Semana 11 2022

Resumen

preparar datos para gráficas

library(readr)
library(dplyr)
library(tidyr)
library(ggplot2)
library(ggrepel)
library(stringr)
require(RCurl)
library(lubridate)


url_file_prov<-"https://raw.githubusercontent.com/montera34/escovid19data/master/data/output/covid19-provincias-spain_consolidated.csv"
url_file_poblacion <- "https://raw.githubusercontent.com/montera34/escovid19data/master/data/original/provincias-poblacion.csv"

provincias <- read.csv( url_file_prov,encoding = "UTF-8")
provincias_abreviatura <- read_csv( "abreviaturas_provincias.csv")

provincias  <- provincias  %>%
               filter (date >= "2021-01-01")  
provincias$date <-  as.Date(provincias$date,format= "%Y-%m-%d")
provincias <- provincias  %>% 
                select (date,province,ccaa,hospitalized,intensive_care,daily_deaths,poblacion) %>% 
                merge(provincias_abreviatura,
                      by.x = "province", by.y = "provincia"  ) %>% 
                mutate(hospitalized_tot = ifelse(ccaa == "Andalucía" |
                                                   ccaa == "Madrid, Comunidad de" |
                                                   ccaa == "Cantabria" |
                                                   ccaa == "Murcia" |
                                                   ccaa == "Cantabria",hospitalized ,
                                                                       hospitalized+intensive_care)) %>%
                mutate (hospitalized_nor =hospitalized_tot *100000/ poblacion )  %>%
                mutate (intensive_care_nor = intensive_care *100000/ poblacion)  %>%
                mutate (daily_deaths_nor =daily_deaths *100000/ poblacion ) %>%
                mutate (year = as.integer(format(date, format="%Y")) -2021) %>%
                mutate (week = (as.integer(format(date, format="%U")) +1)+(52*year))  %>%
                arrange (week)

Plantilla de gráficos

Gráfica de tendencia

Hospitalizados en la última semana (variación)

Gráfica sin nombres de provincia para destacar la tendencia.

Gráfica de distribución

Distribución de hospitalizaciones

Distribución de UCI

Gráfica de variación (incremento-descenso)

Gráfica de variación (valor inicio-final)

Varación de hospitalizados en la última semana (incremento-descenso)

Variación de hospitalizados en la última semana (valor inicial y final)

Variación de UCI en la última semana (incremento-descenso)

res <-  dumbbell_A (provincias,"intensive_care_nor", "UCI",5,2,0.1)
plot(res)

Variación de UCI en la última semana (valores)

Gráfica mapa calor

heat_map_resumen <- function (provincias,indicator,text_indicator){
  
weeks <- unique(provincias$week)
first_week <- min(weeks,na.rm = TRUE)  
last_week <- max(weeks,na.rm = TRUE)
name_file <- paste0("images/tercera_ola_",indicator,"_resumen.png")
chart_title <- paste("Evolución de", text_indicator)
df <- mutate (provincias,indicator=provincias[[indicator]]) %>%
    filter (!is.na (indicator) ) %>%
    filter (week > 30) %>%
    select (week,province,indicator)  %>%
    group_by(week,province) %>%
    summarise ( indicator_week = mean (indicator), .groups = 'drop') %>%
    mutate(indicator_last_week = ifelse(week == last_week, indicator_week, 0))

p <- 
ggplot(data = df,
       aes(x = week, y = reorder(province,(indicator_last_week)), fill=indicator_week)) +
  geom_tile()+
  geom_text(aes(label = round(indicator_week,1)), color="white", size=2.5,hjust=0.5, vjust=0.5 ) +
  scale_fill_gradient(low = "steelblue", high = "red4")+
  labs(y = "Provincia",
       caption = "By @congosto\nFuente: @escovid19data. https://github.com/montera34/escovid19data",
       title = chart_title, 
       subtitle="Tercera Ola (desde el 2 de diciembre). Normalizado a 100.000 habitantes")+
  scale_x_continuous(name="Semanas", breaks= weeks ,position = "top",
                     sec.axis = dup_axis()) +
  theme_a()+
  theme(legend.title=element_blank(),
        axis.ticks.y=element_blank(),
        axis.ticks.x=element_blank(),
        axis.title.y=element_blank(),
        panel.border = element_blank(),
        panel.background = element_blank(),
        axis.text.x=element_text(size=10),
        axis.text.y=element_text(size=10),
        legend.position="right") 
#ggsave(name_file)
return (p)

}

Evolución de Hospitalizaciones

Evolución de UCI

Evolución de Fallecimientos

Evolución de hospitalizaciones, UCIs

Gráficas inspiradas en las realizadas por @BIOCOMSC1 sobre el riesgo del COVID19. Dan mucha información con pocos elementos (poca tinta), permitiendo ver la evolución, el estado actual y las zonas de riesgo. Risk Diagrams Grafica

Cuando los datos tienen una componente temporal normalmente usamos un line chart. En estas gráficas se representa la relación de dos variables a través del tiempo de una manera distinta. Es un diagrama de puntos unidos según su evolución en el tiempo.

No sé el nombre que reciben estos gráficos pero William Phillips los utilizó 1958 para representar la evolución del desempleo y la inflación a través del tiempo, que ha pasado a la historia como “la curva Phillips”.

la curva de Phillips

Las gráficas han sido mejoradas con la idea de Maarten Lambrechts de agrupar los datos semanalmente y señalar en el path el número de la semana.

La fuente de datos es el repositorio #escovid19data

Las gráficas muestran la relación entre UCI y hospitalizados calculados como media semanal.

La semana de inicio es la 32 (3 Ago~9 Ago)

El código de color usado es:

verde: semana de inicio
rojo: semana de fin de fin
azul: semanas intermedias

Orden de las gráficas es el del INE

01 Andalucía
02 Aragón
03 Asturias, Principado de
04 Balears, Illes
05 Canarias
06 Cantabria
07 Castilla y León
08 Castilla - La Mancha
09 Cataluña
10 Comunitat Valenciana
11 Extremadura
12 Galicia
13 Madrid, Comunidad de
14 Murcia, Región de
15 Navarra, Comunidad Foral de
16 País Vasco
17 Rioja, La
18 Ceuta
19 Melilla