-
Notifications
You must be signed in to change notification settings - Fork 1
/
evolucion-coronavirus-andalucia.Rmd
1362 lines (962 loc) · 48 KB
/
evolucion-coronavirus-andalucia.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Evolución de la enfermedad por coronavirus (COVID-19) en Andalucía"
output:
html_document:
fig_caption: yes
fig_height: 5
fig_width: 7
theme: flatly
toc: no
self_contained: no
includes:
in_header: header.html
---
<!-- Global site tag (gtag.js) - Google Analytics -->
<script async src="https://www.googletagmanager.com/gtag/js?id=UA-46538450-3"></script>
<script>
window.dataLayer = window.dataLayer || [];
function gtag(){dataLayer.push(arguments);}
gtag('js', new Date());
gtag('config', 'UA-46538450-3');
</script>
```{r setup, include=FALSE}
library(knitr)
knitr::opts_chunk$set(echo = FALSE, warning = FALSE, message = FALSE)
# Garrick Adenbuie's gist to place TOC anywhere
# devtools::source_gist("c83e078bf8c81b035e32c3fc0cf04ee8",
# filename = 'render_toc.R')
source("render_toc.R")
```
```{r pkgs, include=FALSE}
library(dplyr)
library(ggplot2)
#library(plotly)
mytheme <- theme_minimal(base_size = 12) +
theme(panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank(),
plot.caption = element_text(size = 8, face = "italic", colour = "grey60"),
plot.subtitle = element_text(size = 9, face = "plain", colour = "grey50"),
axis.ticks = element_line(colour = "grey80"),
axis.ticks.length = unit(3, "pt"),
strip.text = element_text(size = 12))
theme_set(mytheme)
```
<br>
Aquí se visualiza la evolución de la enfermedad COVID-19 causada por el coronavirus SARS-CoV2 en Andalucía, según los datos ofrecidos por la [Junta de Andalucía](http://www.juntadeandalucia.es/institutodeestadisticaycartografia/salud/COVID19.html), la [Fundación CIVIO](https://datos.civio.es/) y [Datadista](https://github.com/datadista/datasets/tree/master/COVID%2019). A diferencia de otras visualizaciones más extendidas, que representan datos acumulados en el tiempo, aquí se enfatizan las **variaciones diarias absolutas** (no acumuladas).
Los datos se **actualizan diariamente**. En esta [cuenta de twitter](https://twitter.com/covid_andalucia) compartiremos la información más relevante. Tanto los datos como el código empleado para generar estas visualizaciones está disponible [aquí](https://github.com/Pakillo/COVID19-Andalucia).
Última actualización: `r Sys.Date()`
```{r render.toc}
render_toc("evolucion-coronavirus-andalucia.Rmd", base_level = 2, toc_depth = 1)
```
```{r datos}
library(readr)
library(assertr)
#datos <- readxl::read_excel("datos_brutos.xlsx", sheet = "datos")
# A partir del 20 de Abril, usando datos de la Junta
# http://www.juntadeandalucia.es/institutodeestadisticaycartografia/salud/COVID19.html
datos <- readr::read_csv2("datos/datos_provincias_raw.csv",
col_types = "Dcci-",
locale = locale(date_names = "es",
decimal_mark = ",",
grouping_mark = ".",
date_format = "%d/%m/%Y"),
skip_empty_rows = TRUE) %>%
filter(!is.na(Medida)) %>%
mutate(Medida = ifelse(Medida == "Fallecidos", "Defunciones", Medida))
# datos %>%
# assertr::verify(unique(.$Medida) ==
# c("Confirmados PCR", "Hospitalizados", "UCI",
# "Curados", "Defunciones", "Total confirmados"))
datos <- datos %>%
tidyr::pivot_wider(names_from = "Medida", values_from = "Valor") %>%
rename(Fecha = `Fecha diagnóstico`,
ConfirmadosPCR = `Confirmados PCR`,
ConfirmadosTotal = `Total confirmados`) %>%
dplyr::select(Fecha, Territorio, ConfirmadosPCR, ConfirmadosTotal, everything()) %>%
arrange(Fecha) %>%
dplyr::filter(Territorio != "España")
write_csv(datos, "datos/datos_provincias_clean.csv")
```
```{r datos.provs, include=FALSE}
datos.provs <- datos %>%
filter(Territorio != "Andalucía", Territorio != "Provincia sin especificar")
datos.provs %>%
verify(length(unique(Territorio)) == 8, success_fun = success_logical)
```
```{r datos.andal}
test.andal <- readxl::read_excel("datos/test_Andalucia.xlsx")
test.andal$Fecha <- as.Date(test.andal$Fecha)
datos.andal <- datos %>%
filter(Territorio == "Andalucía") %>%
left_join(test.andal[, c("Fecha", "Ntest.dia", "Confirmados.acum", "Prop.Positivos")],
by = "Fecha") %>%
group_by(Fecha) %>%
mutate(Prop.Positivos = 100 * Prop.Positivos) %>%
ungroup()
# add datos camas ocupadas
camas <- readxl::read_excel("datos/camas_ocupadas.xlsx") %>%
mutate(Fecha = as.Date(Fecha)) %>%
rename(CamasUCI = UCI)
datos.andal <- datos.andal %>%
left_join(camas, by = c("Fecha", "Territorio"))
```
<br>
## Resumen
<br>
```{r fig.resumen, out.width='100%', fig.height=6}
datos.andal.long <- datos.andal %>%
select(Fecha, Territorio, ConfirmadosPCR, Hospitalizados, UCI, Defunciones) %>%
tidyr::pivot_longer(cols = ConfirmadosPCR:Defunciones, names_to = "indic") %>%
filter(indic != "Curados") %>%
mutate(indic = ifelse(indic == "Hospitalizados", "Hospitalizaciones", indic)) %>%
mutate(indic = ifelse(indic == "UCI", "Ingresos UCI", indic)) %>%
mutate(indic = ifelse(indic == "ConfirmadosPCR", "Confirmados PCR", indic)) %>%
# mutate(indic = ifelse(indic == "CamasOcup", "Camas ocupadas", indic)) %>%
mutate(indic = factor(indic,
levels = c("Confirmados PCR", "Hospitalizaciones",
"Ingresos UCI", "Defunciones")))
ggplot(datos.andal.long) +
facet_wrap(~indic, ncol = 1, scales = "free_y") +
geom_col(aes(x = Fecha, y = value, fill = indic)) +
scale_fill_manual(values = c("#ff7f00", "#377eb8", "#e41a1c", "grey40")) +
labs(x = "", y = "Nº personas", caption = "https://tiny.cc/COVID19-Andalucia") +
theme(legend.position = "none") +
scale_x_date(limits = c(as.Date("2020-03-01"), NA), date_breaks = "1 month", date_labels = "%b") +
scale_y_continuous(sec.axis = dup_axis(name = ""))
```
<br>
Evolución en las **últimas dos semanas**:
```{r fig.resumen.14d, out.width='100%', fig.height=6}
datos.andal.long %>%
filter(Fecha > as.Date(Sys.Date() - 16)) %>%
ggplot() +
facet_wrap(~indic, ncol = 1, scales = "free_y") +
geom_col(aes(x = Fecha, y = value, fill = indic)) +
scale_fill_manual(values = c("#ff7f00", "#377eb8", "#e41a1c", "grey40")) +
labs(x = "", y = "Nº personas\n", caption = "https://tiny.cc/COVID19-Andalucia") +
theme(legend.position = "none") +
scale_x_date(date_breaks = "2 days", date_labels = "%d %b") +
scale_y_continuous(sec.axis = dup_axis(name = ""))
```
**NOTA**: el retraso (de varios días) en las notificaciones hace que las curvas parezcan a menudo descendentes. A menudo, en los días siguientes se añaden nuevos casos, ingresos y defunciones asignados a fechas pasadas. Por tanto, un descenso en, por ejemplo, el número de casos u hospitalizaciones en los últimos días **no debe interpretarse como un descenso** en la intensidad de la pandemia hasta que los datos sean consolidados en los próximos días.
<br>
**DATOS DEL DÍA:** `r max(datos.andal$Fecha)`
```{r datos.last, out.width='100%'}
## Existen discordancias entre serie suministrada al ministerio y la depurada por la Junta a posteriori. Por tanto paso a usar la de la Junta siempre que se pueda
## Usando la serie de la Junta (1 día de retraso)
datos.last <- datos.andal %>%
dplyr::select(Fecha:Defunciones) %>%#
bind_rows(datos.provs) %>%
dplyr::select(-ConfirmadosTotal) %>%
#rename(Recuperados = Curados) %>%
#dplyr::select(-Recuperados, Recuperados) %>%
filter(Fecha == max(Fecha)) %>%
mutate_at(3:ncol(.), function(x) {ifelse(is.na(x), 0, x)})
kable(datos.last[, -1])
```
<br>
**DATOS ACUMULADOS:**
```{r datos.acum, out.width='100%'}
# Estos datos normalmente un día por delante de la serie de la Junta
datos.minist <- read_csv2("datos/acumulados.csv",
col_types = "Dcci-",
locale = locale(date_names = "es",
decimal_mark = ",",
grouping_mark = ".",
date_format = "%d/%m/%Y"),
skip_empty_rows = TRUE) %>%
filter(Medida != "Total confirmados") %>%
mutate(Medida = ifelse(Medida == "Confirmados PCR", "ConfirmadosPCR", Medida),
Medida = ifelse(Medida == "Total UCI", "UCI", Medida),
Medida = ifelse(Medida == "Fallecidos", "Defunciones", Medida),
Medida = ifelse(Medida == "Curados", "Recuperados", Medida)) %>%
tidyr::pivot_wider(names_from = "Medida", values_from = "Valor") %>%
arrange(Fecha)
datos.minist %>%
filter(Fecha == max(Fecha)) %>%
select(-Fecha) %>%
kable()
```
<br>
## Casos confirmados
<br>
En primer lugar se muestra el número de casos confirmados diariamente mediante técnica PCR.
<br>
```{r casos.pcr.datadista, fig.height=4, out.width='100%', eval=FALSE}
download.file("https://raw.githubusercontent.com/datadista/datasets/master/COVID%2019/ccaa_covid19_datos_isciii.csv", destfile = "datos/datadista_ccaa_covid19_datos_isciii.csv")
casos.pcr <- readr::read_csv("datos/datadista_ccaa_covid19_datos_isciii.csv", guess_max = 10000) %>%
dplyr::filter(CCAA == "Andalucía") %>%
rename(PCR = `PCR+`, TestAc = `TestAc+`) %>%
mutate(Casos = ifelse(is.na(Casos), PCR + TestAc, Casos)) %>%
mutate(PCR = ifelse(is.na(PCR), Casos, PCR)) %>% # assuming before 14 Abril all/most cases were PCR, no TestAc
mutate(PCR.new = PCR - lag(PCR))
ggplot(casos.pcr) +
geom_col(aes(x = Fecha, y = PCR.new),
fill = "#ff7f00") +
scale_y_continuous(limits = c(0, NA), n.breaks = 6) +
labs(x = "", y = "Nuevas detecciones\n",
title = "Casos de COVID-19 confirmados diariamente por PCR en Andalucía",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(panel.grid.minor.y = element_line(size = rel(0.5)))
```
```{r casos.pcr, fig.height=4, out.width='100%'}
ggplot(datos.andal) +
geom_col(aes(x = Fecha, y = ConfirmadosPCR),
fill = "#ff7f00") +
scale_y_continuous(limits = c(0, NA), sec.axis = dup_axis(name = "")) +
labs(x = "", y = "Nuevas detecciones\n",
title = "Casos de COVID-19 confirmados diariamente por PCR en Andalucía",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(panel.grid.minor.y = element_line(size = rel(0.5))) +
scale_x_date(limits = c(as.Date("2020-03-01"), NA),
date_breaks = "1 month", date_labels = "%b")
```
<br>
Debe tenerse en cuenta que el [número de casos confirmados depende en gran medida del número de test realizados](https://ourworldindata.org/covid-testing). Por tanto, un aumento o disminución en el número de casos confirmados puede deberse a haber realizado más o menos tests, no a variaciones en la incidencia de la enfermedad. Durante los primeros meses de la pandemia (Marzo-Mayo 2020) solo se realizó PCR a los pacientes más graves, dejando sin detectar probablemente [más del 90% de los casos](https://www.eldiario.es/sociedad/porcentaje-poblacion-contagiada-explosivo-COVID-19_0_1026798481.html), por lo que el número de casos diarios no es comparable entre periodos con distinta intensidad de muestreo como la primavera y el otoño.
<br>
Casos confirmados por PCR en los últimos 14 días:
<br>
```{r casos.pcr.14d, fig.height=4, out.width='100%'}
datos.andal %>%
filter(Fecha > as.Date(Sys.Date() - 16)) %>%
ggplot() +
geom_col(aes(x = Fecha, y = ConfirmadosPCR),
fill = "#ff7f00") +
scale_y_continuous(limits = c(0, NA)) +
labs(x = "", y = "Nuevas detecciones\n",
title = "Casos de COVID-19 confirmados diariamente por PCR en Andalucía",
subtitle = "Últimos 14 días",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(panel.grid.minor.y = element_line(size = rel(0.5))) +
scale_x_date(date_breaks = "2 days", date_labels = "%d %b") +
geom_text(aes(Fecha, y = ConfirmadosPCR + 60, label = ConfirmadosPCR),
data = subset(datos.andal, Fecha > (Sys.Date() - 16)))
```
<br>
**NOTA**: el retraso (de varios días) en las notificaciones hace que las curvas parezcan a menudo descendentes. Frecuentemente, en los días siguientes se añaden nuevos casos asignados a fechas pasadas. Por tanto, **un descenso en el número de casos en los últimos días no debe interpretarse como un descenso en la intensidad de la pandemia** hasta que los datos sean consolidados en los próximos días.
<br>
```{r casos_Andalucia, fig.height=4, out.width='100%', eval = FALSE}
# Además de PCR, la Junta de Andalucía está realizando test rápidos, que sirven para detectar personas que han sido probablemente contagiadas por el virus (aunque actualmente puedan no mostrar síntomas o no tener carga viral significativa). Las gráficas de abajo incluyen tanto los casos detectados mediante PCR como mediante test serológicos (anticuerpos).
#
# <br>
ggplot(datos.andal) +
geom_col(aes(x = Fecha, y = ConfirmadosTotal),
fill = "#ff7f00") +
geom_line(aes(x = Fecha, y = Ntest.dia),
size = 1, colour = "grey70") +
scale_y_continuous(limits = c(0, NA), n.breaks = 6) +
labs(x = "", y = "Nuevas detecciones\n",
title = "Casos de COVID-19 confirmados diariamente en Andalucía",
subtitle = "La línea gris representa el número de test (PCR + serológicos) realizados diariamente",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(panel.grid.minor.y = element_line(size = rel(0.5)))
```
```{r ncasos.ntest, out.width='100%', fig.height=4, eval=FALSE}
## NB: algún día (ej. 4 Mayo hay más confirmados que test!)
ggplot(datos.andal) +
geom_point(aes(Ntest.dia, ConfirmadosTotal),
size = 3, colour = "#ff7f00") +
scale_y_continuous(limits = c(0, NA),
name = "Número de casos confirmados\n") +
scale_x_continuous(limits = c(0, NA),
name = "\nNúmero de test realizados") +
labs(title = "Relación entre el número de casos confirmados\ny el número de test realizados diariamente",
caption = "https://tiny.cc/COVID19-Andalucia")
```
```{r prop.positivos, fig.height=4, out.width = '100%', eval=FALSE}
# La proporción de casos positivos respecto al total de test realizados también [puede informarnos](https://www.theatlantic.com/technology/archive/2020/04/us-coronavirus-outbreak-out-control-test-positivity-rate/610132/) sobre la incidencia de la enfermedad.
#
# <br>
sec.axis.factor = 30
ggplot(datos.andal) +
# geom_ribbon(aes(x = Fecha, ymin = prop.ci.low, ymax = prop.ci.up),
# fill = "#ff7f00", alpha = 0.3) +
geom_col(aes(x = Fecha, y = Prop.Positivos),
fill = "#ff7f00") +
geom_line(aes(x = Fecha, y = (Ntest.dia/sec.axis.factor)),
colour = "grey70", size = 1.5) +
# geom_text(aes(x = Fecha, y = 5, label = Ntest.dia),
# colour = "#ff7f00", alpha = 0.8) +
scale_y_continuous(limits = c(0, 100),
sec.axis = sec_axis(trans = ~ ((.*sec.axis.factor)),
breaks = seq(0, 3000, by = 500),
name = "Número de test\n")) +
scale_x_date(limits = c(as.Date("2020-03-26"), as.Date("2020-05-13"))) +
labs(x = "", y = "Porcentaje de tests positivos\n",
title = "Porcentaje de tests que dan positivo en Andalucía",
subtitle = "La línea gris representa el número de test realizados diariamente (eje derecho)",
caption = "https://tiny.cc/COVID19-Andalucia")
# (La Junta de Andalucía ha dejado de proporcionar datos diarios del número de personas testadas, por lo que esta gráfica ha dejado de actualizarse desde el 12 de Mayo)
```
<br>
A continuación se presentan los **casos confirmados mediante PCR en cada provincia**:
<br>
```{r casos_provincias, out.width = '100%', fig.height=6}
ggplot(datos.provs) +
facet_wrap(~Territorio, scales = "free_y", ncol = 2) +
geom_col(aes(x = Fecha, y = ConfirmadosPCR),
fill = "#ff7f00") +
ylim(0, NA) +
labs(x = "", y = "Nuevas detecciones\n",
title = "Casos de COVID-19 confirmados por PCR en cada provincia",
subtitle = "Para facilitar la visualización de tendencias la escala del eje vertical es diferente cada provincia",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(axis.text.x = element_text(size = 8)) +
scale_x_date(limits = c(as.Date("2020-03-01"), NA))
```
<br>
Y en los últimos 14 días:
<br>
```{r casos_provincias.14d, out.width = '100%', fig.height=6}
datos.provs %>%
filter(Fecha > as.Date(Sys.Date() - 16)) %>%
ggplot() +
facet_wrap(~Territorio, ncol = 2) +
geom_col(aes(x = Fecha, y = ConfirmadosPCR),
fill = "#ff7f00") +
labs(x = "", y = "Nuevas detecciones\n",
title = "Casos de COVID-19 confirmados por PCR en cada provincia",
subtitle = "Últimos 14 días",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(axis.text.x = element_text(size = 8)) +
scale_x_date(date_breaks = "4 days", date_labels = "%d %b") +
scale_y_continuous(limits = c(0, NA), sec.axis = dup_axis(name = ""))
```
<br>
Pulse [aquí](#datos-por-municipio) para ver los **datos por municipio**.
<br>
```{r distritos, eval=FALSE}
#
# distritos.old <- gsheet::gsheet2tbl("https://docs.google.com/spreadsheets/d/1vH3y_4bL9n1sXOQjA91m8eqfbpCI-a8KV3cWXfQY3cI")
#
# distritos <- distritos %>%
# group_by(nombre) %>%
# mutate(casos.dia = confirmados - lag(confirmados)) %>%
# mutate(casos.dia = ifelse(fecha == as.Date("2020-04-11"), NA, casos.dia))
#stopifnot(distritos$casos.dia >=0)
```
```{r eval = FALSE}
distritos <- readxl::read_excel("datos/distritos_sanitarios.xlsx")
distri.data <- read_csv("datos/datos_distritos_confirmados.csv",
col_types = "Dccccci")
if (!fecha.distri %in% distri.data$Fecha) {
distri.data.new <- readr::read_csv2("datos/datos_distritos_confirmados_dia.csv",
col_types = "cccci-",
locale = locale(date_names = "es",
decimal_mark = ",",
grouping_mark = ".",
date_format = "%d/%m/%Y"),
skip_empty_rows = TRUE)
distri.data.new <- distri.data.new %>%
mutate(Fecha = fecha.distri) %>%
rename(Casos = Valor) %>%
dplyr::select(-Medida) %>%
dplyr::select(Fecha, everything())
# checks
distri.data.new %>%
verify(names(.) == c("Fecha", "Territorio", "Edad", "Sexo", "Casos")) %>%
verify(sort(unique(.$Territorio)) == sort(distritos$Territorio)) %>%
assert(within_bounds(0, Inf), Casos)
# join
distri.data.new <- distri.data.new %>%
left_join(distritos, by = "Territorio") %>%
dplyr::select(Fecha, Territorio, nombre.corto, provincia, everything()) %>%
arrange(Fecha, provincia, Territorio)
# add to former dataset
distri.data <- bind_rows(distri.data, distri.data.new)
# save
write_csv(distri.data, "datos/datos_distritos_confirmados.csv")
}
```
```{r eval=FALSE}
# ## 23-04-2020: La Junta cambia nombre de distritos con nombre == a provincia
# distri.data <- distri.data %>%
# mutate(Territorio = case_when(
# Territorio == "Almería" ~ "Almería (distrito)",
# Territorio == "Córdoba" ~ "Córdoba (distrito)",
# Territorio == "Granada" ~ "Granada (distrito)",
# Territorio == "Jaén" ~ "Jaén (distrito)",
# Territorio == "Málaga" ~ "Málaga (distrito)",
# Territorio == "Sevilla" ~ "Sevilla (distrito)",
# TRUE ~ Territorio
# ))
# distri.data <- distri.data %>%
# mutate(nombre.corto = ifelse(nombre.corto == "Axarquia", "Axarquía", nombre.corto))
# distri.data <- distri.data %>%
# filter(Fecha != "2020-04-22")
```
```{r casos.distri, out.width='100%', fig.height=7, eval=FALSE}
distri.data <- read_csv("datos/datos_distritos_confirmados.csv",
col_types = "Dccccci")
distri.data2plot <- distri.data %>%
filter(Edad == "TOTAL", Sexo == "Ambos sexos") %>%
filter(Fecha > as.Date("2020-04-10")) %>%
group_by(Territorio) %>%
mutate(Casos.new = Casos - lag(Casos)) %>%
ungroup() %>%
mutate(Casos.new = ifelse(Fecha == as.Date("2020-04-11"), NA, Casos.new))
distri.last <- dplyr::filter(distri.data2plot, Fecha == max(Fecha))
set.seed(5)
ggplot(distri.data2plot) +
aes(x = Fecha, y = Casos.new) +
facet_wrap(~provincia, ncol = 2) +
geom_line(aes(group = nombre.corto, colour = nombre.corto), size = 1.5) +
theme(legend.position = "none") +
geom_point(data = distri.last, aes(colour = nombre.corto), size = 1.5) +
scale_color_manual(values = sample(colorRampPalette(RColorBrewer::brewer.pal(n = 9, "Set1")[-6])(100))) +
ggrepel::geom_text_repel(data = distri.last,
aes(label = nombre.corto, colour = nombre.corto),
size = 2.5, nudge_x = 0.4,
segment.size = 0.2, segment.alpha = 0.5) +
scale_x_date(expand = expansion(mult = c(0, 0.5))) +
labs(x = "", y = "Casos confirmados\n",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(strip.text = element_text(size = 12))
```
### Mapas
```{r mapa_distritos, out.width='100%', eval=FALSE}
casos.dist <- readxl::read_excel("datos/datos_brutos.xlsx", sheet = "distritos")
library(sf)
distritos <- st_read("Distritos/Distritos_2018.shp",
stringsAsFactors = FALSE, quiet = TRUE) %>%
mutate(CODIST = as.numeric(CODIST))
casos.dist <- left_join(select(distritos, CODIST, nombre),
select(casos.dist, CODIST, nombre, casos, fecha),
by = c("CODIST", "nombre"))
library(mapview)
mapviewOptions(legend.pos = "bottomleft")
mapview(casos.dist, zcol = "casos",
col.regions = colorRampPalette(RColorBrewer::brewer.pal(9, "YlOrRd")),
alpha.regions = 0.9,
map.types = "CartoDB.Positron",
layer.name = "Casos",
popup = leafpop::popupTable(casos.dist,
zcol = c("nombre", "casos", "fecha"),
row.numbers = FALSE, feature.id = FALSE))
# ggplot(casos.dist) +
# geom_sf(aes(fill = casos)) +
# scale_fill_distiller(type = "seq", palette = "YlGnBu", direction = 1)
```
Este mapa de **casos confirmados en los últimos 14 días** es útil para saber dónde se encuentran los brotes activos en la actualidad:
```{r mapamunis_PCR_14d, out.width='100%'}
muni.data <- readr::read_csv("datos/municipios.csv", guess_max = 50000) %>%
filter(Fecha == max(Fecha)) %>%
rename(PROVINCIA = Provincia, MUNICIPIO = Municipio) %>%
mutate(ConfirmadosPCR14d = ifelse(ConfirmadosPCR14d < 1, NA, ConfirmadosPCR14d))
library(sf)
# muni.gpkg <- st_read("datos/municipios.gpkg",
# stringsAsFactors = FALSE, quiet = TRUE)
#
# muni.lite <- rmapshaper::ms_simplify(muni.gpkg, keep_shapes = TRUE, keep = 0.01)
#
# st_write(muni.lite, "datos/municipios_lite.gpkg")
muni.lite <- st_read("datos/municipios_lite.gpkg",
stringsAsFactors = FALSE, quiet = TRUE)
muni.14d <- left_join(select(muni.lite, PROVINCIA, MUNICIPIO),
select(muni.data, PROVINCIA, MUNICIPIO, ConfirmadosPCR14d),
by = c("PROVINCIA", "MUNICIPIO")) %>%
mutate(casos = ifelse(is.na(ConfirmadosPCR14d), 0, ConfirmadosPCR14d),
lab = paste(MUNICIPIO, casos, sep = ": "))
library(ggiraph)
mapa <-
ggplot(muni.14d) +
ggiraph::geom_sf_interactive(aes(fill = ConfirmadosPCR14d, tooltip = lab),
colour = "grey85", size = 0.1) +
scale_fill_distiller(type = "seq", palette = "Oranges", direction = 1,
na.value = "white") +
#theme_minimal() +
theme(axis.text = element_blank(),
panel.grid = element_blank(),
legend.title = element_blank(),
axis.ticks = element_blank()) +
labs(title = "Casos confirmados por PCR en cada municipio",
subtitle = "Últimos 14 días",
caption = "https://tiny.cc/COVID19-Andalucia")
girafe(ggobj = mapa)
```
La Junta de Andalucía ha comenzado a visualizar los datos diarios por provincia, distrito sanitario y municipio [aquí](http://www.juntadeandalucia.es/institutodeestadisticaycartografia/salud/COVID19.html).
<br>
### Porcentaje de PCR positivas
Aquí se muestra el número de PCR realizadas en Andalucía cada semana (según los datos ofrecidos por [Datadista](https://github.com/datadista/datasets/tree/master/COVID%2019)), el número de casos detectados esa semana y, en consecuencia, el porcentaje de PCR positivas. Si el porcentaje de pruebas positivas es elevado es probable que no se estén detectando todos los casos y por tanto no se estén cortando bien las cadenas de transmisión. La OMS recomienda que este porcentaje se mantenga por debajo del 5%.
```{r test.posit, out.width='100%'}
ntest <- readr::read_csv("https://raw.githubusercontent.com/datadista/datasets/master/COVID%2019/ccaa_covid19_test_realizados.csv") %>%
filter(cod_ine == "01") %>%
select(Fecha, cod_ine, CCAA, PCR)
# datos.andal$casos.7d <- zoo::rollsumr(datos.andal$ConfirmadosPCR, k = 7, fill = NA)
datos.andal <- datos.andal %>%
mutate(casos.acum = cumsum(ConfirmadosPCR))
ntest <- datos.andal %>%
select(Fecha, casos.acum) %>%
right_join(ntest, by = "Fecha") %>%
arrange(Fecha) %>%
mutate(pcr.7d = PCR - lag(PCR),
casos.7d = casos.acum - lag(casos.acum)) %>%
mutate(pos.percent = 100*round(casos.7d/pcr.7d, digits = 3)) %>%
select(Fecha, pcr.7d, casos.7d, pos.percent) %>%
tidyr::pivot_longer(cols = pcr.7d:pos.percent) %>%
mutate(name = case_when(
name =="pcr.7d" ~ "PCR semanales realizadas",
name == "casos.7d" ~ "Casos confirmados",
name == "pos.percent" ~ "Porcentaje de PCR positivas"
)) %>%
mutate(name = factor(name, levels = c("PCR semanales realizadas", "Casos confirmados", "Porcentaje de PCR positivas"))) %>%
filter(Fecha > "2020-04-23")
ggplot(ntest) +
facet_wrap(~name, ncol = 1, scales = "free_y") +
geom_line(aes(Fecha, value, colour = name), size = 2) +
ylim(0, NA) +
scale_colour_manual(values = c("grey60", "#ff7f00", "black")) +
theme(legend.position = "none") +
labs(x = "", y = "",
#title = "Porcentaje de personas con PCR positiva",
caption = "https://tiny.cc/COVID19-Andalucia")
```
<br>
### Casos confirmados por fecha y rango de edad
Esta figura representa los rangos de edad de los casos confirmados por PCR a lo largo del tiempo (desde el 15 de Marzo de 2020).
Mientras que en los meses de Marzo a Mayo sólo se detectaron los casos más graves, normalmente asociados a personas de mayor edad (>45 años), en la segunda oleada (a partir de Agosto), los casos comenzaron en personas jóvenes para extenderse paulatinamente a todas las edades.
<br>
```{r casos.edad.fecha, out.width='100%', fig.height=2.5}
library(stringr)
casos.edad.fecha <- read_csv2("datos/confPCR_edad_fecha.csv",
skip_empty_rows = TRUE) %>%
select(-Medida, - X5) %>%
filter(!is.na(Edad)) %>%
tidyr::separate(col = "Fecha diagnóstico", into = c("Dia", "Mes"), sep = "/", remove = TRUE) %>%
mutate(Fecha = paste("2020", Mes, Dia, sep = "-")) %>%
mutate(Fecha = as.Date(Fecha)) %>%
mutate(edades = str_replace(Edad, "De ", "")) %>%
mutate(edades = str_replace(edades, " a ", " - ")) %>%
mutate(edades = str_replace(edades, " años", "")) %>%
mutate(edades = factor(edades,
levels = rev(c("0 - 14", "15 - 29", "30 - 44", "45 - 64", "65 - 84", "85 y más")))) %>%
rename(Casos = Valor) %>%
mutate(Casos = ifelse(is.na(Casos), 0, Casos))
casos.edad.fecha %>%
filter(Fecha > "2020-03-14") %>%
ggplot() +
geom_tile(aes(x = Fecha, y = edades, fill = Casos)) +
scale_fill_viridis_c() +
labs(y = "Edad", x = "",
title = "Edad de los casos confirmados por PCR",
caption = "https://tiny.cc/COVID19-Andalucia",
fill = "Casos\ndiarios") +
scale_x_date(date_breaks = "1 month", date_labels = "%b")
```
<br>
```{r casos.edad.anim, out.width='100%', eval = FALSE}
library(gganimate)
edad.anim.df <-
casos.edad.fecha %>%
mutate(edades = factor(edades,
levels = (c("0 - 14", "15 - 29", "30 - 44", "45 - 64", "65 - 84", "85 y más")))) %>%
filter(Fecha >= "2020-07-01")
edad.anim <-
ggplot(edad.anim.df) +
geom_col(aes(x = edades, y = Casos), fill = "#ff7f00") +
#transition_states(Fecha, wrap = FALSE) +
transition_manual(frames = Fecha) +
labs(y = "Número de casos diarios \n", x = "Edad",
title = "Edad de los casos confirmados por PCR",
subtitle = "{current_frame}",
caption = "https://tiny.cc/COVID19-Andalucia")
animate(edad.anim, height = 4, width = 5, units = "in", res = 150,
rewind = FALSE,
nframes = length(unique(edad.anim.df$Fecha)),
fps = 8)
anim_save("edad_casos_anim.gif")
```
## Ingresos en centros hospitalarios
<br>
```{r ingresos_Andalucia, fig.height=3, out.width='100%'}
ggplot(datos.andal) +
geom_col(aes(x = Fecha, y = Hospitalizados),
fill = "#377eb8") +
ylim(0, NA) +
labs(x = "", y = "Nº Ingresos\n",
title = "Hospitalizaciones diarias con COVID-19 en Andalucía",
caption = "https://tiny.cc/COVID19-Andalucia") +
scale_x_date(limits = c(as.Date("2020-03-01"), NA),
date_breaks = "1 month", date_labels = "%b")
```
<br>
```{r ingresos_Andalucia.14d, fig.height=3, out.width='100%'}
ggplot(datos.andal) +
geom_col(aes(x = Fecha, y = Hospitalizados),
fill = "#377eb8") +
ylim(0, NA) +
labs(x = "", y = "Nº Ingresos\n",
title = "Hospitalizaciones diarias con COVID-19 en Andalucía",
subtitle = "Últimos 14 días",
caption = "https://tiny.cc/COVID19-Andalucia") +
scale_x_date(limits = c(Sys.Date() - 16, NA),
date_breaks = "2 days", date_labels = "%d %b") +
geom_text(aes(Fecha, y = Hospitalizados + 8, label = Hospitalizados),
data = subset(datos.andal, Fecha > (Sys.Date() - 16)))
```
<br>
**NOTA**: el retraso (de varios días) en las notificaciones hace que las curvas parezcan a menudo descendentes. Frecuentemente, en los días siguientes se añaden nuevos ingresos asignados a fechas pasadas. Por tanto, **un descenso en el número de hospitalizaciones en los últimos días no debe interpretarse como un descenso en la intensidad de la pandemia** hasta que los datos sean consolidados en los próximos días.
<br>
```{r ingresos_provincias, out.width='100%', fig.height=6}
ggplot(datos.provs) +
facet_wrap(~Territorio, scales = "free_y", ncol = 2) +
geom_col(aes(x = Fecha, y = Hospitalizados),
fill = "#377eb8") +
ylim(0, NA) +
labs(x = "", y = "Nº Ingresos\n",
title = "Hospitalizaciones diarias con COVID-19 en cada provincia",
subtitle = "Para facilitar la visualización de tendencias la escala del eje vertical es diferente en cada provincia",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(axis.text.x = element_text(size = 8)) +
scale_x_date(limits = c(as.Date("2020-03-01"), NA))
```
<br>
```{r ingresos_provincias.14d, out.width='100%', fig.height=6}
ggplot(datos.provs) +
facet_wrap(~Territorio, ncol = 2) +
geom_col(aes(x = Fecha, y = Hospitalizados),
fill = "#377eb8") +
labs(x = "", y = "Nº Ingresos\n",
title = "Hospitalizaciones diarias con COVID-19 en cada provincia",
subtitle = "Últimos 14 días",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(axis.text.x = element_text(size = 8)) +
scale_x_date(limits = c(Sys.Date() - 16, NA),
date_breaks = "4 days", date_labels = "%d %b") +
scale_y_continuous(limits = c(0, NA), sec.axis = dup_axis(name = ""))
```
<br>
### Ingresos en cuidados intensivos (UCI)
<br>
```{r uci_Andalucia, fig.height=3, out.width='100%'}
ggplot(datos.andal) +
geom_col(aes(x = Fecha, y = UCI), fill = "#e41a1c") +
ylim(0, NA) +
labs(x = "", y = "Nº Ingresos UCI\n",
title = "Ingresos diarios en UCI con COVID-19 en Andalucía",
caption = "https://tiny.cc/COVID19-Andalucia") +
scale_x_date(limits = c(as.Date("2020-03-01"), NA),
date_breaks = "1 month", date_labels = "%b")
```
<br>
```{r uci_Andalucia.14d, fig.height=3, out.width='100%'}
ggplot(datos.andal) +
geom_col(aes(x = Fecha, y = UCI), fill = "#e41a1c") +
ylim(0, NA) +
labs(x = "", y = "Nº Ingresos UCI\n",
title = "Ingresos diarios en UCI con COVID-19 en Andalucía",
subtitle = "Últimos 14 días",
caption = "https://tiny.cc/COVID19-Andalucia") +
scale_x_date(limits = c(Sys.Date() - 16, NA),
date_breaks = "2 days", date_labels = "%d %b")
```
<br>
**NOTA**: el retraso (de varios días) en las notificaciones hace que las curvas parezcan a menudo descendentes. Frecuentemente, en los días siguientes se añaden nuevos ingresos asignados a fechas pasadas. Por tanto, **un descenso en el número de ingresos en los últimos días no debe interpretarse como un descenso en la intensidad de la pandemia** hasta que los datos sean consolidados en los próximos días.
<br>
```{r uci_provincias, out.width='100%', eval=FALSE}
ggplot(datos.provs) +
facet_wrap(~Territorio, scales = "free_y", ncol = 2) +
geom_col(aes(x = Fecha, y = UCI), fill = "#e41a1c") +
ylim(0, NA) +
labs(x = "", y = "Nº Ingresos UCI\n",
title = "Ingresos diarios en UCI en cada provincia",
subtitle = "Para facilitar la visualización de tendencias, la escala del eje vertical es diferente cada provincia",
caption = "https://tiny.cc/COVID19-Andalucia") +
theme(axis.text.x = element_text(size = 8))
```
### Camas ocupadas
<br>
Número de pacientes ingresados en centros hospitalarios, incluyendo aquellos en cuidados intensivos (UCI). El pico máximo de camas ocupadas se alcanzó el 30 de Marzo con 2708 pacientes ingresados (438 en UCI).
<br>
```{r camas.ocupadas, out.width='100%', fig.height=3}
camas.last <- datos.andal %>%
filter(!is.na(CamasOcup)) %>%
slice_tail()
pico30Marzo <- data.frame(Fecha = as.Date("2020-03-30"), CamasOcup = 2708, CamasUCI = 438)
datos.andal %>%
filter(Fecha > "2020-04-04") %>%
ggplot() +
geom_line(aes(Fecha, CamasOcup), colour = "#377eb8", size = 2) +
geom_line(aes(Fecha, CamasUCI), colour = "#e41a1c", size = 2) +
ylim(0, NA) +
labs(title = "Pacientes ingresados con COVID-19 en hospitales andaluces",
caption = "https://tiny.cc/COVID19-Andalucia",
x = "", y = "Camas ocupadas\n") +
geom_point(data = pico30Marzo, aes(Fecha, CamasOcup), colour = "#377eb8", size = 2) +
geom_point(data = pico30Marzo, aes(Fecha, CamasUCI), colour = "#e41a1c", size = 2) +
geom_text(data = camas.last,
aes(Fecha - 2, CamasOcup + 150, label = paste0( "Total ", CamasOcup)),
colour = "#377eb8") +
geom_text(data = camas.last,
aes(Fecha - 2, CamasUCI + 130, label = paste0("UCI ", CamasUCI)),
colour = "#e41a1c") +
scale_x_date(date_breaks = "1 month", date_labels = "%b")
```
<br>
## Personas curadas
<br>
```{r curadas_Andalucia, fig.height=3, out.width='100%', eval=FALSE}
ggplot(datos.andal) +
geom_col(aes(x = Fecha, y = Curados),
size = 1.5, fill = "#4daf4a") +
ylim(0, NA) +
#scale_x_date(limits = c(as.Date("2020-03-23"), NA)) +
labs(x = "", y = "Nº Personas\n",
title = "Personas curadas de COVID-19 diariamente en Andalucía",
caption = "https://tiny.cc/COVID19-Andalucia") +
scale_x_date(limits = c(as.Date("2020-03-01"), NA))
```