In jincio/covidPeru: Funciones para procesar información sobre COVID-19 en Perú

knitr::opts_chunk$set(
  collapse = TRUE,
  comment = "#>",
  fig.path = "man/figures/README-",
  out.width = "100%"
)

covidPeru

El objetivo de este paquete es facilitar el uso de la información que tenemos disponible en el portal de datos abiertos del gobierno sobre COVID.

Empezó como algo de uso personal que espero sirva para tomadores de decisiones, periodistas, o cualquier persona que quiera trabajar con datos sobre COVID.

Installation

Puedes instalar el paquete siguiendo estos pasos:

install.packages("devtools")
devtools::install_github("jincio/covidPeru")

Ejemplo

Primero tenemos que llamar los data frames y luego podemos proceder con la limpieza y generar unos gráficos.

library(dplyr) ## Necesario!
library(readr) ## Necesario!
library(ggplot2) ## Necesario!
library(lubridate)## Necesario!
library(purrr) ## Necesario
library(MMWRweek) ## Necesario
library(data.table) ## Necesario
library(covidPeru)

library(covidPeru)

devtools::load_all()

load("test.RData")

Cargamos el último set disponible en el portal de datos abiertos de pruebas analizadas con resultado positivo.

positivos=da_positivos() # Crea un dataframe con la información positivos

head(positivos)

Cargamos el último set disponible en el portal de datos abiertos de fallecidos por COVID-19.

fallecidos=da_fallecidos() # Crea un dataframe con la información de fallecidos.

head(fallecidos)

Cargamos el último set de SINADEF disponible en el portal de datos abiertos. Este demora un poco más, tengan paciencia!.

sinadef=da_sinadef()

head(sinadef)

Una vez con las bases podemos usar las otras funciones para generar series diarias y algunos gráficos de estas series.

Las funcion entrega una lista con dos objetos: una data y un gráfico.

fdiarios=fallecidos_diarios(fallecidos)[[1]]
head(fdiarios)

grafico=fallecidos_diarios(fallecidos)[[2]]
print(grafico)

Podemos identificar un departamento en específico.

fdiarios=fallecidos_diarios(fallecidos, "lima")[[1]]
head(fdiarios)

grafico=fallecidos_diarios(fallecidos, "lima")[[2]]
print(grafico)

Podemos agregar una media móvil también.

grafico=fallecidos_diarios(fallecidos, "lima",mediamovil = 7)[[2]]
print(grafico)

Exceso de muertos

En el paquete también está disponible la función para calcular el exceso de muertos en Perú y por departamentos por semana.

En este caso la información se calcula por semana. Hay dos "métodos" disponibles. El método por default toma como referencia las primeras 11 semanas del 2020 ("M2020"), y el "alternativo" que usa el promedio de muertos de los años 2017,2018, 2019 con la semana de comparación.

base=exceso_muertes(sinadef)[1]
head(base,30)

grafico=exceso_muertes(sinadef)[2]
print(grafico)

grafico=exceso_muertes(sinadef,metodo = FALSE)[2]
print(grafico)

Lima

Lima=exceso_muertes(sinadef,"Lima")[2]
print(Lima)

Gabriel Carrasco-Escobar (Gabc91) preparó una función que hemos agregado al paquete. La función te da como resultado un gráfico a modo de panel de calor con el exceso de muertes para todas las regiones

grafico=panel_exceso(sinadef)

grafico=panel_exceso(sinadef)

print(grafico)

** Juan Gamboa Unsihuay (jesuseduardog) preparó una función que hemos agregado al paquete. La función te da como resultado una base y un gráfico que describen la población contagiada y la población fallecida por sexo y edad. El gráfico tiene una forma piramidal y su eficacia reside en que permite caracterizar la distribución por edad y sexo de un colectivo determinado, en este caso el grupo de casos covid positivos y el grupo de fallecidos covid. Esto a nivel nacional como a nivel departamental.

Lima

base = piramide_fcovid(fallecidos,"Lima")[[1]]
head(base)

grafico = piramide_fcovid(fallecidos,"Lima")[[2]]
print(grafico)

Nacional

base <- piramide_pcovid(positivos)[[1]]
head(base)

grafico = piramide_pcovid(positivos)[[2]]
print(grafico)

Cesar Urquizo (CUrquizoU) preparo una función que hemos agregado al paquete. Esta funcion replica el modelo del documento de investigación Estimating and simulating a SIRD Model of COVID-19 for many countries, states, and cities de Jesus Fernandez Villaverde y Charles Jones (2020).

El modelo permite reconstruir a partir de la base de fallecidos del SINADEF, los casos de fallecidos, casos positivos, población vulnerable y población recuperada. Asimismo, se calcula la velocidad de contagio del virus o también denominado R0. Lo importante de este modelo es que permite conocer la dinamica de las principales variables como la evolución de los casos de fallecidos, contagiados o recuperados.

Resultados de la estimación

resultados <- sird_villaverde(sinadef,"Lima")

Población suceptible

S <- resultados[["S"]]
head(S)

r0 <- resultados[["R0"]]
head(r0)

Adicional, el paquete contiene la función sird_graficos que permite realizar una inspección gráfica de los resultados obtenidos del modelo Villaverde.

Principales variables SIRD