO 1091 360 33.00
## 15 014 GUERRERO 67 22 32.84
## 22 022 MATAMOROS 15543 4838 31.13
## 21 020 MAINERO 54 16 29.63
## 3 003 ALTAMIRA 9557 2419 25.31
## 23 023 MÉNDEZ 21 5 23.81
## 2 002 ALDAMA 1062 247 23.26Se observa que de los dos casos posistivos que no especificaron su municipio el 100% tenían alguna comorbilidad.
1.3 Total de casos positivos acumulados por día a nivel estatal
### Se define como tipo fecha la columna de fecha de ingreso
Tamps_COVID$FECHA_INGRESO<-as.Date(Tamps_COVID$FECHA_INGRESO, format = "%Y-%m-%d")
### Se realiza el resumen de casos por día
CASOSXDIA<-Tamps_COVID %>%
group_by(FECHA_INGRESO) %>%
summarise(value = sum(CUENTA))
### Se ordenan de más antiguos a más recientes y se calcula el acumulado
CASOSXDIA<-CASOSXDIA[order(CASOSXDIA$FECHA_INGRESO,decreasing = FALSE),]
CASOSXDIA$ACUMULADOS<-cumsum(CASOSXDIA$value)
### Se ordenan de más recientes a más antiguos y se modifician los encabezados
CASOSXDIA<-CASOSXDIA[order(CASOSXDIA$FECHA_INGRESO,decreasing = TRUE),]
names(CASOSXDIA)=c("Fecha_Ingreso", "Casos_dia", "Acumulados")
### Se muestran los últimos 15 días
CASOSXDIA[1:15,]## # A tibble: 15 x 3
## Fecha_Ingreso Casos_dia Acumulados
## <date> <dbl> <dbl>
## 1 2021-11-29 30 103098
## 2 2021-11-28 12 103068
## 3 2021-11-27 13 103056
## 4 2021-11-26 31 103043
## 5 2021-11-25 36 103012
## 6 2021-11-24 45 102976
## 7 2021-11-23 43 102931
## 8 2021-11-22 51 102888
## 9 2021-11-21 14 102837
## 10 2021-11-20 18 102823
## 11 2021-11-19 46 102805
## 12 2021-11-18 51 102759
## 13 2021-11-17 64 102708
## 14 2021-11-16 56 102644
## 15 2021-11-15 31 1025881.4 Total acumulado de defunciones por día a nivel estatal
DEFUNXDIA<-Tamps_COVID %>%
group_by(FECHA_DEF) %>%
summarise(value = sum(CUENTA))
### Se ordenan de más antiguos a más recientes y se calcula el acumulado
DEFUNXDIA<-DEFUNXDIA[order(DEFUNXDIA$FECHA_DEF,decreasing = FALSE),]
DEFUNXDIA$ACUMULADOS<-cumsum(DEFUNXDIA$value)
### Se ordenan de más recientes a más antiguos y se modifician los encabezados
DEFUNXDIA<-DEFUNXDIA[order(DEFUNXDIA$FECHA_DEF,decreasing = TRUE),]
names(DEFUNXDIA)=c("Fecha_Defunción", "Defunciones_dia", "Acumulados")
### Se muestran los últimos 15 días
DEFUNXDIA[1:15,]## # A tibble: 15 x 3
## Fecha_Defunción Defunciones_dia Acumulados
## <date> <dbl> <dbl>
## 1 2021-11-29 1 6964
## 2 2021-11-26 1 6963
## 3 2021-11-25 1 6962
## 4 2021-11-24 1 6961
## 5 2021-11-23 5 6960
## 6 2021-11-22 2 6955
## 7 2021-11-20 3 6953
## 8 2021-11-19 1 6950
## 9 2021-11-18 1 6949
## 10 2021-11-17 4 6948
## 11 2021-11-16 4 6944
## 12 2021-11-15 1 6940
## 13 2021-11-14 2 6939
## 14 2021-11-13 6 6937
## 15 2021-11-12 1 69311.5 Porcentaje de mujeres, a nivel municipal, que representan un caso positivo
número de mujeres positivas en el municipio/numero de casos positvos en ese municipio
### Se carga el catologo de sexo
cat_sex<-read_excel("201128 Catalogos.xlsx",sheet = "Catálogo SEXO")
### Se combinan tablas para agregar el sexo
Tamps_COVID<-merge(x=Tamps_COVID,
y=cat_sex,
by.x = "SEXO",
by.y = "CLAVE",
sort = FALSE)
### Se limpia memoria
rm(cat_sex)
### Se crea la tabla y se calcula el porcentaje
MUJ_POS<-as.data.frame.array(table(Tamps_COVID$MUNICIPIO,Tamps_COVID$DESCRIPCIÓN))
MUJ_POS$TOTAL<-MUJ_POS$HOMBRE+MUJ_POS$MUJER
MUJ_POS$PC_MUJ<-round((MUJ_POS$MUJER/MUJ_POS$TOTAL)*100,2)
MUJ_POS<-MUJ_POS[order(MUJ_POS$PC_MUJ,decreasing = TRUE),]
MUJ_POS[1:10,]## HOMBRE MUJER TOTAL PC_MUJ
## MIQUIHUANA 8 19 27 70.37
## BUSTAMANTE 11 25 36 69.44
## PALMILLAS 4 8 12 66.67
## BURGOS 9 17 26 65.38
## MÉNDEZ 8 13 21 61.90
## CRUILLAS 7 11 18 61.11
## VILLAGRÁN 16 24 40 60.00
## CAMARGO 119 171 290 58.97
## TULA 165 223 388 57.47
## ALDAMA 456 606 1062 57.062 Gráfico: Mayor porcentaje de defunciones
TOP_MUNI_DEFUN<-DEFUNCIONES[1:10,]
### Tooltip
Tooltip_defun <- paste( "Municipio : ",TOP_MUNI_DEFUN$Municipio,"\n",
"% Defunciones por COVID19: ", TOP_MUNI_DEFUN$PC_Defunciones,"%")
### Gráfica
Defun<-ggplot(TOP_MUNI_DEFUN)+
aes(x=Municipio, y=PC_Defunciones, text=Tooltip_defun)+
geom_bar(stat = "identity", fill="#D9F0D3", col="black",width = .5,
lwd=0.1)+
labs(x="Municipio", y="Porcentaje de defunciones", title="Porcentaje de defunciones de COVID según municipio", subtitle = "Tamaulipas, desde 03-04-2020 a 30-11-2021")+
theme_minimal(base_size = 6)
### Animar
ggplotly(Defun,tooltip = c("Tooltip_defun"))3 Gráfico: Mayor número de casos positivos
Gráfico de barras de los 10 municipios con mayor número de casos positivos detectados, divido por hombres y por mujeres.
### Se crea tabla resumen de casos por municipio según sexo
SEX_COVID<-aggregate(CUENTA ~ CLAVE_MUNICIPIO+MUNICIPIO+DESCRIPCIÓN,
data=Tamps_COVID,
sum)
### Se ordena la tabla y se seleccionan los municipios con mayor cantidad de casos
SEX_COVID_TOP10<-SEX_COVID %>% arrange(desc(CUENTA)) %>% group_by(DESCRIPCIÓN) %>% top_n(10)## Selecting by CUENTASEX_COVID_TOP10## # A tibble: 20 x 4
## # Groups: DESCRIPCIÓN [2]
## CLAVE_MUNICIPIO MUNICIPIO DESCRIPCIÓN CUENTA
## <chr> <chr> <chr> <dbl>
## 1 022 MATAMOROS HOMBRE 8109
## 2 038 TAMPICO HOMBRE 8034
## 3 032 REYNOSA HOMBRE 7876
## 4 041 VICTORIA MUJER 7829
## 5 022 MATAMOROS MUJER 7434
## 6 032 REYNOSA MUJER 7413
## 7 038 TAMPICO MUJER 7108
## 8 041 VICTORIA HOMBRE 6916
## 9 003 ALTAMIRA HOMBRE 5321
## 10 009 CIUDAD MADERO HOMBRE 4511
## 11 003 ALTAMIRA MUJER 4236
## 12 027 NUEVO LAREDO HOMBRE 4165
## 13 009 CIUDAD MADERO MUJER 4103
## 14 027 NUEVO LAREDO MUJER 4012
## 15 021 EL MANTE MUJER 2395
## 16 021 EL MANTE HOMBRE 2179
## 17 033 RÍO BRAVO HOMBRE 1025
## 18 033 RÍO BRAVO MUJER 962
## 19 040 VALLE HERMOSO MUJER 716
## 20 040 VALLE HERMOSO HOMBRE 614### Tooltip
Tooltip_sex <- paste( "MUNICIPIO : ",SEX_COVID_TOP10$MUNICIPIO,"\n",
"Número de casos de COVID19: ", SEX_COVID_TOP10$CUENTA, SEX_COVID_TOP10$DESCRIPCIÓN)
### Colores
col_sex<-c("#AF8DC3","#7FBF7B")
### Gráfica
Sex<-ggplot(SEX_COVID_TOP10)+
aes(x=MUNICIPIO, y=CUENTA, fill=DESCRIPCIÓN, text=Tooltip_sex)+
geom_bar(stat = "identity", width = .5,
lwd=0.1, position = "dodge")+
scale_fill_manual(values = c("#7FBF7B","#AF8DC3"))+
labs(x="Municipio", y="Número de casos", title="Número de casos positivos de COVID según municipio y sexo", subtitle = "Tamaulipas, desde 03-04-2020 a 30-11-2021")+
theme_minimal(base_size = 6)
### Animar
ggplotly(Sex,tooltip = c("Tooltip_sex"))4 Gráfico: Número acumulado de defunciones
Gráfico de líneas que representa el número acumulado de defunciones a nivel estatal por día. Al desplazar el cursor sobre la línea, se debe de mostrar la cantidad representada en la línea.
### Se ordan de más recientes a más antiguos
DEFUNXDIA_ACUM<-DEFUNXDIA[order(DEFUNXDIA$Fecha_Defunción,decreasing = FALSE),]
### Se elimina el ultimo registro que corresponden a los NA, es decir a quienes no fallecieron
DEFUNXDIA_ACUM<-DEFUNXDIA_ACUM[1:dim(DEFUNXDIA_ACUM)[1]-1,]### Diarias
### Tooltip
Tooltip_acum <- paste( "Fecha : ",DEFUNXDIA_ACUM$Fecha_Defunción,"\n",
"Número de defunciones : ", DEFUNXDIA_ACUM$Defunciones_dia,"\n",
"Número de defunciones acumuladas: ", DEFUNXDIA_ACUM$Acumulados)
### Gráfica
Diaria<-ggplot(DEFUNXDIA_ACUM)+
aes(x=Fecha_Defunción, y=Defunciones_dia, text=Tooltip_acum)+
geom_line(group=1)+
geom_point(aes(alpha=.5))+
labs(x="Fecha de Defunción", y="Número de defunciones", title="Defunciones diarias por COVID, Tamaulipas, desde 03-04-2020 a 30-11-2021")+
theme_minimal()
### Animar
ggplotly(Diaria,tooltip = c("Tooltip_acum"))### Acumulados
### Tooltip
Tooltip_acum <- paste( "Fecha : ",DEFUNXDIA_ACUM$Fecha_Defunción,"\n",
"Número de defunciones : ", DEFUNXDIA_ACUM$Defunciones_dia,"\n",
"Número de defunciones acumuladas: ", DEFUNXDIA_ACUM$Acumulados)
### Gráfica
Acum<-ggplot(DEFUNXDIA_ACUM)+
aes(x=Fecha_Defunción, y=Acumulados, text=Tooltip_acum)+
geom_line(group=1)+
geom_point(aes(alpha=.5))+
labs(x="Fecha de Defunción", y="Número de defunciones", title="Número acumulado de defunciones por COVID, Tamaulipas, desde 03-04-2020 a 30-11-2021")+
theme_minimal()
### Animar
ggplotly(Acum,tooltip = c("Tooltip_acum"))5 Mapa: Distribución del porcentaje de defunciones
Para realizar un mapa, primero se tiene que cargar ek archivo vectorial corresponidnete, en este caso se usa el archivo .shp del Marco Geoestadístico Nacional, del INEGI. Para su carga se requirió hacer una reproyección de ITRF a WGS n el software QGIS, así mismo para la carga y manipulación de este archivo se necesita de la librería rgdal
#### Shape MGN INEGI
Tamps <- readOGR(dsn="C:\\Cristina\\CIDE\\Primer Semestre\\Programacion\\Final",
layer = "tamps_isso",
encoding = "UTF-8")## OGR data source with driver: ESRI Shapefile
## Source: "C:\Cristina\CIDE\Primer Semestre\Programacion\Final", layer: "tamps_isso"
## with 43 features
## It has 4 fieldsLuego se tienen que combinar o unir tanto la información del archivo .shp como el de las bases de datos para así definir como se estratificarán los valores y que solor se le asignará.
#### Merge entre Shape-DF
merge_defun<-merge(x = Tamps@data,
y = DEFUNCIONES,
by.x="CVE_MUN",
by.y="Clave",
sort=FALSE)
#### Modificacion archivo espacial
Tamps@data$PC_DEFUN<-merge_defun$PC_Defunciones
Tamps@data$DEFUN<-merge_defun$Defunciones
#### Cuantiles
cuantil<-cut(Tamps@data$PC_DEFUN,5)
lev_cuan<-levels(cuantil)
#"(-0.0198,3.96]" "(3.96,7.92]" "(7.92,11.9]" "(11.9,15.8]" "(15.8,19.8]"
cortes_defun<-c(0,3.96,7.92,11.9,15.8,19.8)
#### Colores
coloresdefun <- colorBin( palette="Purples", domain=Tamps$PC_DEFUN, na.color="transparent", bins=cortes_defun)
my_colors <- brewer.pal(5,"Purples") #Para la simbología
#### Tooltip
textosm <- paste(
"Municipio : ",Tamps$NOMGEO,"<br/>",
"% de Defunciones por COVID19: ", Tamps$PC_DEFUN,"%","<br/>",
"Total de Defunciones por COVID19: ", Tamps$DEFUN) %>% lapply(htmltools::HTML)
#### Mapa
leaflet(Tamps) %>%
addTiles() %>%
addPolygons(label = textosm, fillColor = coloresdefun(Tamps$PC_DEFUN),
fillOpacity = 0.75,color = "black", weight =1)%>%
addLegend(color = my_colors,
labels = c("Muy Bajo (0,3.96]", "Bajo (3.96,7.92]", "Medio (7.92,11.9]","Alto (11.9,15.8]", "Muy Alto (15.8,19.8]"),
title="% de Defunciones")El Economista (30 de noviembre del 2021) Número de casos de Covid-19 en México al 30 de noviembre de 2021 https://www.eleconomista.com.mx/politica/Numero-de-casos-de-Covid-19-en-Mexico-al-30-de-noviembre-de-2021-20211130-0113.html↩︎