Descarga y visualiza datos de casos COVID-19 en R

En este tutorial, te enseñamos a descargar datos de los casos confirmados del 19-nCoV del European Center for Disease Control (ECDC) para su análisis y visualización en R. Este tutorial contiene los siguientes pasos:

  • Prepara el environment: librerías
  • Descarga los datos
  • Pre-procesa los datos
  • Selecciona los países de tu interés
  • Visualiza los datos con ggplot
  • Guarda el grafico con ggsave()

Prepara el environment: (des)carga las librerías

Si no has instalado R Studio, descárgalo aquí. Aunque puedes usar otro IDE, aquí un resumen de por qué recomendamos R Studio. Para (des)cargar las librerías necesarias, corre el siguiente código:

# Para instalar
install.packages(c("dplyr", "ggplot2", "ggrepel", "zoo"))

# Para cargarlos al environment
library(dplyr) # para manipular datos
library(ggplot2) # gráficos
library(ggrepel) # etiquetas gráficos
library(zoo) # fechas

Descarga los datos

Los datos globales de casos del coronavirus están disponibles aquí. Para descargarlos y almacenarlos en un data frame:

# Descarga los datos
data<-read.csv("https://opendata.ecdc.europa.eu/covid19/casedistribution/csv")
# Explora el formato de los datos
str(data) # estructura
head(data) # primeras 10 filas

Pre-procesa los datos

Para facilitar la visualizacion de los datos, vamos a cambiar el formato de la columna dateRep (o fecha de reporte) al tipo Date con el paquete zoo. Además, creamos la columna dsfc, o “days since first case”, que especifica cuántos días transcurrieron entre el primer caso reportado y cada nuevo reporte, por país. También creamos la variabe totalCases con el total de casos acumulados.

# Convierte la fecha a formato Date
data<-data%>%mutate(date=as.Date(dateRep, '%d/%m/%Y'))

# Calcula dias desde primer caso reportado (variable dsfc)
data<-data%>%arrange(countriesAndTerritories, desc(date))%>%filter(cases>0)%>%
             group_by(countriesAndTerritories)%>%mutate(dsfc=date-min(date))

# Calcula casos reportados cumulativos
data<-data%>%mutate(totalCases=NA)
for(i in (dim(data)[1]):1){
  if(i==dim(data)[1]){
    data$totalCases[dim(data)[1]]<-data$totalCases[dim(data)[1]]
  }
  if(i!=dim(data)[1]){
    if(data$countriesAndTerritories[i+1]==data$countriesAndTerritories[i]){
     data$totalCases[i]=(data$totalCases[i+1]+data$cases[i])
   }
    if(data$countriesAndTerritories[i+1]!=data$countriesAndTerritories[i]){
     data$totalCases[i]=data$cases[i]
   }
  }
}

Selecciona los países de tu interés

Haz un vector con los nombre de los territorios de tu interés. Acá seleccionamos algunos países de Latinoamérica:

# Nombres de territorios para visualizar
data$countriesAndTerritories%>%unique() # Ver nombres únicos de territorios
la<-c("Argentina", "Bolivia", "Brazil", "Mexico", "Peru", "Uruguay", "Dominican_Republic")

Visualiza los datos con ggplot

Se ha generado un debate interesante en cuanto a la forma “correcta” de visualizar datos de casos confirmados del COVID-19 (ver hilo en Twitter). Acá graficamos 3 :

A) Casos acumulados por millón de habitantes (eje y) VS Días transcurridos desde el 1 caso fue reportado (eje x)

B) Casos acumulados por millón de habitantes (eje y) VS Días transcurridos desde que 1 caso por millón de habitantes fue reportado (eje x)

C) Logaritmo de casos acumulados por millón de habitantes (eje y) VS Días transcurritos desde 1 caso por millón de habitantes fue reportado (eje x).

El siguiente código

  1. Filtra data para los paises en el vector la
  2. Grafica líneas y puntos con geom_line y geom_point
  3. Asigna un color a cada país aes(color=countriesAndTerritories)
  4. Modifica etiqueta de los ejes y la leyenda con xlab, ylab y labs(color=Pais)
  5. Agrega etiquetas con el nombre del país al último día de reporte, minimizando la superposición con geom_label_repel
# A- Visualizar casos acumulados desde el primer caso reportado por millon de habitantes
ggplot(data%>%filter(countriesAndTerritories%in%la)) +
geom_line(aes(x=dsfc, y=totalCases/(popData2018/1000000), color=countriesAndTerritories)) +
geom_point(aes(x=dsfc, y=totalCases/(popData2018/1000000), color=countriesAndTerritories)) +
xlab("Dias desde el primer caso confirmado") +
ylab("Casos acumulados por millón de habitantes") +
labs(color="Pais") +
geom_label_repel(data=data%>%filter(countriesAndTerritories%in%la)%>%
group_by(countriesAndTerritories)%>%
summarize(dsfcmax=max(dsfc), totalCasesmax=max(totalCases),
popData2018=max(popData2018)), 
aes(x=dsfcmax, y=totalCasesmax/(popData2018/1000000) ,
label=countriesAndTerritories, color=countriesAndTerritories),
size=2, show.legend = F) +
theme_bw()

# B- Visualizar casos acumulados desde el primer caso reportado por millon de habitantes
  # Calcular días desde 1 caso/millon habitantes reportado
data1<-data%>%mutate(popMillon = popData2018/1000000)%>% filter(totalCases>=popMillon)%>%
group_by(countriesAndTerritories)%>%mutate(dscpm=date-min(date))

ggplot(data1%>%filter(countriesAndTerritories%in%la)) +
geom_line(aes(x=dscpm, y=(totalCases/(popData2018/1000000)), color=countriesAndTerritories)) +
geom_point(aes(x=dscpm, y=(totalCases/(popData2018/1000000)), color=countriesAndTerritories)) +
xlab("Días desde reporte de 1 caso/millón de habitantes") +
ylab("Casos acumulados por millón de habitantes") +
labs(color="País") +
geom_label_repel(data=data1%>%filter(countriesAndTerritories%in%la)%>%
group_by(countriesAndTerritories)%>%
summarize(dscpmmax=max(dscpm), totalCasesmax=max(totalCases),
popData2018=max(popData2018)), 
aes(x=dscpmmax, y=(totalCasesmax/(popData2018/1000000)) ,
label=countriesAndTerritories, color=countriesAndTerritories),
size=2, show.legend = F) +
theme_bw()

# C- Visualizar log de casos acumulados desde el primer caso reportado por millon de habitantes
ggplot(data1%>%filter(countriesAndTerritories%in%la)) +
geom_line(aes(x=dscpm, y=log(totalCases/(popData2018/1000000)), color=countriesAndTerritories)) +
geom_point(aes(x=dscpm, y=log(totalCases/(popData2018/1000000)), color=countriesAndTerritories)) +
xlab("Días desde reporte de 1 caso/millón de habitantes") +
ylab("Log(Casos acumulados por millón de habitantes)") +
labs(color="País") +
geom_label_repel(data=data1%>%filter(countriesAndTerritories%in%la)%>%
group_by(countriesAndTerritories)%>%
summarize(dscpmmax=max(dscpm), totalCasesmax=max(totalCases),
popData2018=max(popData2018)), 
aes(x=dscpmmax, y=log(totalCasesmax/(popData2018/1000000)) ,
label=countriesAndTerritories, color=countriesAndTerritories),
size=2, show.legend = F) +
theme_bw()

Figura A

covid

Este gráfico es similar a los que circularon al principio de la pandemia. Sin embargo, puede desfavorecer a países con mayor población (por ejemplo, Perú). Carl T. Bergstrom propuso entonces graficar en el eje X desde el momento en el que un % específico de la población de cada país se contagiara (ver figura B).

Figura B

covidpmillion En este gráfico, el eje x indica el número de días que han pasado desde que el 0.0001% de la población fue contagiado (1 caso por cada 1,000,000 de habitantes); ajusta este porcentaje como te convenga en el código. El crecimiento cuasi exponencial de los casos en este gráfico puede ser difícil de interpretar (ver figura C).

Figura C

logcovidpmillion

En este gráfico, la pendiente refleja la tasa de crecimiento de casos, la altura refleja la prevalencia y el tiempo relativo de la figura B se mantiene. Fuente.

Guarda el gráfico con ggsave()

Este código guarda el gráfico en display en formato png, en el path folder/ejemplo y con nombre de archivo covid19-casos. Para cambiar el formato, sustituye png por un valor de c("jpeg", "tiff""eps", "ps", "tex", "pdf", "jpeg", "tiff", "png", "bmp", "svg" o "wmf")

# Guarda el gráfico en display con ggsave()
ggsave("folder/ejemplo/covid19-casos.png",
device="png", dpi=800,
width=unit(7, "in"), height=unit(4 ,"in"))

Ver la versión en Inglés de este tutorial.

Si tienes preguntas, puedes contactarme.

Last updated on May 14, 2020