Obtenção de Dados

Afim de simplificar o acesso aos dados, utilizou-se o pacote datacovidbr, que importa diariamente os dados compilados pela iniciativa Brasil IO, sem maiores dependências. Para que colaboradores que não utilizam o R como plataforma analítica, o arquivo dados/covid19_cidades.csv possui os dados (por cidade) disponíveis hoje (Mon May 25 17:17:00 2020).

library(datacovidbr)
library(tidyverse)
library(lubridate)
datapath = "dados"
covid19_cidades = brasilio() %>% filter(place_type == 'city')
write_csv(covid19_cidades, file.path(datapath, "covid19_cidades.csv"))
write_csv(covid19_cidades, file.path(datapath, paste0("covid19_cidades-", today(), ".csv")))
save(covid19_cidades, file=file.path(datapath, "covid19_cidades.rda"))
save(covid19_cidades, file=file.path(datapath, paste0("covid19_cidades-", today(), ".rda")))

Manipulação de dados

Abaixo, são apresentados dados da cidade de São Paulo, apenas por esta ter sido a cidade onde foi identificado o paciente zero do Brasil e haver um histórico maior de informações, que podem ser úteis para a modelagem de casos e óbitos.

casos_sp = covid19_cidades %>% filter(city == "São Paulo") %>% 
  select(-state, -place_type, -is_last, -city_ibge_code)
# casos_sp = casos_sp %>% mutate(confirmed=case_when(
#   date == as.Date("2020-03-24") ~ as.integer(717),
#  TRUE ~ confirmed))
casos_sp %>% head() %>% knitr::kable("markdown")
date city confirmed deaths estimated_population_2019 confirmed_per_100k_inhabitants death_rate
2020-05-24 São Paulo 45527 3534 12252023 371.5876 0.0776
2020-05-23 São Paulo 44887 3491 12252023 366.3640 0.0778
2020-05-22 São Paulo 42973 3352 12252023 350.7421 0.0780
2020-05-21 São Paulo 41451 3238 12252023 338.3196 0.0781
2020-05-20 São Paulo 39466 3135 12252023 322.1182 0.0794
2020-05-19 São Paulo 37640 3029 12252023 307.2146 0.0805 
casos_sp %>% select(date, confirmed, deaths) %>% gather(type, counts, -date) %>% 
  ggplot(aes(date, counts, colour=type)) + geom_point() + geom_line() + scale_y_log10() +
  theme_bw() + xlab("Data") + ylab("Contagem") +
  ggtitle("Casos Confirmados e Óbitos na Cidade de São Paulo")

casos_sp %>% select(date, confirmed, deaths) %>% gather(type, counts, -date) %>% 
  ggplot(aes(date, counts, colour=type)) + geom_point() + geom_line() +
  theme_bw() + xlab("Data") + ylab("Contagem") +
  ggtitle("Casos Confirmados e Óbitos na Cidade de São Paulo")

Taxas de Mudança

temp = casos_sp %>% select(date, confirmed, deaths) %>% arrange(date) %>% 
  mutate(dx=as.integer(date-lag(date, default=date[1])),
         dconf=confirmed-lag(confirmed, default=confirmed[1]),
         rate = dconf/dx)
ggplot(temp, aes(date, weight=rate)) + geom_bar() +
  xlab("Data") + ylab("Taxa de Novos Casos") +
  theme_bw()

Contato

Para maiores informações, utilize a plataforma https://covid.ic.unicamp.br/. Em particular, procuramos documentar informações desta inciativa no seu respectivo tópico em Modelagem e Epidemiologia (https://covid.ic.unicamp.br/c/tecnolC3B3gicas/ModelagemeEpidemiologia/11).