Análisis de reporte de casos de Covid en el Perú

Elaborado por Barzola Bustamante José Mathias,Ccanto Vargas Eduardo Ivan, Cuenca Cajusol Nicole Allison y Angie Sylvana Flores Gutierrez, 5 de febrero del 2021

📋 Introducción

En este proyecto analizaremos los datos del COVID en el Perú para luego con ayuda de la libreria ggplot2 extraer los mapas de casos postivos y fallecidos por COVID en el Perú.

📌 Librerías necesarias en R

-library(rgdal) 

-library(rgeos)

-library(dplyr)

-library(tmap)

-library(leaflet)

-biblioteca (ggplot2)

-library(sp)

-library(viridisLite)

-library(viridis)

-library(tidyverse)

-library(sf)

-library(rayshader)

📢 Antes de empezar

¡ No olvidarte setear tu directorio de trabajo!

🖇️ Descarga de datos

Descargar los datos shapefile de algún geoservidor oficial. Como este: https://www.geogpsperu.com/

🚀 Comenzamos con los Casos positivos de COVID

1. Cargamos la librería donde tenemos guardado nuestro shp. y csv. para este caso, que es PROVINCIAS

setwd("C:/Users/NICOLE/Desktop/PROGRA")		
mapa <- readOGR("C:/Users/NICOLE/Desktop/PROGRA/PROVINCIAS.shp")
datacovid <- read.csv2("C:/Users/NICOLE/Desktop/PROGRA/positivos_covid.csv

2. Cambiamos el nombre de la columna

	 head(mapa)	
names(mapa)[2]="DEPARTAMENTO"

3. Sumamos el número de casos positivos con respecto a las provincias

covid <- datacovid %>% group_by(PROVINCIA) %>% summarise(Frequency=n())
head(mapa)
head(datacovid)
covid_mapa1 <- merge(mapa,covid,by="PROVINCIA")

4. Ploteamos el mapa con respecto a las provincias

plot(covid_mapa1)
qtm(covid_mapa1,fill = "Frequency",col="col_blind")

Lo separamos respecto

qtm(covid_mapa1,fill=c("Frequency"),
    col = "Median_income",
    title="Casos covid por provincia",
    palette = " BuGn" ,
    scale = 0.7 , 
    fill.title="Casos positivos",
    title.font=1,
    sill.style ="fixed",
    title.fontface=3,
    fill.breaks=round(c(seq(0,30000,length.out = 7),Inf),),0)
+ tm_scale_bar(position = c("center","bottom"))+
  tm_graticules()+
  tm_compass(position = c("left","top")) + tm_borders()

Comprobamos si es lo deseado

5. Cargamos la librería donde tenemos guardado nuestro shp. y csv. para este caso, que es DEPARTAMENTOS

mapa <- st_read("C:/Users/NICOLE/Desktop/PROGRA/DEPARTAMENTOS.shp") 
head(mapa)
names(mapa)[2]="DEPARTAMENTO"

covid2 <- datacovid %>% group_by(DEPARTAMENTO) %>% summarise(Frequency=n())  

covid_mapa2 <- merge(mapa,covid2,by="DEPARTAMENTO")

6. Ploteamos con respecto a DEPARTAMENTOS

qtm(covid_mapa2,fill = "Frequency",col="col_blind")
qtm(covid_mapa2,fill=c("Frequency"),
    col = "Median_income",
    title="Casos covid por Departamento",
    palette = " BuGn" , 
    scale = 0.7 ,
    fill.title="Casos positvos",
    title.font=1,
    sill.style ="fixed",
    title.fontface=3,
    fill.breaks=round(c(seq(0,100000,length.out = 6),Inf)),0)+ 
  tm_text("DEPARTAMENTO", size = 0.7)+
  tm_layout(legend.format = list(text.separator = "-"),frame = F, asp=NA)+
  tm_legend(legend.position = c("left", "bottom"))+
  tm_scale_bar(position = c("center","bottom"))+
  tm_graticules()+
  tm_compass(position = c("left","top"))

Comprobamos lo deseado

7. Con respecto a los DEPARTAMENTOS sin contar LIMA

View(covid2)
covid3 <- covid2[c(-15,-16),]
View(covid3)

mapa2 <- mapa[-15,]	
covid_mapa3 <- merge(mapa2,covid3,by="DEPARTAMENTO)

qtm(covid_mapa3,fill = "Frequency",col="col_blind")	
	qtm(covid_mapa3,
	    fill=c("Frequency"),
	    col = "Median_income",
	    title="Casos covid por Departamento sin Lima",
	    palette = " BuGn" ,
	    scale = 0.7 ,
	    fill.title="Casos positvos",
	    title.font=1,
	    sill.style ="fixed",
	    title.fontface=2,
	    fill.breaks=round(c(seq(0,50000,length.out = 7),Inf)),0)+ 
	    
tm_text("DEPARTAMENTO", size = 0.7)+	
  tm_layout(legend.format = list(text.separator = "-"),frame = F, asp=NA)+
  tm_legend(legend.position = c("left", "bottom"))+
  tm_scale_bar(position = c("center","bottom"))+
  tm_graticules()+
  tm_compass(position = c("left","top"))

Comprobamos si es lo deseado

8. Mapas 3D

Cargamos y llamamos a las siguientes librerias

library(viridisLite)
library(viridis)
library(tidyverse)
library(sf)
install.packages("rayshader")
library(rayshader)
install.packages("magick")
library(magick)
install.packages("av")
library(av)
library(dplyr)
install.packages("rayrender")
library(rayrender)
covid_mapa2 <- mutate(covid_mapa2,Datos =Frequency)

Plot con LIMA

ggcovid <- ggplot(data = covid_mapa2) +
  geom_sf(aes(fill = Datos)) +
  scale_fill_viridis_c(option = "A")+
  ggtitle("Casos Covid") +
  theme_bw()
plot_gg(ggcovid,
	multicore = T,
	width = 5 , 
	height = 5,
	scale = 200, 
	windowsize = c(1280,720),
	zoom = 0.60 ,
	phi = 50 ,
	sunangle = 120,
	theta=45) 
render_camera(fov = 0, theta = 60, zoom = 0.75, phi = 45)
render_scalebar(limits=c(0, 1000, 2000),
		label_unit = "km",
		position = "W",
		y=50,
		scale_length = c(0.33,1))
render_compass(position = "E")
render_snapshot(clear=TRUE)

Comprobamos lo deseado

Plot sin LIMA

covid3 <- covid2[c(-15,-16),]
mapa2 <- mapa[-15,]
covid_mapa3 <- merge(mapa2,covid3,by="DEPARTAMENTO")
covid_mapa3 <- mutate(covid_mapa3,Datos =Frequency)

ggcovid <- ggplot(data = covid_mapa3) +
  geom_sf(aes(fill = Datos)) + 
  scale_fill_viridis_c(option = "A")+ 
  ggtitle("Casos Covid sin Lima") +
  theme_bw()


plot_gg(ggcovid,
	multicore = T,
	width = 5 , 
	height = 5, 
	scale = 200, 
	windowsize = c(1280,720)
	,zoom = 0.60 ,
	phi = 50 ,
	sunangle = 120,
	theta=45) 

render_camera(fov = 0, theta = 60, zoom = 0.75, phi = 45)  
render_scalebar(limits=c(0, 1000, 2000),label_unit = "km",position = "W", y=50,
		scale_length = c(0.33,1))

render_compass(position = "E") 
render_snapshot(clear=TRUE)

Comprobamos lo deseado

🚀 Continuamos con los Fallecidos por COVID

1. Plot de Fallecidos por DISTRITO

fallecidos <-read.csv2("C:/Users/NICOLE/Desktop/PROGRA/fallecidos_covid.csv")
fallecidos_covid <- fallecidos %>% 
  group_by(DEPARTAMENTO) %>% 
  summarise(Frequency=n())
fallecidos_mapa <- merge(mapa,fallecidos_covid,by="DEPARTAMENTO")
qtm(fallecidos_mapa,fill = "Frequency",col="col_blind")
qtm(fallecidos_mapa,fill=c("Frequency"),col = "Median_income",
    title="Fallecidos por covid por distrito",palette = " BuGn" , 
    scale = 0.7 , fill.title="Fallecidos",
    title.font=1,sill.style ="fixed",title.fontface=2,
    fill.breaks=round(c(seq(0,3000,length.out = 7),Inf)),0)+
  tm_text("DEPARTAMENTO", size = 0.7)+
  tm_layout(legend.format = list(text.separator = "-"),frame = F, asp=NA)+
  tm_legend(legend.position = c("left", "bottom"))

Comprobamos lo deseado

2. Plot de Fallecidos por Provincia

fallecidos_covid2 <- fallecidos %>% 
  group_by(PROVINCIA) %>% 
  summarise(Frequency=n())
fallecidos_mapa2 <- merge(mapa,
			  fallecidos_covid2,
			  by="PROVINCIA")
names(mapa)

qtm(fallecidos_mapa2,fill = "Frequency",col="col_blind")
qtm(fallecidos_mapa2,fill=c("Frequency"),col = 
      "Median_income",title=
      "Fallecidos por covid por provincia",
    palette = " BuGn" , scale = 
      0.7 , fill.title="Fallecidos",
    title.font=1,sill.style =
      "fixed",title.fontface=2,
    fill.breaks=round(c(seq(0,1500,
	length.out = 7),Inf)),0)

Comprobamos lo deseado

3. Plot de Fallecidos por Distrito sin LIMA

fallecidos_covid3 <- fallecidos_covid[c(-15),]
fallecidos_mapa3 <- merge(mapa2,fallecidos_covid3,by="DEPARTAMENTO")
qtm(fallecidos_mapa3,fill = "Frequency",col="col_blind")
qtm(fallecidos_mapa3,fill=c("Frequency"),
    col = "Median_income",
    title="Fallecidos por covid por distrito sin Lima",
    palette = " BuGn" , scale = 0.7 , fill.title="Fallecidos",
    title.font=1,sill.style =
      "fixed",title.fontface=2,
    fill.breaks=round(c(seq(0,2000,
    length.out = 7),Inf)),0)+
  tm_text("DEPARTAMENTO", size = 0.7)+
  tm_layout(legend.format = list(text.separator = "-"),
	    frame = F, asp=NA)+
  tm_legend(legend.position = c("left", "bottom"))

Comprobamos lo deseado

4. En 3D

No olvidar llamar a las siguientes librerias

library(viridisLite)
library(viridis)
library(tidyverse)
library(sf)
library(rayshader)
library(magick)
library(av)

Plot en 3D

fallecidos_mapa <- mutate(fallecidos_mapa,Datos =Frequency)
ggfallecidos <- ggplot(data = fallecidos_mapa) +
  geom_sf(aes(fill = Datos)) + scale_fill_viridis_c(option = "A")+ ggtitle("Fallecidos") +
  theme_bw()
plot_gg(ggcovid,multicore = T,width = 5 , height = 5, scale = 200, windowsize = c(1280,720)
	,zoom = 0.60 ,phi = 50 ,sunangle = 120,theta=45) 
render_camera(fov = 0, theta = 60, zoom = 0.75, phi = 45)
render_scalebar(limits=c(0, 1000, 2000),label_unit = "km",position = "W", y=50,
		scale_length = c(0.33,1))
render_compass(position = "E")
render_snapshot(clear=TRUE)

Comprobamos lo deseado

Plot en 3D sin LIMA

fallecidos_mapa3 <- mutate(fallecidos_mapa3,Datos =Frequency)
ggfallecidos2  <- ggplot(data = fallecidos_mapa3) +
  geom_sf(aes(fill = Datos)) + scale_fill_viridis_c(option = "A")+ ggtitle("Fallecidos sin contar Lima") +
  theme_bw()
plot_gg(ggcovid,multicore = T,width = 5 , height = 5, scale = 200, windowsize = c(1280,720)
	,zoom = 0.60 ,phi = 50 ,sunangle = 120,theta=45) 
render_camera(fov = 0, theta = 60, zoom = 0.75, phi = 45)
render_scalebar(limits=c(0, 1000, 2000),label_unit = "km",position = "W", y=50,
		scale_length = c(0.33,1))
render_compass(position = "E")
render_snapshot(clear=TRUE)

Comprobamos lo deseado

🚀 Top10 de casos de COVID

Llamamos a las siguientes librerias

library(ggplot2)
library(dplyr)
library(ggplot)

1. Top10 de los casos de COVID por DEPARTAMENTO

top_10 <- covid2 %>% 
  top_n(wt = Frequency,n=10)%>% 
  arrange(desc(Frequency))
top_10[top_10$Frequency]
g_top10 <- ggplot(top_10, 
		  aes(x= DEPARTAMENTO,y= Frequency))+
  geom_col(fill="Red",col = "Red")+
  ggtitle("TOP 10 CANTIDAD DE CONTAGIADOS POR COVID POR DEPARTAMENTO")+ 
  xlab("")+ 
  ylab("CASOS") +
  theme_classic()

Comprobamos lo deseado

2. Top10 de los casos de COVID por PROVINCIA

covid3<- covid[-72,]
top_10pro<- covid3 %>%  
  top_n(wt = Frequency,n=10)%>% 
  arrange(desc(Frequency))
g_top10pro <- ggplot(top_10pro, 
		     aes(x= PROVINCIA,y= Frequency))+ 
  geom_col(fill="Red",col = "Red")+
  ggtitle("TOP 10 CANTIDAD DE CONTAGIADOS POR COVID POR PROVINCIA ")+ 
  xlab("")+ 
  ylab("CASOS") +
  theme_classic()

Comprobamos lo deseado

🚀 Análisis top 10 Covid de fallecidos , positivos y según su sexo en el Perú

Llamamos a las siguientes librerías library(ggplot2) library(dplyr)

1. Top10 de fallecidos de COVID por DEPARTAMENTO

top_10falle <- fallecidos_covid%>% 
  top_n(wt = Frequency,n=10)%>% 
  arrange(desc(Frequency))
g_top10falle <- ggplot(top_10falle,
		       aes(x= DEPARTAMENTO,y= Frequency))+ 
  geom_col(fill="Black",col = "Black")+
  ggtitle("TOP 10 CANTIDAD DE FALLECIDOS POR COVID POR DEPARTAMENTO")+ 
  xlab("")+ 
  ylab("CASOS")+
  theme_classic()

Comprobamos lo deseado

2. Top10 de fallecidos de COVID por PROVINCIA

top_10falle2 <- fallecidos_covid2%>%  
  top_n(wt = Frequency,n=10)%>% 
  arrange(desc(Frequency))
g_top10falle2 <- ggplot(top_10falle2, 
			aes(x= PROVINCIA,y= Frequency))+ 
  geom_col(fill="Black",col = "Black")+
  ggtitle("TOP 10 CANTIDAD DE FALLECIDOS POR COVID POR PROVINCIA")+ 
  xlab("")+ 
  ylab("CASOS") +
  theme_classic()

Comprobamos lo deseado

Gráficos por sexo

1. Gráfico de contagios por COVID segúun su sexo

covidsex <- datacovid %>% 
  group_by(SEXO) %>% summarise(Frequency=n())
g_sex <- ggplot(covidsex,
		aes(x=SEXO,y=Frequency))+ 
  geom_col(fill="ORANGE3",col = "ORANGE3")+
  ggtitle("CONTAGIADOS CON RESPECTO AL SEXO")+ 
  xlab("")+ 
  ylab("CASOS") +
  theme_classic()

Comprobamos lo deseado

2. Gráfico de fallecidos por COVID según su sexo

covidfallesex <- fallecidos%>%
  group_by(SEXO) %>% 
  summarise(Frequency=n())
covidfallesex2<- covidfallesex[c(-1,-2),]
g_sexfalle <- ggplot(covidfallesex2,
		     aes(x=SEXO,y=Frequency))+ 
  geom_col(fill="black",col = "black")+
  ggtitle("FALLECIDOS POR COVID CON RESPECTO AL SEXO")+ 
  xlab("")+ 
  ylab("CASOS") +
  theme_classic()

Comprobamos lo deseado

Gráficos por edad

1. Gráfico de contagios por COVID según su edad

covidage<- datacovid %>% 
  group_by(EDAD) %>% 
  summarise(Frequency=n())
g_age <- ggplot(covidage,
		aes(x=EDAD,y=Frequency))+ 
  geom_col(fill="ORANGE3",col = "ORANGE3")+
  ggtitle("CONTAGIADOS CON RESPECTO A LA EDAD")+ 
  xlab("")+ 
  ylab("CASOS")+
  theme_classic()

Comprobamos lo deseado

2. Gráfico de fallecidos por COVID según su edad

covidagedead<- fallecidos %>% 
  group_by(EDAD_DECLARADA) %>% 
  summarise(Frequency=n())
g_agedead <- ggplot(covidagedead,
		    aes(x=EDAD_DECLARADA,y=Frequency))+ 
  geom_col(fill="ORANGE3",col = "ORANGE3")+
  ggtitle("CONTAGIADOS CON RESPECTO A LA EDAD")+ 
  xlab("")+ 
  ylab("CASOS")+
  theme_classic()

Comprobamos lo deseado

Construido con 🛠️

R studio y Git

Autores ✒️

Barzola Bustamente Jose Mathias - Análisis de casos positivos por Covid en el Perú en 2D

Ccanto Vargas Eduardo Ivan - Análisis de casos positvos por Covid en el Perú en 3D

Cuenca Cajusol Nicole Allison - Análisis de los fallecidos por Covid en el Perú

Flores Gutiérrez Angie Sylvana - Ploteo de fallecidos por Covid en el Perú

Agradecimientos 🎁

Agradecemos al docente Roy Yali Samaniego por su apoyo en este trabajo.

Name		Name	Last commit message	Last commit date
Latest commit History 25 Commits
BLOCK.R		BLOCK.R
CASOS POSITIVOS 2D Y 3D.R		CASOS POSITIVOS 2D Y 3D.R
FALLECIDOS.R		FALLECIDOS.R
README.md		README.md
departamentos.rar		departamentos.rar
fallecidos_covid.csv		fallecidos_covid.csv
positivos_covid.csv		positivos_covid.csv
provincias.rar		provincias.rar

Nicole2626/Analisis-de-Datos-de-COVID-en-el-Per-

Folders and files

Latest commit

History

Repository files navigation

Análisis de reporte de casos de Covid en el Perú

📋 Introducción

📌 Librerías necesarias en R

📢 Antes de empezar

🖇️ Descarga de datos

🚀 Comenzamos con los Casos positivos de COVID

1. Cargamos la librería donde tenemos guardado nuestro shp. y csv. para este caso, que es PROVINCIAS

2. Cambiamos el nombre de la columna

3. Sumamos el número de casos positivos con respecto a las provincias

4. Ploteamos el mapa con respecto a las provincias

Lo separamos respecto

Comprobamos si es lo deseado

5. Cargamos la librería donde tenemos guardado nuestro shp. y csv. para este caso, que es DEPARTAMENTOS

6. Ploteamos con respecto a DEPARTAMENTOS

Comprobamos lo deseado

7. Con respecto a los DEPARTAMENTOS sin contar LIMA

Comprobamos si es lo deseado

8. Mapas 3D

Plot con LIMA

Comprobamos lo deseado

Plot sin LIMA

Comprobamos lo deseado

🚀 Continuamos con los Fallecidos por COVID

1. Plot de Fallecidos por DISTRITO

Comprobamos lo deseado

2. Plot de Fallecidos por Provincia

Comprobamos lo deseado

3. Plot de Fallecidos por Distrito sin LIMA

Comprobamos lo deseado

4. En 3D

Plot en 3D

Comprobamos lo deseado

Plot en 3D sin LIMA

Comprobamos lo deseado

🚀 Top10 de casos de COVID

1. Top10 de los casos de COVID por DEPARTAMENTO

Comprobamos lo deseado

2. Top10 de los casos de COVID por PROVINCIA

Comprobamos lo deseado

🚀 Análisis top 10 Covid de fallecidos , positivos y según su sexo en el Perú

1. Top10 de fallecidos de COVID por DEPARTAMENTO

Comprobamos lo deseado

2. Top10 de fallecidos de COVID por PROVINCIA

Comprobamos lo deseado

Gráficos por sexo

1. Gráfico de contagios por COVID segúun su sexo

Comprobamos lo deseado

2. Gráfico de fallecidos por COVID según su sexo

Comprobamos lo deseado

Gráficos por edad

1. Gráfico de contagios por COVID según su edad

Comprobamos lo deseado

2. Gráfico de fallecidos por COVID según su edad

Comprobamos lo deseado

Construido con 🛠️

Autores ✒️

Agradecimientos 🎁

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Languages

Packages