Estadísticas de COVID
Ana Karen Sotero Salazar, Oscar Gerardo Varela Flores, Alberto Lichi Bustamante
##La finalidad del presente trabajo es mostrar las estadísticas en tablas de datos y gráficas de los descensos, contagios y pruebas de COVID en México desde el 18 Marzo del 2020 al 2 de Enero del 2021 a través del uso de RStudio Cloud
##Como primer paso para la realización del siguiente trabajo se instalaron las siguientes librerías:
library(readxl)
library(ggplot2)
library(plotly)A continuación describiremos para que usaremos cada una:
- librery(readxl) La usamos para leer archivos importados de Excel
- library(ggplot2) La usamos para la realización de gráficas más atractivas visualmente.
- library(plotly) Esta librería es una forma sencilla de realizar gráficas.
##Para empezar a trabajar con los datos de Excel, tuvimos que subir los archivos a RStudio Cloud, y utilizar nuestra función de read_excel para poder trabajar con ellos.
CasosCOVID <- read_excel("CasosCOVID.xlsx")
MuertesCOVID<- read_excel("MuertesCOVID.xlsx")
PruebasCOVID<-read_excel("PruebasCOVID.xlsx")Para visualizar la tabla de datos que vienen en los archivos de Excel en un Chunk agregamos el nombre de nuestro archivo
CasosCOVID## # A tibble: 291 x 2
## Fecha `N. de casos`
## <dttm> <dbl>
## 1 2020-03-18 00:00:00 25
## 2 2020-03-19 00:00:00 46
## 3 2020-03-20 00:00:00 39
## 4 2020-03-21 00:00:00 48
## 5 2020-03-22 00:00:00 51
## 6 2020-03-23 00:00:00 38
## 7 2020-03-24 00:00:00 70
## 8 2020-03-25 00:00:00 110
## 9 2020-03-26 00:00:00 132
## 10 2020-03-27 00:00:00 131
## # … with 281 more rowsMuertesCOVID## # A tibble: 291 x 2
## Fecha `N. de muertes`
## <dttm> <dbl>
## 1 2020-03-18 00:00:00 0
## 2 2020-03-19 00:00:00 1
## 3 2020-03-20 00:00:00 1
## 4 2020-03-21 00:00:00 0
## 5 2020-03-22 00:00:00 1
## 6 2020-03-23 00:00:00 1
## 7 2020-03-24 00:00:00 1
## 8 2020-03-25 00:00:00 1
## 9 2020-03-26 00:00:00 1
## 10 2020-03-27 00:00:00 4
## # … with 281 more rowsPruebasCOVID## # A tibble: 291 x 2
## Fecha `N. de pruebas realizadas`
## <dttm> <dbl>
## 1 2020-03-18 00:00:00 773
## 2 2020-03-19 00:00:00 842
## 3 2020-03-20 00:00:00 760
## 4 2020-03-21 00:00:00 490
## 5 2020-03-22 00:00:00 410
## 6 2020-03-23 00:00:00 1082
## 7 2020-03-24 00:00:00 1374
## 8 2020-03-25 00:00:00 1430
## 9 2020-03-26 00:00:00 1372
## 10 2020-03-27 00:00:00 1596
## # … with 281 more rowsUna vez realizado los pasos anteriores continuaremos con la elaboración de las gráficas.
Para loa primeros ejemplos usaremos la función plot, que son gráficas sencillas y entre paréntesis pondremos el nombre de cada uno de nuestros datos.
plot(CasosCOVID, type="p")
En caso de que queramos cambiar la presentación de la gráfica utilizaremos la función type=l, como se muestra a continuación
plot(MuertesCOVID, type="l")
##También podemos usar la siguiente presentación type=”o”
plot(PruebasCOVID, type="o")
Otra forma de realizar las gráficas de una manera más atractiva visualmente es con la siguiente función: ggplot2.
ggplot(CasosCOVID) +
aes(x = Fecha, y = `N. de casos`) +
geom_line(size = 1L, colour = "#35b779") +
theme_minimal()
ggplot(CasosCOVID) +
aes(x = Fecha, y = `N. de casos`) +
geom_line(size = 1L, colour = "#7301a8") +
theme_minimal()
ggplot(MuertesCOVID) +
aes(x = Fecha, y = `N. de muertes`) +
geom_line(size = 1L, colour = "#cb181d") +
theme_classic()
ggplot(PruebasCOVID) +
aes(x = Fecha, y = `N. de pruebas realizadas`) +
geom_line(size = 1L, colour = "#fdc926") +
theme_minimal()