## Warning: La descarga mas reciente de fue hace 0.00012 dias. Como tiene menos de un dia
+
## Warning: La descarga mas reciente de fue hace 0.00035 dias. Como tiene menos de un dia## usare esa. Escribe `force_download = TRUE` si quieres descargar de todas## formas. Para desactivar este mensaje `show_warnings = FALSE.`
diccionario_datos<-descarga_diccionario()
-#> Warning: La descarga mas reciente de fue hace 0.47814 dias. Como tiene menos de un dia
+#> Warning: La descarga mas reciente de fue hace 0.04635 dias. Como tiene menos de un dia#> usare esa. Escribe `force_download = TRUE` si quieres descargar de todas#> formas. Para desactivar este mensaje `show_warnings = FALSE.`
Si de todas maneras quieres reintentar la descarga puedes usar
@@ -766,8 +766,6 @@
Información adicionalsessioninfo::session_info()#> ─ Session info ───────────────────────────────────────────────────────────────#> setting value
-#> version R version 4.2.1 (2022-06-23)
+#> version R version 4.2.2 (2022-10-31)#> os macOS Big Sur ... 10.16#> system x86_64, darwin17.0#> ui X11
@@ -1176,7 +1174,7 @@
Se corrigió que arrojara problemas de lectura en la fecha al no poder parsear fechas del estilo 0001-11-03 al leer como tibble. Ahora dichas fechas son eliminadas automáticamente.
Ejemplos#>ℹConectando a la tabla `covidmx` creada en duckdb...
#>✔Terminado. No olvides desconectar la base con `datos_covid$disconnect()`#> al terminar de trabajar.
-#>Warning: La descarga mas reciente de fue hace 0.47181 dias. Como tiene menos de un dia
+#>Warning: La descarga mas reciente de fue hace 0.0421 dias. Como tiene menos de un dia#> usare esa. Escribe `force_download = TRUE` si quieres descargar de todas#> formas. Para desactivar este mensaje `show_warnings = FALSE.`datos_covid$disconnect()
diff --git a/docs/reference/descarga_datos_red_irag.html b/docs/reference/descarga_datos_red_irag.html
index e5affa0..04daf7e 100644
--- a/docs/reference/descarga_datos_red_irag.html
+++ b/docs/reference/descarga_datos_red_irag.html
@@ -14,7 +14,7 @@
covidmx
- 0.7.3
+ 0.7.4
diff --git a/docs/reference/descarga_datos_variantes_GISAID.html b/docs/reference/descarga_datos_variantes_GISAID.html
index f92b7cc..c4bfd0d 100644
--- a/docs/reference/descarga_datos_variantes_GISAID.html
+++ b/docs/reference/descarga_datos_variantes_GISAID.html
@@ -16,7 +16,7 @@
covidmx
- 0.7.3
+ 0.7.4
@@ -171,12 +171,18 @@
Ejemplos)head(datos_covid$positividad_imss_sexo)#># A tibble: 6 × 9
-#># Groups: FECHA_SINTOMAS, SEXO, ENTIDAD_UM, TIPO_PRUEBA, ENTIDAD_FEDERATIVA,
-#># ABREVIATURA [6]#> Positividad FECHA_SINTOMAS SEXO ENTIDA…¹ TIPO_…² ENTID…³ ABREV…⁴ n_pru…⁵#><dbl><dttm><int><chr><chr><chr><chr><int>#>1 0.5 2021-07-01 00:00:00 1 02 PCR BAJA C… BC 6
diff --git a/docs/reference/read_datos_abiertos.html b/docs/reference/read_datos_abiertos.html
index bf38b54..7ae0f44 100644
--- a/docs/reference/read_datos_abiertos.html
+++ b/docs/reference/read_datos_abiertos.html
@@ -14,7 +14,7 @@
covidmx
- 0.7.3
+ 0.7.4
diff --git a/docs/reference/read_datos_abiertos_zip.html b/docs/reference/read_datos_abiertos_zip.html
index 3d4e5c9..bcc20de 100644
--- a/docs/reference/read_datos_abiertos_zip.html
+++ b/docs/reference/read_datos_abiertos_zip.html
@@ -24,7 +24,7 @@
covidmx
- 0.7.3
+ 0.7.4
diff --git a/docs/reference/update_covidmx.html b/docs/reference/update_covidmx.html
index 6058df9..b5e6330 100644
--- a/docs/reference/update_covidmx.html
+++ b/docs/reference/update_covidmx.html
@@ -12,7 +12,7 @@
covidmx
- 0.7.3
+ 0.7.4
diff --git a/docs/search.json b/docs/search.json
index 586575e..04ac3e2 100644
--- a/docs/search.json
+++ b/docs/search.json
@@ -1 +1 @@
-[{"path":"https://rodrigozepeda.github.io/covidmx/LICENSE.html","id":null,"dir":"","previous_headings":"","what":"MIT License","title":"MIT License","text":"Copyright (c) 2021 covidmx authors Permission hereby granted, free charge, person obtaining copy software associated documentation files (“Software”), deal Software without restriction, including without limitation rights use, copy, modify, merge, publish, distribute, sublicense, /sell copies Software, permit persons Software furnished , subject following conditions: copyright notice permission notice shall included copies substantial portions Software. SOFTWARE PROVIDED “”, WITHOUT WARRANTY KIND, EXPRESS IMPLIED, INCLUDING LIMITED WARRANTIES MERCHANTABILITY, FITNESS PARTICULAR PURPOSE NONINFRINGEMENT. EVENT SHALL AUTHORS COPYRIGHT HOLDERS LIABLE CLAIM, DAMAGES LIABILITY, WHETHER ACTION CONTRACT, TORT OTHERWISE, ARISING , CONNECTION SOFTWARE USE DEALINGS SOFTWARE.","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Ejemplos_de_analisis.html","id":"introducción","dir":"Articles","previous_headings":"","what":"Introducción","title":"Ejemplos de análisis","text":"Los siguientes análisis son ejemplos de cosas que se pueden hacer con covidmx y han sido sugeridos por la comunidad. Si tienes un análisis en mente que desees saber cómo programar o bien que quieras compartir, puedes levantar un issue de Github o escribirme en Twitter en @RodZepeda","code":""},{"path":[]},{"path":[]},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Estudio_de_Caso_CDMX.html","id":"casos-semanales-y-número-efectivo-de-reproducción","dir":"Articles","previous_headings":"","what":"Casos semanales y número efectivo de reproducción","title":"Estudio de caso: Ciudad de México","text":"Comenzamos con el primer panel para lo cual necesitamos correr dos funciones: la de casos y la del número efectivo de reproducción. Calculamos ambos seleccionando la entidad y sólo los confirmados: Cada una de las bases de datos se encuentran dentro de datos_covid con diferente nombre: Por otro lado descargamos los datos de variantes Generamos entonces una base única partir del 2021/11/20 que contenga información de variantes y casos Así se ve la base generada: Hacemos la gráfica comenzando con unas barras con colores por variante Sobreponemos el RT y agregamos formato","code":"datos_covid <- datos_covid |> #Calculamos los casos casos(entidades = \"CIUDAD DE MÉXICO\", group_by_entidad = FALSE, tipo_clasificacion = \"Confirmados COVID\") |> #Y calculamos el estima_rt estima_rt(entidades = \"CIUDAD DE MÉXICO\", min_date = as.Date(\"2021/11/20\", format = \"%Y/%m/%d\"), tipo_clasificacion = \"Confirmados COVID\", method = \"parametric_si\", #Método de estimación del estima_rt config = EpiEstim::make_config( list( mean_si = 3.5, #Media de tiempo del intervalo serial std_si = 1.5 #Varianza de tiempo del intervalo serial ) )) names(datos_covid) ## [1] \"dats\" \"disconnect\" \"dict\" \"casos\" \"estima_rt\" variantes <- descarga_datos_variantes_GISAID(\"cdmx\") #Limpiamos del estima_rt los últimas dos semanas porque se cae datos_covid$estima_rt <- datos_covid$estima_rt |> dplyr::filter(FECHA_SINTOMAS <= today() - weeks(2)) #Filtramos las fechas para coincidir con el RT datos_covid$casos <- datos_covid$casos |> dplyr::filter(FECHA_SINTOMAS >= as.Date(\"2021/11/20\", format = \"%Y/%m/%d\")) #Asignamos semana epidemiológica y año para la coloración y colapsamos por semana datos_covid$casos <- datos_covid$casos |> dplyr::mutate(SEMANA_EPI = lubridate::epiweek(FECHA_SINTOMAS)) |> dplyr::mutate(ANIO_EPI = lubridate::epiyear(FECHA_SINTOMAS)) |> dplyr::group_by(SEMANA_EPI, ANIO_EPI) |> dplyr::summarise(n = sum(n), .groups = \"keep\") #Unimos la información de variantes datos_covid$casos <- datos_covid$casos |> #Renombramos pues la base de variantes ya trae una n dplyr::rename(casos_covid = n) |> #Juntamos la info de variantes dplyr::left_join(variantes, by = c(\"SEMANA_EPI\" = \"semana\", \"ANIO_EPI\" = \"ano\")) |> #Truco para convertir semana epidemiológica en fecha dplyr::left_join( tibble::tibble(fecha = seq(lubridate::ymd(\"2021/11/20\"), lubridate::today(), by = \"1 week\")) |> dplyr::mutate(SEMANA_EPI = lubridate::epiweek(fecha)) |> dplyr::mutate(ANIO_EPI = lubridate::epiyear(fecha)), by = c(\"SEMANA_EPI\", \"ANIO_EPI\") ) head(datos_covid$casos) ## # A tibble: 6 × 9 ## # Groups: SEMANA_EPI, ANIO_EPI [1] ## SEMANA_EPI ANIO_EPI casos_c…¹ variant n freq Actualizacion Fuente ## ## 1 1 2022 76983 Omicro… 1 0.00202 2022-12-23 03:07:16 GISAI… ## 2 1 2022 76983 Omicro… 1 0.00202 2022-12-23 03:07:16 GISAI… ## 3 1 2022 76983 Omicro… 2 0.00403 2022-12-23 03:07:16 GISAI… ## 4 1 2022 76983 Omicro… 3 0.00605 2022-12-23 03:07:16 GISAI… ## 5 1 2022 76983 VOC De… 17 0.0343 2022-12-23 03:07:16 GISAI… ## 6 1 2022 76983 Omicro… 472 0.952 2022-12-23 03:07:16 GISAI… ## # … with 1 more variable: fecha , and abbreviated variable name ## # ¹casos_covid nvariants <- unique(datos_covid$casos$variant) |> length() ggplot2::ggplot() + ggplot2::geom_col( ggplot2::aes(x = fecha, y = as.numeric(casos_covid)*freq, fill = variant), data = datos_covid$casos) + ggplot2::scale_fill_manual(\"Variante\", values = MetBrewer::met.brewer(\"Cross\", n = nvariants)) cdmx_rt <- ggplot() + geom_col(aes(x = as.Date(fecha), y = as.numeric(casos_covid)*freq, fill = variant), data = datos_covid$casos) + #Se multiplica por 40,000 para andar cerca de la media de casos geom_line(aes(x = as.Date(FECHA_SINTOMAS), 40000*`Median(R)`), data = datos_covid$estima_rt, linetype = \"solid\", linewidth = 1) + scale_fill_manual(\"Variante\", values = met.brewer(\"Cross\", n = nvariants)) + labs( x = \"Fecha de inicio de síntomas\", y = \"Casos confirmados de COVID-19\", title = \"\", caption = \"**Fuente:** GISAID EpiCoV y Github: @RodrigoZepeda/VariantesCovid\" ) + scale_y_continuous(labels = scales::label_comma(), sec.axis = sec_axis(~ . / 40000, name = \"Número efectivo de reproducción (RT)\")) + theme_minimal() + theme( legend.position = \"top\", plot.caption = element_markdown() ) + geom_hline(aes(yintercept = 40000), linetype = \"dashed\", color = \"gray25\") + coord_cartesian(xlim = c(min(datos_covid$casos$fecha), max(datos_covid$casos$fecha))) + scale_x_date(date_breaks = \"1 month\", date_labels = \"%b-%Y\") cdmx_rt"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Estudio_de_Caso_CDMX.html","id":"ocupación-hospitalaria-y-hospitalizaciones","dir":"Articles","previous_headings":"","what":"Ocupación hospitalaria y hospitalizaciones","title":"Estudio de caso: Ciudad de México","text":"Por otro lado descargamos la información de ocupación hospitalaria de la RED IRAG. Obtenemos entonces las unidades médicas con mayor ocupación en la fecha más reciente: Por otro lado juntamos las bases de ocupación y de casos hospitalizados por fecha de ingreso Finalmente realizamos la gráfica Por otro lado graficamos la ocupación por unidad: Podemos conjuntar ambos en un solo gráfico con cowplot:","code":"#Descarga de datos por estado ocupacion_estado <- descarga_datos_red_irag(\"Estatal\") #Descargamos las unidades médicas ocupacion_UM <- descarga_datos_red_irag(\"Unidad Médica\") ocupacion_UM <- ocupacion_UM |> dplyr::filter(Estado == \"Ciudad de México\") |> dplyr::filter(Fecha == max(Fecha)) #Obtenemos la ocupación por estado ocupacion_cdmx <- ocupacion_estado |> dplyr::filter(Estado == \"Ciudad de México\") |> dplyr::mutate(`Hospitalizados (%)` = dplyr::if_else(`Hospitalizados (%)` > 100 | `Hospitalizados (%)` < 0, NA_real_, `Hospitalizados (%)`)) #Y los casos hospitalizados por fecha de ingreso datos_covid <- datos_covid |> casos( entidades = \"CIUDAD DE MÉXICO\", group_by_entidad = FALSE, fecha_tipo = \"Ingreso\", tipo_paciente = \"HOSPITALIZADO\", list_name = \"hospitalizados\" ) #Pegamos en la misma base datos_covid$hospitalizados <- datos_covid$hospitalizados |> dplyr::left_join(ocupacion_cdmx, by = c(\"FECHA_INGRESO\" = \"Fecha\")) #Obtenemos el máximo de pacientes para el reescalamiento m_pacientes <- max(datos_covid$hospitalizados$n, na.rm = T) |> as.numeric() #Obtenemos los colores colores <- met.brewer(\"Cross\") #Reescalamos el porcentaje para que aparezca plot_hospitalizados <- ggplot(datos_covid$hospitalizados) + geom_area(aes(x = as.Date(FECHA_INGRESO), y = `Hospitalizados (%)`/100*m_pacientes), fill = colores[8], alpha = 0.25) + geom_line(aes(x = as.Date(FECHA_INGRESO), y = as.double(n)), color = colores[1]) + theme_minimal() + coord_cartesian(xlim = c(ymd(\"2020/04/02\"), today())) + scale_x_date(date_breaks = \"3 months\", date_labels = \"%b-%Y\", expand = c(0,0)) + labs( x = \"\", y = \"Hospitalizados\", title = glue(\"PACIENTES HOSPITALIZADOS<\/span> Y \", \"% DE OCUPACIÓN<\/span>\"), caption = glue(\"**Fuente:** _Github \", \"@RodrigoZepeda/CapacidadHospitalariaMX_\") ) + theme( axis.text.x = element_text(angle = 90, hjust = 1), plot.title = element_markdown(), plot.caption = element_markdown() ) + scale_y_continuous(labels = scales::label_comma(), sec.axis = sec_axis(~ . / m_pacientes, labels = scales::label_percent(), name = \"Ocupación de la Red IRAG (%)\")) plot_hospitalizados #Arreglamos como factor y quitamos los de cero ocupación ocupacion_UM <- ocupacion_UM |> mutate(`Unidad médica` = factor(`Unidad médica`, levels = `Unidad médica`[order(`Hospitalizados (%)`)], ordered = TRUE)) |> dplyr::filter(`Hospitalizados (%)` > 0) #Reescalamos el porcentaje para que aparezca plot_ocupacion <- ggplot(ocupacion_UM) + geom_col(aes(x = `Unidad médica`, y = `Hospitalizados (%)`/100, fill = `Hospitalizados (%)`)) + labs( x = \"\", y = \"Ocupación de la Unidad Médica (%)\", caption = \"**Nota** Se excluyen Unidades Médicas con ocupación del 0% o sin reporte.\" ) + theme_minimal() + scale_fill_gradientn(colours = met.brewer(\"Cross\", direction = -1)) + coord_flip() + theme( legend.position = \"none\", axis.text.y = element_text(size = 4), plot.caption = element_markdown() ) + scale_y_continuous(labels = scales::label_percent()) plot_ocupacion plot_hosp <- plot_grid(plot_hospitalizados, ggplot() + theme_void(), plot_ocupacion, ncol = 3, rel_widths = c(1, 0.1, 1)) plot_hosp"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Estudio_de_Caso_CDMX.html","id":"positividad","dir":"Articles","previous_headings":"","what":"Positividad","title":"Estudio de caso: Ciudad de México","text":"Generamos la gráfica de positividad donde además se coloque el número de pruebas por semana. Para ello calculamos tanto la positividad como el número de pruebas: Generamos la gráfica de positividad distinguiendo por tipo de prueba:","code":"datos_covid <- datos_covid |> #Calculamos también la positividad positividad( entidades = \"CIUDAD DE MÉXICO\", group_by_entidad = FALSE, tipo_prueba = c(\"Antigeno\", \"PCR\"), group_by_tipo_prueba = TRUE ) #Nos quedamos sólo a partir de 2022 datos_covid$positividad <- datos_covid$positividad |> dplyr::filter(year(FECHA_SINTOMAS) >= 2022) #Para poner al nivel mpruebas <- max(datos_covid$positividad$n_pruebas) |> as.numeric() positividad_plot <- ggplot(datos_covid$positividad) + geom_col(aes(x = as.Date(FECHA_SINTOMAS), y = as.numeric(n_pruebas), fill = TIPO_PRUEBA), alpha = 0.25) + geom_line(aes(x = as.Date(FECHA_SINTOMAS), y = Positividad*mpruebas, color = TIPO_PRUEBA)) + theme_minimal() + scale_x_date(date_breaks = \"1 month\", date_labels = \"%b-%Y\", expand = c(0,0)) + labs( x = \"\", y = \"Número de pruebas realizadas\", title = glue(\"POSITIVIDAD EN \", \"ANTIGENO<\/span> Y \", \"PCR<\/span>\") ) + scale_y_continuous(labels = scales::label_comma(), sec.axis = sec_axis(~ . / mpruebas, labels = scales::label_percent(), name = \"Positividad (%)\")) + scale_fill_manual(\"Tipo de prueba\", values = c(colores[3], colores[6])) + scale_color_manual(\"Tipo de prueba\", values = c(colores[3], colores[6])) + theme( axis.text.x = element_text(angle = 90, hjust = 1), legend.position = \"none\", plot.title = element_markdown() ) positividad_plot"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Estudio_de_Caso_CDMX.html","id":"mortalidad","dir":"Articles","previous_headings":"","what":"Mortalidad","title":"Estudio de caso: Ciudad de México","text":"Por último generamos la gráfica de defunciones. Para ello tomamos la misma función que en casos pero con defunciones = TRUE en 4 grupos de edad: Finalmente unimos este panel con el de positividad","code":"#Calculamos las defunciones por grupo de edad datos_covid <- datos_covid |> casos( entidades = \"CIUDAD DE MÉXICO\", group_by_entidad = FALSE, defunciones = TRUE, fecha_tipo = \"Defunción\", edad_cut = c(0, 20, 40, 60, Inf), list_name = \"defunciones\" ) #Nos quedamos sólo con 2022 datos_covid$defunciones <- datos_covid$defunciones |> dplyr::filter(year(FECHA_DEF) == 2022) plot_defunciones <- ggplot(datos_covid$defunciones) + geom_col(aes(x = as.Date(FECHA_DEF), y = as.numeric(n), fill = EDAD_CAT)) + facet_wrap(~EDAD_CAT, scales = \"free_y\") + theme_minimal() + labs( x = \"\", y = \"Defunciones\", title = \"DEFUNCIONES\" ) + scale_fill_manual(values = met.brewer(\"Cross\", 4)) + scale_y_continuous(labels = scales::label_comma(accuracy = 1)) + scale_x_date(date_breaks = \"1 month\", date_labels = \"%b-%Y\", expand = c(0,0)) + theme( axis.text.x = element_text(angle = 90, hjust = 1), legend.position = \"none\" ) plot_defunciones plot_defun_pos <- plot_grid(positividad_plot, ggplot() + theme_void(), plot_defunciones, rel_widths = c(1, 0.1, 1), ncol = 3) plot_defun_pos"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Estudio_de_Caso_CDMX.html","id":"generación-del-reporte","dir":"Articles","previous_headings":"","what":"Generación del reporte","title":"Estudio de caso: Ciudad de México","text":"Finalmente juntamos todas las gráficas en un solo grid, agregamos el título: Y ¡magia! quedó la gráfica que elaboramos con los datos del paquete","code":"#Juntamos los plots gráfica_sin_titulo <- plot_grid(cdmx_rt, plot_hosp, plot_defun_pos, ncol = 1) #Agregamos título plot_title <- ggdraw() + draw_label(\"CIUDAD DE MÉXICO\", fontface='bold', size = 40) plot_grid(plot_title, gráfica_sin_titulo, ncol = 1, rel_heights = c(0.1, 1))"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Estudio_de_Caso_CDMX.html","id":"información-adicional","dir":"Articles","previous_headings":"","what":"Información adicional","title":"Estudio de caso: Ciudad de México","text":"","code":"sessioninfo::session_info() ## ─ Session info ─────────────────────────────────────────────────────────────── ## setting value ## version R version 4.2.1 (2022-06-23) ## os macOS Big Sur ... 10.16 ## system x86_64, darwin17.0 ## ui X11 ## language es ## collate en_US.UTF-8 ## ctype en_US.UTF-8 ## tz America/Mexico_City ## date 2022-12-23 ## pandoc 2.19.2 @ /Applications/RStudio.app/Contents/Resources/app/quarto/bin/tools/ (via rmarkdown) ## ## ─ Packages ─────────────────────────────────────────────────────────────────── ## package * version date (UTC) lib source ## assertthat 0.2.1 2019-03-21 [2] CRAN (R 4.2.0) ## backports 1.4.1 2021-12-13 [2] CRAN (R 4.2.0) ## bit 4.0.5 2022-11-15 [2] CRAN (R 4.2.1) ## bit64 4.0.5 2020-08-30 [2] CRAN (R 4.2.0) ## bitops 1.0-7 2021-04-24 [2] CRAN (R 4.2.0) ## blob 1.2.3 2022-04-10 [2] CRAN (R 4.2.0) ## broom 1.0.2 2022-12-15 [2] CRAN (R 4.2.0) ## bslib 0.4.2 2022-12-16 [2] CRAN (R 4.2.0) ## cachem 1.0.6 2021-08-19 [2] CRAN (R 4.2.0) ## cellranger 1.1.0 2016-07-27 [2] CRAN (R 4.2.0) ## cli 3.5.0 2022-12-20 [2] CRAN (R 4.2.1) ## coarseDataTools 0.6-6 2021-12-09 [2] CRAN (R 4.2.0) ## coda 0.19-4 2020-09-30 [2] CRAN (R 4.2.0) ## colorspace 2.0-3 2022-02-21 [2] CRAN (R 4.2.0) ## commonmark 1.8.1 2022-10-14 [2] CRAN (R 4.2.1) ## covidmx * 0.7.3 2022-12-23 [1] local ## cowplot * 1.1.1 2020-12-30 [2] CRAN (R 4.2.0) ## crayon 1.5.2 2022-09-29 [2] CRAN (R 4.2.0) ## curl 4.3.3 2022-10-06 [2] CRAN (R 4.2.0) ## DBI 1.1.3 2022-06-18 [2] CRAN (R 4.2.0) ## dbplyr 2.2.1 2022-06-27 [2] CRAN (R 4.2.0) ## desc 1.4.2 2022-09-08 [2] CRAN (R 4.2.0) ## digest 0.6.31 2022-12-11 [2] CRAN (R 4.2.1) ## dplyr * 1.0.10 2022-09-01 [2] CRAN (R 4.2.0) ## duckdb 0.6.1 2022-12-08 [2] CRAN (R 4.2.1) ## ellipsis 0.3.2 2021-04-29 [2] CRAN (R 4.2.0) ## EpiEstim 2.2-4 2021-01-07 [2] CRAN (R 4.2.0) ## evaluate 0.19 2022-12-13 [2] CRAN (R 4.2.1) ## fansi 1.0.3 2022-03-24 [2] CRAN (R 4.2.0) ## farver 2.1.1 2022-07-06 [2] CRAN (R 4.2.0) ## fastmap 1.1.0 2021-01-25 [2] CRAN (R 4.2.0) ## fitdistrplus 1.1-8 2022-03-10 [2] CRAN (R 4.2.0) ## forcats * 0.5.2 2022-08-19 [2] CRAN (R 4.2.0) ## fs 1.5.2 2021-12-08 [2] CRAN (R 4.2.0) ## gargle 1.2.1 2022-09-08 [2] CRAN (R 4.2.0) ## generics 0.1.3 2022-07-05 [2] CRAN (R 4.2.0) ## ggplot2 * 3.4.0 2022-11-04 [2] CRAN (R 4.2.1) ## ggtext * 0.1.2 2022-09-16 [2] CRAN (R 4.2.0) ## glue * 1.6.2 2022-02-24 [2] CRAN (R 4.2.0) ## googledrive 2.0.0 2021-07-08 [2] CRAN (R 4.2.0) ## googlesheets4 1.0.1 2022-08-13 [2] CRAN (R 4.2.0) ## gridExtra 2.3 2017-09-09 [2] CRAN (R 4.2.0) ## gridtext 0.1.5 2022-09-16 [2] CRAN (R 4.2.0) ## gtable 0.3.1 2022-09-01 [2] CRAN (R 4.2.0) ## haven 2.5.1 2022-08-22 [2] CRAN (R 4.2.0) ## highr 0.10 2022-12-22 [2] CRAN (R 4.2.1) ## hms 1.1.2 2022-08-19 [2] CRAN (R 4.2.0) ## htmltools 0.5.4 2022-12-07 [2] CRAN (R 4.2.1) ## httr 1.4.4 2022-08-17 [2] CRAN (R 4.2.0) ## incidence 1.7.3 2020-11-04 [2] CRAN (R 4.2.0) ## jquerylib 0.1.4 2021-04-26 [2] CRAN (R 4.2.0) ## jsonlite 1.8.4 2022-12-06 [2] CRAN (R 4.2.0) ## knitr 1.41 2022-11-18 [2] CRAN (R 4.2.0) ## labeling 0.4.2 2020-10-20 [2] CRAN (R 4.2.0) ## lattice 0.20-45 2021-09-22 [2] CRAN (R 4.2.1) ## lifecycle 1.0.3 2022-10-07 [2] CRAN (R 4.2.1) ## lubridate * 1.9.0 2022-11-06 [2] CRAN (R 4.2.1) ## magrittr 2.0.3 2022-03-30 [2] CRAN (R 4.2.0) ## markdown 1.4 2022-11-16 [2] CRAN (R 4.2.1) ## MASS 7.3-58.1 2022-08-03 [2] CRAN (R 4.2.0) ## Matrix 1.5-3 2022-11-11 [2] CRAN (R 4.2.0) ## MatrixModels 0.5-1 2022-09-11 [2] CRAN (R 4.2.0) ## mcmc 0.9-7 2020-03-21 [2] CRAN (R 4.2.0) ## MCMCpack 1.6-3 2022-04-13 [2] CRAN (R 4.2.0) ## memoise 2.0.1 2021-11-26 [2] CRAN (R 4.2.0) ## MetBrewer * 0.2.0 2022-03-21 [2] CRAN (R 4.2.0) ## modelr 0.1.10 2022-11-11 [2] CRAN (R 4.2.0) ## munsell 0.5.0 2018-06-12 [2] CRAN (R 4.2.0) ## pillar 1.8.1 2022-08-19 [2] CRAN (R 4.2.0) ## pins 1.0.3 2022-09-24 [2] CRAN (R 4.2.0) ## pkgconfig 2.0.3 2019-09-22 [2] CRAN (R 4.2.0) ## pkgdown 2.0.7 2022-12-14 [2] CRAN (R 4.2.0) ## plyr 1.8.8 2022-11-11 [2] CRAN (R 4.2.0) ## png 0.1-8 2022-11-29 [2] CRAN (R 4.2.1) ## purrr * 1.0.0 2022-12-20 [2] CRAN (R 4.2.1) ## quantreg 5.94 2022-07-20 [2] CRAN (R 4.2.0) ## R6 2.5.1 2021-08-19 [2] CRAN (R 4.2.0) ## ragg 1.2.4 2022-10-24 [2] CRAN (R 4.2.0) ## rappdirs 0.3.3 2021-01-31 [2] CRAN (R 4.2.0) ## Rcpp 1.0.9 2022-07-08 [2] CRAN (R 4.2.0) ## RCurl 1.98-1.9 2022-10-03 [2] CRAN (R 4.2.1) ## readr * 2.1.3 2022-10-01 [2] CRAN (R 4.2.0) ## readxl 1.4.1 2022-08-17 [2] CRAN (R 4.2.0) ## reprex 2.0.2 2022-08-17 [2] CRAN (R 4.2.0) ## reshape2 1.4.4 2020-04-09 [2] CRAN (R 4.2.0) ## rlang 1.0.6 2022-09-24 [2] CRAN (R 4.2.0) ## rmarkdown 2.19 2022-12-15 [2] CRAN (R 4.2.0) ## rprojroot 2.0.3 2022-04-02 [2] CRAN (R 4.2.0) ## rstudioapi 0.14 2022-08-22 [2] CRAN (R 4.2.0) ## rvest 1.0.3 2022-08-19 [2] CRAN (R 4.2.0) ## sass 0.4.4 2022-11-24 [2] CRAN (R 4.2.0) ## scales 1.2.1 2022-08-20 [2] CRAN (R 4.2.0) ## sessioninfo 1.2.2 2021-12-06 [2] CRAN (R 4.2.0) ## SparseM 1.81 2021-02-18 [2] CRAN (R 4.2.0) ## stringi 1.7.8 2022-07-11 [2] CRAN (R 4.2.0) ## stringr * 1.5.0 2022-12-02 [2] CRAN (R 4.2.1) ## survival 3.4-0 2022-08-09 [2] CRAN (R 4.2.0) ## systemfonts 1.0.4 2022-02-11 [2] CRAN (R 4.2.0) ## textshaping 0.3.6 2021-10-13 [2] CRAN (R 4.2.0) ## tibble * 3.1.8 2022-07-22 [2] CRAN (R 4.2.0) ## tidyr * 1.2.1 2022-09-08 [2] CRAN (R 4.2.0) ## tidyselect 1.2.0 2022-10-10 [2] CRAN (R 4.2.0) ## tidyverse * 1.3.2 2022-07-18 [2] CRAN (R 4.2.0) ## timechange * 0.1.1 2022-11-04 [2] CRAN (R 4.2.1) ## tzdb 0.3.0 2022-03-28 [2] CRAN (R 4.2.0) ## utf8 1.2.2 2021-07-24 [2] CRAN (R 4.2.0) ## vctrs 0.5.1 2022-11-16 [2] CRAN (R 4.2.1) ## vroom 1.6.0 2022-09-30 [2] CRAN (R 4.2.0) ## withr 2.5.0 2022-03-03 [2] CRAN (R 4.2.0) ## xfun 0.36 2022-12-21 [2] CRAN (R 4.2.1) ## xml2 1.3.3 2021-11-30 [2] CRAN (R 4.2.0) ## yaml 2.3.6 2022-10-18 [2] CRAN (R 4.2.1) ## ## [1] /private/var/folders/42/2kdf45dd1qz5n7kf9lm8ld9r0000gn/T/RtmpBzTknZ/temp_libpathf430611469f ## [2] /Library/Frameworks/R.framework/Versions/4.2/Resources/library ## ## ──────────────────────────────────────────────────────────────────────────────"},{"path":[]},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Instalacion_de_MARIADB.html","id":"instalación-en-osx-mac","dir":"Articles","previous_headings":"Instalación","what":"Instalación en OSX (Mac)","title":"Instalación de MariaDB","text":"Para instalar en OSX la recomendación es primero instalar Homebrew. Para ello puedes abrir tu terminal (en aplicaciones o en la pestaña Terminal de RStudio) y copiar siguiente código dándole ENTER al final: Una vez se haya instalado puedes instalar MariaDB escribiendo en la misma terminal: Para garantizar que MariaDB siempre esté prendida en tu computadora utiliza launchctl con: Finalmente para abrir MariaDB ahí mismo en la terminal:","code":"/bin/bash -c \"$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)\" brew install mariadb brew services start mariadb sudo mariadb"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Instalacion_de_MARIADB.html","id":"instalación-en-ubuntu","dir":"Articles","previous_headings":"Instalación","what":"Instalación en Ubuntu","title":"Instalación de MariaDB","text":"Para instalar en Ubuntu abre terminal y actualiza apt: Una vez hayas instalado inicia el servicio de MariaDB: Y para que cada vez que prendes la computadora MariaDB comience sin que le tengas que decir que inicie: Si es la primera vez que estás usando esto te recomiendo correr la configuración de seguridad: Finalmente para abrir MariaDB ahí mismo en la terminal:","code":"sudo apt update && sudo apt install mariadb-server sudo systemctl start mariadb.service sudo systemctl enable mariadb.service sudo mysql_secure_installation sudo mariadb"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Instalacion_de_MARIADB.html","id":"instalación-en-windows","dir":"Articles","previous_headings":"Instalación","what":"Instalación en Windows","title":"Instalación de MariaDB","text":"Descarga el ejecutable de https://mariadb.org/download. Elige la versión más alta posible que sea preview y donde Windows esté listada como una de las opciones. Una vez descargado inicia el instalador. Acepta la licencia. Selecciona dónde quieres que se almacene (el default está bien). Escribe una contraseña para root. Ahí mismo si estás en un servidor sino sólo en tu computadora, desactiva la opción que permite acceso máquinas remotas. Selecciona la opción para usar UTF-8. Selecciona la opción de instalar como servicio llamado MariaDB. El puerto TCP por default es el 3306. Si lo cambias, anota el nuevo. Selecciona siguiente y termina la instalación. Una vez hayas instalado abre la línea de comandos de MariaDB (commandprompt) como administrador.","code":""},{"path":[]},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Instalacion_de_MARIADB.html","id":"creación-de-usuario","dir":"Articles","previous_headings":"Ajustes para covidmx","what":"Creación de usuario","title":"Instalación de MariaDB","text":"Una vez hayas abierto MARIADB crea un usuario con el nombre que quieras (aquí le pongo usuario) pero tú pon lo que quieras y asígnale una contraseña (aquí le pongo password). Termina de asignarle los permisos: Finalmente armamos una base de datos que se llame COVIDMX (tú ponle como quieras) para usar con el paquete: Finalmente sal de MariaDB:","code":"GRANT ALL ON *.* TO 'usuario'@'localhost' IDENTIFIED BY 'password' WITH GRANT OPTION; FLUSH PRIVILEGES; CREATE DATABASE IF NOT EXISTS covidmx; EXIT;"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Instalacion_de_MARIADB.html","id":"verificación-de-cambios","dir":"Articles","previous_headings":"Ajustes para covidmx","what":"Verificación de cambios","title":"Instalación de MariaDB","text":"Si quieres verificar que asignaste bien tu usuario dentro de MariaDB puedes hacer para ver si sí está ahí: Por otro lado para verificar que hiciste la tabla puedes hacer","code":"SELECT User FROM mysql.user; SHOW DATABASES;"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Instalacion_de_MARIADB.html","id":"variables-de-ambiente","dir":"Articles","previous_headings":"Ajustes para covidmx","what":"Variables de ambiente","title":"Instalación de MariaDB","text":"En R para descargar la base de datos necesitas asignar en descarga_datos_abiertos o en read_datos_abiertos el usuario, password y nombre de base de datos cada vez que lo uses la opción sugerida es crear variables ambientales ya sea en cada script: o como variables ambientales en tu archivo .Renviron: Recuerda que para editar el .Renviron desde R puedes hacer usethis::edit_r_environ(), editar y luego reiniciar R.","code":"descarga_datos_abiertos( user = \"tu_usuario\", password = \"tu_password\", dbname = \"covidmx\", ... ) Sys.setenv(\"MariaDB_user\" = \"tu_usuario\") Sys.setenv(\"MariaDB_password\" = \"tu_password\") Sys.setenv(\"MariaDB_dbname\" = \"covidmx\") #Estos cámbialos si sabes lo que estás haciendo son otros argumentos de DBI::dbConnect Sys.setenv(\"MariaDB_host\" = \"localhost\") Sys.setenv(\"MariaDB_group\" = \"\") Sys.setenv(\"MariaDB_port\" = \"\") MariaDB_user = \"tu_usuario\" MariaDB_password = \"tu_password\" MariaDB_dbname = \"covidmx\""},{"path":[]},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"por-qué-me-conviene-usar-covidmx","dir":"Articles","previous_headings":"Preguntas","what":"¿Por qué me conviene usar covidmx?","title":"Preguntas Frecuentes","text":"Centraliza la información y la lectura de la base es más rápida que lo que ocurriría normalmente. Gracias covidmx pierdes menos tiempo descargando y le dedicas más tiempo analizar. El hecho de usar duckdb permite generar preguntas la base de manera rápida. Por ejemplo con el siguiente benchmark: Lo cual resulta en los siguientes tiempos (milisegundos): olvides desconectar","code":"#URL del 2021 url_2021 <- paste0(\"https://datosabiertos.salud.gob.mx/gobmx/salud\", \"/datos_abiertos/historicos/2021/\", \"COVID19MEXICO2021.zip\") #Datos del 2021 en tibble (clásico) datos_tibble <- descarga_datos_abiertos(read_format = \"tibble\", sites.covid = c(\"2021\" = url_2021)) ## [1mindexing [0m [34m2021.csv [0m [---------------------------------------] [32m682.78GB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [======-----------------------------------] [32m1.05GB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [======---------------------------------] [32m970.79MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=======--------------------------------] [32m425.71MB/s [0m, eta: [36m 3s [0m [1mindexing [0m [34m2021.csv [0m [========-------------------------------] [32m487.84MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [=========------------------------------] [32m522.83MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [=========------------------------------] [32m525.44MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [==========-----------------------------] [32m563.03MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [===========----------------------------] [32m615.64MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [============---------------------------] [32m625.11MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [============---------------------------] [32m451.76MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [============---------------------------] [32m441.29MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [=============--------------------------] [32m414.78MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [==============-------------------------] [32m435.94MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [==============-------------------------] [32m456.63MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [===============------------------------] [32m463.59MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [===============------------------------] [32m464.00MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [================-----------------------] [32m481.49MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [================-----------------------] [32m472.27MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [==================---------------------] [32m499.90MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [==================---------------------] [32m504.81MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [==================---------------------] [32m394.29MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [===================--------------------] [32m405.28MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [====================-------------------] [32m423.78MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [=====================------------------] [32m426.66MB/s [0m, eta: [36m 2s [0m [1mindexing [0m [34m2021.csv [0m [======================-----------------] [32m445.69MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [======================-----------------] [32m446.86MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=======================----------------] [32m441.81MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=======================----------------] [32m446.09MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [========================---------------] [32m464.65MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=========================--------------] [32m391.99MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=========================--------------] [32m400.25MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [===========================------------] [32m413.89MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [============================-----------] [32m423.69MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [============================-----------] [32m409.36MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=============================----------] [32m422.23MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [==============================---------] [32m425.75MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [==============================---------] [32m420.36MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [===============================--------] [32m315.21MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [===============================--------] [32m310.89MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [================================-------] [32m312.51MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [================================-------] [32m312.09MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=================================------] [32m317.57MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=================================------] [32m315.89MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [=================================------] [32m313.91MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [==================================-----] [32m312.46MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [==================================-----] [32m312.31MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [==================================-----] [32m309.67MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [==================================-----] [32m308.91MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [==================================-----] [32m309.75MB/s [0m, eta: [36m 1s [0m [1mindexing [0m [34m2021.csv [0m [===================================----] [32m309.28MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [===================================----] [32m308.76MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [===================================----] [32m311.26MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [====================================---] [32m306.73MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [=====================================--] [32m309.48MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [======================================-] [32m313.26MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [======================================-] [32m308.43MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [======================================-] [32m307.14MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [======================================-] [32m305.35MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [=======================================] [32m301.87MB/s [0m, eta: [36m 0s [0m [1mindexing [0m [34m2021.csv [0m [=======================================] [32m298.31MB/s [0m, eta: [36m 0s [0m #Datos del 2021 en duckdb (paquete covidmx) datos_duckdb <- descarga_datos_abiertos(sites.covid = c(\"2021\" = url_2021)) #Calculamos el total de casos por fecha y sexo para ver que #el duckdb es mucho más rápido microbenchmark::microbenchmark( datos_tibble$dats |> group_by(FECHA_SINTOMAS, SEXO) |> tally(), datos_duckdb$dats |> group_by(FECHA_SINTOMAS, SEXO) |> tally() ) datos_duckdb$disconnect() ## ✔ Desconectado"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"para-qué-me-sirve-la-descarga-con-pins","dir":"Articles","previous_headings":"Preguntas","what":"¿Para qué me sirve la descarga con pins?","title":"Preguntas Frecuentes","text":"El paquete de pins registra una dirección web y verifica que haya cambiado el archivo presente en la dirección antes de descargar de nuevo. Esto te permite perder tanto tiempo en la descarga. Ve cómo si descargo una vez y luego una subsecuente el mismo paquete advierte que hace falta pues nada ha cambiado:","code":"cache_dir <- tempdir() descarga_datos_red_irag(cache = cache_dir) #Primer intento no dice nada ## # A tibble: 31,506 × 6 ## Estado Hospitaliza…¹ Venti…² UCI y…³ Fecha Actualizacion ## ## 1 Oaxaca 100 0 0 2020-04-01 2022-12-23 08:07:13 ## 2 Ciudad de México 100 65.8 65.8 2020-04-01 2022-12-23 08:07:13 ## 3 México 100 16.7 33.3 2020-04-01 2022-12-23 08:07:13 ## 4 Guanajuato 100 7.69 7.69 2020-04-01 2022-12-23 08:07:13 ## 5 Oaxaca 100 0 8.33 2020-04-02 2022-12-23 08:07:13 ## 6 Ciudad de México 100 60.2 61 2020-04-02 2022-12-23 08:07:13 ## 7 México 100 16.7 16.7 2020-04-02 2022-12-23 08:07:13 ## 8 Guanajuato 100 8.33 8.33 2020-04-02 2022-12-23 08:07:13 ## 9 Oaxaca 100 0 0 2020-04-03 2022-12-23 08:07:13 ## 10 Ciudad de México 43.7 36.8 75 2020-04-03 2022-12-23 08:07:13 ## # … with 31,496 more rows, and abbreviated variable names ## # ¹`Hospitalizados (%)`, ²`Ventilación (%)`, ³`UCI y Ventilación (%)` descarga_datos_red_irag(cache = cache_dir) #Segundo intento nos dice que ya descargó ## Warning: La descarga mas reciente de fue hace 0.00012 dias. Como tiene menos de un dia ## usare esa. Escribe `force_download = TRUE` si quieres descargar de todas ## formas. Para desactivar este mensaje `show_warnings = FALSE.` ## # A tibble: 31,506 × 6 ## Estado Hospitaliza…¹ Venti…² UCI y…³ Fecha Actualizacion ## ## 1 Oaxaca 100 0 0 2020-04-01 2022-12-23 08:07:13 ## 2 Ciudad de México 100 65.8 65.8 2020-04-01 2022-12-23 08:07:13 ## 3 México 100 16.7 33.3 2020-04-01 2022-12-23 08:07:13 ## 4 Guanajuato 100 7.69 7.69 2020-04-01 2022-12-23 08:07:13 ## 5 Oaxaca 100 0 8.33 2020-04-02 2022-12-23 08:07:13 ## 6 Ciudad de México 100 60.2 61 2020-04-02 2022-12-23 08:07:13 ## 7 México 100 16.7 16.7 2020-04-02 2022-12-23 08:07:13 ## 8 Guanajuato 100 8.33 8.33 2020-04-02 2022-12-23 08:07:13 ## 9 Oaxaca 100 0 0 2020-04-03 2022-12-23 08:07:13 ## 10 Ciudad de México 43.7 36.8 75 2020-04-03 2022-12-23 08:07:13 ## # … with 31,496 more rows, and abbreviated variable names ## # ¹`Hospitalizados (%)`, ²`Ventilación (%)`, ³`UCI y Ventilación (%)`"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"para-qué-me-sirve-duckdb","dir":"Articles","previous_headings":"Preguntas","what":"¿Para qué me sirve duckdb?","title":"Preguntas Frecuentes","text":"duckdb es un sistema de bases de datos caracterizado por su velocidad y por leer de memoria (disco duro) las bases. Usando duckdb tu computadora sufre por poca RAM y opera más rápido que con un tibble.","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"cómo-guardo-la-base-descargada-de-datos-abiertos","dir":"Articles","previous_headings":"Preguntas","what":"¿Cómo guardo la base descargada de datos abiertos?","title":"Preguntas Frecuentes","text":"Utiliza la opción dbdir para crear un archivo .duckdb y guardar tus datos en formato duckdb. Como ejemplo:","code":"#Descarga y almacena en archivo duckdb descarga_datos_abiertos(dbdir = \"ejemplo.duckdb\") #Lee de archivo duckdb read_datos_abiertos(dbdir = \"ejemplo.duckdb\")"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"deseo-aplicar-una-función-directamente-a-datos_coviddats-y-se-vuelve-muy-lento-se-acaba-la-memoria","dir":"Articles","previous_headings":"Preguntas","what":"Deseo aplicar una función directamente a datos_covid$dats y se vuelve muy lento / se acaba la memoria","title":"Preguntas Frecuentes","text":"Probablemente la función tenga un equivalente en duckdb. La recomendación es aplicar la mayor cantidad de filtros y selecciones que puedas en duckdb y después aplicarle la función que quieras. Ejemplo:","code":"datos_covid <- covidmx::datosabiertos #No recomendado primero aplicar función ajena a duck y luego semana #tampoco se recomienda quedarte con todas las variables datos_covid$dats |> mutate(dia_semana = lubridate::wday(FECHA_SINTOMAS)) |> filter(SEXO == 1) #Recomendado: quedarte solo las variables q necesitas y primero aplicar #las funciones de dbplyr datos_covid$dats |> select(SEXO, FECHA_SINTOMAS) |> filter(SEXO == 1) |> mutate(dia_semana = lubridate::wday(FECHA_SINTOMAS))"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"al-leer-con-tibble-se-me-acaba-la-memoria","dir":"Articles","previous_headings":"Preguntas","what":"Al leer con tibble se me acaba la memoria","title":"Preguntas Frecuentes","text":"Esto es normal pues los tibble viven en tu memoria RAM. Cambia read_format \"duckdb\".","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"al-leer-con-duckdb-se-me-acaba-la-memoria","dir":"Articles","previous_headings":"Preguntas","what":"Al leer con duckdb se me acaba la memoria","title":"Preguntas Frecuentes","text":"Esto es normal si tu memoria RAM es pequeña. Cambia pragma_memory_limit = \"1GB\" algo más pequeño tomando en cuenta que el límite de PRAGMA siempre debe ser menor al de tu RAM (recomiendo la mitad o menos).","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"cómo-leer-una-base-de-datos-abiertos-que-ya-tenía-en-mi-computadora","dir":"Articles","previous_headings":"Preguntas","what":"¿Cómo leer una base de datos abiertos que ya tenía en mi computadora?","title":"Preguntas Frecuentes","text":"Puedes usar las funciones del tipo read_datos_abiertos_* según vengan en zip, csv o duckdb. La función read_datos_abiertos intenta adivinar el formato automáticamente.","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"cómo-descargar-una-base-de-datos-abiertos-desde-otro-link","dir":"Articles","previous_headings":"Preguntas","what":"¿Cómo descargar una base de datos abiertos desde otro link?","title":"Preguntas Frecuentes","text":"En las funciones de descarga_ puedes cambiar la variable sites.covid poniendo el nombre de la base como identificador y el sitio en forma de vector. Por ejemplo descargando la siguiente de Github:","code":"dlink <- c(\"gtest\" = \"https://github.com/RodrigoZepeda/covidmx/raw/main/datos_abiertos_covid19.zip\") datos_covid <- descarga_datos_abiertos(read_format = \"duckdb\", sites.covid = dlink, tblname = \"test\", quiet = TRUE, show_warnings = F, force_download = T, cache_datos = tempfile(), cache_diccionario = tempfile())"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"quiero-obtener-una-sola-columna-de-la-base-pero-me-da-null-ej-datos_duckdbdatsorigen","dir":"Articles","previous_headings":"Preguntas","what":"Quiero obtener una sola columna de la base pero me da NULL (ej datos_duckdb$dats$ORIGEN)","title":"Preguntas Frecuentes","text":"La base de datos que leíste como duckdb es un tibble ni un data.frame por lo cual todas las funciones que aplican para tibble están disponibles. Para obtener una sola columna usa pull:","code":"datos_duckdb$dats %>% pull(ORIGEN)"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"cómo-convertir-mi-base-en-tibble","dir":"Articles","previous_headings":"Preguntas","what":"¿Cómo convertir mi base en tibble?","title":"Preguntas Frecuentes","text":"Para convertir tu base en tibble utiliza collect. Por ejemplo:","code":"datos_duckdb$dats %>% collect()"},{"path":[]},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"fun-is-not-supported-on-database-backends","dir":"Articles","previous_headings":"Errores frecuentes","what":"fun is not supported on database backends","title":"Preguntas Frecuentes","text":"La función que quieres aplicar es una función de dbplyr necesitas colapsar tu base primero en un tibble para poder aplicarla. Ver sección correspondiente","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"error-in-dirnamefname-object-fname-not-found-in-addition-warning-message-in-system2unzip_command-args-cunzip_args-datos_abiertos_zip_path-running-command-unzip--o-had-status-9","dir":"Articles","previous_headings":"Errores frecuentes","what":"Error in dirname(fname) : object ‘fname’ not found In addition: Warning message: In system2(unzip_command, args = c(unzip_args, datos_abiertos_zip_path), : running command ‘’unzip’ -o …’ had status 9","title":"Preguntas Frecuentes","text":"El vínculo de sites.covid es incorrecto (quizá la SSA lo cambió). Para actualizar el correcto sigue las mismas instrucciones descritas en la sección previa.","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"error-rapi_startup-failed-to-open-database-io-error-cannot-open-file--the-process-cannot-access-the-file-because-it-is-being-used-by-another-process-","dir":"Articles","previous_headings":"Errores frecuentes","what":"Error: rapi_startup: Failed to open database: IO Error: Cannot open file. The process cannot access the file because it is being used by another process.","title":"Preguntas Frecuentes","text":"El problema es que estás usando el driver de duckdb en otro lado. Prueba la opción con read_only: drv = duckdb::duckdb(dbdir = 'tu/archivo.duckdb', read_only = TRUE).","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/Preguntas_Frecuentes.html","id":"warning-message-downloading-failed-falling-back-to-cached-version","dir":"Articles","previous_headings":"Errores frecuentes","what":"Warning message: Downloading ‘…’ failed; falling back to cached version","title":"Preguntas Frecuentes","text":"Hubo un problema con la conexión Internet ya sea porque los datos cambiaron de sitio web o porque te quedaste sin señal.","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"instalación","dir":"Articles","previous_headings":"","what":"Instalación","title":"Introducción a covidmx","text":"olvides llamar la librería y ¡codear! NOTA (datos precargados) Si lo que quieres hacer es ponerte jugar con las funciones del paquete directamente puedes saltar hasta la sección de casos y usar los datos precargados:","code":"#install.packages(\"remotes\") remotes::install_github(\"RodrigoZepeda/covidmx\") library(covidmx) library(dplyr) datos_covid <- covidmx::datosabiertos #Uso de los datos precargados"},{"path":[]},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"descarga-automática-de-base-de-datos-abiertos","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Descarga automática de base de datos abiertos","title":"Introducción a covidmx","text":"Lo más importante es comenzar descargando la base de datos abiertos. Esto lo puedes hacer como sigue: Para propósito de este tutorial trabajaremos con una base de datos más pequeña disponible en el repositorio de Github la cual guardaremos en duckdb bajo el nombre de tutorial. La descarga contiene una conexión duckdb dentro de datos_covid$dats la cual puedes operar con dbplyr. se agregan las etiquetas los datos pues es muy tardado hacerlo: Sin embargo el diccionario se almacena como una lista en dict para su consulta y uso por las funciones internas: por ejemplo para ver el diccionario de antígeno: ¿Se te fue el Internet? te preocupes, descarga_datos_abiertos trabajará con tu descarga más reciente.","code":"datos_covid <- descarga_datos_abiertos() #Cómo vas a guardar tu base .duckdb base_duck <- \"mi_archivo.duckdb\" dlink <- c(\"tutorial\" = \"https://github.com/RodrigoZepeda/covidmx/raw/main/datos_abiertos_covid19.zip\") datos_covid <- descarga_datos_abiertos(sites.covid = dlink, tblname = \"tutorial\", dbdir = base_duck) datos_covid$dats |> dplyr::glimpse() #> Rows: ?? #> Columns: 40 #> Database: DuckDB 0.6.1 [root@Darwin 22.2.0:R 4.2.1//var/folders/42/2kdf45dd1qz5n7kf9lm8ld9r0000gn/T//RtmpR26q8G/filefaef145f3e1b.duckdb] #> $ FECHA_ACTUALIZACION 2022-07-14, 2022-07-14, 2022-07-14, 2022-07-14,… #> $ ID_REGISTRO \"78ce0b\", \"526821\", \"4ab051\", \"ba3171\", \"b970bb\"… #> $ ORIGEN 2, 1, 1, 1, 1, 2, 1, 2, 1, 1, 1, 2, 1, 1, 2, 2, … #> $ SECTOR 12, 4, 4, 4, 6, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4, 4,… #> $ ENTIDAD_UM \"03\", \"03\", \"03\", \"03\", \"03\", \"03\", \"03\", \"03\", … #> $ SEXO 1, 2, 2, 2, 2, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, … #> $ ENTIDAD_NAC \"09\", \"03\", \"25\", \"03\", \"03\", \"25\", \"03\", \"17\", … #> $ ENTIDAD_RES \"03\", \"03\", \"03\", \"03\", \"03\", \"03\", \"03\", \"03\", … #> $ MUNICIPIO_RES \"003\", \"008\", \"008\", \"008\", \"003\", \"003\", \"008\",… #> $ TIPO_PACIENTE 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, … #> $ FECHA_INGRESO 2021-07-08, 2021-07-01, 2021-07-01, 2021-07-01,… #> $ FECHA_SINTOMAS 2021-07-04, 2021-07-01, 2021-07-01, 2021-07-01,… #> $ FECHA_DEF NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,… #> $ INTUBADO 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 2, 9… #> $ NEUMONIA 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, … #> $ EDAD 17, 28, 30, 22, 32, 35, 24, 40, 21, 78, 13, 54, … #> $ NACIONALIDAD 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, … #> $ EMBARAZO 2, 97, 97, 97, 97, 97, 97, 2, 2, 2, 2, 2, 2, 2, … #> $ HABLA_LENGUA_INDIG 99, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,… #> $ INDIGENA 99, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,… #> $ DIABETES 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, … #> $ EPOC 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ ASMA 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ INMUSUPR 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ HIPERTENSION 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ OTRA_COM 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ CARDIOVASCULAR 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ OBESIDAD 2, 1, 1, 2, 2, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ RENAL_CRONICA 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ TABAQUISMO 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ OTRO_CASO 2, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … #> $ TOMA_MUESTRA_LAB 1, 2, 2, 2, 2, 1, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, … #> $ RESULTADO_LAB 2, 97, 97, 97, 97, 1, 97, 97, 97, 97, 97, 4, 97,… #> $ TOMA_MUESTRA_ANTIGENO 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, … #> $ RESULTADO_ANTIGENO 2, 2, 1, 2, 2, 1, 1, 1, 2, 2, 1, 2, 2, 2, 2, 2, … #> $ CLASIFICACION_FINAL 7, 7, 3, 7, 7, 3, 3, 3, 7, 7, 3, 6, 7, 7, 7, 7, … #> $ MIGRANTE 99, 99, 99, 99, 99, 99, 99, 99, 99, 99, 99, 99, … #> $ PAIS_NACIONALIDAD \"México\", \"México\", \"México\", \"México\", \"México\"… #> $ PAIS_ORIGEN \"97\", \"97\", \"97\", \"97\", \"97\", \"97\", \"97\", \"97\", … #> $ UCI 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 97, 2, 9… datos_covid$dict |> dplyr::glimpse() #> List of 31 #> $ ORIGEN : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:3] 1 2 99 #> ..$ DESCRIPCIÓN: chr [1:3] \"USMER\" \"FUERA DE USMER\" \"NO ESPECIFICADO\" #> $ SECTOR : tibble [14 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:14] 1 2 3 4 5 6 7 8 9 10 ... #> ..$ DESCRIPCIÓN: chr [1:14] \"CRUZ ROJA\" \"DIF\" \"ESTATAL\" \"IMSS\" ... #> $ SEXO : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:3] 1 2 99 #> ..$ DESCRIPCIÓN: chr [1:3] \"MUJER\" \"HOMBRE\" \"NO ESPECIFICADO\" #> $ PACIENTE : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:3] 1 2 99 #> ..$ DESCRIPCIÓN: chr [1:3] \"AMBULATORIO\" \"HOSPITALIZADO\" \"NO ESPECIFICADO\" #> $ NACIONALIDAD : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:3] 1 2 99 #> ..$ DESCRIPCIÓN: chr [1:3] \"MEXICANA\" \"EXTRANJERA\" \"NO ESPECIFICADO\" #> $ RESULTADO_LAB : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 3 4 97 #> ..$ DESCRIPCIÓN: chr [1:5] \"POSITIVO A SARS-COV-2\" \"NO POSITIVO A SARS-COV-2\" \"RESULTADO PENDIENTE\" \"RESULTADO NO ADECUADO\" ... #> $ RESULTADO_ANTIGENO : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:3] 1 2 97 #> ..$ DESCRIPCIÓN: chr [1:3] \"POSITIVO A SARS-COV-2\" \"NEGATIVO A SARS-COV-2\" \"NO APLICA (CASO SIN MUESTRA)\" #> $ CLASIFICACION_FINAL : tibble [7 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:7] 1 2 3 4 5 6 7 #> ..$ CLASIFICACIÓN: chr [1:7] \"CASO DE COVID-19 CONFIRMADO POR ASOCIACIÓN CLÍNICA EPIDEMIOLÓGICA\" \"CASO DE COVID-19 CONFIRMADO POR COMITÉ DE DICTAMINACIÓN\" \"CASO DE SARS-COV-2 CONFIRMADO\" \"INVÁLIDO POR LABORATORIO\" ... #> ..$ DESCRIPCIÓN : chr [1:7] \"Confirmado por asociación aplica cuando el caso informó ser contacto de un positivo a COVID-19 (y este se encue\"| __truncated__ \"Confirmado por dictaminación solo aplica para defunciones bajo las siguientes condiciones: \\r\\nAl caso no se le\"| __truncated__ \"Confirmado aplica cuando:\\r\\nEl caso tiene muestra de laboratorio o prueba antigénica y resultó positiva a SAR\"| __truncated__ \"Inválido aplica cuando el caso no tienen asociación clínico epidemiológica, ni dictaminación a COVID-19. Se le \"| __truncated__ ... #> $ MUNICIPIO_RES : tibble [2,501 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE_MUNICIPIO: chr [1:2501] \"001\" \"002\" \"003\" \"004\" ... #> ..$ MUNICIPIO : chr [1:2501] \"AGUASCALIENTES\" \"ASIENTOS\" \"CALVILLO\" \"COSÍO\" ... #> ..$ CLAVE_ENTIDAD : chr [1:2501] \"01\" \"01\" \"01\" \"01\" ... #> $ INTUBADO : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ NEUMONIA : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ EMBARAZO : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ HABLA LENGUA INDIGENA: tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ INDIGENA : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ DIABETES : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ EPOC : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ ASMA : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ INMUSUPR : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ HIPERTENSION : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ CARDIOVASCULAR : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ OTRO_CASO : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ TOMA_MUESTRA_LAB : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ TOMA_MUESTRA_ANTIGENO: tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ OTRA_COMORBILIDAD : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ OBESIDAD : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ RENAL_CRONICA : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ TABAQUISMO : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ UCI : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE : num [1:5] 1 2 97 98 99 #> ..$ DESCRIPCIÓN: chr [1:5] \"SI\" \"NO\" \"NO APLICA\" \"SE IGNORA\" ... #> $ ENTIDAD_UM : tibble [36 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE_ENTIDAD : chr [1:36] \"01\" \"02\" \"03\" \"04\" ... #> ..$ ENTIDAD_FEDERATIVA: chr [1:36] \"AGUASCALIENTES\" \"BAJA CALIFORNIA\" \"BAJA CALIFORNIA SUR\" \"CAMPECHE\" ... #> ..$ ABREVIATURA : chr [1:36] \"AS\" \"BC\" \"BS\" \"CC\" ... #> $ ENTIDAD_RES : tibble [36 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE_ENTIDAD : chr [1:36] \"01\" \"02\" \"03\" \"04\" ... #> ..$ ENTIDAD_FEDERATIVA: chr [1:36] \"AGUASCALIENTES\" \"BAJA CALIFORNIA\" \"BAJA CALIFORNIA SUR\" \"CAMPECHE\" ... #> ..$ ABREVIATURA : chr [1:36] \"AS\" \"BC\" \"BS\" \"CC\" ... #> $ ENTIDAD_NAC : tibble [36 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ CLAVE_ENTIDAD : chr [1:36] \"01\" \"02\" \"03\" \"04\" ... #> ..$ ENTIDAD_FEDERATIVA: chr [1:36] \"AGUASCALIENTES\" \"BAJA CALIFORNIA\" \"BAJA CALIFORNIA SUR\" \"CAMPECHE\" ... #> ..$ ABREVIATURA : chr [1:36] \"AS\" \"BC\" \"BS\" \"CC\" ... datos_covid$dict$RESULTADO_ANTIGENO #> # A tibble: 3 × 2 #> CLAVE DESCRIPCIÓN #> #> 1 1 POSITIVO A SARS-COV-2 #> 2 2 NEGATIVO A SARS-COV-2 #> 3 97 NO APLICA (CASO SIN MUESTRA)"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"lectura-desde-duckdb","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Lectura desde duckdb","title":"Introducción a covidmx","text":"es necesario volver descargar si reinicias tu sesión de R siempre y cuando los hayas guardado en duckdb estableciendo un dbdir (de lo contrario la base de datos sólo dura lo que dure tu sesión de R). Puedes sólo leer los datos abiertos que ya tienes usando la función read_datos_abiertos.R; El proceso de descarga de cualquier base de covidmx es un proceso inteligente. Si ha pasado más de un día desde que descargaste la base el programa te advertirá de que tiene sentido volver descargar. Podemos ver un ejemplo descargando sólo el diccionario (que ya descargamos arriba con descarga_datos_abiertos) Si de todas maneras quieres reintentar la descarga puedes usar force_download = TRUE lo cual verificará mediante pins que la base en línea sea distinta de la que tienes almacenada y en caso afirmativo descargará los datos.","code":"read_datos_abiertos(base_duck, tblname = \"tutorial\") |> glimpse() #> List of 3 #> $ dats :List of 2 #> ..$ src :List of 2 #> .. ..$ con :Formal class 'duckdb_connection' [package \"duckdb\"] with 6 slots #> .. ..$ disco: NULL #> .. ..- attr(*, \"class\")= chr [1:4] \"src_duckdb_connection\" \"src_dbi\" \"src_sql\" \"src\" #> ..$ lazy_query:List of 13 #> .. ..$ x :List of 13 #> .. .. ..- attr(*, \"class\")= chr [1:2] \"lazy_select_query\" \"lazy_query\" #> .. ..$ select : tibble [40 × 5] (S3: tbl_df/tbl/data.frame) #> .. ..$ where : NULL #> .. ..$ group_by : NULL #> .. ..$ order_by : NULL #> .. ..$ distinct : logi FALSE #> .. ..$ limit : NULL #> .. ..$ select_operation : chr \"mutate\" #> .. ..$ last_op : chr \"mutate\" #> .. ..$ message_summarise: NULL #> .. ..$ group_vars : chr(0) #> .. ..$ order_vars : NULL #> .. ..$ frame : NULL #> .. ..- attr(*, \"class\")= chr [1:2] \"lazy_select_query\" \"lazy_query\" #> ..- attr(*, \"class\")= chr [1:5] \"tbl_duckdb_connection\" \"tbl_dbi\" \"tbl_sql\" \"tbl_lazy\" ... #> $ disconnect:function (quiet = FALSE) #> $ dict :List of 31 #> ..$ ORIGEN : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ SECTOR : tibble [14 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ SEXO : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ PACIENTE : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ NACIONALIDAD : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ RESULTADO_LAB : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ RESULTADO_ANTIGENO : tibble [3 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CLASIFICACION_FINAL : tibble [7 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ MUNICIPIO_RES : tibble [2,501 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ INTUBADO : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ NEUMONIA : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ EMBARAZO : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ HABLA LENGUA INDIGENA: tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ INDIGENA : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ DIABETES : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ EPOC : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ ASMA : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ INMUSUPR : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ HIPERTENSION : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ CARDIOVASCULAR : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ OTRO_CASO : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ TOMA_MUESTRA_LAB : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ TOMA_MUESTRA_ANTIGENO: tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ OTRA_COMORBILIDAD : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ OBESIDAD : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ RENAL_CRONICA : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ TABAQUISMO : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ UCI : tibble [5 × 2] (S3: tbl_df/tbl/data.frame) #> ..$ ENTIDAD_UM : tibble [36 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ ENTIDAD_RES : tibble [36 × 3] (S3: tbl_df/tbl/data.frame) #> ..$ ENTIDAD_NAC : tibble [36 × 3] (S3: tbl_df/tbl/data.frame) diccionario_datos <- descarga_diccionario() #> Warning: La descarga mas reciente de fue hace 0.47814 dias. Como tiene menos de un dia #> usare esa. Escribe `force_download = TRUE` si quieres descargar de todas #> formas. Para desactivar este mensaje `show_warnings = FALSE.` diccionario_datos <- descarga_diccionario(force_download = TRUE)"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"lectura-de-base-de-datos-de-zip-o-csv","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Lectura de base de datos de zip o csv","title":"Introducción a covidmx","text":"Si el proceso de descarga se interrumpe en algún momento puedes leer los datos abiertos de zip o bien del csv descomprimido con read_datos_abiertos también: Lo mismo puedes hacer si tienes el diccionario descargado con las variables diccionario_zip_path, diccionario_unzipped_path y diccionario para cuando el diciconario es un archivo zip, un archivo xlsx o un tibble en tu sesiòn de R (respectivamente) como sigue: Una vez descargados (o leídos), basta componer la base de datos con cualquiera de las funciones para tener una tabla de datos agregada por fecha y entidad. Para terminar de usar los datos, nos desconectamos de la base con:","code":"#Descarga sólo el zip zip_path <- descarga_db_datos_abiertos_tbl(sites.covid = dlink, show_warnings = F, quiet = T) datos_covid <- read_datos_abiertos(zip_path, tblname = \"tutorial\") #O bien descomprime el zip y lee el csv csv_path <- unzip_db_datos_abiertos_tbl(zip_path) datos_covid <- read_datos_abiertos_csv(csv_path, tblname = \"tutorial\") #Descarga el diccionario en zip zip_path <- descarga_db_diccionario_ssa() datos_covid <- read_datos_abiertos(base_duck, diccionario_zip_path = zip_path, tblname = \"tutorial\") datos_covid$disconnect() #> ✔ Desconectado"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"lectura-de-la-base-de-datos-del-tutorial","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Lectura de la base de datos del tutorial","title":"Introducción a covidmx","text":"Para lo que sigue del tutorial usaremos los datos precargados:","code":"datos_covid <- covidmx::datosabiertos #Uso de los datos precargados"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"casos","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Casos (Incidencia)","title":"Introducción a covidmx","text":"Las bases de datos se agregan la lista bajo el nombre default casos. Por ejemplo: El objeto casos por default es un tibble con el que ya puedes operar: Nota que lo que hace es agregar por fecha y por entidad de la unidad médica los casos. Se puede filtar por entidad de la unidad médica seleccionando las entidades de interés: Si se quiere filtrar por entidad de nacimiento y que la fecha sea la de ingreso, por ejemplo: Finalmente, si sólo se desean casos confirmados e inválidos: Nota que por default el programa rellena con ceros lo que se observó. Si quieres cancelar esta opción basta con cambiar fill_zeros = FALSE: Si se desea que los casos vengan agregados (es decir QUINTANA ROO + AGUASCALIENTES) se puede cambiar la opción de group_by_entidad FALSE: La variable edad_cut te permite quedarte sòlo con un grupo de edad o bien definir múltiples. Por ejemplo para quedarte sólo con los casos de 5 25 años: O bien definir grupos de edad de la forma 0-20, 20-60 y 60+ Puedes acumular diferentes bases de datos en la misma lista asignándoles nombres: Hay múltiples opciones permitiendo seleccionar variables específicas de unidades de cuidado intensivo, defunciones y si devolver la tabla como tibble o como conexión de dbplyr MARIADB: Puedes ver la base generada así:","code":"datos_covid <- datos_covid |> casos() datos_covid$casos |> head() #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 02 139 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 03 519 BAJA CALIFORNIA SUR BS #> 3 2021-07-02 00:00:00 02 164 BAJA CALIFORNIA BC #> 4 2021-07-02 00:00:00 03 357 BAJA CALIFORNIA SUR BS #> 5 2021-07-03 00:00:00 02 170 BAJA CALIFORNIA BC #> 6 2021-07-03 00:00:00 03 421 BAJA CALIFORNIA SUR BS datos_covid |> casos(entidades = c(\"BAJA CALIFORNIA\",\"BAJA CALIFORNIA SUR\"), list_name = \"BC/BCS\") #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 02 139 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 03 519 BAJA CALIFORNIA SUR BS #> 3 2021-07-02 00:00:00 02 164 BAJA CALIFORNIA BC #> 4 2021-07-02 00:00:00 03 357 BAJA CALIFORNIA SUR BS #> 5 2021-07-03 00:00:00 02 170 BAJA CALIFORNIA BC #> 6 2021-07-03 00:00:00 03 421 BAJA CALIFORNIA SUR BS datos_covid |> casos(entidades = \"BAJA CALIFORNIA\", entidad_tipo = \"Nacimiento\", fecha_tipo = \"Ingreso\", list_name = \"DB_Filtro_Nac\") #> # A tibble: 6 × 5 #> FECHA_INGRESO ENTIDAD_NAC n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 02 9 BAJA CALIFORNIA BC #> 2 2021-07-02 00:00:00 02 33 BAJA CALIFORNIA BC #> 3 2021-07-03 00:00:00 02 14 BAJA CALIFORNIA BC #> 4 2021-07-04 00:00:00 02 16 BAJA CALIFORNIA BC #> 5 2021-07-05 00:00:00 02 156 BAJA CALIFORNIA BC #> 6 2021-07-06 00:00:00 02 119 BAJA CALIFORNIA BC datos_covid |> casos(entidades = \"BAJA CALIFORNIA\", entidad_tipo = \"Nacimiento\", fecha_tipo = \"Ingreso\", tipo_clasificacion = c(\"Confirmados COVID\", \"Invalido\"), list_name = \"BC_conf_inv\") #> # A tibble: 6 × 5 #> FECHA_INGRESO ENTIDAD_NAC n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 02 3 BAJA CALIFORNIA BC #> 2 2021-07-02 00:00:00 02 3 BAJA CALIFORNIA BC #> 3 2021-07-03 00:00:00 02 4 BAJA CALIFORNIA BC #> 4 2021-07-04 00:00:00 02 1 BAJA CALIFORNIA BC #> 5 2021-07-05 00:00:00 02 24 BAJA CALIFORNIA BC #> 6 2021-07-06 00:00:00 02 26 BAJA CALIFORNIA BC datos_covid |> casos(entidades = c(\"QUINTANA ROO\",\"AGUASCALIENTES\"), entidad_tipo = \"Nacimiento\", fecha_tipo = \"Ingreso\", tipo_clasificacion = c(\"Confirmados COVID\", \"Invalido\"), list_name = \"Sin fill zeros\", fill_zeros = FALSE) #> # A tibble: 6 × 5 #> FECHA_INGRESO ENTIDAD_NAC n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-05 00:00:00 01 1 AGUASCALIENTES AS #> 2 2021-07-09 00:00:00 23 1 QUINTANA ROO QR #> 3 2021-07-11 00:00:00 01 1 AGUASCALIENTES AS #> 4 2021-07-12 00:00:00 01 1 AGUASCALIENTES AS #> 5 2021-07-18 00:00:00 01 1 AGUASCALIENTES AS #> 6 2021-07-19 00:00:00 01 1 AGUASCALIENTES AS datos_covid |> casos(entidades = c(\"QUINTANA ROO\",\"AGUASCALIENTES\"), entidad_tipo = \"Nacimiento\", fecha_tipo = \"Ingreso\", tipo_clasificacion = c(\"Confirmados COVID\", \"Invalido\"), group_by_entidad = FALSE, list_name = \"QROO_AGS_juntos\") #> # A tibble: 6 × 2 #> FECHA_INGRESO n #> #> 1 2021-07-01 00:00:00 0 #> 2 2021-07-02 00:00:00 0 #> 3 2021-07-03 00:00:00 0 #> 4 2021-07-04 00:00:00 0 #> 5 2021-07-05 00:00:00 1 #> 6 2021-07-06 00:00:00 0 datos_covid |> casos(edad_cut = c(5, 25), list_name = \"5_25\") #> # A tibble: 6 × 6 #> FECHA_SINTOMAS EDAD_CAT ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 (5,25] 02 38 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 (5,25] 03 131 BAJA CALIFORNIA SUR BS #> 3 2021-07-02 00:00:00 (5,25] 02 33 BAJA CALIFORNIA BC #> 4 2021-07-02 00:00:00 (5,25] 03 93 BAJA CALIFORNIA SUR BS #> 5 2021-07-03 00:00:00 (5,25] 02 35 BAJA CALIFORNIA BC #> 6 2021-07-03 00:00:00 (5,25] 03 113 BAJA CALIFORNIA SUR BS datos_covid |> casos(edad_cut = c(0, 20, 60, Inf), list_name = \"0_20_60\") #> # A tibble: 6 × 6 #> FECHA_SINTOMAS EDAD_CAT ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 (0,20] 02 22 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 (0,20] 03 70 BAJA CALIFORNIA SUR BS #> 3 2021-07-01 00:00:00 (20,60] 02 107 BAJA CALIFORNIA BC #> 4 2021-07-01 00:00:00 (20,60] 03 426 BAJA CALIFORNIA SUR BS #> 5 2021-07-01 00:00:00 (60,Inf] 02 9 BAJA CALIFORNIA BC #> 6 2021-07-01 00:00:00 (60,Inf] 03 21 BAJA CALIFORNIA SUR BS datos_covid <- datos_covid |> casos(list_name = \"Todos por entidad\") |> casos(list_name = \"Todos (nacional)\", group_by_entidad = FALSE) |> casos(list_name = \"Defunciones (todos)\", defunciones = TRUE) datos_covid$`Todos (nacional)` |> head() #> # A tibble: 6 × 2 #> FECHA_SINTOMAS n #> #> 1 2021-07-01 00:00:00 658 #> 2 2021-07-02 00:00:00 521 #> 3 2021-07-03 00:00:00 591 #> 4 2021-07-04 00:00:00 643 #> 5 2021-07-05 00:00:00 736 #> 6 2021-07-06 00:00:00 728 datos_covid$`Todos por entidad` |> head() #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 02 139 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 03 519 BAJA CALIFORNIA SUR BS #> 3 2021-07-02 00:00:00 02 164 BAJA CALIFORNIA BC #> 4 2021-07-02 00:00:00 03 357 BAJA CALIFORNIA SUR BS #> 5 2021-07-03 00:00:00 02 170 BAJA CALIFORNIA BC #> 6 2021-07-03 00:00:00 03 421 BAJA CALIFORNIA SUR BS datos_covid$`Defunciones (todos)` |> head() #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 02 3 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 03 24 BAJA CALIFORNIA SUR BS #> 3 2021-07-02 00:00:00 02 4 BAJA CALIFORNIA BC #> 4 2021-07-02 00:00:00 03 5 BAJA CALIFORNIA SUR BS #> 5 2021-07-03 00:00:00 02 4 BAJA CALIFORNIA BC #> 6 2021-07-03 00:00:00 03 18 BAJA CALIFORNIA SUR BS datos_covid <- datos_covid |> casos( #Lista de entidades que deseas entidades = c(\"AGUASCALIENTES\", \"BAJA CALIFORNIA\", \"BAJA CALIFORNIA SUR\", \"CAMPECHE\", \"CHIAPAS\", \"CHIHUAHUA\",\"CIUDAD DE M\\u00c9XICO\", \"COAHUILA DE ZARAGOZA\" , \"COLIMA\", \"DURANGO\", \"GUANAJUATO\", \"GUERRERO\",\"HIDALGO\", \"JALISCO\", \"M\\u00c9XICO\", \"MICHOAC\\u00c1N DE OCAMPO\", \"MORELOS\",\"NAYARIT\", \"NUEVO LE\\u00d3N\", \"OAXACA\", \"PUEBLA\", \"QUER\\u00c9TARO\", \"QUINTANA ROO\", \"SAN LUIS POTOS\\u00cd\", \"SINALOA\", \"SONORA\", \"TABASCO\", \"TAMAULIPAS\", \"TLAXCALA\", \"VERACRUZ DE IGNACIO DE LA LLAVE\", \"YUCAT\\u00c1N\", \"ZACATECAS\"), #Si quieres que los resultados salgan por entidad = TRUE o ya agregados = FALSE group_by_entidad = TRUE, #Selecciona esas entidades a qué tipo de entidad refieren: Unidad Médica, Residencia, Nacimiento entidad_tipo = \"Nacimiento\", #c(\"Unidad Medica\", \"Residencia\", \"Nacimiento\"), #Selecciona la fecha para la base de datos: Síntomas, Ingreso, Defunción fecha_tipo = \"Ingreso\", #Selecciona todas las variables de clasificación que deseas agregar: tipo_clasificacion = c(\"Sospechosos\",\"Confirmados COVID\", \"Negativo a COVID\", \"Inválido\", \"No realizado\"), #Selecciona si deseas agrupar por la variable tipo_clasificacion group_by_tipo_clasificacion = TRUE, #Selecciona todos los pacientes quieres incluir: tipo_paciente = c(\"AMBULATORIO\", \"HOSPITALIZADO\", \"NO ESPECIFICADO\"), #Selecciona si agrupar por tipo de paciente group_by_tipo_paciente = TRUE, #Selecciona todas las opciones de Unidad de Cuidado Intensivo del paciente: tipo_uci = c(\"SI\",\"NO\",\"NO APLICA\",\"SE IGNORA\",\"NO ESPECIFICADO\"), #Selecciona si agrupar por tipo de unidad group_by_tipo_uci = TRUE, #Selecciona los sectores del sistema de salud a incluir tipo_sector = c(\"CRUZ ROJA\", \"DIF\", \"ESTATAL\", \"IMSS\", \"IMSS-BIENESTAR\", \"ISSSTE\", \"MUNICIPAL\", \"PEMEX\", \"PRIVADA\", \"SEDENA\", \"SEMAR\", \"SSA\", \"UNIVERSITARIO\",\"NO ESPECIFICADO\"), #Selecciona si deseas agrupar por tipo de sector group_by_tipo_sector = FALSE, #Selecciona si deseas sólo los que tuvieron defunción defunciones = TRUE, #Selecciona los grupos de edad que deseas incluir en rango edad_cut = c(20, 40, 60), #Edades 20-40 y 40-60 #Selecciona si devolver el objeto como tibble as_tibble = TRUE, #Selecciona si rellenar los conteos (n) con ceros cuando no haya observaciones. fill_zeros = TRUE, #Nombre para llamarle en el objeto lista que regresa list_name = \"Ejemplo defunciones\", #Agrupa los resultados además por estado de diabetes y sexo .grouping_vars = c(\"DIABETES\", \"SEXO\")) datos_covid$`Ejemplo defunciones` |> head() #> # A tibble: 6 × 14 #> FECHA_INGRESO DIABETES SEXO EDAD_…¹ ENTID…² CLASI…³ TIPO_…⁴ UCI n #> #> 1 2021-07-01 00:00:00 2 2 (20,40] 03 3 2 2 1 #> 2 2021-07-03 00:00:00 2 2 (20,40] 02 7 2 1 1 #> 3 2021-07-03 00:00:00 2 2 (40,60] 03 3 2 2 1 #> 4 2021-07-03 00:00:00 2 2 (40,60] 26 3 2 2 1 #> 5 2021-07-03 00:00:00 98 2 (40,60] 03 3 2 2 1 #> 6 2021-07-04 00:00:00 2 2 (40,60] 02 3 2 2 1 #> # … with 5 more variables: ENTIDAD_FEDERATIVA , ABREVIATURA , #> # `CLASIFICACI\\032N` , DESCRIPCION_TIPO_PACIENTE , #> # DESCRIPCION_TIPO_UCI , and abbreviated variable names ¹EDAD_CAT, #> # ²ENTIDAD_NAC, ³CLASIFICACION_FINAL, ⁴TIPO_PACIENTE"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"número-de-pruebas","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Número de pruebas","title":"Introducción a covidmx","text":"Para calcular el número de pruebas los argumentos son los mismos que la función de casos con el agregado de que tipo_prueba es un vector donde se seleccionan las pruebas considerar (Antígeno o PCR) y group_by_tipo_prueba agrupa los resultados por tipo de prueba","code":"datos_covid <- datos_covid |> numero_pruebas(entidades = c(\"BAJA CALIFORNIA\",\"BAJA CALIFORNIA SUR\"), tipo_prueba = c(\"Antigeno\", \"PCR\"), group_by_tipo_prueba = TRUE) datos_covid$numero_pruebas |> head() #> # A tibble: 6 × 6 #> FECHA_SINTOMAS ENTIDAD_UM TIPO_PRUEBA n ENTIDAD_FEDERATIVA ABREVIA…¹ #> #> 1 2021-07-01 00:00:00 02 ANTIGENO 125 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 02 PCR 21 BAJA CALIFORNIA BC #> 3 2021-07-01 00:00:00 03 ANTIGENO 479 BAJA CALIFORNIA SUR BS #> 4 2021-07-01 00:00:00 03 PCR 69 BAJA CALIFORNIA SUR BS #> 5 2021-07-02 00:00:00 02 ANTIGENO 143 BAJA CALIFORNIA BC #> 6 2021-07-02 00:00:00 02 PCR 36 BAJA CALIFORNIA BC #> # … with abbreviated variable name ¹ABREVIATURA datos_covid$numero_pruebas |> plot_covid(facet_ncol = 2, date_break_format = \"1 month\") #> ! `df_variable` no fue especificada. Usaremos la columna n #> ! `df_covariates` no fue especificada. Usaremos `TIPO_PRUEBA and ENTIDAD_FEDERATIVA`"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"positividad","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Positividad","title":"Introducción a covidmx","text":"Para calcular la positividad la única forma actual es con un tibble. Los argumentos son los mismos que la función de casos con el agregado de que tipo_prueba es un vector donde se seleccionan las pruebas considerar (Antígeno o PCR) y group_by_tipo_prueba agrupa los resultados por tipo de prueba. La variable remove_inconclusive es una booleana (default TRUE) que elimina del denominador de la positividad las pruebas sin resultado o con resultado concluyente. Nota Positividad es la variable más lenta de calcular por ahora. Ten paciencia","code":"datos_covid <- datos_covid |> positividad(entidades = c(\"BAJA CALIFORNIA\",\"BAJA CALIFORNIA SUR\"), tipo_prueba = c(\"Antigeno\", \"PCR\"), group_by_tipo_prueba = TRUE) datos_covid$positividad |> head() #> # A tibble: 6 × 8 #> # Groups: FECHA_SINTOMAS, ENTIDAD_UM, TIPO_PRUEBA, ENTIDAD_FEDERATIVA, #> # ABREVIATURA [6] #> Positivi…¹ FECHA_SINTOMAS ENTID…² TIPO_…³ ENTID…⁴ ABREV…⁵ n_pru…⁶ n_pos…⁷ #> #> 1 0.5 2021-07-01 00:00:00 02 PCR BAJA C… BC 20 10 #> 2 0.594 2021-07-01 00:00:00 03 PCR BAJA C… BS 64 38 #> 3 0.5 2021-07-02 00:00:00 02 PCR BAJA C… BC 34 17 #> 4 0.519 2021-07-02 00:00:00 03 PCR BAJA C… BS 52 27 #> 5 0.517 2021-07-03 00:00:00 02 PCR BAJA C… BC 29 15 #> 6 0.755 2021-07-03 00:00:00 03 PCR BAJA C… BS 53 40 #> # … with abbreviated variable names ¹Positividad, ²ENTIDAD_UM, ³TIPO_PRUEBA, #> # ⁴ENTIDAD_FEDERATIVA, ⁵ABREVIATURA, ⁶n_pruebas, ⁷n_positivos datos_covid$positividad |> plot_covid(facet_ncol = 2, facet_scale = \"fixed\", type = \"spline\", df_variable = \"Positividad\", date_break_format = \"7 days\", date_labels_format = \"%d/%m/%Y\", df_covariates = c(\"TIPO_PRUEBA\", \"ENTIDAD_FEDERATIVA\"))"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"case-hospitalization-rate","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Case Hospitalization Rate","title":"Introducción a covidmx","text":"El chr se define como el total de casos confirmados que terminaron hospitalizados entre el total de confirmados: \\[ \\textrm{CHR} = \\frac{\\text{Hospitalizados Confirmados}}{\\text{Todos los confirmados}} \\] lo puedes calcular con chr: Las variables para agrupar son casi las mismas que en casos. Por ejemplo si queremos agrupar el chr en distintas categorías de edad nivel nacional:","code":"datos_covid <- datos_covid |> chr() #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM ENTIDAD_FEDERATIVA ABREVIATURA CASE HOSPITAL…¹ #> #> 1 2021-07-01 00:00:00 02 BAJA CALIFORNIA BC 0.25 #> 2 2021-07-01 00:00:00 03 BAJA CALIFORNIA SUR BS 0.183 #> 3 2021-07-02 00:00:00 02 BAJA CALIFORNIA BC 0.355 #> 4 2021-07-02 00:00:00 03 BAJA CALIFORNIA SUR BS 0.0787 #> 5 2021-07-03 00:00:00 02 BAJA CALIFORNIA BC 0.0882 #> 6 2021-07-03 00:00:00 03 BAJA CALIFORNIA SUR BS 0.122 #> # … with abbreviated variable name ¹`CASE HOSPITALIZATION RATE` datos_covid <- datos_covid |> chr( group_by_entidad = FALSE, edad_cut = c(0, 20, 50, Inf), list_name = \"CHR_edad_nacional\" ) datos_covid |> plot_covid(type = \"line\", facet_ncol = 4, date_break_format = \"7 days\", date_labels_format = \"%d/%m/%Y\", df_name = \"CHR_edad_nacional\")"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"case-fatality-rate","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Case Fatality Rate","title":"Introducción a covidmx","text":"El cfr se define como el total de casos confirmados que terminaron muertos: \\[ \\textrm{CFR} = \\frac{\\text{Defunciones Confirmadas}}{\\text{Todos los confirmados}} \\] lo puedes calcular con cfr: Las variables para agrupar son casi las mismas que en casos. Por ejemplo si queremos agrupar el cfr en distintas categorías de edad nivel nacional: Podemos también calcular la mortalidad dentro de los hospitalizados y ambulatorios:","code":"datos_covid <- datos_covid |> cfr() #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM ENTIDAD_FEDERATIVA ABREVIATURA CASE FATALITY…¹ #> #> 1 2021-07-01 00:00:00 02 BAJA CALIFORNIA BC 0.125 #> 2 2021-07-01 00:00:00 03 BAJA CALIFORNIA SUR BS 0.0935 #> 3 2021-07-02 00:00:00 02 BAJA CALIFORNIA BC 0.0645 #> 4 2021-07-02 00:00:00 03 BAJA CALIFORNIA SUR BS 0.0281 #> 5 2021-07-03 00:00:00 02 BAJA CALIFORNIA BC 0.0588 #> 6 2021-07-03 00:00:00 03 BAJA CALIFORNIA SUR BS 0.0699 #> # … with abbreviated variable name ¹`CASE FATALITY RATE` datos_covid <- datos_covid |> cfr(entidades = c(\"BAJA CALIFORNIA\", \"BAJA CALIFORNIA SUR\"), group_by_entidad = TRUE, list_name = \"CFR_BC\" ) datos_covid$CFR_BC |> plot_covid(type = \"line\", facet_ncol = 2, date_break_format = \"7 days\", date_labels_format = \"%d/%m/%Y\") datos_covid <- datos_covid |> cfr( tipo_paciente = \"HOSPITALIZADO\", group_by_entidad = FALSE, list_name = \"CFR_HOSPITALIZADOS\" ) datos_covid |> plot_covid(df_name = \"CFR_HOSPITALIZADOS\", type = \"line\", facet_ncol = 2, date_break_format = \"7 days\", date_labels_format = \"%d/%m/%Y\", df_variable = \"CASE FATALITY RATE\")"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"número-efectivo-de-reproducción","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Número efectivo de reproducción","title":"Introducción a covidmx","text":"El número efectivo de reproducción se estima mediante la función EpiEstim::estimate_R para la cual es necesario especificar el método y el intervalo serial como en este ejemplo. Podemos estimar el número nivel nacional partir de 2022: O bien por entidad sólo con los confirmados covid:","code":"datos_covid <- datos_covid |> estima_rt(entidades = \"BAJA CALIFORNIA\", min_date = as.Date(\"2021/07/01\", format = \"%Y/%m/%d\")) #> # A tibble: 6 × 17 #> ENTIDA…¹ ENTID…² ABREV…³ t_start t_end Mean(…⁴ Std(R…⁵ Quant…⁶ Quant…⁷ Quant…⁸ #> #> 1 02 BAJA C… BC 2 8 1.29 0.0359 1.22 1.23 1.27 #> 2 02 BAJA C… BC 3 9 1.16 0.0320 1.10 1.11 1.14 #> 3 02 BAJA C… BC 4 10 1.10 0.0300 1.04 1.05 1.08 #> 4 02 BAJA C… BC 5 11 1.07 0.0289 1.01 1.02 1.05 #> 5 02 BAJA C… BC 6 12 1.05 0.0283 0.994 1.00 1.03 #> 6 02 BAJA C… BC 7 13 1.04 0.0279 0.989 0.997 1.02 #> # … with 7 more variables: `Median(R)` , `Quantile.0.75(R)` , #> # `Quantile.0.95(R)` , `Quantile.0.975(R)` , #> # FECHA_SINTOMAS_start , FECHA_SINTOMAS_end , #> # FECHA_SINTOMAS , and abbreviated variable names ¹ENTIDAD_UM, #> # ²ENTIDAD_FEDERATIVA, ³ABREVIATURA, ⁴`Mean(R)`, ⁵`Std(R)`, #> # ⁶`Quantile.0.025(R)`, ⁷`Quantile.0.05(R)`, ⁸`Quantile.0.25(R)` datos_covid <- datos_covid |> estima_rt(tipo_clasificacion = \"Confirmados COVID\", list_name = \"RT_confirmados_COVID\", min_date = as.Date(\"2021/07/01\", format = \"%Y/%m/%d\")) #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. #> Warning in estimate_R_func(incid = incid, method = method, si_sample = si_sample, : You're estimating R too early in the epidemic to get the desired #> posterior CV. datos_covid$RT_confirmados_COVID |> plot_covid(df_date_index = \"FECHA_SINTOMAS\", df_variable = \"Mean(R)\", df_covariates = \"ENTIDAD_FEDERATIVA\", date_break_format = \"7 days\", date_labels_format = \"%d/%m/%Y\")"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"desconexión-de-duckdb","dir":"Articles","previous_headings":"Datos Abiertos de la Dirección General de Epidemiología","what":"Desconexión de duckdb","title":"Introducción a covidmx","text":"Una vez que terminaste de trabajar con la base original en duckdb deconecta el pointer haciendo:","code":"datos_covid$disconnect() #> ✔ Desconectado"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"datos-de-variantes-gisaid","dir":"Articles","previous_headings":"","what":"Datos de variantes (GISAID)","title":"Introducción a covidmx","text":"Para descargar las variantes reportadas por la publicación diaria en Github del reporte nacional en RodrigoZepeda/VariantesCovid partir de las variantes de GISAID puedes hacer: Los datos se ven así: Por default baja nacional pero también puedes usar “cdmx”: En este caso, la descarga también es inteligente y necesitas poner force_download = TRUE si ha pasado menos de un día de tu última descarga (almacenada mediante pins en cache) y quieres volver bajar los datos. Puedes graficarlos con geom_stream dentro de la librería ggstream: olvides citar GISAID así como la publicación diaria en RodrigoZepeda/VariantesCovid si las usas.","code":"variantes_covid <- descarga_datos_variantes_GISAID() variantes_covid |> head() #> # A tibble: 6 × 7 #> variant semana ano n freq Actualizacion Fuente #> #> 1 VOI Epsilon 28 2020 1 1 2022-12-23 03:07:16 GISAID: https://www.… #> 2 VOI Epsilon 38 2020 1 1 2022-12-23 03:07:16 GISAID: https://www.… #> 3 VOC Delta 39 2020 1 1 2022-12-23 03:07:16 GISAID: https://www.… #> 4 VOI Epsilon 46 2020 1 1 2022-12-23 03:07:16 GISAID: https://www.… #> 5 VOI Epsilon 47 2020 2 1 2022-12-23 03:07:16 GISAID: https://www.… #> 6 VOI Epsilon 48 2020 5 1 2022-12-23 03:07:16 GISAID: https://www.… variantes_covid <- descarga_datos_variantes_GISAID(\"cdmx\") library(ggplot2) #Pasamos año y semana epidemiológica a fecha variantes_covid <- variantes_covid |> left_join( data.frame(fecha = seq(as.Date(\"2020/01/03\", format = \"%Y/%m/%d\"), as.Date(Sys.time()), by = \"7 days\")) |> mutate(ano = lubridate::epiyear(fecha)) |> mutate(semana = lubridate::epiweek(fecha)) ) #> Joining, by = c(\"semana\", \"ano\") #Graficamos nvariantes <- length(unique(variantes_covid$variant)) ggplot(variantes_covid) + ggstream::geom_stream(aes(x = fecha, y = n, fill = variant)) + theme_void() + theme( legend.position = \"bottom\", axis.text.x = element_text(angle = 90, hjust = 1), axis.line.x = element_line(), axis.ticks.x = element_line() ) + scale_x_date(date_breaks = \"3 months\", date_labels = \"%b/%Y\") + scale_fill_manual(\"Variante\", values = MetBrewer::met.brewer(\"Cross\", n = nvariantes)) + ggtitle(\"Variantes de COVID-19 en México\")"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"datos-de-ocupación-hospitalaria-red-irag","dir":"Articles","previous_headings":"","what":"Datos de ocupación hospitalaria (Red IRAG)","title":"Introducción a covidmx","text":"Puedes descargar los datos de la Red IRAG de ocupación hospitalaria nivel estatal o nivel unidad médica mediante descarga_datos_red_irag. Estos se obtienen de la publicación diaria en RodrigoZepeda/CapacidadHospitalariaMX. Los cuales se ven así: O bien por unidad médica: que se ven así: En este caso, la descarga también es inteligente y necesitas poner force_download = TRUE si ha pasado menos de un día de tu última descarga (almacenada mediante pins en cache) y quieres volver bajar los datos. olvides citar RED IRAG así como la publicación diaria en RodrigoZepeda/CapacidadHospitalariaMX si las usas.","code":"estatales <- descarga_datos_red_irag() estatales |> plot_covid(df_covariates = \"Estado\") #> ! `df_variable` no fue especificada. Usaremos la columna Hospitalizados (%) unidad_medica <- descarga_datos_red_irag(nivel = \"Unidad Médica\") unidad_medica |> head() #> # A tibble: 6 × 9 #> `Unidad médica` Estado Insti…¹ CLUES Hospi…² Venti…³ UCI y…⁴ Fecha #> #> 1 Hospital Regional de … México SSA/CC MCSS… 100 17 33 2020-04-01 #> 2 Hospital Juárez de Mé… Ciuda… SSA/CC DFSS… 100 89 89 2020-04-01 #> 3 Instituto Nacional de… Ciuda… SSA/CC DFSS… 100 0 0 2020-04-01 #> 4 Instituto Nacional de… Ciuda… SSA/CC DFSS… 100 94 94 2020-04-01 #> 5 Instituto Nacional de… Ciuda… SSA/CC DFSS… 100 50 50 2020-04-01 #> 6 Instituto Nacional de… Ciuda… SSA/CC DFSS… 100 10 10 2020-04-01 #> # … with 1 more variable: Actualizacion , and abbreviated variable names #> # ¹Institución, ²`Hospitalizados (%)`, ³`Ventilación (%)`, #> # ⁴`UCI y Ventilación (%)`"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"gráficas","dir":"Articles","previous_headings":"","what":"Gráficas","title":"Introducción a covidmx","text":"Para graficar puedes usar la función plot_covid por default grafica lo que està en datos_covid$casos y establecer cada cuándo hacer los cortes de fechas con date_break_format pero puedes pedir otra con el eje x más limpio: Para visualizar un suavizamiento con splines cambia el type y dale las opciones que darías geom_spline: Puedes visualizar hasta dos covariables la vez con df_covariates y decirle cuál graficar con df_variable:","code":"datos_covid |> plot_covid(date_break_format = \"1 week\") #> ! `df_variable` no fue especificada. Usaremos la columna n #> ! `df_covariates` no fue especificada. Usaremos `ENTIDAD_FEDERATIVA` datos_covid |> plot_covid(\"Todos (nacional)\", date_break_format = \"1 week\", date_labels_format = \"%m/%y\") #> ! `df_variable` no fue especificada. Usaremos la columna n #> ! `df_covariates` no fue especificada. Usaremos `` datos_covid |> plot_covid(\"Todos (nacional)\", type = \"spline\", spar = 0.5, date_break_format = \"1 week\") #> ! `df_variable` no fue especificada. Usaremos la columna n #> ! `df_covariates` no fue especificada. Usaremos `` datos_covid |> plot_covid(\"Ejemplo defunciones\", df_variable = \"n\", df_covariates = c(\"SEXO\",\"ENTIDAD_FEDERATIVA\"), date_break_format = \"3 weeks\", type = \"area\")"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"desconexión","dir":"Articles","previous_headings":"","what":"Desconexión","title":"Introducción a covidmx","text":"olvides, cuando termines de usar duckdb desconectarte:","code":"datos_covid$disconnect() #> ✔ Desconectado"},{"path":"https://rodrigozepeda.github.io/covidmx/articles/covidmx.html","id":"información-adicional","dir":"Articles","previous_headings":"","what":"Información adicional","title":"Introducción a covidmx","text":"","code":"sessioninfo::session_info() #> ─ Session info ─────────────────────────────────────────────────────────────── #> setting value #> version R version 4.2.1 (2022-06-23) #> os macOS Big Sur ... 10.16 #> system x86_64, darwin17.0 #> ui X11 #> language es #> collate en_US.UTF-8 #> ctype en_US.UTF-8 #> tz America/Mexico_City #> date 2022-12-23 #> pandoc 2.19.2 @ /Applications/RStudio.app/Contents/Resources/app/quarto/bin/tools/ (via rmarkdown) #> #> ─ Packages ─────────────────────────────────────────────────────────────────── #> package * version date (UTC) lib source #> assertthat 0.2.1 2019-03-21 [2] CRAN (R 4.2.0) #> bit 4.0.5 2022-11-15 [2] CRAN (R 4.2.1) #> bit64 4.0.5 2020-08-30 [2] CRAN (R 4.2.0) #> bitops 1.0-7 2021-04-24 [2] CRAN (R 4.2.0) #> blob 1.2.3 2022-04-10 [2] CRAN (R 4.2.0) #> bslib 0.4.2 2022-12-16 [2] CRAN (R 4.2.0) #> cachem 1.0.6 2021-08-19 [2] CRAN (R 4.2.0) #> cellranger 1.1.0 2016-07-27 [2] CRAN (R 4.2.0) #> cli 3.5.0 2022-12-20 [2] CRAN (R 4.2.1) #> coarseDataTools 0.6-6 2021-12-09 [2] CRAN (R 4.2.0) #> coda 0.19-4 2020-09-30 [2] CRAN (R 4.2.0) #> colorspace 2.0-3 2022-02-21 [2] CRAN (R 4.2.0) #> covidmx * 0.7.3 2022-12-23 [1] local #> crayon 1.5.2 2022-09-29 [2] CRAN (R 4.2.0) #> curl 4.3.3 2022-10-06 [2] CRAN (R 4.2.0) #> DBI 1.1.3 2022-06-18 [2] CRAN (R 4.2.0) #> dbplyr 2.2.1 2022-06-27 [2] CRAN (R 4.2.0) #> desc 1.4.2 2022-09-08 [2] CRAN (R 4.2.0) #> digest 0.6.31 2022-12-11 [2] CRAN (R 4.2.1) #> dplyr * 1.0.10 2022-09-01 [2] CRAN (R 4.2.0) #> duckdb 0.6.1 2022-12-08 [2] CRAN (R 4.2.1) #> ellipsis 0.3.2 2021-04-29 [2] CRAN (R 4.2.0) #> EpiEstim 2.2-4 2021-01-07 [2] CRAN (R 4.2.0) #> evaluate 0.19 2022-12-13 [2] CRAN (R 4.2.1) #> fansi 1.0.3 2022-03-24 [2] CRAN (R 4.2.0) #> farver 2.1.1 2022-07-06 [2] CRAN (R 4.2.0) #> fastmap 1.1.0 2021-01-25 [2] CRAN (R 4.2.0) #> fitdistrplus 1.1-8 2022-03-10 [2] CRAN (R 4.2.0) #> forcats 0.5.2 2022-08-19 [2] CRAN (R 4.2.0) #> fs 1.5.2 2021-12-08 [2] CRAN (R 4.2.0) #> generics 0.1.3 2022-07-05 [2] CRAN (R 4.2.0) #> ggforce 0.4.1 2022-10-04 [2] CRAN (R 4.2.1) #> ggformula 0.10.2 2022-09-01 [2] CRAN (R 4.2.0) #> ggplot2 * 3.4.0 2022-11-04 [2] CRAN (R 4.2.1) #> ggridges 0.5.4 2022-09-26 [2] CRAN (R 4.2.0) #> ggstance 0.3.6 2022-11-16 [2] CRAN (R 4.2.1) #> ggstream 0.1.0 2021-05-06 [2] CRAN (R 4.2.0) #> glue 1.6.2 2022-02-24 [2] CRAN (R 4.2.0) #> gridExtra 2.3 2017-09-09 [2] CRAN (R 4.2.0) #> gtable 0.3.1 2022-09-01 [2] CRAN (R 4.2.0) #> haven 2.5.1 2022-08-22 [2] CRAN (R 4.2.0) #> highr 0.10 2022-12-22 [2] CRAN (R 4.2.1) #> hms 1.1.2 2022-08-19 [2] CRAN (R 4.2.0) #> htmltools 0.5.4 2022-12-07 [2] CRAN (R 4.2.1) #> httr 1.4.4 2022-08-17 [2] CRAN (R 4.2.0) #> incidence 1.7.3 2020-11-04 [2] CRAN (R 4.2.0) #> jquerylib 0.1.4 2021-04-26 [2] CRAN (R 4.2.0) #> jsonlite 1.8.4 2022-12-06 [2] CRAN (R 4.2.0) #> knitr 1.41 2022-11-18 [2] CRAN (R 4.2.0) #> labeling 0.4.2 2020-10-20 [2] CRAN (R 4.2.0) #> labelled 2.10.0 2022-09-14 [2] CRAN (R 4.2.0) #> lattice 0.20-45 2021-09-22 [2] CRAN (R 4.2.1) #> lifecycle 1.0.3 2022-10-07 [2] CRAN (R 4.2.1) #> lubridate 1.9.0 2022-11-06 [2] CRAN (R 4.2.1) #> magrittr 2.0.3 2022-03-30 [2] CRAN (R 4.2.0) #> MASS 7.3-58.1 2022-08-03 [2] CRAN (R 4.2.0) #> Matrix 1.5-3 2022-11-11 [2] CRAN (R 4.2.0) #> MatrixModels 0.5-1 2022-09-11 [2] CRAN (R 4.2.0) #> mcmc 0.9-7 2020-03-21 [2] CRAN (R 4.2.0) #> MCMCpack 1.6-3 2022-04-13 [2] CRAN (R 4.2.0) #> memoise 2.0.1 2021-11-26 [2] CRAN (R 4.2.0) #> MetBrewer 0.2.0 2022-03-21 [2] CRAN (R 4.2.0) #> mosaicCore 0.9.2.1 2022-09-22 [2] CRAN (R 4.2.0) #> munsell 0.5.0 2018-06-12 [2] CRAN (R 4.2.0) #> pillar 1.8.1 2022-08-19 [2] CRAN (R 4.2.0) #> pins 1.0.3 2022-09-24 [2] CRAN (R 4.2.0) #> pkgconfig 2.0.3 2019-09-22 [2] CRAN (R 4.2.0) #> pkgdown 2.0.7 2022-12-14 [2] CRAN (R 4.2.0) #> plyr 1.8.8 2022-11-11 [2] CRAN (R 4.2.0) #> polyclip 1.10-4 2022-10-20 [2] CRAN (R 4.2.0) #> purrr 1.0.0 2022-12-20 [2] CRAN (R 4.2.1) #> quantreg 5.94 2022-07-20 [2] CRAN (R 4.2.0) #> R6 2.5.1 2021-08-19 [2] CRAN (R 4.2.0) #> ragg 1.2.4 2022-10-24 [2] CRAN (R 4.2.0) #> rappdirs 0.3.3 2021-01-31 [2] CRAN (R 4.2.0) #> Rcpp 1.0.9 2022-07-08 [2] CRAN (R 4.2.0) #> RCurl 1.98-1.9 2022-10-03 [2] CRAN (R 4.2.1) #> readr 2.1.3 2022-10-01 [2] CRAN (R 4.2.0) #> readxl 1.4.1 2022-08-17 [2] CRAN (R 4.2.0) #> reshape2 1.4.4 2020-04-09 [2] CRAN (R 4.2.0) #> rlang 1.0.6 2022-09-24 [2] CRAN (R 4.2.0) #> rmarkdown 2.19 2022-12-15 [2] CRAN (R 4.2.0) #> rprojroot 2.0.3 2022-04-02 [2] CRAN (R 4.2.0) #> rstudioapi 0.14 2022-08-22 [2] CRAN (R 4.2.0) #> sass 0.4.4 2022-11-24 [2] CRAN (R 4.2.0) #> scales 1.2.1 2022-08-20 [2] CRAN (R 4.2.0) #> sessioninfo 1.2.2 2021-12-06 [2] CRAN (R 4.2.0) #> SparseM 1.81 2021-02-18 [2] CRAN (R 4.2.0) #> stringi 1.7.8 2022-07-11 [2] CRAN (R 4.2.0) #> stringr 1.5.0 2022-12-02 [2] CRAN (R 4.2.1) #> survival 3.4-0 2022-08-09 [2] CRAN (R 4.2.0) #> systemfonts 1.0.4 2022-02-11 [2] CRAN (R 4.2.0) #> textshaping 0.3.6 2021-10-13 [2] CRAN (R 4.2.0) #> tibble 3.1.8 2022-07-22 [2] CRAN (R 4.2.0) #> tidyr 1.2.1 2022-09-08 [2] CRAN (R 4.2.0) #> tidyselect 1.2.0 2022-10-10 [2] CRAN (R 4.2.0) #> timechange 0.1.1 2022-11-04 [2] CRAN (R 4.2.1) #> tweenr 2.0.2 2022-09-06 [2] CRAN (R 4.2.0) #> tzdb 0.3.0 2022-03-28 [2] CRAN (R 4.2.0) #> utf8 1.2.2 2021-07-24 [2] CRAN (R 4.2.0) #> vctrs 0.5.1 2022-11-16 [2] CRAN (R 4.2.1) #> vroom 1.6.0 2022-09-30 [2] CRAN (R 4.2.0) #> withr 2.5.0 2022-03-03 [2] CRAN (R 4.2.0) #> xfun 0.36 2022-12-21 [2] CRAN (R 4.2.1) #> yaml 2.3.6 2022-10-18 [2] CRAN (R 4.2.1) #> #> [1] /private/var/folders/42/2kdf45dd1qz5n7kf9lm8ld9r0000gn/T/RtmpBzTknZ/temp_libpathf430611469f #> [2] /Library/Frameworks/R.framework/Versions/4.2/Resources/library #> #> ──────────────────────────────────────────────────────────────────────────────"},{"path":"https://rodrigozepeda.github.io/covidmx/authors.html","id":null,"dir":"","previous_headings":"","what":"Autores","title":"Autores y Citas","text":"Rodrigo Zepeda-Tello. Autor-, mantenedor-. Mauricio Hernandez-Avila. Autor-. Alberto Almuiña. Colaborador-. Author included zzz fragment Jonah Gabry. Colaborador-. Author included cmdstanr fragment Rok Češnovar. Colaborador-. Author included cmdstanr fragment Ben Bales. Colaborador-. Author included cmdstanr fragment Mitzi Morris. Colaborador-. Author included cmdstanr fragment Mikhail Popov. Colaborador-. Author included cmdstanr fragment Mike Lawrence. Colaborador-. Author included cmdstanr fragment William Michael Landau. Colaborador-. Author included cmdstanr fragment Jacob Socolar. Colaborador-. Author included cmdstanr fragment Andrew Johnson. Colaborador-. Author included cmdstanr fragment Instituto Mexicano del Seguro Social. Titular de los derechos de autor, patrocinador-.","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/authors.html","id":"citation","dir":"","previous_headings":"","what":"Cita","title":"Autores y Citas","text":"Zepeda-Tello R, Hernandez-Avila M (2022). covidmx: Descarga y analiza datos de COVID-19 en México. https://github.com/RodrigoZepeda/covidmx, https://rodrigozepeda.github.io/covidmx/.","code":"@Manual{, title = {covidmx: Descarga y analiza datos de COVID-19 en México}, author = {Rodrigo Zepeda-Tello and Mauricio Hernandez-Avila}, year = {2022}, note = {https://github.com/RodrigoZepeda/covidmx, https://rodrigozepeda.github.io/covidmx/}, }"},{"path":"https://rodrigozepeda.github.io/covidmx/index.html","id":"covidmx-","dir":"","previous_headings":"","what":"Análisis de COVID-19 para México","title":"Análisis de COVID-19 para México","text":"💻 Sitio web: https://rodrigozepeda.github.io/covidmx/ Descarga, etiqueta y analiza los datos abiertos de COVID-19 en México. El propósito de este paquete es hacer la descarga, análisis y graficación de manera rápida para que tú tengas que preocuparte por bajar el archivo tiempo, agrupar funciones o realizar visualizaciones sino en lo importante: analizar la información.","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/index.html","id":"instalación","dir":"","previous_headings":"","what":"Instalación","title":"Análisis de COVID-19 para México","text":"","code":"remotes::install_github(\"RodrigoZepeda/covidmx\")"},{"path":"https://rodrigozepeda.github.io/covidmx/index.html","id":"uso","dir":"","previous_headings":"","what":"Uso","title":"Análisis de COVID-19 para México","text":"Puedes descargar la información de variantes de GISAID de la publicación de Github, ocupación hospitalaria de RED IRAG partir del Github y datos abiertos de la SSA todo con los siguientes comandos. El proceso está optimizado mediante duckdb para que puedas realizar queries sobre la base de > 15 millones de personas en segundos. Todas las descargas del paquete son inteligentes y si ha pasado poco tiempo desde tu última descarga te pregunta primero antes de comprometerse descargar de nuevo. Puedes volver leer tu base descargada haciendo: Las funciones principales del paquete son: Gráfica con los casos de SINAVE de los datos abiertos de las 32 entidades cada una de ellas variando por color. Nota olvides citar GISAID, RED IRAG o SSA y las publicaciones asociadas además del paquete.","code":"library(covidmx) #Datos de variantes (cdmx o nacional) variantes <- descarga_datos_variantes_GISAID(\"nacional\") #Datos de ocupación hopsitalaria de Red IRAG ('Estatal' o 'Unidad Médica') ocupacion <- descarga_datos_red_irag(\"Estatal\") #Descarga datos abiertos de covid, guarda en duckdb (mi_archivo/de_datos.duckdb) # y te da una conexión datos_covid <- descarga_datos_abiertos(dbdir = \"mi_archivo/de_datos.duckdb\") datos_covid <- read_datos_abiertos(dbdir = \"mi_archivo/de_datos.duckdb\") #Calcula los casos (totales) por entidad y devuelve un tibble datos_covid <- datos_covid %>% casos() #Calcula la cantidad de pruebas realizadas datos_covid <- datos_covid %>% numero_pruebas() #Calcula la positividad datos_covid <- datos_covid %>% positividad() #Calcula el case fatality rate datos_covid <- datos_covid %>% cfr() #Calcula el case hospitalization rate datos_covid <- datos_covid %>% chr() #Estimación del número efectivo de reproducción datos_covid <- datos_covid %>% estima_rt() #¡Grafica! datos_covid %>% plot_covid()"},{"path":"https://rodrigozepeda.github.io/covidmx/index.html","id":"casos-opciones-de-lectura-de-datos-abiertos","dir":"","previous_headings":"Uso","what":"Casos (opciones de lectura de datos abiertos)","title":"Análisis de COVID-19 para México","text":"Todas las opciones de casos:","code":"datos_covid %>% casos( #Lista de entidades que deseas entidades = c(\"AGUASCALIENTES\", \"BAJA CALIFORNIA\", \"BAJA CALIFORNIA SUR\",\"CAMPECHE\", \"CHIAPAS\", \"CHIHUAHUA\",\"CIUDAD DE M\\u00c9XICO\", \"COAHUILA DE ZARAGOZA\" , \"COLIMA\", \"DURANGO\", \"GUANAJUATO\", \"GUERRERO\",\"HIDALGO\", \"JALISCO\", \"M\\u00c9XICO\", \"MICHOAC\\u00c1N DE OCAMPO\", \"MORELOS\",\"NAYARIT\", \"NUEVO LE\\u00d3N\", \"OAXACA\", \"PUEBLA\", \"QUER\\u00c9TARO\", \"QUINTANA ROO\", \"SAN LUIS POTOS\\u00cd\", \"SINALOA\", \"SONORA\", \"TABASCO\", \"TAMAULIPAS\", \"TLAXCALA\", \"VERACRUZ DE IGNACIO DE LA LLAVE\", \"YUCAT\\u00c1N\", \"ZACATECAS\"), #Si quieres que los resultados salgan por entidad = TRUE o ya agregados = FALSE group_by_entidad = TRUE, #Selecciona esas entidades a qué tipo de entidad refieren: Unidad Médica, #Residencia o Nacimiento entidad_tipo = \"Residencia\", #Selecciona la fecha para la base de datos: Síntomas, Ingreso, Defunción fecha_tipo = \"Ingreso\", #Selecciona todas las variables de clasificación que deseas agregar: tipo_clasificacion = c(\"Sospechosos\",\"Confirmados COVID\", \"Negativo a COVID\", \"Inválido\", \"No realizado\"), #Selecciona si deseas agrupar por la variable tipo_clasificacion group_by_tipo_clasificacion = TRUE, #Selecciona todos los pacientes quieres incluir: tipo_paciente = c(\"AMBULATORIO\", \"HOSPITALIZADO\", \"NO ESPECIFICADO\"), #Selecciona si agrupar por tipo de paciente group_by_tipo_paciente = TRUE, #Selecciona todas las opciones de Unidad de Cuidado Intensivo #del paciente: tipo_uci = c(\"SI\",\"NO\",\"NO APLICA\",\"SE IGNORA\", \"NO ESPECIFICADO\"), #Selecciona si agrupar por tipo de unidad group_by_tipo_uci = TRUE, #Selecciona los sectores del sistema de salud a incluir tipo_sector = c(\"CRUZ ROJA\", \"DIF\", \"ESTATAL\", \"IMSS\", \"IMSS-BIENESTAR\", \"ISSSTE\", \"MUNICIPAL\", \"PEMEX\", \"PRIVADA\", \"SEDENA\", \"SEMAR\", \"SSA\", \"UNIVERSITARIO\",\"NO ESPECIFICADO\"), #Selecciona si deseas agrupar por tipo de sector group_by_tipo_sector = FALSE, #Selecciona si deseas sólo los que tuvieron defunción defunciones = TRUE, #Selecciona los grupos de edad que deseas incluir en rango edad_cut = c(20, 40, 60), #Edades 20-40 y 40-60 #Selecciona si devolver el objeto como tibble as_tibble = TRUE, #Selecciona si rellenar los conteos (n) con ceros #cuando no haya observaciones. fill_zeros = TRUE, #Nombre para llamarle en el objeto lista que regresa list_name = \"Ejemplo defunciones\", #Otras variables para agrupar no incluidas .grouping_vars = c(\"DIABETES\", \"SEXO\")) #> # A tibble: #> FECHA_INGRESO DIABETES SEXO EDAD_CAT ENTIDAD_RES CLASIFICACION_FINAL #> #> 1 2020-01-01 2 1 (40,60] 30 7 #> 2 2020-01-02 2 1 (40,60] 30 7 #> 3 2020-01-02 2 2 (20,40] 11 7 #> 4 2020-01-02 2 2 (20,40] 26 7 #> 5 2020-01-02 2 2 (40,60] 22 5 #> 6 2020-01-03 1 1 (40,60] 05 7 #> 7 2020-01-03 1 2 (40,60] 26 7 #> 8 2020-01-03 1 2 (40,60] 28 7 #> 9 2020-01-03 2 1 (40,60] 15 6 #> 10 2020-01-03 2 2 (40,60] 13 7 #> 11 2020-01-04 2 1 (20,40] 05 7 #> 12 2020-01-04 2 2 (40,60] 21 7 #> 13 2020-01-05 1 1 (40,60] 30 7 #> 14 2020-01-05 1 2 (40,60] 09 5 #> 15 2020-01-05 2 2 (20,40] 26 6 #> 16 2020-01-05 2 2 (40,60] 28 7 #> 17 2020-01-06 1 1 (40,60] 02 7 #> 18 2020-01-06 1 2 (40,60] 15 7 #> 19 2020-01-06 2 1 (40,60] 08 6 #> 20 2020-01-06 2 1 (40,60] 09 7 #> # … with 8 more variables: TIPO_PACIENTE , UCI , n , #> # ENTIDAD_FEDERATIVA , ABREVIATURA , CLASIFICACIÓN , #> # DESCRIPCION_TIPO_PACIENTE , DESCRIPCION_TIPO_UCI "},{"path":"https://rodrigozepeda.github.io/covidmx/index.html","id":"más-información","dir":"","previous_headings":"","what":"Más información","title":"Análisis de COVID-19 para México","text":"Para ver todas las funciones del paquete ve Primeros Pasos Puedes ver un estudio de caso del paquete para Ciudad de México en este link Puedes ver las preguntas frecuentes acá o bien levantar un issue en Github con el label de question.","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/reference/casos.html","id":null,"dir":"Reference","previous_headings":"","what":"Casos de COVID-19 en Mexico — casos","title":"Casos de COVID-19 en Mexico — casos","text":"casos Calcula el numero de casos registrados por fecha agrupando (o sin hacerlo) por diferentes covariables. Por default calcula el total de casos (con y sin prueba positiva)","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/reference/casos.html","id":"ref-usage","dir":"Reference","previous_headings":"","what":"Uso","title":"Casos de COVID-19 en Mexico — casos","text":"","code":"casos( datos_covid, entidades = c(\"AGUASCALIENTES\", \"BAJA CALIFORNIA\", \"BAJA CALIFORNIA SUR\", \"CAMPECHE\", \"CHIAPAS\", \"CHIHUAHUA\", \"CIUDAD DE MÉXICO\", \"COAHUILA DE ZARAGOZA\", \"COLIMA\", \"DURANGO\", \"GUANAJUATO\", \"GUERRERO\", \"HIDALGO\", \"JALISCO\", \"MÉXICO\", \"MICHOACÁN DE OCAMPO\", \"MORELOS\", \"NAYARIT\", \"NUEVO LEÓN\", \"OAXACA\", \"PUEBLA\", \"QUERÉTARO\", \"QUINTANA ROO\", \"SAN LUIS POTOSÍ\", \"SINALOA\", \"SONORA\", \"TABASCO\", \"TAMAULIPAS\", \"TLAXCALA\", \"VERACRUZ DE IGNACIO DE LA LLAVE\", \"YUCATÁN\", \"ZACATECAS\"), group_by_entidad = TRUE, entidad_tipo = c(\"Unidad Medica\", \"Residencia\", \"Nacimiento\"), fecha_tipo = c(\"Sintomas\", \"Ingreso\", \"Defuncion\"), tipo_clasificacion = c(\"Sospechosos\", \"Confirmados COVID\", \"Negativo a COVID\", \"Inválido\", \"No realizado\"), group_by_tipo_clasificacion = FALSE, tipo_paciente = c(\"AMBULATORIO\", \"HOSPITALIZADO\", \"NO ESPECIFICADO\"), group_by_tipo_paciente = FALSE, tipo_uci = c(\"SI\", \"NO\", \"NO APLICA\", \"SE IGNORA\", \"NO ESPECIFICADO\"), group_by_tipo_uci = FALSE, tipo_sector = c(\"CRUZ ROJA\", \"DIF\", \"ESTATAL\", \"IMSS\", \"IMSS-BIENESTAR\", \"ISSSTE\", \"MUNICIPAL\", \"PEMEX\", \"PRIVADA\", \"SEDENA\", \"SEMAR\", \"SSA\", \"UNIVERSITARIO\", \"NO ESPECIFICADO\"), group_by_tipo_sector = FALSE, defunciones = FALSE, edad_cut = NULL, as_tibble = TRUE, fill_zeros = as_tibble, list_name = \"casos\", .grouping_vars = c() )"},{"path":"https://rodrigozepeda.github.io/covidmx/reference/casos.html","id":"argumentos","dir":"Reference","previous_headings":"","what":"Argumentos","title":"Casos de COVID-19 en Mexico — casos","text":"datos_covid (obligatorio) Lista de tibbles o duckdbs resultante de descarga_datos_abiertos() o read_datos_abiertos() entidades (opcional) Vector con las entidades de las unidades medicas analizar. Opciones: AGUASCALIENTES, BAJA CALIFORNIA, BAJA CALIFORNIA SUR, CAMPECHE, CHIAPAS, CHIHUAHUA, CIUDAD DE MEXICO, COAHUILA DE ZARAGOZA , COLIMA, DURANGO, GUANAJUATO, GUERRERO, HIDALGO, JALISCO, MEXICO, MICHOACAN DE OCAMPO, MORELOS,NAYARIT NUEVO LEON, OAXACA ,PUEBLA, QUERETARO,QUINTANA ROO, SAN LUIS POTOSI, SINALOA, SONORA, TABASCO, TAMAULIPAS,TLAXCALA, VERACRUZ DE IGNACIO DE LA LLAVE, YUCATAN, ZACATECAS. group_by_entidad (opcional) TRUE obtiene los casos para cada entidad reportando en cada fecha la entidad y los casos en dicha entidad. FALSE junta las entidades sumando sus casos en una sola observacion por cada fecha. entidad_tipo (opcional) Indica que se refiere las entidades seleccionadas. Elige una de las opciones: Unidad Medica (entidad de la unidad medica), Nacimiento (entidad de origen del individuo) o Residencia (entidad donde reside el individuo). fecha_tipo (opcional) Selecciona si la fecha que se utiliza es la fecha de Ingreso (si aplica), la fecha de Sintomas o la de Defuncion (si aplica). El default es fecha de Sintomas. tipo_clasificacion (opcional) Vector con el tipo de clasificaciones (por la prueba) incluir:Sospechosos,Confirmados COVID, Negativo COVID, Inv\\u00e1lido, realizado group_by_tipo_clasificacion (opcional) Booleana determinando si regresa la base con cada entrada agrupada por tipo_clasificacion (es decir cada fecha se generan tantos observaciones como grupos de tipo de clasificación) en caso TRUE. Si FALSE suma todos los casos del tipo de clasificacion por fecha dando un solo numero por fecha. El defalt es FALSE. tipo_paciente (opcional) Vector con el tipo de pacientes incluir. Opciones: AMBULATORIO, HOSPITALIZADO, ESPECIFICADO. Por default se incluyen todos. group_by_tipo_paciente (opcional) Booleana determinando (caso TRUE) si regresa la base con cada entrada agrupada por tipo_paciente (es decir cada fecha se genera un renglon para AMBULATORIO, un renglon para HOSPITALIZADO, etc) o bien si se suman todos los grupos y cada fecha reporta solo la suma de estos (estilo AMBULATORIO + HOSPITALIZADO segun las categorias de tipo_paciente) El default es FALSE. tipo_uci (opcional) Vector con el tipo de valores para Unidad de Cuidado Intensivo (UCI) incluir: SI,,APLICA,SE IGNORA,ESPECIFICADO. Por default se incluyen todos. group_by_tipo_uci (opcional) Booleana. El caso TRUE determina si regresa la base con cada fecha teniendo diferentes renglones uno para cada tipo_uci (es decir cada fecha se generan tantos observaciones como grupos de tipo de UCI) o bien en una sola fecha se suman todos los tipos de UCI (FALSE). El default es FALSE. tipo_sector (opcional) Vector con los sectores del sistema de salud incluir: CRUZ ROJA,DIF,ESTATAL,IMSS,IMSS-BIENESTAR,ISSSTE, MUNICIPAL,PEMEX, PRIVADA,SEDENA,SEMAR,SSA, UNIVERSITARIO,ESPECIFICADO. Por default se incluyen todos. group_by_tipo_sector (opcional) Booleana determina en el caso de TRUE si regresa la base con cada entrada agrupada por tipo_sector (es decir cada fecha tiene una entrada con los del IMSS, una entrada distinta con los de ISSSTE, etc) o bien en caso de FALSE se devuelve una sola entrada por fecha con la suma IMSS + ISSSTE + etc segun los sectores seleccionados. El default es FALSE. defunciones (opcional) Booleana si incluir sólo defunciones TRUE o todos FALSE. El default es FALSE. edad_cut (opcional) Vector con secuencia de edades para hacer grupos. Por ejemplo edad_cut = c(0, 10, Inf) arma dos grupos de edad de 0 10 y de 10 infinito o bien edad_cut = c(15, 20) deja sólo los registros entre 15 y 20 años. Por default es NULL y arma grupos etarios. as_tibble (opcional) Regresar como tibble el resultado. En caso de que as_tibble sea FALSE se devuelve como conexion en duckdb. Se recomienda el default (tibble). fill_zeros (opcional) En caso de que el resultado sea un tibble regresa observaciones para todas las combinaciones de variables incluyendo como 0 aquellas fechas cuando se observaron casos. En caso contrario se incluyen las filas donde se observaron casos. list_name (opcional) Asigna un nombre en la lista de datos la base generada .grouping_vars (opcional) Vector de variables adicionales de agrupacion de los conteos. Por ejemplo si se agrega .grouping_vars = 'DIABETES' entonces para cada fecha habra dos conteos de casos uno de los que tienen diabetes y uno de los que .","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/reference/casos.html","id":"valor","dir":"Reference","previous_headings":"","what":"Valor","title":"Casos de COVID-19 en Mexico — casos","text":"Une la lista de datos_covid una nueva entrada de nombre list_name (default: casos) con una base de datos (tibble o dbConnection) con los resultados agregados. casos - Base de datos generara con los datos agregados (el nombre cambia si se usa list_name). dict - Diccionario de datos dats - Datos originales (conexion duckdb o tibble) disconnect - Función para desconectarte de duckdb ... - Cualquier otro elemento que ya existiera en datos_covid","code":""},{"path":"https://rodrigozepeda.github.io/covidmx/reference/casos.html","id":"detalles","dir":"Reference","previous_headings":"","what":"Detalles","title":"Casos de COVID-19 en Mexico — casos","text":"La función es un grupo de funciones de dplyr optimizadas para velocidad. Por ejemplo calcular los casos por entidad se hace lo siguiente es lo mismo que: Elaboraciones mas complicadas en casos tienen su equivalente en dplyr por ejemplo: es equivalente ","code":"datos_covid |> casos() library(dplyr) datos_covid$casos <- datos_covid$dats |> group_by(ENTIDAD_UM, FECHA_SINTOMAS) |> tally() |> left_join(datos_covid$dict$ENTIDAD_UM, by = c(\"ENTIDAD_UM\" = \"CLAVE_ENTIDAD\")) datos_covid <- datos_covid |> casos( entidad_tipo = \"Residencia\", entidades = c(\"BAJA CALIFORNIA\", \"BAJA CALIFORNIA SUR\"), group_by_tipo_clasificacion = FALSE, tipo_paciente = c(\"AMBULATORIO\", \"HOSPITALIZADO\"), group_by_tipo_paciente = TRUE, list_name = \"bajas\" ) datos_covid$bajas <- datos_covid$dats |> filter(ENTIDAD_RES == \"02\" | ENTIDAD_RES == \"03\") |> #BC/BCS filter(TIPO_PACIENTE == 1 | TIPO_PACIENTE == 2) |> #Ambulatorio/Hospitalizado group_by(FECHA_SINTOMAS, ENTIDAD_RES, TIPO_PACIENTE) |> tally() |> left_join(datos_covid$dict$ENTIDAD_RES, by = c(\"ENTIDAD_RES\" = \"CLAVE_ENTIDAD\")) |> left_join(datos_covid$dict$PACIENTE, by = c(\"TIPO_PACIENTE\" = \"CLAVE\"))"},{"path":[]},{"path":"https://rodrigozepeda.github.io/covidmx/reference/casos.html","id":"ref-examples","dir":"Reference","previous_headings":"","what":"Ejemplos","title":"Casos de COVID-19 en Mexico — casos","text":"","code":"# Para el ejemplo usaremos los datos precargados (datosabiertos) pero tu puedes # correr el ejemplo descargando informacion mas reciente: datos_covid <- datosabiertos # Casos por entidad datos_covid <- datos_covid |> casos() head(datos_covid$casos) #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 02 139 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 03 519 BAJA CALIFORNIA SUR BS #> 3 2021-07-02 00:00:00 02 164 BAJA CALIFORNIA BC #> 4 2021-07-02 00:00:00 03 357 BAJA CALIFORNIA SUR BS #> 5 2021-07-03 00:00:00 02 170 BAJA CALIFORNIA BC #> 6 2021-07-03 00:00:00 03 421 BAJA CALIFORNIA SUR BS # Defunciones por entidad datos_covid <- datos_covid |> casos(defunciones = TRUE, list_name = \"defunciones\") head(datos_covid$defunciones) #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #> #> 1 2021-07-01 00:00:00 02 3 BAJA CALIFORNIA BC #> 2 2021-07-01 00:00:00 03 24 BAJA CALIFORNIA SUR BS #> 3 2021-07-02 00:00:00 02 4 BAJA CALIFORNIA BC #> 4 2021-07-02 00:00:00 03 5 BAJA CALIFORNIA SUR BS #> 5 2021-07-03 00:00:00 02 4 BAJA CALIFORNIA BC #> 6 2021-07-03 00:00:00 03 18 BAJA CALIFORNIA SUR BS # Hospitalizados por entidad datos_covid <- datos_covid |> casos(tipo_paciente = \"HOSPITALIZADO\", list_name = \"hospitalizados\") head(datos_covid$hospitalizados) #> # A tibble: 6 × 5 #> FECHA_SINTOMAS ENTIDAD_UM n ENTIDAD_FEDERATIVA ABREVIATURA #>