• Repositorio creado el 2020-05-22 05:05:43 UTC
• Última actualización: 2023-07-04 06:11:20.282815 UTC

Notas

Detalles específicos sobre los datos

2020-05-22

• La limpieza de datos no está completa aún, hay fechas de tomas de prueba que parecen ser incorrectas, y que al convertir dan fechas inconsistentes con el primer caso reportado (2020-03-06).
• En al menos un caso, la fecha de toma de pruebas es copia de la fecha de nacimiento.
• He agregado una columna fecha_prueba_antes_primer_caso para marcar esos registros. Son 126 registros que tienen este problema.

2020-05-23

• Los datos han cambiado de formato, ya no incluyen la fecha de nacimiento, sino la edad en años.
• El campo de fecha que se tiene ahora ya no es FECHA_PRUEBA sino FECHA_RESULTADO
• El campo de tipo de prueba (antes TIPO_PRUEBA) se llama ahora METODODX
• Hay 4,543 registros sin fecha de resultado conocida
• Ya no hay incosistencias en los formatos de fecha, todos los registros con valores son de la forma “DD/MM/YYYY”
• Tampoco hay errores como fechas anteriores al primer caso reportado oficialmente.
• Usando edad, departamento, provincia y distrito se han podidor reconstruir unos 2,933 registros de casos con fallecimientos

2020-05-28

• Hay nuevos datasets de positivos y fallecimientos, ahora ambos en formato CSV, pero no en UTF-8:
  • “Casos positivos por COVID-19 - [Ministerio de Salud - MINSA]”
  • “Fallecidos por COVID-19 - [Ministerio de Salud - MINSA]”

2020-05-31

• Nuevo cambio de formato en los datos de fallecimientos: en 749 de registros no se consigna la fecha de nacimiento, pero se ha agregado una columna EDAD_DECLARADA.
• He modificado el código para compensar por estos cambios.
• También, todos los 141 fallecimientos asignados al 2020-05-29 están designados como de sexo INDETERMINADO.

2020-06-12

• Al menos a partir de ayer, ya aparecen nuevamente los valores definidos para el sexo en los datos.

2020-06-23

• Hay datos que tienen como fecha de el 2020-12-06, cuando podría parecer que es 2020-06-12, esto se ha corregido en los datos limpios en el repo, mas no el original.

2020-07-28

• Luego de varios días sin actualización (al menos 3 días), los datos abiertos han sido actualizados.
• Las fechas en los registros ha cambiado del formato DD/MM/YYY (y algunos MM/DD/YYYY) a YYYYMMDD

2020-09-14

• Modificado el código de proceso de datos pues hay un campo mas: FECHA_CORTE

2020-10-25

• Tanto los datos de casos positivos, como los de fallecimentos, tienen ahora un formato distinto, en lugar de usar coma (“,”) para separar campos, hoy aparecen con punto y coma (“;”)

2020-11-08

• Al menos desde el 2020-11-04, no han habido actualizaciones de los datos abiertos.
• El hash sha1 de los archivos no ha cambiado hasta ahora:

2020-11-16

• Los datos abiertos no se han actualizado desde el 2020-11-13 (última revisión: 2020-11-16, 23:15h PET)

2021-08-25

• Debido a la “Datatón 2021” del MINSA, los datos ahora incluyen person_id que se puede usar para poder enlazar información entre datasets. He reorganizados los datos en función a esto, y aprovechado para aumentar la información original.

26ea469be125d1d0c4e8f9dcedf6692ece12acbb  datos/originales/fallecidos_covid.csv
ada0b5da4371b9308e4170ecb53014843e4cb3a2  datos/originales/positivos_covid.csv

2021-06-02

• A partir de hoy los datos de fallecidos por COVID-19 usan los criterios publicados en Criterios técnicos para actualizar la cifra de fallecidos por COVID-19 en el Perú, y se ha cambiado la estructura de los datos. Ahora los datos de fallecidos indican en un campo el criterio empleado para la clasificación.
• Debido al tamaño de los nuevos archivos de datos, estoy cambiando de formato de compresión, usando ahora xz en lugar de gzip

Información relevante

Fuentes de datos:

• https://www.datosabiertos.gob.pe/dataset/casos-positivos-por-covid-19-ministerio-de-salud-minsa
• https://www.datosabiertos.gob.pe/dataset/fallecidos-por-covid-19-ministerio-de-salud-minsa

Luego del primer paso de limpieza de datos:

Casos positivos

Análisis exploratorio de los datos de positivos

Data summary

Name	positivos
Number of rows	4512091
Number of columns	16
_______________________
Column type frequency:
character	1
Date	2
factor	10
numeric	3
________________________
Group variables	None

Data summary

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
id_persona	83349	0.98	1	8	0	4018914	0

Variable type: Date

skim_variable	n_missing	complete_rate	min	max	median	n_unique
fecha_corte	0	1	2023-06-19	2023-06-19	2023-06-19	1
fecha_resultado	2023	1	2020-03-06	2023-06-18	2021-11-20	1198

Variable type: factor

skim_variable	n_missing	complete_rate	ordered	n_unique	top_counts
departamento	0	1.00	FALSE	25	LIM: 2126982, ARE: 293310, LA : 182451, PIU: 181786
provincia	0	1.00	FALSE	197	LIM: 1847627, ARE: 250162, EN : 232293, CAL: 161037
distrito	0	1.00	FALSE	1703	EN : 232293, LIM: 192784, SAN: 141113, JES: 120235
metododx	0	1.00	FALSE	3	AG: 2204595, PCR: 1351616, PR: 955880
sexo	0	1.00	FALSE	3	Fem: 2332738, Mas: 2179352, No : 1
ubigeo	232293	0.95	FALSE	1853	150: 192784, 150: 141113, 150: 120235, 150: 105053
rango_edad_veintiles	0	1.00	TRUE	6	20-: 1929868, 40-: 1460826, 60-: 604502, 0-1: 412817
rango_edad_deciles	0	1.00	TRUE	10	30-: 1035525, 20-: 894343, 40-: 834253, 50-: 626573
rango_edad_quintiles	0	1.00	TRUE	18	30-: 543492, 25-: 531798, 35-: 492033, 40-: 442166
rango_edad_owid	0	1.00	TRUE	8	25-: 2401576, 50-: 626573, 18-: 453361, 60-: 401709

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
edad	353	1	40.70	17.68	0	28	39	52	125	▃▇▃▁▁
epi_week	2023	1	20.60	15.69	1	5	19	32	53	▇▃▅▂▂
epi_year	2023	1	2021.27	0.82	2020	2021	2021	2022	2023	▃▅▁▇▁

Fallecimientos

Análisis exploratorio de los datos de fallecidos

Data summary

Name	fallecidos
Number of rows	220673
Number of columns	16
_______________________
Column type frequency:
character	1
Date	2
factor	10
numeric	3
________________________
Group variables	None

Data summary

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
id_persona	2684	0.99	2	8	0	217918	0

Variable type: Date

skim_variable	n_missing	complete_rate	min	max	median	n_unique
fecha_corte	0	1	2023-06-19	2023-06-19	2023-06-19	1
fecha_fallecimiento	0	1	2020-03-03	2023-05-22	2021-02-07	1169

Variable type: factor

skim_variable	n_missing	complete_rate	ordered	n_unique	top_counts
sexo	0	1	FALSE	2	Mas: 139217, Fem: 81456
clasificacion_def	0	1	FALSE	7	Cri: 84350, Cri: 66292, Cri: 42903, Cri: 10786
departamento	0	1	FALSE	25	LIM: 97517, PIU: 13249, LA : 11083, CAL: 10941
provincia	5	1	FALSE	196	LIM: 89578, CAL: 10940, ARE: 8707, TRU: 7409
distrito	5	1	FALSE	1667	LIM: 8876, SAN: 8705, SAN: 6919, CAL: 6284
ubigeo	0	1	FALSE	1804	150: 8876, 150: 8705, 150: 6919, 070: 6284
rango_edad_veintiles	0	1	TRUE	5	60-: 106619, 40-: 54397, 80+: 47415, 20-: 10359
rango_edad_deciles	0	1	TRUE	9	60-: 54277, 70-: 52342, 80+: 47415, 50-: 36133
rango_edad_quintiles	0	1	TRUE	17	80+: 47415, 65-: 28279, 70-: 27473, 60-: 25998
rango_edad_owid	0	1	TRUE	7	60-: 54277, 70-: 52342, 80+: 47415, 50-: 36133

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
edad	0	1	66.37	15.88	0	57	68	78	114	▁▂▇▇▁
epi_week	0	1	21.58	12.10	1	12	20	30	53	▆▇▇▃▂
epi_year	0	1	2020.65	0.65	2020	2020	2021	2021	2023	▇▇▁▁▁

Reconstrucción de positivos a fallecidos

Análisis exploratorio de la consolidación entre positivos y fallecidos

Data summary

Name	reconstruido
Number of rows	120317
Number of columns	31
_______________________
Column type frequency:
Date	4
factor	20
numeric	7
________________________
Group variables	None

Data summary

Variable type: Date

skim_variable	n_missing	complete_rate	min	max	median	n_unique
positivo_fecha_corte	0	1	2023-06-19	2023-06-19	2023-06-19	1
positivo_fecha_resultado	167	1	2020-03-12	2023-05-19	2021-02-04	1119
fallecido_fecha_corte	0	1	2023-06-19	2023-06-19	2023-06-19	1
fallecido_fecha_fallecimiento	0	1	2020-03-14	2023-05-22	2021-02-20	1160

Variable type: factor

skim_variable	n_missing	complete_rate	ordered	n_unique	top_counts
positivo_departamento	0	1.00	FALSE	25	LIM: 57991, CAL: 6647, ARE: 6409, LA : 5621
positivo_provincia	0	1.00	FALSE	197	LIM: 48818, EN : 7145, CAL: 6374, ARE: 5305
positivo_distrito	0	1.00	FALSE	1418	EN : 7145, SAN: 4283, LIM: 4031, CAL: 3067
positivo_metododx	0	1.00	FALSE	3	PCR: 48713, PR: 37329, AG: 34275
positivo_sexo	0	1.00	FALSE	2	Mas: 76697, Fem: 43620, No : 0
positivo_ubigeo	7145	0.94	FALSE	1523	150: 4283, 150: 4031, 070: 3067, 150: 3011
positivo_rango_edad_veintiles	0	1.00	TRUE	6	60-: 57798, 40-: 30656, 80+: 24653, 20-: 6134
positivo_rango_edad_deciles	0	1.00	TRUE	10	60-: 29969, 70-: 27829, 80+: 24653, 50-: 20250
positivo_rango_edad_quintiles	0	1.00	TRUE	18	80+: 24653, 65-: 15392, 70-: 14631, 60-: 14577
positivo_rango_edad_owid	0	1.00	TRUE	8	60-: 29969, 70-: 27829, 80+: 24653, 50-: 20250
fallecido_sexo	0	1.00	FALSE	2	Mas: 75173, Fem: 45144
fallecido_clasificacion_def	0	1.00	FALSE	7	Cri: 73596, Cri: 28643, Cri: 12443, Cri: 2560
fallecido_departamento	0	1.00	FALSE	25	LIM: 55393, ARE: 6300, CAL: 6139, LA : 5828
fallecido_provincia	1	1.00	FALSE	196	LIM: 50494, CAL: 6138, ARE: 5026, TRU: 3931
fallecido_distrito	1	1.00	FALSE	1588	SAN: 4701, LIM: 4506, CAL: 3709, SAN: 3379
fallecido_ubigeo	0	1.00	FALSE	1713	150: 4701, 150: 4506, 070: 3709, 150: 3379
fallecido_rango_edad_veintiles	0	1.00	TRUE	5	60-: 58104, 40-: 30526, 80+: 25040, 20-: 5650
fallecido_rango_edad_deciles	0	1.00	TRUE	9	60-: 30108, 70-: 27996, 80+: 25040, 50-: 20276
fallecido_rango_edad_quintiles	0	1.00	TRUE	17	80+: 25040, 65-: 15523, 70-: 14732, 60-: 14585
fallecido_rango_edad_owid	0	1.00	TRUE	7	60-: 30108, 70-: 27996, 80+: 25040, 50-: 20276

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
id_persona	0	1	24482739.49	14373513.48	12	9567219	36206609	36598244	39454010	▃▂▁▁▇
positivo_edad	6	1	65.82	15.98	0	56	67	77	121	▁▂▇▆▁
positivo_epi_week	167	1	20.51	12.68	1	10	19	30	53	▇▇▇▃▂
positivo_epi_year	167	1	2020.68	0.66	2020	2020	2021	2021	2023	▇▇▁▂▁
fallecido_edad	0	1	66.12	15.79	0	57	67	77	113	▁▂▇▇▁
fallecido_epi_week	0	1	21.48	12.57	1	11	20	31	53	▇▇▇▃▂
fallecido_epi_year	0	1	2020.76	0.72	2020	2020	2021	2021	2023	▆▇▁▂▁

Gráficos

Casos positivos por dia (MINSA)

Casos positivos acumulados (MINSA)

Casos positivos por dia y Departamento (MINSA)

Fallecimientos por día (MINSA)

Fallecimientos por día y criterio (MINSA)

Fallecimientos acumulados (MINSA)

Fallecimientos por día y Departamento (MINSA)

Distribución de tiempos desde detección a fallecimiento, por número de registros coincidentes

Los archivos procesados y aumentados son:

• datos/fallecidos_covid_aumentado.csv.xz
• datos/positivos_covid_aumentado.csv.xz

Y algunos reconstruidos a partir de los anteriores:

• datos/positivos_fallecidos_reconstruccion.csv.xz
• datos/timeseries_positivos.csv
• datos/timeseries_positivos_departamento.csv
• datos/timeseries_fallecidos.csv
• datos/timeseries_fallecidos_departamento.csv