diff --git a/DESCRIPTION b/DESCRIPTION index 19f5b324..87293025 100644 --- a/DESCRIPTION +++ b/DESCRIPTION @@ -4,9 +4,19 @@ Type: Package Version: 0.0.2.0 Authors@R: c( - person("Zulma M. Cucunubá", role = "aut"), - person("Geraldine Gómez Millán", role = c("aut", "cre"), - email = "geralidine.gomez@javeriana.edu.co") + person(given = "Geraldine", family = "Gómez Millán", email = "geralidine.gomez@javeriana.edu.co", role = c("aut", "cre", "ctb"), + comment = c(ORCID = "https://orcid.org/0009-0007-8701-0568")), + person(given = "Zulma M.", family = "Cucunubá", email = "zulma.cucunuba@javeriana.edu.co", role = c("aut", "ctb"), + comment = c(ORCID = "https://orcid.org/0000-0002-8165-3198")), + person(given = "Hugo", family = "Gruson", email = "hugo.gruson+R@normalesup.org", role = c("ctb"), + comment = c(ORCID = "https://orcid.org/0000-0002-4094-1476")), + person(given = "Laura", family = "Gómez Bermeo", email = "gomezblaura@javeriana.edu.co", role = c("ctb"), + comment = c(ORCID = "https://orcid.org/0000-0003-4028-2893")), + person(given = "Miguel", family = "Gámez", role = c("ctb")), + person(given = "Jennifer", family = "Méndez-Romero", role = c("ctb")), + person(given = "Johan", family = "Calderón", role = c("ctb")), + person(given = "Lady", family = "Flórez-Tapiero", role = c("ctb")), + person(given = "Verónica", family = "Tangarife-Arredondo", role = c("ctb")) ) Description: Provides functions for data wrangling and automated reports from SIVIGILA source. @@ -23,10 +33,12 @@ Imports: stringr, xml2, epitrix, - sf + sf, + readxl Suggests: knitr, rmarkdown +Depends: R (>= 2.10) Config/Needs/website: epiverse-trace/epiversetheme VignetteBuilder: knitr diff --git a/R/checking_data.R b/R/checking_data.R index 5c4094aa..126b16d8 100644 --- a/R/checking_data.R +++ b/R/checking_data.R @@ -40,8 +40,9 @@ filtrar_event <- function(nombre_event, #' @return Un data frame con los datos filtrados con la enfermedad, #' departamentos y municipios seleccionados #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' geo_filtro(data_event, nombre_dpto = "ANTIOQUIA") #' @export geo_filtro <- function(data_event, nombre_dpto = NULL, nombre_mun = NULL) { @@ -101,7 +102,9 @@ obtener_cods_dpto <- function(geo_cods) { #' @return Un data frame con los casos por tipo de población especial #' de una enfermedad o evento #' @examples -#' data_event <- import_data_event(2019, "DENGUE") +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' obtener_casos_pob_especial(data_event = data_event) #' @export obtener_casos_pob_especial <- function(data_event) { @@ -116,10 +119,9 @@ obtener_casos_pob_especial <- function(data_event) { "special_populations_names") casos_especiales <- c() for (sp in pob_especial) { - casos_especiales <- append(casos_especiales, sum( - eval(parse(text = - paste0("data_event$", sp))) - )) + data_event[[sp]] <- as.numeric(data_event[[sp]]) + casos_especiales <- append(casos_especiales, + sum(data_event[[sp]])) } data_pob_especial <- data.frame( poblacion = pob_especial, @@ -138,8 +140,9 @@ obtener_casos_pob_especial <- function(data_event) { #' @return Un data frame con los datos de una enfermedad o #' evento agrupados por semana epidemiológica y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_casos_semanaepi(data_event = data_event) #' @export agrupar_casos_semanaepi <- function(data_event) { @@ -165,8 +168,9 @@ agrupar_casos_semanaepi <- function(data_event) { #' o evento agrupados por el nombre de la(s) columna(s) y el #' número de casos; su valor por defecto es TRUE #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_cols_casos(data_event = data_event, #' cols_nombres = "sexo", #' agr_porcentaje = TRUE) @@ -176,6 +180,8 @@ agrupar_casos_semanaepi <- function(data_event) { agrupar_cols_casos <- function(data_event, cols_nombres, agr_porcentaje = FALSE) { + cols_nombres <- append(cols_nombres, c("nombre_evento")) + print(cols_nombres) data_event_agrupada <- data_event %>% dplyr::group_by_at(cols_nombres) %>% dplyr::summarise(casos = dplyr::n(), .groups = "drop") @@ -212,8 +218,9 @@ agrupar_cols_casos <- function(data_event, #' @return Un data frame con los datos de la enfermedad o evento #' agrupados por el rango de edad y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_edad <- agrupar_cols_casos(data_event = data_event, #' c("edad", "semana"), #' agr_porcentaje = TRUE) @@ -269,8 +276,9 @@ agrupar_rango_edad_casos <- function(data_event, #' @return Un data frame con los datos de una enfermedad #' o evento agrupados por nombre de columna(s) y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_cols_casos(data_event = data_event, #' cols_nombres = "sexo", #' agr_porcentaje = TRUE) @@ -280,6 +288,7 @@ agrupar_rango_edad_casos <- function(data_event, agrupar_cols_casos <- function(data_event, cols_nombres, agr_porcentaje = FALSE) { + cols_nombres <- append(cols_nombres, c("nombre_evento")) data_event_agrupada <- data_event %>% dplyr::group_by_at(cols_nombres) %>% dplyr::summarise(casos = dplyr::n(), .groups = "drop") @@ -309,8 +318,9 @@ agrupar_cols_casos <- function(data_event, #' @return Un data frame con los datos de la enfermedad o evento #' agrupados por fecha de inicio de síntomas y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_fecha_inisintomas(data_event = data_event, #' col_nombre = "ini_sin", #' tipo = "month") @@ -348,8 +358,9 @@ agrupar_fecha_inisintomas <- function(data_event, #' @return Un data frame con los datos de enfermedades agrupados por fecha de #' notificación y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_fecha_notifica(data_event = data_event, #' col_nombre = "fec_not", #' tipo = "month") @@ -387,8 +398,9 @@ agrupar_fecha_notifica <- function(data_event, #' @return Un data frame con los datos de la enfermedad o evento #' agrupados por sexo y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_sex(data_event = data_event, #' col_nombre = "sexo", #' porcentaje = TRUE) @@ -417,8 +429,9 @@ agrupar_sex <- function(data_event, #' @return Un data frame con los datos de la enfermedad o evento #' agrupados por sexo, semana epidemiológica y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_sex_semanaepi(data_event = data_event, #' col_nombres = c("sexo", "semana"), #' porcentaje = TRUE) @@ -426,8 +439,6 @@ agrupar_sex <- function(data_event, agrupar_sex_semanaepi <- function(data_event, col_nombres = c("sexo", "semana"), porcentaje = TRUE) { - cols_ocurrenc <- obtener_tip_ocurren_geo(data_event$cod_eve[1]) - col_nombres <- append(col_nombres, cols_ocurrenc) data_event_sex_semanaepi <- agrupar_cols_casos(data_event, col_nombres, porcentaje) @@ -451,8 +462,9 @@ agrupar_sex_semanaepi <- function(data_event, #' @return Un data frame con los datos de la enfermedad o evento agrupados #' por edad y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_edad(data_event = data_event, #' col_nombre = "edad", #' porcentaje = FALSE) @@ -494,8 +506,9 @@ agrupar_edad <- function(data_event, #' @return Un data frame con los datos de enfermedades agrupados #' por edades, sexo y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_edad_sex(data_event = data_event, #' col_nombres = c("edad", "sexo"), #' porcentaje = TRUE) @@ -541,8 +554,9 @@ agrupar_edad_sex <- function(data_event, #' @return Un data frame con los datos de la enfermedad o evento agrupados #' por poblaciones especiales y casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_pob_especial(data_event = data_event, #' col_nombre = "poblacion", #' porcentaje = TRUE) @@ -575,8 +589,9 @@ agrupar_pob_especial <- function(data_event, #' @return Un data frame con los datos de la enfermedad o evento agrupados #' por códigos de departamento y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_dpto(data_event = data_event, #' col_nombre = "cod_dpto_o", #' porcentaje = FALSE) @@ -613,8 +628,9 @@ agrupar_dpto <- function(data_event, #' @return Un data frame con los datos de la enfermedad o evento agrupados #' por códigos de municipios y número de casos #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' agrupar_mun(data_event = data_event, #' dept_nombre = "Antioquia", #' col_nombre = "cod_mun_o", diff --git a/R/cleaning_data.R b/R/cleaning_data.R index e8ae9488..fc1a84f5 100644 --- a/R/cleaning_data.R +++ b/R/cleaning_data.R @@ -7,8 +7,9 @@ #' @return Un data frame que contiene los códigos geográficos estandarizados #' de los datos de una enfermedad o evento #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' estandarizar_geo_cods(data_event = data_event) #' @export estandarizar_geo_cods <- function(data_event) { @@ -49,8 +50,9 @@ estandarizar_geo_cods <- function(data_event) { #' @examples #' geo_cods <- import_geo_cods() #' depto_cods <- obtener_cods_dpto(geo_cods) -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_agrupada <- agrupar_cols_casos(data_event, #' "cod_dpto_o", #' agr_porcentaje = TRUE) @@ -91,8 +93,9 @@ limpiar_cods_event_dpto <- function(depto_cods, #' de los datos de una enfermedad o evento #' @examples #' geo_codes <- import_geo_cods() -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' limpiar_cods_dpto(data_event = data_event, #' col_cods_data = "cod_dpto_o", #' geo_data = geo_codes, @@ -136,8 +139,9 @@ limpiar_cods_dpto <- function(data_event, #' @return Un data framecon las edades en años según las unidades de medida #' del SIVIGILA #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' convert_edad(data_event = data_event, #' col_edad = "edad", #' col_uni_med = "uni_med") @@ -145,6 +149,8 @@ limpiar_cods_dpto <- function(data_event, convert_edad <- function(data_event, col_edad = "edad", col_uni_med = "uni_med") { + data_event$uni_med <- as.numeric(data_event$uni_med) + data_event$edad <- as.numeric(data_event$edad) data_event_years <- dplyr::mutate(data_event, edad = @@ -177,8 +183,9 @@ convert_edad <- function(data_event, #' nombre de la columna en los datos de una enfermedad o evento a evaluar #' @return Los datos limpios sin valores NA, Infinito o NaN #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' remove_val_nin(data_event = data_event, nom_col = "edad") #' @export remove_val_nin <- function(data_event, nom_col) { @@ -206,8 +213,9 @@ remove_val_nin <- function(data_event, nom_col) { #' @return Un data framecon los datos sin las fechas mayores que el #' valor de comparación #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' remove_error_fecha(data_event = data_event, #' col_ini = "ini_sin", #' col_comp = "fec_hos") @@ -234,19 +242,19 @@ remove_error_fecha <- function(data_event, #' @return Un data framecon los datos con las fechas formateadas #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- format_fecha(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' format_fecha(data_event = data_event, -#' format_fecha = "%AAAA-%MM-%DD", +#' format_fecha = "%Y-%m-%d", #' nombres_col = c("ini_sin", "fec_hos")) #' @export format_fecha <- function(data_event, - format_fecha = "%AAAA-%MM-%DD", + format_fecha = "%Y-%m-%d", nombres_col = c()) { data_event_limp <- data_event for (name in nombres_col) { if (!is.null(name)) { - ref_col <- eval(parse(text = paste0("data_event_limp$", name))) - ref_col <- as.Date(ref_col, format = format_fecha) + data_event_limp[[name]] <- as.Date(data_event[[name]], + format = format_fecha) } } return(data_event_limp) @@ -261,7 +269,8 @@ format_fecha <- function(data_event, #' @return Un data framecon las etiquetas del encabezado formateadas #' con guión bajo (_) #' @examples -#' data_event <- import_data_event(2019, "DENGUE") +#' data(dengue2020) +#' data_event <- dengue2020 #' limpiar_encabezado(data_event = data_event) #' @export limpiar_encabezado <- function(data_event) { @@ -285,16 +294,16 @@ limpiar_encabezado <- function(data_event) { #' @return Un data framecon los datos con las fechas limpias #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' limpiar_fecha_event(data_event = data_event, #' year = 2020, -#' format_fecha = "%AAAA-%MM-%DD", +#' format_fecha = "%Y-%m-%d", #' nombre_col = "ini_sin", #' col_comp = "fec_hos") #' @export limpiar_fecha_event <- function(data_event, year, - format_fecha = "%AAAA-%MM-%DD", + format_fecha = "%Y-%m-%d", nombre_col = "ini_sin", col_comp = NULL) { data_event_fecha_ini <- data_event @@ -326,7 +335,7 @@ limpiar_fecha_event <- function(data_event, #' con las edades limpias #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' limpiar_edad_event(data_event = data_event, nombre_col = "edad") #' @export limpiar_edad_event <- function(data_event, nombre_col = "edad") { @@ -376,7 +385,7 @@ limpiar_val_atipic <- function(data_event) { #' una enfermedad o evento #' @param year Un numeric (numerico) que contiene el año de los #' datos de una enfermedad o evento -#' @return Un data framecon los datos limpios de la enfermedad o evento +#' @return Un data frame con los datos limpios de la enfermedad o evento #' @examples #' year <- 2019 #' data_event <- import_data_event(year, "DENGUE") @@ -384,18 +393,20 @@ limpiar_val_atipic <- function(data_event) { #' @export limpiar_data_sivigila <- function(data_event, year) { data_event <- limpiar_encabezado(data_event) - data_event <- limpiar_edad_event(data_event) nom_cols_fechas <- config::get(file = system.file("extdata", "config.yml", package = "sivirep"), "dates_column_names") data_event_limp <- format_fecha(data_event, nombres_col = nom_cols_fechas) - data_event_limp <- limpiar_fecha_event(data_event_limp, year, - nombre_col = nom_cols_fechas[3], - col_comp = nom_cols_fechas[4]) - data_event_limp <- limpiar_fecha_event(data_event_limp, year, - nombre_col = nom_cols_fechas[2]) + nombre <- unique(data_event$nombre_evento) + if (length(nombre) == 1 && !stringr::str_detect(nombre, "MORTALIDAD")) { + data_event_limp <- limpiar_fecha_event(data_event_limp, year, + nombre_col = nom_cols_fechas[3], + col_comp = nom_cols_fechas[4]) + data_event_limp <- limpiar_fecha_event(data_event_limp, year, + nombre_col = nom_cols_fechas[2]) + } data_event_limp <- estandarizar_geo_cods(data_event_limp) data_event_limp <- convert_edad(data_event_limp, col_edad = "edad", diff --git a/R/dengue2020.R b/R/dengue2020.R new file mode 100644 index 00000000..b0eddc6b --- /dev/null +++ b/R/dengue2020.R @@ -0,0 +1,15 @@ +#' Datos Dengue 2020 en sivirep +#' +#' Data from +#' +#' @docType data +#' +#' @usage dengue2020 +#' +#' @format An object of class \code{"cross"}; see \code{\link[qtl]{read.cross}}. +#' +#' @keywords datasets +#' +#' @examples +#' dengue2020 +"dengue2020" diff --git a/R/import_data.R b/R/import_data.R index 24427be8..3df7777b 100644 --- a/R/import_data.R +++ b/R/import_data.R @@ -49,23 +49,47 @@ import_geo_cods <- function(url_data = NULL) { #' los datos para tabularla #' @param path_data Un character (cadena de caracteres) que contiene #' la URL de los datos de SIVIGILA +#' @param cache Un boolean (TRUE o FALSE) que indica si los datos descargados +#' deben ser almacenados en caché; su valor por defecto es TRUE #' @return Un `data.frame` con los datos #' @examples -#' import_sep_data(path_data = -#' "https://www.datos.gov.co/api/views/qvnt-2igj/rows.csv?accessType=DOWNLOAD") +#' import_sep_data() #' @export -import_sep_data <- function(path_data) { +import_sep_data <- function(path_data = NULL, cache = TRUE) { seps <- config::get(file = system.file("extdata", "config.yml", package = "sivirep"), "data_delim") data <- data.frame() - for (sep in seps) { - if (sep %in% strsplit(readLines(path_data, n = 1)[1], split = "")[[1]]) { - data <- data.table::fread(path_data, sep = sep) - break + extdata_path <- system.file("extdata", package = "sivirep") + if (!is.null(path_data)) { + start_file_name <- stringr::str_locate(path_data, "Microdatos/")[2] + 1 + end_file_name <- stringr::str_locate(path_data, "value")[1] - 5 + file_name <- stringr::str_sub(path_data, start_file_name, end_file_name) + file_path <- paste0(extdata_path, "/", file_name) + if (!file.exists(file_path) || !cache) { + response <- httr::GET(path_data) + if (httr::status_code(response) == 200) { + con_file <- file(file_path, "wb") + chunk <- httr::content(response, "raw", as = "raw") + if (length(chunk) > 0) { + writeBin(chunk, con_file) + } + close(con_file) + } + } + if (stringr::str_detect(file_name, ".xls")) { + data <- readxl::read_excel(file_path) + } else { + for (sep in seps) { + if (sep %in% strsplit(readLines(path_data, n = 1)[1], + split = "")[[1]]) { + data <- data.table::fread(path_data, sep = sep) + break + } + } + if (nrow(data) == 0) { + data <- data.table::fread(path_data) + } } - } - if (nrow(data) == 0) { - data <- data.table::fread(path_data) } return(data) } @@ -144,8 +168,17 @@ list_events <- function() { children_text <- children_text[-base::which(children_text == disease)] i <- i + 2 } + additional_diseases <- config::get(file = + system.file("extdata", + "config.yml", + package = "sivirep"), + "additional_diseases") + name_diseases <- base::append(name_diseases, additional_diseases) + years_diseases <- base::append(years_diseases, c("", "")) list_events <- data.frame(enfermedad = name_diseases, aa = years_diseases) + list_events <- list_events[order(list_events$enfermedad, + decreasing = FALSE), ] return(list_events) } @@ -168,10 +201,24 @@ list_events <- function() { import_data_event <- function(year, nombre_event, cache = TRUE) { - data_url <- get_path_data_disease_year(year, nombre_event) - event_data <- data.frame() - event_data <- import_sep_data(data_url) - return(event_data) + data_event <- data.frame() + list_events <- list_events() + nombre_event <- stringr::str_to_title(nombre_event) + grupo_events <- + list_events[which(stringr::str_detect(list_events$enfermedad, + substr(nombre_event, + 1, + nchar(nombre_event) - 1))), ] + for (event in grupo_events$enfermedad) { + if (event != "MALARIA") { + data_url <- get_path_data_disease_year(year, event) + data_import <- import_sep_data(data_url, cache) + data_import <- limpiar_encabezado(data_import) + data_import$fec_def <- as.character(data_import$fec_def) + data_event <- rbind(data_event, data_import) + } + } + return(data_event) } #' Obtener el nombre del archivo desde una URL diff --git a/R/plotting.R b/R/plotting.R index 037a9388..f4761155 100644 --- a/R/plotting.R +++ b/R/plotting.R @@ -82,13 +82,16 @@ plot_semanaepi <- function(data, #' @return Un plot con el mapa por departamento con el número de casos de #' la enfermedad o evento #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' \dontrun{ +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_event <- estandarizar_geo_cods(data_event) #' data_dpto <- agrupar_dpto(data_event) #' plot_map_dpto(data_dpto, #' col_nombre_lj = "id", #' fuente_data = "Fuente: SIVIGILA, Instituto Nacional de Salud, Colombia") +#' } #' @export plot_map_dpto <- function(data_agrupada, col_nombre_lj = "id", @@ -131,8 +134,9 @@ plot_map_dpto <- function(data_agrupada, #' @return El plot o mapa por departamentos o municipios con el número de #' casos de una enfermedad específica #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_espacial_dpto <- estandarizar_geo_cods(data_event) #' data_espacial_dpto <- geo_filtro(data_event = data_event, #' nombre_dpto = "Antioquia") @@ -226,8 +230,9 @@ plot_map <- function(data_agrupada, #' leyenda o fuente de información de los datos; su valor por defecto es NULL #' @return Un plot o gráfico por variable(s) o columna(s) #' @examples -#' data_event <- import_data_event(2019, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data(dengue2020) +#' data_event <- dengue2020 +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' cases_sex <- agrupar_sex(data_event, #' porcentaje = TRUE) #' plot_variable(data = cases_sex, @@ -306,10 +311,12 @@ plot_variable <- function(data, var_x, var_y, var_por = NULL, if (ncol(data) == 3 || (!is.null(var_fill) && var_fill == "sexo")) ggplot2::scale_fill_manual(values = c("#56B4E9", "#E69F00")) else ggplot2::theme(legend.position = pos_leyenda) + } + { + if (length(unique(data$nombre_evento)) > 1) + ggplot2::facet_grid(~nombre_evento, scales = "free") } } - #' Generar gráfico de distribución de casos por fecha de inicio de síntomas #' #' Función que genera el gráfico de distribución de casos @@ -327,7 +334,7 @@ plot_variable <- function(data, var_x, var_y, var_por = NULL, #' de síntomas #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_agrupada <- agrupar_fecha_inisintomas( #' data_event, #' col_nombre = "ini_sin", @@ -377,7 +384,7 @@ plot_fecha_inisintomas <- function(data_agrupada, #' @return Un plot o gráfico de distribución de casos por fecha de notificación #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_agrupada <- agrupar_fecha_notifica(data_event, #' col_nombre = "fec_not", #' tipo = "month") @@ -425,7 +432,7 @@ plot_fecha_notifica <- function(data_agrupada, #' @return Un plot o gráfico de distribución de casos por sexo #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_agrupada <- agrupar_sex(data_event, #' col_nombre = "sexo", #' porcentaje = TRUE) @@ -469,7 +476,7 @@ plot_sex <- function(data_agrupada, #' epidemiológica #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_agrupada <- agrupar_sex_semanaepi(data_event, #' col_nombres = c("sexo", "semana"), #' porcentaje = TRUE) @@ -495,8 +502,7 @@ plot_sex_semanaepi <- function(data_agrupada, pos_leyenda = "right", ancho_barra = 0.5, tam_text = 3, - most_val = porcentaje) + - ggplot2::scale_x_continuous(breaks = seq(1, 52, 4)) + most_val = porcentaje) return(plot_casos_sex_semanaepi) } @@ -513,7 +519,7 @@ plot_sex_semanaepi <- function(data_agrupada, #' @return Un plot o gráfico de distribución de casos por edad #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_agrupada <- agrupar_edad(data_event, #' col_nombre = "edad", #' porcentaje = FALSE) @@ -551,7 +557,7 @@ plot_edad <- function(data_agrupada, #' @return Un plot o gráfico de distribución de casos por edad y sexo #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_agrupada <- agrupar_edad_sex(data_event, #' col_nombres = c("edad", "sexo"), #' porcentaje = FALSE) @@ -589,7 +595,7 @@ plot_edad_sex <- function(data_agrupada, #' @return Un plot o gráfico de distribución de casos por población especial #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_agrupada <- agrupar_pob_especial(data_event, #' col_nombre = "poblacion", #' porcentaje = TRUE) @@ -628,7 +634,7 @@ plot_pob_especial <- function(data_agrupada, #' @return Un plot o gráfico de distribución de casos por municipios #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' data_event <- estandarizar_geo_cods(data_event) #' data_agrupada <- agrupar_mun(data_event, #' dept_nombre = "Antioquia") diff --git a/R/scraping_data.R b/R/scraping_data.R index 56282eff..4e4d3688 100644 --- a/R/scraping_data.R +++ b/R/scraping_data.R @@ -12,6 +12,7 @@ get_path_data_disease_year <- function(year, disease_name) { config_file <- system.file("extdata", "config.yml", package = "sivirep") base_path <- config::get(file = config_file, "base_path_microdata") + file_path <- config::get(file = config_file, "file_path_microdata") file_path_parameters <- config::get(file = config_file, "file_path_parameters_microdata") microdata_path <- config::get(file = config_file, "path_microdata") @@ -19,7 +20,7 @@ get_path_data_disease_year <- function(year, disease_name) { year <- as.character(year) disease_name <- stringr::str_replace_all(string = disease_name, pattern = " ", - repl = "%20") + replacement = "%20") query_path <- stringr::str_replace(query_path, "_year_", year) query_path <- stringr::str_replace(query_path, "_disease_", disease_name) query_disease_path <- paste(base_path, @@ -42,25 +43,18 @@ get_path_data_disease_year <- function(year, disease_name) { entry_nodes_disease_content <- xml2::xml_child(query_disease_content, 4) edit_node_disease_content <- xml2::xml_child(entry_nodes_disease_content, - 12) - list_file_path <- xml2::xml_attr(edit_node_disease_content, "href")[1] - get_info_file <- httr::GET(paste(base_path, list_file_path, sep = ""), - httr::add_headers("Accept" = "*/*")) - content_type_response <- - stringr::str_split_fixed(httr::headers(get_info_file)$`content-type`, - pattern = ";", - 3) - content_type_response <- - stringr::str_replace(content_type_response[[1]], - "atom\\+", - "") - info_file_content <- httr::content(get_info_file, - type = content_type_response, - encoding = "UTF-8") - edit_node_info_file_content <- xml2::xml_child(info_file_content, 3) - file_path <- xml2::xml_attr(edit_node_info_file_content, "href")[1] - file_download_path <- paste(base_path, - paste(file_path, file_path_parameters, sep = ""), - sep = "") + 18) + properties_node_content <- + xml2::xml_child(edit_node_disease_content, + 1) + file_ref_node_disease_content <- + xml2::xml_child(properties_node_content, + 17) + file_ref_disease_contents <- xml2::xml_contents(file_ref_node_disease_content) + file_ref_disease <- xml2::xml_text(file_ref_disease_contents) + file_path <- stringr::str_replace(file_path, "_filepath_", file_ref_disease) + file_download_path <- paste0(base_path, + file_path, file_path_parameters, + sep = "") return(file_download_path) } diff --git a/R/utils.R b/R/utils.R index e62dc8e5..6633c1b9 100644 --- a/R/utils.R +++ b/R/utils.R @@ -16,7 +16,7 @@ #' @return Un data frame que contiene los meses con mayor número de casos #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' casos_inisintomas <- agrupar_fecha_inisintomas(data_event, tipo = "day") #' obtener_meses_mas_casos(data_event= casos_inisintomas, #' col_fechas = "ini_sin", @@ -27,7 +27,7 @@ obtener_meses_mas_casos <- function(data_event, col_fechas, col_casos = "casos", - top = 3, + top = 1, concat_vals = TRUE) { data_mas_casos <- data_event[order(eval(parse(text = paste0("data_event$", col_casos))), @@ -40,7 +40,7 @@ obtener_meses_mas_casos <- function(data_event, sapply(eval(parse(text = paste0("data_mas_casos$", col_fechas))), months) - if (concat_vals) { + if (concat_vals && length(data_mas_casos$Meses) >= 2) { months_concat <- concatenar_vals_token(as.character(data_mas_casos$Meses)[1:top]) return(months_concat) @@ -92,7 +92,7 @@ obtener_nombres_dptos <- function(data_event) { #' @return Un data frame que contiene la fila con mayor número de casos #' @examples #' data_event <- import_data_event(2020, "DENGUE") -#' data_event <- limpiar_encabezado(data_event) +#' data_event <- limpiar_data_sivigila(data_event, 2020) #' casos_sex <- agrupar_sex(data_event, #' porcentaje = TRUE) #' obtener_fila_mas_casos(data_event = casos_sex, diff --git a/README.Rmd b/README.Rmd index 684ed380..3e30b2c9 100644 --- a/README.Rmd +++ b/README.Rmd @@ -7,7 +7,7 @@ editor_options: -```{r, include = FALSE} +```{r setup, include = FALSE} knitr::opts_chunk$set( collapse = TRUE, comment = "#>", @@ -19,6 +19,10 @@ knitr::opts_chunk$set( ) ``` +```{r setup_package} +library(sivirep) +``` + ## *sivirep*: Generación automatizada de reportes a partir de bases de datos de vigilancia epidemiológica @@ -59,17 +63,16 @@ El objetivo de `sivirep` es proporcionar un conjunto de herramientas para: Puedes instalar la versión de desarrollo de `sivirep` desde GitHub con el siguiente comando: -```{r} -# install.packages("remotes") -# remotes::install_github("epiverse-trace/sivirep") -library(sivirep) +```{r setup_sivirep, eval = FALSE} +install.packages("pak") +pak::pak("epiverse-trace/sivirep") ``` ## Inicio rápido Puedes revisar las enfermedades y los años disponibles de forma libre utilizando: -```{r} +```{r list_events} lista_eventos <- list_events() knitr::kable(lista_eventos) ``` @@ -93,9 +96,19 @@ Los contribuyentes al paquete incluyen: - [Hugo Gruson](https://github.com/Bisaloo) (contributor) -- Laura Gómez-Bermeo (contributor to documentation) +- [Laura Gómez-Bermeo](https://github.com/lgbermeo) (contributor to documentation) + +- [Miguel Gámez](https://github.com/megamezl) (contributor) + +- Jennifer Méndez-Romero (contributor) + +- Johan Calderón (contributor) + +- Claudia Huguett-Aragón (contributor) + +- Lady Flórez-Tapiero (contributor) -- Miguel Gámez (contributor) +- Verónica Tangarife-Arredondo (contributor) ## Código de conducta @@ -108,13 +121,13 @@ Por favor, ten en cuenta que el proyecto `sivirep` se publica con un Después de la instalación de `sivirep`, puedes comenzar importando el paquete a través del siguiente comando: -```{r} +```{r import_sivirep} library(sivirep) ``` Ante de iniciar con el reporte automatizado, revisa la lista de enfermedades disponibles para hacer un reporte con `sivirep` en: -```{r results = 'hide'} +```{r eventos_disponibles, results = 'hide'} list_events() ``` @@ -156,13 +169,13 @@ La fuente de SIVIGILA proporciona los datos de la lista de casos históricos has Por favor, verifica las enfermedades y años disponibles utilizando: -```{r results = 'hide'} +```{r eventos, results = 'hide'} lista_eventos <- list_events() ``` Una vez que hayas decidido la enfermedad y el año de la cual deseas obtener la información, `import_data_event` es la función que permite la importación de datos desde la fuente de SIVIGILA utilizando un formato parametrizado basado en la enfermedad y el año. -```{r} +```{r import_data_event} data_event <- import_data_event(year = 2020, nombre_event = "dengue") ``` @@ -177,7 +190,7 @@ Los datos de SIVIGILA son una fuente de información oficial altamente confiable `sivirep` proporciona una función genérica llamada `limpiar_data_sivigila` que envuelve diversas tareas para identificar y corregir errores, inconsistencias y discrepancias en los conjuntos de datos con el fin de mejorar su calidad y precisión. Este proceso puede incluir la eliminación de duplicados, la corrección de errores tipográficos, el reemplazo de valores faltantes y la validación de datos, entre otras tareas, como eliminar fechas improbables, limpiar códigos de geolocalización y estandarizar los nombres de las columnas y las categorías de edad. -```{r} +```{r limpiar_data_sivigila} data_event_limp <- limpiar_data_sivigila(data_event = data_event, year = 2020) ``` @@ -199,7 +212,7 @@ El usuario puede utilizar estas funciones individualmente o simplemente utilizar `sivirep` proporciona una función que permite filtrar los datos de enfermedades por departamento o nombre del municipio llamada `geo_filtro`. Esto permite al usuario crear un informe a nivel subnacional, seleccionando casos específicos basados en la ubicación geográfica. -```{r} +```{r geo_filtro} data_event_filtrada <- geo_filtro(data_event = data_event_limp, nombre_dpto = "Antioquia") ``` @@ -212,7 +225,7 @@ En `sivirep`, la distribución temporal de casos se define por las variables de Para generar la distribución de casos por fecha de inicio de síntomas, es necesario agrupar los datos por estas variables. `sivirep` proporciona una función que permite esta agrupación llamada `agrupar_fecha_inisintomas`, en la cual puedes especificar la unidad de tiempo para agrupar estas fechas. Los valores permitidos para este parámetro son: día y mes. -```{r} +```{r agrupar_fecha_inicio_sintomas} casos_ini_sintomas_dia <- agrupar_fecha_inisintomas(data_event = data_event_limp, tipo = "day") @@ -227,7 +240,7 @@ casos_ini_sintomas_mes <- agrupar_fecha_inisintomas(data_event = El gráfico que permite visualizar esta distribución se debe generar con la función `plot_fecha_inisintomas`. Ten en cuenta que, incluso si has agrupado los datos por día, es posible que prefieras representarlo por mes, como en: -```{r fig.height = 4, fig.width = 7} +```{r plot_fecha_inicio_sintomas, fig.height = 4, fig.width = 7} plot_fecha_inisintomas(data_agrupada = casos_ini_sintomas_dia, uni_marca = "months") ``` @@ -236,7 +249,7 @@ plot_fecha_inisintomas(data_agrupada = casos_ini_sintomas_dia, El proceso para generar la distribución de casos por fecha de notificación consiste en agrupar los datos de enfermedades por esta variable. Puedes utilizar la siguiente función de `sivirep` para hacer esto: -```{r} +```{r agrupar_fecha_notificacion} casos_fecha_notificacion_dia <- agrupar_fecha_notifica(data_event = data_event_limp, tipo = "day") @@ -247,7 +260,7 @@ casos_fecha_notificacion_mes <- agrupar_fecha_notifica(data_event = El gráfico que permite visualizar esta distribución debe generarse con la función `plot_fecha_notifica`. Ten en cuenta que, aunque hayas agrupado los datos por día, es posible que prefieras representarlos por mes, como en: -```{r fig.height = 4, fig.width = 7} +```{r plot_fecha_notificacion, fig.height = 4, fig.width = 7} plot_fecha_notifica(data_agrupada = casos_fecha_notificacion_dia, uni_marca = "months") ``` @@ -260,26 +273,26 @@ Cuando se analizan o se informan datos de enfermedades, a menudo es necesario de `sivirep` proporciona una función que agrega y calcula automáticamente los porcentajes por sexo después del proceso de limpieza. -```{r} +```{r agrupar_sexo} casos_sex <- agrupar_sex(data_event = data_event_limp, porcentaje = TRUE) ``` Además, `sivirep` cuenta con una función para generar el gráfico por esta variable llamada `plot_sex`: -```{r fig.height = 4, fig.width = 7} +```{r plot_sexo, fig.height = 4, fig.width = 7} plot_sex(data_agrupada = casos_sex) ``` La distribución de casos por sexo y semana epidemiológica se puede generar utilizando la función `agrupar_sex_semanaepi` proporcionada por `sivirep`. -```{r} +```{r agrupar_sex_semana_epidemiologica} casos_sex_semanaepi <- agrupar_sex_semanaepi(data_event = data_event_limp) ``` La función de visualización correspondiente es `plot_sex_semanaepi`, que `sivirep` proporciona para mostrar la distribución de casos por sexo y semana epidemiológica. -```{r fig.height = 4, fig.width = 7} +```{r plot_sex_semana_epidemiologica, fig.height = 4, fig.width = 7} plot_sex_semanaepi(data_agrupada = casos_sex_semanaepi) ``` @@ -289,13 +302,13 @@ La edad es una variable importante para analizar, ya que es un factor de riesgo `sivirep` proporciona una función llamada `agrupar_edad`, que puede agrupar los datos de enfermedades por grupos de edad. De forma predeterminada, esta función produce rangos de edad con intervalos de 10 años. Además, los usuarios pueden personalizar un rango de edad diferente. -```{r} +```{r agrupar_edad} casos_edad <- agrupar_edad(data_event = data_event_limp, interval_edad = 10) ``` La función de visualización correspondiente es `plot_edad`. -```{r fig.height = 4, fig.width = 7} +```{r plot_edad, fig.height = 4, fig.width = 7} plot_edad(data_agrupada = casos_edad) ``` @@ -303,7 +316,7 @@ plot_edad(data_agrupada = casos_edad) `sivirep` proporciona una función llamada `agrupar_edad_sex`, que puede agrupar los datos de enfermedades por rangos de edad y sexo de forma simultánea y obtener el número de casos y los porcentajes correspondientes. Además, permite personalizar el intervalo de edad. -```{r} +```{r agrupar_edad_sexo} casos_edad_sex <- agrupar_edad_sex(data_event = data_event_limp, interval_edad = 10) @@ -311,7 +324,7 @@ casos_edad_sex <- agrupar_edad_sex(data_event = data_event_limp, La función de visualización correspondiente es `plot_edad_sex`. -```{r fig.height = 3, fig.width = 7} +```{r plot_edad_sexo, fig.height = 3, fig.width = 7} plot_edad_sex(data_agrupada = casos_edad_sex) ``` @@ -321,18 +334,18 @@ Obtener la distribución espacial de los casos es útil para identificar áreas En Colombia, existen 32 unidades geográficas administrativas (adm1) llamadas departamentos. `sivirep` proporciona una función llamada `agrupar_mun` que permite obtener un data.frame de casos agrupados por departamento o municipio. -```{r} +```{r agrupar_municipios} dist_esp_dept <- agrupar_mun(data_event = data_event_filtrada, dept_nombre = "Antioquia") ``` Actualmente, con la función llamada `plot_map`, el usuario puede generar un mapa estático de Colombia que muestra la distribución de casos por departamentos y municipios. -```{r fig.height = 7, fig.width = 7, results='hide', echo = FALSE} +```{r plot_mapa, results = 'hide', echo = FALSE} mapa <- plot_map(data_agrupada = dist_esp_dept, dpto = "Antioquia") ``` -```{r fig.height = 7, fig.width = 7} +```{r mapa, fig.height = 7, fig.width = 7} mapa ``` diff --git a/README.md b/README.md index 019573fd..5d948651 100644 --- a/README.md +++ b/README.md @@ -1,6 +1,10 @@ +``` r +library(sivirep) +``` + ## *sivirep*: Generación automatizada de reportes a partir de bases de datos de vigilancia epidemiológica @@ -63,9 +67,8 @@ Puedes instalar la versión de desarrollo de `sivirep` desde GitHub con el siguiente comando: ``` r -# install.packages("remotes") -# remotes::install_github("epiverse-trace/sivirep") -library(sivirep) +install.packages("pak") +pak::pak("epiverse-trace/sivirep") ``` ## Inicio rápido @@ -78,75 +81,73 @@ lista_eventos <- list_events() knitr::kable(lista_eventos) ``` -| enfermedad | aa | -|:-------------------------------------------------------------|:-----------------------------------------------------------------------------------------------| -| ACCIDENTE OFIDICO | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| AGRESIONES POR ANIMALES POTENCIALMENTE TRANSMISORES DE RABIA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| ANOMALIAS CONGENITAS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| BAJO PESO AL NACER | 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| CÁNCER DE LA MAMA Y CUELLO UTERINO | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2019, 2020, 2021 | -| CANCER INFANTIL | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| CHAGAS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| CHIKUNGUNYA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| DENGUE | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| DENGUE GRAVE | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| DIFTERIA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2021 | -| ENCEFALITIS DEL NILO OCCIDENTAL EN HUMANOS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| ENCEFALITIS EQUINA DEL OESTE EN HUMANOS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| ENCEFALITIS EQUINA VENEZOLANA EN HUMANOS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| ENDOMETRITIS PUERPERAL | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| ENFERMEDADES HUERFANAS - RARAS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| ESI - IRAG (VIGILANCIA CENTINELA) | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| EVENTO ADVERSO SEGUIDO A LA VACUNACION | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| FIEBRE AMARILLA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018 | -| FIEBRE TIFOIDEA Y PARATIFOIDEA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| HEPATITIS A | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| HEPATITIS C | 2018, 2019, 2020, 2021 | -| HIPOTIROIDISMO CONGENITO | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INFECCION ASOCIADA A DISPOSITIVOS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| INFECCION RESPIRATORIA AGUDA GRAVE IRAG INUSITADA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INTOXICACION POR FARMACOS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INTOXICACION POR METALES PESADOS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INTOXICACION POR METANOL | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INTOXICACION POR MONOXIDO DE CARBONO Y OTROS GASES | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INTOXICACION POR OTRAS SUSTANCIAS QUIMICAS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INTOXICACION POR PLAGUICIDAS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INTOXICACION POR SOLVENTES | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| INTOXICACION POR SUSTANCIAS PSICOACTIVAS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| ISO | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| LEISHMANIASIS CUTANEA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| LEISHMANIASIS MUCOSA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| LEISHMANIASIS VISCERAL | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| LEPRA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| LEPTOSPIROSIS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| LEUCEMIA AGUDA PEDIATRICA LINFOIDE | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| LEUCEMIA AGUDA PEDIATRICA MIELOIDE | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MALARIA ASOCIADA (FORMAS MIXTAS) | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MALARIA COMPLICADA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MALARIA FALCIPARUM | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MALARIA VIVAX | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MENINGITIS OTROS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| MENINGITIS MENINGOCÓCICA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2019, 2020, 2021 | -| MENINGITIS POR HAEMOPHILUS INFLUENZAE | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2019, 2020, 2021 | -| MENINGITIS POR NEUMOCOCO | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2019, 2020, 2021 | -| MENINGITIS TUBERCULOSA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MORBILIDAD MATERNA EXTREMA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MORBILIDAD POR IRA | 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MORTALIDAD MATERNA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MORTALIDAD PERINATAL Y NEONATAL TARDIA | 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MORTALIDAD POR DENGUE | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MORTALIDAD POR DESNUTRICION | 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MORTALIDAD POR EDA 0-4 AÑOS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2019, 2020, 2021 | -| MORTALIDAD POR IRA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| MORTALIDAD POR MALARIA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| PARALISIS FLACIDA AGUDA (MENORES DE 15 AÑOS) | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020 | -| PAROTIDITIS | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| RUBEOLA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| SARAMPION | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020 | -| SINDROME DE RUBEOLA CONGENITA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017 | -| TETANOS ACCIDENTAL | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| TETANOS NEONATAL | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | -| TOS FERINA | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021 | +| | enfermedad | aa | +|:----|:----------------------------------------------------------------------|:-----------------------------------------------------------------------------------------------------| +| 1 | Accidente ofídico | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 2 | Agresiones Por Animales Potencialmente Transmisores De Rabia | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 3 | Anomalías congénitas | 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 4 | Bajo Peso Al Nacer | 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 5 | Cáncer De La Mama Y Cuello Uterino | 2016, 2017, 2018, 2019, 2020, 2021 | +| 6 | Cáncer Infantil | 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 7 | Chagas | 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 8 | Chikunguya | 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 9 | Dengue | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 10 | Dengue Grave | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 11 | ESI - Irag (Vigilancia Centinela) | 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 12 | Evento Adverso Grave Posterior A La Vacunación | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 13 | Exposición A Flúor | 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019 | +| 14 | Fiebre Amarilla | 2007, 2008, 2009, 2013, 2016, 2018 | +| 15 | Fiebre Tifoidea Y Paratifoidea | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 16 | Hepatitis A | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 17 | Hepatitis B, C Y Coinfección Hepatitis B Y Delta | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 18 | Hepatitis C | 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 19 | Hipotiroidismo congénito | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 20 | Infección Respiratoria Aguda Grave Irag Inusitada | 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 65 | INTENTO DE SUICIDIO | | +| 21 | Intoxicación Por Gases | 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 22 | Intoxicación Por Medicamentos | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 23 | Intoxicación Por Metales Pesados | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 24 | Intoxicación Por Metanol | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 25 | Intoxicación Por Otras Sustancias químicas | 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 26 | Intoxicación Por Plaguicidas | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 27 | Intoxicación Por Solventes | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 28 | Intoxicación Por Sustancias Psicoactivas | 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 29 | Leishmaniasis cutánea | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 30 | Leishmaniasis Mucosa | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 31 | Leishmaniasis Visceral | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 32 | Lepra | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 33 | Leptospirosis | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 34 | Lesiones Por pólvora Y Explosivos | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014 | +| 35 | Leucemia Aguda Pediátrica Linfoide | 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 36 | Leucemia Aguda Pediátrica Mieloide | 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 64 | MALARIA | | +| 37 | Malaria Asociada (Formas Mixtas) | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 38 | Malaria Complicada | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 39 | Malaria Falciparum | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 40 | Malaria Vivax | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 41 | Meningitis Bacteriana Y Enfermedad Meningocócica | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 42 | Meningitis Meningocócica | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 43 | Meningitis Por Haemophilus Influenzae | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 44 | Meningitis Por Neumococo | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 45 | Meningitis Tuberculosa | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 46 | Mortalidad Materna | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 47 | Mortalidad Perinatal Y Neonatal Tardía | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 48 | Mortalidad Por Dengue | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 49 | Mortalidad Por Desnutrición | 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 50 | Mortalidad Por Eda 0-4 Años | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 51 | Mortalidad Por Ira | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 52 | Parotiditis | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 53 | Rabia Humana | 2007, 2008, 2009, 2010, 2012, 2015, 2016, 2017, 2020 | +| 54 | Sarampión | 2011, 2012, 2013, 2015, 2018, 2019, 2020 | +| 55 | Tétanos Accidental | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 56 | Tétanos Neonatal | 2007, 2008, 2009, 2010, 2012, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 57 | Tos Ferina | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 58 | Tracoma | 2017, 2018, 2019, 2022 | +| 59 | Tuberculosis Extra Pulmonar | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 60 | Tuberculosis Farmacorresistente | 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 61 | Tuberculosis Pulmonar | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 62 | Varicela Individual | 2007, 2008, 2009, 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | +| 63 | Vigilancia En Salud Pública De La Violencia De Género E Intrafamiliar | 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 | ## Versiones futuras @@ -168,9 +169,20 @@ Los contribuyentes al paquete incluyen: - [Hugo Gruson](https://github.com/Bisaloo) (contributor) -- Laura Gómez-Bermeo (contributor to documentation) +- [Laura Gómez-Bermeo](https://github.com/lgbermeo) (contributor to + documentation) + +- [Miguel Gámez](https://github.com/megamezl) (contributor) + +- Jennifer Méndez-Romero (contributor) + +- Johan Calderón (contributor) + +- Claudia Huguett-Aragón (contributor) + +- Lady Flórez-Tapiero (contributor) -- Miguel Gámez (contributor) +- Verónica Tangarife-Arredondo (contributor) ## Código de conducta @@ -385,7 +397,7 @@ plot_fecha_inisintomas(data_agrupada = casos_ini_sintomas_dia, uni_marca = "months") ``` -![](man/figures/unnamed-chunk-11-1.png) +![](man/figures/plot_fecha_inicio_sintomas-1.png) #### 4.2. Agrupar los datos por fecha de notificación en la escala temporal deseada @@ -413,7 +425,7 @@ plot_fecha_notifica(data_agrupada = casos_fecha_notificacion_dia, uni_marca = "months") ``` -![](man/figures/unnamed-chunk-13-1.png) +![](man/figures/plot_fecha_notificacion-1.png) ### 5. Edad y sexo @@ -438,7 +450,7 @@ esta variable llamada `plot_sex`: plot_sex(data_agrupada = casos_sex) ``` -![](man/figures/unnamed-chunk-15-1.png) +![](man/figures/plot_sexo-1.png) La distribución de casos por sexo y semana epidemiológica se puede generar utilizando la función `agrupar_sex_semanaepi` proporcionada por @@ -456,7 +468,7 @@ semana epidemiológica. plot_sex_semanaepi(data_agrupada = casos_sex_semanaepi) ``` -![](man/figures/unnamed-chunk-17-1.png) +![](man/figures/plot_sex_semana_epidemiologica-1.png) ### 5.2. Variable de edad @@ -483,7 +495,7 @@ La función de visualización correspondiente es `plot_edad`. plot_edad(data_agrupada = casos_edad) ``` -![](man/figures/unnamed-chunk-19-1.png) +![](man/figures/plot_edad-1.png) ### 5.3. Edad y sexo simultáneamente @@ -503,7 +515,7 @@ La función de visualización correspondiente es `plot_edad_sex`. plot_edad_sex(data_agrupada = casos_edad_sex) ``` -![](man/figures/unnamed-chunk-21-1.png) +![](man/figures/plot_edad_sexo-1.png) ### 6. Distribución espacial de casos @@ -529,7 +541,7 @@ departamentos y municipios. mapa ``` -![](man/figures/unnamed-chunk-24-1.png) +![](man/figures/mapa-1.png) ##### 💡 Tip 3 - Obtén la fila con más casos diff --git a/Rplot.png b/Rplot.png deleted file mode 100644 index 9119a16f..00000000 Binary files a/Rplot.png and /dev/null differ diff --git a/data/dengue2020.RData b/data/dengue2020.RData new file mode 100644 index 00000000..c1aef819 Binary files /dev/null and b/data/dengue2020.RData differ diff --git a/inst/extdata/config.yml b/inst/extdata/config.yml index 72080350..4af4ce2d 100644 --- a/inst/extdata/config.yml +++ b/inst/extdata/config.yml @@ -1,5 +1,6 @@ default: base_path_microdata: "https://portalsivigila.ins.gov.co/_api/" + file_path_microdata: "Web/GetFileByServerRelativeUrl('_filepath_')" file_path_parameters_microdata: "/$value?binaryStringResponseBody=true" path_microdata: "web/lists/GetByTitle('Microdatos')/" query_path_microdata: "items?$select=*,FileRef&$filter=(A_x00f1_o%20eq%20%27_year_%27)and(NombreEvento%20eq%20%27_disease_%27)" @@ -15,6 +16,7 @@ default: age_categorie_labels: [ "<2 años", "2 a 4 años", "5 a 14 años", "15 a 39 años", "40 a 59 años", "60 y más"] respiratory_virus_column_names: [ "influenza_a_h1_2009", "influenza_a_h1", "influenza_a_h3", "influenza_b", "metapneumovirus_humano", "rinovirus_enterovirus_humano", "virus_sincitial_respiratorio", "adenovirus"] respiratory_virus_names: [ "H1N1 2009", "H1N1", "H3N1", "Influenza B", "Metapneumovirus", "Rinovirus", "VSR", "Adenovirus"] + additional_diseases: ["MALARIA", "INTENTO DE SUICIDIO"] dates_column_names: ["fecha_nto", "fec_not", "ini_sin", "fec_hos", "fec_def", "fec_con"] depto_column_names: ["cod_dpto_o", "cod_dpto_r"] geo_column_names: ["cod_dpto_o", "cod_dpto_r", "cod_mun_o", "cod_mun_r", "cod_mpio_o", "cod_mpio_r"] diff --git a/inst/extdata/dengue2020.RData b/inst/extdata/dengue2020.RData new file mode 100644 index 00000000..c1aef819 Binary files /dev/null and b/inst/extdata/dengue2020.RData differ diff --git a/inst/extdata/depto_adm_shp/depto.dbf b/inst/extdata/depto_adm_shp/depto.dbf deleted file mode 100644 index cfc5a97f..00000000 Binary files a/inst/extdata/depto_adm_shp/depto.dbf and /dev/null differ diff --git a/inst/extdata/depto_adm_shp/depto.prj b/inst/extdata/depto_adm_shp/depto.prj deleted file mode 100644 index b13e3c62..00000000 --- a/inst/extdata/depto_adm_shp/depto.prj +++ /dev/null @@ -1 +0,0 @@ -PROJCS["Colombia_Bogota_Zone",GEOGCS["GCS_Bogota",DATUM["D_Bogota",SPHEROID["International_1924",6378388.0,297.0]],PRIMEM["Greenwich",0.0],UNIT["Degree",0.0174532925199433]],PROJECTION["Transverse_Mercator"],PARAMETER["False_Easting",1000000.0],PARAMETER["False_Northing",1000000.0],PARAMETER["Central_Meridian",-74.08091666666667],PARAMETER["Scale_Factor",1.0],PARAMETER["Latitude_Of_Origin",4.599047222222222],UNIT["Meter",1.0]] \ No newline at end of file diff --git a/inst/extdata/depto_adm_shp/depto.shp b/inst/extdata/depto_adm_shp/depto.shp deleted file mode 100644 index 9c1d6afe..00000000 Binary files a/inst/extdata/depto_adm_shp/depto.shp and /dev/null differ diff --git a/inst/extdata/depto_adm_shp/depto.shx b/inst/extdata/depto_adm_shp/depto.shx deleted file mode 100644 index 05eb3711..00000000 Binary files a/inst/extdata/depto_adm_shp/depto.shx and /dev/null differ diff --git a/inst/extdata/depto_adm_shp/mpios.shp b/inst/extdata/depto_adm_shp/mpios.shp deleted file mode 100644 index ddbaccd4..00000000 Binary files a/inst/extdata/depto_adm_shp/mpios.shp and /dev/null differ diff --git a/inst/rmarkdown/templates/reports/skeleton/skeleton.Rmd b/inst/rmarkdown/templates/reports/skeleton/skeleton.Rmd index bb07cc39..0731a5d8 100644 --- a/inst/rmarkdown/templates/reports/skeleton/skeleton.Rmd +++ b/inst/rmarkdown/templates/reports/skeleton/skeleton.Rmd @@ -13,7 +13,7 @@ header-includes: subtitle: (fuente SIVIGILA, Datos libres) params: nombre_evento: - value: "DENGUE" + value: "Dengue" label: Enfermedad input: select choices: !r sivirep::list_events()$enfermedad @@ -40,7 +40,7 @@ library(sivirep) ``` --- -title: "Reporte Automatizado para `r params$nombre_evento`, `r params$departmento` - Colombia `r params$year`" +title: "Reporte Automatizado para `r stringr::str_to_title(params$nombre_evento)`, `r params$departmento` - Colombia `r params$year`" --- ```{r import_data, include = FALSE} @@ -60,18 +60,18 @@ data_event_filtrada <- geo_filtro(data_event_limpia, params$departmento) \pagenumbering{arabic} ``` -En este reporte se presenta el comportamiento del `r params$nombre_evento` durante el año `r params$year` para Colombia con base en la fuente de datos SIVIGILA de acceso libre. En total en Colombia durante `r params$year` se reportaron `r nrow(data_event)` casos en todo el territorio nacional. +En este reporte se presenta el comportamiento del `r stringr::str_to_title(params$nombre_evento)` durante el año `r params$year` para Colombia con base en la fuente de datos SIVIGILA de acceso libre. En total en Colombia durante `r params$year` se reportaron `r nrow(data_event)` casos en todo el territorio nacional, en el departamento del `r params$departmento` se reportaron `r nrow(data_event_filtrada)` casos. # Distribución temporal de los casos ```{r cases_by_onset_symptom_date, include = FALSE} casos_iniciosin_dia <- agrupar_fecha_inisintomas(data_event_filtrada, tipo = "day") -meses_mayor_casos <- obtener_meses_mas_casos(data_event = casos_iniciosin_dia, - col_fechas = "ini_sin") +mes_mayor_casos <- obtener_meses_mas_casos(data_event = casos_iniciosin_dia, + col_fechas = "ini_sin") ``` -Los casos se distribuyen a lo largo de los meses de enero a diciembre de `r params$year`, teniendo un mayor reporte en los meses `r meses_mayor_casos` tanto por fecha de inicio de síntomas (Ver Figura 1) como por fecha de notificación (Ver Figura 2). Este comportamiento pudo haber sido distinto a años previos debido al inicio de estrategias de control de COVID-19 a comienzos de marzo de `r params$year`. +Los casos se distribuyen a lo largo de los meses de enero a diciembre de `r params$year`, teniendo un mayor reporte en el mes de `r mes_mayor_casos` tanto por fecha de inicio de síntomas (Ver Figura 1) como por fecha de notificación (Ver Figura 2). ```{r plot_cases_by_onset_symptom_date, fig.height = 5, fig.width = 10, fig.cap = "Distribucion de casos por dia de inicio de sintomas"} plot_fecha_inisintomas(data_agrupada = casos_iniciosin_dia, @@ -97,9 +97,18 @@ casos_sex <- agrupar_sex(data_event_filtrada) porcentaje_masculino <- casos_sex$porcentaje[2] porcentaje_femenino <- casos_sex$porcentaje[1] sexo_mayor_casos <- obtener_fila_mas_casos(casos_sex) + +sexo_mayor <- c("femenino", porcentaje_femenino) +sexo_menor <- c("masculino", porcentaje_masculino) +if (!is.na(porcentaje_femenino) && !is.na(porcentaje_masculino)) { + if (porcentaje_femenino < porcentaje_masculino) { + sexo_mayor <- c("masculino", porcentaje_masculino) + sexo_menor <- c("femenino", porcentaje_femenino) + } +} ``` -En el total de casos para `r params$year` se observa una predominancia del sexo masculino (`r porcentaje_masculino`%) con respecto al sexo femenino (`r porcentaje_femenino`%) (Ver Figura 3). +En el total de casos para `r params$year` se observa una predominancia del sexo `r sexo_mayor[1]` (`r sexo_mayor[2]`)% respecto al sexo `r sexo_menor[1]` (`r sexo_menor[2]`)% (Ver Figura 3). ```{r distribution_cg_plot, fig.height = 4, fig.width = 9, fig.cap = "Distribucion de casos por genero"} plot_sex(casos_sex) @@ -110,7 +119,7 @@ plot_sex(casos_sex) casos_sex_semanaepi <- agrupar_sex_semanaepi(data_event = data_event_filtrada) ``` -Esta predominancia del reporte de casos en sexo masculino se mantuvo a lo largo de todas las semanas epidemiológicas (Ver figura 4). +Esta predominancia del reporte de casos del sexo `r sexo_mayor[1]` se mantuvo a lo largo de la mayoria de semanas epidemiológicas (Ver figura 4). ```{r plot_cg_semanaepi, fig.height = 5, fig.width = 11, fig.cap = "Distribucion de casos por genero y semana epidemiologica"} plot_sex_semanaepi(data_agrupada = casos_sex_semanaepi) @@ -123,7 +132,7 @@ casos_edad <- agrupar_edad(data_event = data_event_filtrada, interval_edad = 10) age_most_cases <- obtener_fila_mas_casos(casos_edad) ``` -La distribución de los casos por grupos etarios muestra una tendencia decreciente a medida que se avanza en la edad. La población de `r age_most_cases$edad` años representó el `r age_most_cases$porcentaje` % de todos los casos de `r params$nombre_evento` en el país (Ver figura 5). De forma interesante, aunque el sexo masculino predominó en casi todos los grupos etários, para el grupo de 0-10 años esta predominancia fue mucho menos marcada (Ver Figura 6). +La distribución de los casos por grupos etarios muestra una tendencia decreciente a medida que se avanza en la edad. La población de `r age_most_cases$edad` años representó el `r age_most_cases$porcentaje` % de todos los casos de `r stringr::str_to_title(params$nombre_evento)` (Ver figura 5). ```{r distribution_age, fig.height = 3, fig.width = 8, fig.cap = "Distribucion de casos por edad"} plot_edad(data_agrupada = casos_edad) @@ -139,14 +148,6 @@ casos_edad_sex <- agrupar_edad_sex(data_event = data_event_filtrada, plot_edad_sex(data_agrupada = casos_edad_sex) ``` -# Distribución de casos por población especial - -```{r distribution_sp, fig.height = 6, fig.width = 11, fig.cap = "Distribucion de casos por poblacion especial"} -casos_pob_especial <- agrupar_pob_especial(data_event = - data_event_filtrada) -plot_pob_especial(casos_pob_especial) -``` - \newpage # Distribución de casos por municipio @@ -181,7 +182,8 @@ mapa # Conclusiones -a. Los casos totales reportados de `r params$nombre_evento` en Colombia en el año `r params$year` fueron `r nrow(data_event)`. -b. Los meses de `r meses_mayor_casos` tuvieron el mayor reporte. Es posible que haya un impacto en el menor reporte y/o menor transmisión de `r params$nombre_evento` como producto de la pandemia COVID-19 y medidas de control que iniciaron en marzo de `r params$year`. -c. El reporte de casos de `r params$nombre_evento` a lo largo de `r params$year` predominó en la población de `r age_most_cases$edad` años. -d. El reporte de casos de `r params$nombre_evento` predominó a lo largo del año en el sexo masculino. +a. Los casos totales reportados de `r stringr::str_to_title(params$nombre_evento)` en Colombia en el año `r params$year` fueron `r nrow(data_event)`. +b. Los casos totales reportados de `r stringr::str_to_title(params$nombre_evento)` en el departamento del `r params$departmento` en el año `r params$year` fueron `r nrow(data_event_filtrada)`. +c. El mes de `r mes_mayor_casos` tuvo el mayor reporte. +d. El reporte de casos de `r stringr::str_to_title(params$nombre_evento)` a lo largo de `r params$year` predominó en la población de `r age_most_cases$edad` años. +e. El reporte de casos de `r stringr::str_to_title(params$nombre_evento)` predominó a lo largo del año en el sexo `r sexo_mayor[1]`. diff --git a/man/agrupar_casos_semanaepi.Rd b/man/agrupar_casos_semanaepi.Rd index 3df6253e..fc066d6c 100644 --- a/man/agrupar_casos_semanaepi.Rd +++ b/man/agrupar_casos_semanaepi.Rd @@ -19,7 +19,8 @@ Función que agrupa los datos de una enfermedad o evento por semana epidemiológica y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_casos_semanaepi(data_event = data_event) } diff --git a/man/agrupar_cols_casos.Rd b/man/agrupar_cols_casos.Rd index b4b176b2..a272e46e 100644 --- a/man/agrupar_cols_casos.Rd +++ b/man/agrupar_cols_casos.Rd @@ -36,15 +36,17 @@ Función que agrupa los datos de una enfermedad o evento por un nombre de columna(s) específico y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_cols_casos(data_event = data_event, cols_nombres = "sexo", agr_porcentaje = TRUE) agrupar_cols_casos(data_event = data_event, cols_nombres = c("sexo", "semana")) -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_cols_casos(data_event = data_event, cols_nombres = "sexo", agr_porcentaje = TRUE) diff --git a/man/agrupar_dpto.Rd b/man/agrupar_dpto.Rd index a53b137f..702e9060 100644 --- a/man/agrupar_dpto.Rd +++ b/man/agrupar_dpto.Rd @@ -27,8 +27,9 @@ Función que agrupa los datos por códigos de departamento y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_dpto(data_event = data_event, col_nombre = "cod_dpto_o", porcentaje = FALSE) diff --git a/man/agrupar_edad.Rd b/man/agrupar_edad.Rd index 68fd5234..18bda283 100644 --- a/man/agrupar_edad.Rd +++ b/man/agrupar_edad.Rd @@ -35,8 +35,9 @@ Función que agrupa los datos de una enfermedad o evento por edad y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_edad(data_event = data_event, col_nombre = "edad", porcentaje = FALSE) diff --git a/man/agrupar_edad_sex.Rd b/man/agrupar_edad_sex.Rd index 3a439d3e..94c6495b 100644 --- a/man/agrupar_edad_sex.Rd +++ b/man/agrupar_edad_sex.Rd @@ -36,8 +36,9 @@ Función que agrupa los datos de una enfermedad o evento por edades, sexo y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_edad_sex(data_event = data_event, col_nombres = c("edad", "sexo"), porcentaje = TRUE) diff --git a/man/agrupar_fecha_inisintomas.Rd b/man/agrupar_fecha_inisintomas.Rd index 08664b4e..7142ebd6 100644 --- a/man/agrupar_fecha_inisintomas.Rd +++ b/man/agrupar_fecha_inisintomas.Rd @@ -27,8 +27,9 @@ Función que agrupa los datos de una enfermedad o evento por fecha de inicio de síntomas y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_fecha_inisintomas(data_event = data_event, col_nombre = "ini_sin", tipo = "month") diff --git a/man/agrupar_fecha_notifica.Rd b/man/agrupar_fecha_notifica.Rd index 2cc5c79b..87754754 100644 --- a/man/agrupar_fecha_notifica.Rd +++ b/man/agrupar_fecha_notifica.Rd @@ -27,8 +27,9 @@ Función que agrupa los datos de una enfermedad o evento por fecha de notificación y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_fecha_notifica(data_event = data_event, col_nombre = "fec_not", tipo = "month") diff --git a/man/agrupar_mun.Rd b/man/agrupar_mun.Rd index 50d02483..25944b8e 100644 --- a/man/agrupar_mun.Rd +++ b/man/agrupar_mun.Rd @@ -35,8 +35,9 @@ Función que agrupa los datos de una enfermedad o evento por código de municipios y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_mun(data_event = data_event, dept_nombre = "Antioquia", col_nombre = "cod_mun_o", diff --git a/man/agrupar_pob_especial.Rd b/man/agrupar_pob_especial.Rd index d18d5332..c2b665bf 100644 --- a/man/agrupar_pob_especial.Rd +++ b/man/agrupar_pob_especial.Rd @@ -27,8 +27,9 @@ Función que agrupa los datos de la enfermedad o evento por población especial y casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_pob_especial(data_event = data_event, col_nombre = "poblacion", porcentaje = TRUE) diff --git a/man/agrupar_rango_edad_casos.Rd b/man/agrupar_rango_edad_casos.Rd index 7329ede4..90832efa 100644 --- a/man/agrupar_rango_edad_casos.Rd +++ b/man/agrupar_rango_edad_casos.Rd @@ -44,8 +44,9 @@ Función que agrupa los datos de una enfermedad o evento por rango de edad y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) data_edad <- agrupar_cols_casos(data_event = data_event, c("edad", "semana"), agr_porcentaje = TRUE) diff --git a/man/agrupar_sex.Rd b/man/agrupar_sex.Rd index ced74c61..86d0dc4d 100644 --- a/man/agrupar_sex.Rd +++ b/man/agrupar_sex.Rd @@ -27,8 +27,9 @@ Función que agrupa los datos de una enfermedad o evento por sexo y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_sex(data_event = data_event, col_nombre = "sexo", porcentaje = TRUE) diff --git a/man/agrupar_sex_semanaepi.Rd b/man/agrupar_sex_semanaepi.Rd index 0802028d..835bd1a1 100644 --- a/man/agrupar_sex_semanaepi.Rd +++ b/man/agrupar_sex_semanaepi.Rd @@ -33,8 +33,9 @@ Función que agrupa los datos de enfermedades por sexo, semana epidemiológica y número de casos } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) agrupar_sex_semanaepi(data_event = data_event, col_nombres = c("sexo", "semana"), porcentaje = TRUE) diff --git a/man/convert_edad.Rd b/man/convert_edad.Rd index 46a8b0b9..ffae7019 100644 --- a/man/convert_edad.Rd +++ b/man/convert_edad.Rd @@ -27,8 +27,9 @@ Función que convierte las edades en años según las unidades de medida del SIVIGILA } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) convert_edad(data_event = data_event, col_edad = "edad", col_uni_med = "uni_med") diff --git a/man/dengue2020.Rd b/man/dengue2020.Rd new file mode 100644 index 00000000..14e920c8 --- /dev/null +++ b/man/dengue2020.Rd @@ -0,0 +1,19 @@ +% Generated by roxygen2: do not edit by hand +% Please edit documentation in R/dengue2020.R +\docType{data} +\name{dengue2020} +\alias{dengue2020} +\title{Datos Dengue 2020 en sivirep} +\format{ +An object of class \code{"cross"}; see \code{\link[qtl]{read.cross}}. +} +\usage{ +dengue2020 +} +\description{ +Data from +} +\examples{ +dengue2020 +} +\keyword{datasets} diff --git a/man/estandarizar_geo_cods.Rd b/man/estandarizar_geo_cods.Rd index 33ec13e8..88b4f6b7 100644 --- a/man/estandarizar_geo_cods.Rd +++ b/man/estandarizar_geo_cods.Rd @@ -19,7 +19,8 @@ Función que estandariza los códigos geográficos de los datos de una enfermedad o evento } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) estandarizar_geo_cods(data_event = data_event) } diff --git a/man/figures/README-unnamed-chunk-10-1.png b/man/figures/README-unnamed-chunk-10-1.png deleted file mode 100644 index 422f3016..00000000 Binary files a/man/figures/README-unnamed-chunk-10-1.png and /dev/null differ diff --git a/man/figures/README-unnamed-chunk-12-1.png b/man/figures/README-unnamed-chunk-12-1.png deleted file mode 100644 index aba2892b..00000000 Binary files a/man/figures/README-unnamed-chunk-12-1.png and /dev/null differ diff --git a/man/figures/README-unnamed-chunk-14-1.png b/man/figures/README-unnamed-chunk-14-1.png deleted file mode 100644 index fa57f83c..00000000 Binary files a/man/figures/README-unnamed-chunk-14-1.png and /dev/null differ diff --git a/man/figures/README-unnamed-chunk-16-1.png b/man/figures/README-unnamed-chunk-16-1.png deleted file mode 100644 index 3cb81993..00000000 Binary files a/man/figures/README-unnamed-chunk-16-1.png and /dev/null differ diff --git a/man/figures/README-unnamed-chunk-18-1.png b/man/figures/README-unnamed-chunk-18-1.png deleted file mode 100644 index a50bf365..00000000 Binary files a/man/figures/README-unnamed-chunk-18-1.png and /dev/null differ diff --git a/man/figures/README-unnamed-chunk-20-1.png b/man/figures/README-unnamed-chunk-20-1.png deleted file mode 100644 index 994802ba..00000000 Binary files a/man/figures/README-unnamed-chunk-20-1.png and /dev/null differ diff --git a/man/figures/README-unnamed-chunk-22-1.png b/man/figures/README-unnamed-chunk-22-1.png deleted file mode 100644 index 7a7126cf..00000000 Binary files a/man/figures/README-unnamed-chunk-22-1.png and /dev/null differ diff --git a/man/figures/mapa-1.png b/man/figures/mapa-1.png new file mode 100644 index 00000000..23cc3422 Binary files /dev/null and b/man/figures/mapa-1.png differ diff --git a/man/figures/plot_edad-1.png b/man/figures/plot_edad-1.png new file mode 100644 index 00000000..a03721a4 Binary files /dev/null and b/man/figures/plot_edad-1.png differ diff --git a/man/figures/plot_edad_sexo-1.png b/man/figures/plot_edad_sexo-1.png new file mode 100644 index 00000000..c2b8ad36 Binary files /dev/null and b/man/figures/plot_edad_sexo-1.png differ diff --git a/man/figures/plot_fecha_inicio_sintomas-1.png b/man/figures/plot_fecha_inicio_sintomas-1.png new file mode 100644 index 00000000..5c8ba61b Binary files /dev/null and b/man/figures/plot_fecha_inicio_sintomas-1.png differ diff --git a/man/figures/plot_fecha_notificacion-1.png b/man/figures/plot_fecha_notificacion-1.png new file mode 100644 index 00000000..13e15ef6 Binary files /dev/null and b/man/figures/plot_fecha_notificacion-1.png differ diff --git a/man/figures/plot_sex_semana_epidemiologica-1.png b/man/figures/plot_sex_semana_epidemiologica-1.png new file mode 100644 index 00000000..061e34e0 Binary files /dev/null and b/man/figures/plot_sex_semana_epidemiologica-1.png differ diff --git a/man/figures/plot_sexo-1.png b/man/figures/plot_sexo-1.png new file mode 100644 index 00000000..0221b2b1 Binary files /dev/null and b/man/figures/plot_sexo-1.png differ diff --git a/man/figures/unnamed-chunk-10-1.png b/man/figures/unnamed-chunk-10-1.png deleted file mode 100644 index db603b73..00000000 Binary files a/man/figures/unnamed-chunk-10-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-11-1.png b/man/figures/unnamed-chunk-11-1.png deleted file mode 100644 index a6fb552a..00000000 Binary files a/man/figures/unnamed-chunk-11-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-12-1.png b/man/figures/unnamed-chunk-12-1.png deleted file mode 100644 index b07d10fa..00000000 Binary files a/man/figures/unnamed-chunk-12-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-13-1.png b/man/figures/unnamed-chunk-13-1.png deleted file mode 100644 index 2b6068e2..00000000 Binary files a/man/figures/unnamed-chunk-13-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-14-1.png b/man/figures/unnamed-chunk-14-1.png deleted file mode 100644 index 0155bc6c..00000000 Binary files a/man/figures/unnamed-chunk-14-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-15-1.png b/man/figures/unnamed-chunk-15-1.png deleted file mode 100644 index 0155bc6c..00000000 Binary files a/man/figures/unnamed-chunk-15-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-16-1.png b/man/figures/unnamed-chunk-16-1.png deleted file mode 100644 index 0b2eea75..00000000 Binary files a/man/figures/unnamed-chunk-16-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-17-1.png b/man/figures/unnamed-chunk-17-1.png deleted file mode 100644 index 57effc03..00000000 Binary files a/man/figures/unnamed-chunk-17-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-18-1.png b/man/figures/unnamed-chunk-18-1.png deleted file mode 100644 index a9e401e1..00000000 Binary files a/man/figures/unnamed-chunk-18-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-19-1.png b/man/figures/unnamed-chunk-19-1.png deleted file mode 100644 index de902ac3..00000000 Binary files a/man/figures/unnamed-chunk-19-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-20-1.png b/man/figures/unnamed-chunk-20-1.png deleted file mode 100644 index c94be121..00000000 Binary files a/man/figures/unnamed-chunk-20-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-21-1.png b/man/figures/unnamed-chunk-21-1.png deleted file mode 100644 index c94be121..00000000 Binary files a/man/figures/unnamed-chunk-21-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-22-1.png b/man/figures/unnamed-chunk-22-1.png deleted file mode 100644 index 7a7126cf..00000000 Binary files a/man/figures/unnamed-chunk-22-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-23-1.png b/man/figures/unnamed-chunk-23-1.png deleted file mode 100644 index 6568d2a0..00000000 Binary files a/man/figures/unnamed-chunk-23-1.png and /dev/null differ diff --git a/man/figures/unnamed-chunk-24-1.png b/man/figures/unnamed-chunk-24-1.png deleted file mode 100644 index 3478bbb7..00000000 Binary files a/man/figures/unnamed-chunk-24-1.png and /dev/null differ diff --git a/man/format_fecha.Rd b/man/format_fecha.Rd index 520cccaf..4101d518 100644 --- a/man/format_fecha.Rd +++ b/man/format_fecha.Rd @@ -4,7 +4,7 @@ \alias{format_fecha} \title{Formatear fechas} \usage{ -format_fecha(data_event, format_fecha = "\%AAAA-\%MM-\%DD", nombres_col = c()) +format_fecha(data_event, format_fecha = "\%Y-\%m-\%d", nombres_col = c()) } \arguments{ \item{data_event}{Un data frame que contiene los datos @@ -24,8 +24,8 @@ Función que da un formato específico a una fecha } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- format_fecha(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) format_fecha(data_event = data_event, - format_fecha = "\%AAAA-\%MM-\%DD", + format_fecha = "\%Y-\%m-\%d", nombres_col = c("ini_sin", "fec_hos")) } diff --git a/man/geo_filtro.Rd b/man/geo_filtro.Rd index 90f446f6..7ceaa9ee 100644 --- a/man/geo_filtro.Rd +++ b/man/geo_filtro.Rd @@ -24,7 +24,8 @@ Función que filtra los datos de una enfermedad o evento por departamentos y municipios } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) geo_filtro(data_event, nombre_dpto = "ANTIOQUIA") } diff --git a/man/import_sep_data.Rd b/man/import_sep_data.Rd index b6a5c91e..9314293b 100644 --- a/man/import_sep_data.Rd +++ b/man/import_sep_data.Rd @@ -4,11 +4,14 @@ \alias{import_sep_data} \title{Importar datos con un separador específico} \usage{ -import_sep_data(path_data) +import_sep_data(path_data = NULL, cache = TRUE) } \arguments{ \item{path_data}{Un character (cadena de caracteres) que contiene la URL de los datos de SIVIGILA} + +\item{cache}{Un boolean (TRUE o FALSE) que indica si los datos descargados +deben ser almacenados en caché; su valor por defecto es TRUE} } \value{ Un `data.frame` con los datos @@ -18,6 +21,5 @@ Función que identifica el separador que tiene los datos para tabularla } \examples{ -import_sep_data(path_data = -"https://www.datos.gov.co/api/views/qvnt-2igj/rows.csv?accessType=DOWNLOAD") +import_sep_data() } diff --git a/man/limpiar_cods_dpto.Rd b/man/limpiar_cods_dpto.Rd index 24d818d3..450c6101 100644 --- a/man/limpiar_cods_dpto.Rd +++ b/man/limpiar_cods_dpto.Rd @@ -32,8 +32,9 @@ de una enfermedad o evento } \examples{ geo_codes <- import_geo_cods() -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) limpiar_cods_dpto(data_event = data_event, col_cods_data = "cod_dpto_o", geo_data = geo_codes, diff --git a/man/limpiar_cods_event_dpto.Rd b/man/limpiar_cods_event_dpto.Rd index e16310f7..bfde3448 100644 --- a/man/limpiar_cods_event_dpto.Rd +++ b/man/limpiar_cods_event_dpto.Rd @@ -28,8 +28,9 @@ de una enfermedad o evento \examples{ geo_cods <- import_geo_cods() depto_cods <- obtener_cods_dpto(geo_cods) -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) data_agrupada <- agrupar_cols_casos(data_event, "cod_dpto_o", agr_porcentaje = TRUE) diff --git a/man/limpiar_data_sivigila.Rd b/man/limpiar_data_sivigila.Rd index 56752795..44874ffd 100644 --- a/man/limpiar_data_sivigila.Rd +++ b/man/limpiar_data_sivigila.Rd @@ -14,7 +14,7 @@ una enfermedad o evento} datos de una enfermedad o evento} } \value{ -Un data framecon los datos limpios de la enfermedad o evento +Un data frame con los datos limpios de la enfermedad o evento } \description{ Función que limpia los datos seleccionados de una enfermedad o evento de diff --git a/man/limpiar_edad_event.Rd b/man/limpiar_edad_event.Rd index d846ee1c..600b6005 100644 --- a/man/limpiar_edad_event.Rd +++ b/man/limpiar_edad_event.Rd @@ -23,6 +23,6 @@ Función que limpia las edades de los datos de una enfermedad o evento } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) limpiar_edad_event(data_event = data_event, nombre_col = "edad") } diff --git a/man/limpiar_encabezado.Rd b/man/limpiar_encabezado.Rd index 8b22680a..adf036fe 100644 --- a/man/limpiar_encabezado.Rd +++ b/man/limpiar_encabezado.Rd @@ -19,6 +19,7 @@ Función que limpia las etiquetas del encabezado de los datos de una enfermedad o evento } \examples{ -data_event <- import_data_event(2019, "DENGUE") +data(dengue2020) +data_event <- dengue2020 limpiar_encabezado(data_event = data_event) } diff --git a/man/limpiar_fecha_event.Rd b/man/limpiar_fecha_event.Rd index 074f1c87..c0fddedb 100644 --- a/man/limpiar_fecha_event.Rd +++ b/man/limpiar_fecha_event.Rd @@ -7,7 +7,7 @@ limpiar_fecha_event( data_event, year, - format_fecha = "\%AAAA-\%MM-\%DD", + format_fecha = "\%Y-\%m-\%d", nombre_col = "ini_sin", col_comp = NULL ) @@ -36,10 +36,10 @@ Función que limpia las fechas de los datos de una enfermedad o evento } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) limpiar_fecha_event(data_event = data_event, year = 2020, - format_fecha = "\%AAAA-\%MM-\%DD", + format_fecha = "\%Y-\%m-\%d", nombre_col = "ini_sin", col_comp = "fec_hos") } diff --git a/man/obtener_casos_pob_especial.Rd b/man/obtener_casos_pob_especial.Rd index 74c4a8b7..4086088c 100644 --- a/man/obtener_casos_pob_especial.Rd +++ b/man/obtener_casos_pob_especial.Rd @@ -19,6 +19,8 @@ Función que obtiene los casos por tipo de población especial de una enfermedad } \examples{ -data_event <- import_data_event(2019, "DENGUE") +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) obtener_casos_pob_especial(data_event = data_event) } diff --git a/man/obtener_fila_mas_casos.Rd b/man/obtener_fila_mas_casos.Rd index 513945ce..b8b99e07 100644 --- a/man/obtener_fila_mas_casos.Rd +++ b/man/obtener_fila_mas_casos.Rd @@ -25,7 +25,7 @@ Función que obtiene la fila con el mayor número de casos } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) casos_sex <- agrupar_sex(data_event, porcentaje = TRUE) obtener_fila_mas_casos(data_event = casos_sex, diff --git a/man/obtener_meses_mas_casos.Rd b/man/obtener_meses_mas_casos.Rd index 9d73c6f1..3aeb0cba 100644 --- a/man/obtener_meses_mas_casos.Rd +++ b/man/obtener_meses_mas_casos.Rd @@ -8,7 +8,7 @@ obtener_meses_mas_casos( data_event, col_fechas, col_casos = "casos", - top = 3, + top = 1, concat_vals = TRUE ) } @@ -38,7 +38,7 @@ Función que obtiene los meses con el mayor número de casos } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) casos_inisintomas <- agrupar_fecha_inisintomas(data_event, tipo = "day") obtener_meses_mas_casos(data_event= casos_inisintomas, col_fechas = "ini_sin", diff --git a/man/plot_edad.Rd b/man/plot_edad.Rd index e98f097a..0d2eec2e 100644 --- a/man/plot_edad.Rd +++ b/man/plot_edad.Rd @@ -25,7 +25,7 @@ Función que genera el gráfico de distribución de casos por edad } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) data_agrupada <- agrupar_edad(data_event, col_nombre = "edad", porcentaje = FALSE) diff --git a/man/plot_edad_sex.Rd b/man/plot_edad_sex.Rd index 1d17f98d..a2f9950a 100644 --- a/man/plot_edad_sex.Rd +++ b/man/plot_edad_sex.Rd @@ -30,7 +30,7 @@ Función que genera el gráfico de distribución de casos por edad y sexo } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) data_agrupada <- agrupar_edad_sex(data_event, col_nombres = c("edad", "sexo"), porcentaje = FALSE) diff --git a/man/plot_fecha_inisintomas.Rd b/man/plot_fecha_inisintomas.Rd index 5b09f43e..a51ee6aa 100644 --- a/man/plot_fecha_inisintomas.Rd +++ b/man/plot_fecha_inisintomas.Rd @@ -33,7 +33,7 @@ por fecha de inicio de síntomas } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) data_agrupada <- agrupar_fecha_inisintomas( data_event, col_nombre = "ini_sin", diff --git a/man/plot_fecha_notifica.Rd b/man/plot_fecha_notifica.Rd index 11248fc4..26f97734 100644 --- a/man/plot_fecha_notifica.Rd +++ b/man/plot_fecha_notifica.Rd @@ -27,7 +27,7 @@ fecha de notificación } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) data_agrupada <- agrupar_fecha_notifica(data_event, col_nombre = "fec_not", tipo = "month") diff --git a/man/plot_map.Rd b/man/plot_map.Rd index 47298dc7..020da54d 100644 --- a/man/plot_map.Rd +++ b/man/plot_map.Rd @@ -37,8 +37,9 @@ Función que genera el mapa por departamentos o municipios con el número de casos de una enfermedad o evento } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) data_espacial_dpto <- estandarizar_geo_cods(data_event) data_espacial_dpto <- geo_filtro(data_event = data_event, nombre_dpto = "Antioquia") diff --git a/man/plot_map_dpto.Rd b/man/plot_map_dpto.Rd index 7a27f2b6..ae2d4fc1 100644 --- a/man/plot_map_dpto.Rd +++ b/man/plot_map_dpto.Rd @@ -25,11 +25,14 @@ Función que genera el mapa por departamento con el número de casos de una enfermedad o evento } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +\dontrun{ +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) data_event <- estandarizar_geo_cods(data_event) data_dpto <- agrupar_dpto(data_event) plot_map_dpto(data_dpto, col_nombre_lj = "id", fuente_data = "Fuente: SIVIGILA, Instituto Nacional de Salud, Colombia") } +} diff --git a/man/plot_muns.Rd b/man/plot_muns.Rd index 62451b71..d778ad48 100644 --- a/man/plot_muns.Rd +++ b/man/plot_muns.Rd @@ -25,7 +25,7 @@ Función que genera el gráfico de distribución de casos por municipios } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) data_event <- estandarizar_geo_cods(data_event) data_agrupada <- agrupar_mun(data_event, dept_nombre = "Antioquia") diff --git a/man/plot_pob_especial.Rd b/man/plot_pob_especial.Rd index 5056485c..44b76d59 100644 --- a/man/plot_pob_especial.Rd +++ b/man/plot_pob_especial.Rd @@ -25,7 +25,7 @@ Función que genera el gráfico de distribución de casos por población especia } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) data_agrupada <- agrupar_pob_especial(data_event, col_nombre = "poblacion", porcentaje = TRUE) diff --git a/man/plot_sex.Rd b/man/plot_sex.Rd index bcbfc936..53015b61 100644 --- a/man/plot_sex.Rd +++ b/man/plot_sex.Rd @@ -25,7 +25,7 @@ Función que genera el gráfico de distribución de casos por sexo } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) data_agrupada <- agrupar_sex(data_event, col_nombre = "sexo", porcentaje = TRUE) diff --git a/man/plot_sex_semanaepi.Rd b/man/plot_sex_semanaepi.Rd index 02230887..0d3ef276 100644 --- a/man/plot_sex_semanaepi.Rd +++ b/man/plot_sex_semanaepi.Rd @@ -32,7 +32,7 @@ y semana epidemiológica } \examples{ data_event <- import_data_event(2020, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data_event <- limpiar_data_sivigila(data_event, 2020) data_agrupada <- agrupar_sex_semanaepi(data_event, col_nombres = c("sexo", "semana"), porcentaje = TRUE) diff --git a/man/plot_variable.Rd b/man/plot_variable.Rd index c24b0610..014a0a29 100644 --- a/man/plot_variable.Rd +++ b/man/plot_variable.Rd @@ -79,8 +79,9 @@ Función que genera un gráfico por cualquier tipo de variable o columna de un data frame } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) cases_sex <- agrupar_sex(data_event, porcentaje = TRUE) plot_variable(data = cases_sex, diff --git a/man/remove_error_fecha.Rd b/man/remove_error_fecha.Rd index d147f3ca..0f705334 100644 --- a/man/remove_error_fecha.Rd +++ b/man/remove_error_fecha.Rd @@ -26,8 +26,9 @@ valor de comparación Función que elimina fechas mayores que el valor de comparación } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) remove_error_fecha(data_event = data_event, col_ini = "ini_sin", col_comp = "fec_hos") diff --git a/man/remove_val_nin.Rd b/man/remove_val_nin.Rd index 3c34fb0c..1c51ac69 100644 --- a/man/remove_val_nin.Rd +++ b/man/remove_val_nin.Rd @@ -21,7 +21,8 @@ Función que elimina filas si los valores de la columna seleccionada incluyen NA, Infinito o NaN } \examples{ -data_event <- import_data_event(2019, "DENGUE") -data_event <- limpiar_encabezado(data_event) +data(dengue2020) +data_event <- dengue2020 +data_event <- limpiar_data_sivigila(data_event, 2020) remove_val_nin(data_event = data_event, nom_col = "edad") } diff --git a/man/sivirep-package.Rd b/man/sivirep-package.Rd index 628f50cc..8570b971 100644 --- a/man/sivirep-package.Rd +++ b/man/sivirep-package.Rd @@ -6,16 +6,25 @@ \alias{sivirep-package} \title{sivirep: Data Wrangling and Automated Reports from 'SIVIGILA' source} \description{ -\if{html}{\figure{logo.png}{options: style='float: right' alt='logo' width='120'}} - Provides functions for data wrangling and automated reports from SIVIGILA source. } \author{ -\strong{Maintainer}: Geraldine Gómez Millán \email{geralidine.gomez@javeriana.edu.co} +\strong{Maintainer}: Geraldine Gómez Millán \email{geralidine.gomez@javeriana.edu.co} (\href{https://orcid.org/0009-0007-8701-0568}{ORCID}) [contributor] Authors: \itemize{ - \item Zulma M. Cucunubá + \item Zulma M. Cucunubá \email{zulma.cucunuba@javeriana.edu.co} (\href{https://orcid.org/0000-0002-8165-3198}{ORCID}) [contributor] +} + +Other contributors: +\itemize{ + \item Hugo Gruson \email{hugo.gruson+R@normalesup.org} (\href{https://orcid.org/0000-0002-4094-1476}{ORCID}) [contributor] + \item Laura Gómez Bermeo \email{gomezblaura@javeriana.edu.co} (\href{https://orcid.org/0000-0003-4028-2893}{ORCID}) [contributor] + \item Miguel Gámez [contributor] + \item Jennifer Méndez-Romero [contributor] + \item Johan Calderón [contributor] + \item Lady Flórez-Tapiero [contributor] + \item Verónica Tangarife-Arredondo [contributor] } } diff --git a/vignettes/sivirep.Rmd b/vignettes/sivirep.Rmd index c16d1d90..0fde4de3 100644 --- a/vignettes/sivirep.Rmd +++ b/vignettes/sivirep.Rmd @@ -7,7 +7,7 @@ vignette: > %\VignetteEncoding{UTF-8} --- -```{r, include = FALSE} +```{r setup, include = FALSE} knitr::opts_chunk$set( collapse = TRUE, comment = "#>", @@ -18,7 +18,7 @@ knitr::opts_chunk$set( ) ``` -```{r setup} +```{r setup_package} library(sivirep) ``` @@ -46,11 +46,20 @@ El objetivo de `sivirep` es proporcionar un conjunto de herramientas para: - Estudiantes del área de la salud y epidemiología. - Investigadores y analistas de datos a nivel nacional e internacional. +## Instalación + +Puedes instalar la versión de desarrollo de `sivirep` desde GitHub con el siguiente comando: + +```{r setup_sivirep, eval = FALSE} +install.packages("pak") +pak::pak("epiverse-trace/sivirep") +``` + ## Inicio rápido Puedes revisar las enfermedades y los años disponibles de forma libre utilizando: -```{r} +```{r list_events} lista_eventos <- list_events() knitr::kable(lista_eventos) ``` @@ -74,9 +83,19 @@ Los contribuyentes al paquete incluyen: - [Hugo Gruson](https://github.com/Bisaloo) (contributor) -- Laura Gómez-Bermeo (contributor to documentation) +- [Laura Gómez-Bermeo](https://github.com/lgbermeo) (contributor to documentation) + +- [Miguel Gámez](https://github.com/megamezl) (contributor) + +- Jennifer Méndez-Romero (contributor) + +- Johan Calderón (contributor) + +- Claudia Huguett-Aragón (contributor) + +- Lady Flórez-Tapiero (contributor) -- Miguel Gámez (contributor) +- Verónica Tangarife-Arredondo (contributor) ## Código de conducta @@ -89,13 +108,13 @@ Por favor, ten en cuenta que el proyecto `sivirep` se publica con un Después de la instalación de `sivirep`, puedes comenzar importando el paquete a través del siguiente comando: -```{r} +```{r import_sivirep} library(sivirep) ``` Ante de iniciar con el reporte automatizado, revisa la lista de enfermedades disponibles para hacer un reporte con `sivirep` en: -```{r results = 'hide'} +```{r eventos_disponibles, results = 'hide'} list_events() ``` @@ -137,15 +156,15 @@ La fuente de SIVIGILA proporciona los datos de la lista de casos históricos has Por favor, verifica las enfermedades y años disponibles utilizando: -```{r results = 'hide'} +```{r eventos,results = 'hide'} lista_eventos <- list_events() ``` Una vez que hayas decidido la enfermedad y el año de la cual deseas obtener la información, `import_data_event` es la función que permite la importación de datos desde la fuente de SIVIGILA utilizando un formato parametrizado basado en la enfermedad y el año. -```{r} +```{r import_data_event} data_event <- import_data_event(year = 2020, - nombre_event = "dengue") + nombre_event = "DENGUE") ``` ##### 💡 Tip 1 - Evita retrasos en el tiempo al importar los datos @@ -158,7 +177,7 @@ Los datos de SIVIGILA son una fuente de información oficial altamente confiable `sivirep` proporciona una función genérica llamada `limpiar_data_sivigila` que envuelve diversas tareas para identificar y corregir errores, inconsistencias y discrepancias en los conjuntos de datos con el fin de mejorar su calidad y precisión. Este proceso puede incluir la eliminación de duplicados, la corrección de errores tipográficos, el reemplazo de valores faltantes y la validación de datos, entre otras tareas, como eliminar fechas improbables, limpiar códigos de geolocalización y estandarizar los nombres de las columnas y las categorías de edad. -```{r} +```{r limpiar_data_sivigila} data_event_limp <- limpiar_data_sivigila(data_event = data_event, year = 2020) ``` @@ -180,7 +199,7 @@ El usuario puede utilizar estas funciones individualmente o simplemente utilizar `sivirep` proporciona una función que permite filtrar los datos de enfermedades por departamento o nombre del municipio llamada `geo_filtro`. Esto permite al usuario crear un informe a nivel subnacional, seleccionando casos específicos basados en la ubicación geográfica. -```{r} +```{r geo_filtro} data_event_filtrada <- geo_filtro(data_event = data_event_limp, nombre_dpto = "Antioquia") ``` @@ -193,7 +212,7 @@ En `sivirep`, la distribución temporal de casos se define por las variables de Para generar la distribución de casos por fecha de inicio de síntomas, es necesario agrupar los datos por estas variables. `sivirep` proporciona una función que permite esta agrupación llamada `agrupar_fecha_inisintomas`, en la cual puedes especificar la unidad de tiempo para agrupar estas fechas. Los valores permitidos para este parámetro son: día y mes. -```{r} +```{r agrupar_fecha_inicio_sintomas} casos_ini_sintomas_dia <- agrupar_fecha_inisintomas(data_event = data_event_limp, tipo = "day") @@ -208,7 +227,7 @@ casos_ini_sintomas_mes <- agrupar_fecha_inisintomas(data_event = El gráfico que permite visualizar esta distribución se debe generar con la función `plot_fecha_inisintomas`. Ten en cuenta que, incluso si has agrupado los datos por día, es posible que prefieras representarlo por mes, como en: -```{r fig.height = 4, fig.width = 7} +```{r plot_fecha_inicio_sintomas, fig.height = 4, fig.width = 7} plot_fecha_inisintomas(data_agrupada = casos_ini_sintomas_dia, uni_marca = "months") ``` @@ -217,7 +236,7 @@ plot_fecha_inisintomas(data_agrupada = casos_ini_sintomas_dia, El proceso para generar la distribución de casos por fecha de notificación consiste en agrupar los datos de enfermedades por esta variable. Puedes utilizar la siguiente función de `sivirep` para hacer esto: -```{r} +```{r agrupar_fecha_notificacion} casos_fecha_notificacion_dia <- agrupar_fecha_notifica(data_event = data_event_limp, tipo = "day") @@ -228,7 +247,7 @@ casos_fecha_notificacion_mes <- agrupar_fecha_notifica(data_event = El gráfico que permite visualizar esta distribución debe generarse con la función `plot_fecha_notifica`. Ten en cuenta que, aunque hayas agrupado los datos por día, es posible que prefieras representarlos por mes, como en: -```{r fig.height = 4, fig.width = 7} +```{r plot_fecha_notificacion, fig.height = 4, fig.width = 7} plot_fecha_notifica(data_agrupada = casos_fecha_notificacion_dia, uni_marca = "months") ``` @@ -241,26 +260,26 @@ Cuando se analizan o se informan datos de enfermedades, a menudo es necesario de `sivirep` proporciona una función que agrega y calcula automáticamente los porcentajes por sexo después del proceso de limpieza. -```{r} +```{r agrupar_sexo} casos_sex <- agrupar_sex(data_event = data_event_limp, porcentaje = TRUE) ``` Además, `sivirep` cuenta con una función para generar el gráfico por esta variable llamada `plot_sex`: -```{r fig.height = 4, fig.width = 7} +```{r plot_sexo, fig.height = 4, fig.width = 7} plot_sex(data_agrupada = casos_sex) ``` La distribución de casos por sexo y semana epidemiológica se puede generar utilizando la función `agrupar_sex_semanaepi` proporcionada por `sivirep`. -```{r} +```{r agrupar_sex_semana_epidemiologica} casos_sex_semanaepi <- agrupar_sex_semanaepi(data_event = data_event_limp) ``` La función de visualización correspondiente es `plot_sex_semanaepi`, que `sivirep` proporciona para mostrar la distribución de casos por sexo y semana epidemiológica. -```{r fig.height = 4, fig.width = 7} +```{r plot_sex_semana_epidemiologica, fig.height = 4, fig.width = 7} plot_sex_semanaepi(data_agrupada = casos_sex_semanaepi) ``` @@ -270,13 +289,13 @@ La edad es una variable importante para analizar, ya que es un factor de riesgo `sivirep` proporciona una función llamada `agrupar_edad`, que puede agrupar los datos de enfermedades por grupos de edad. De forma predeterminada, esta función produce rangos de edad con intervalos de 10 años. Además, los usuarios pueden personalizar un rango de edad diferente. -```{r} +```{r agrupar_edad} casos_edad <- agrupar_edad(data_event = data_event_limp, interval_edad = 10) ``` La función de visualización correspondiente es `plot_edad`. -```{r fig.height = 4, fig.width = 7} +```{r plot_edad, fig.height = 4, fig.width = 7} plot_edad(data_agrupada = casos_edad) ``` @@ -284,7 +303,7 @@ plot_edad(data_agrupada = casos_edad) `sivirep` proporciona una función llamada `agrupar_edad_sex`, que puede agrupar los datos de enfermedades por rangos de edad y sexo de forma simultánea y obtener el número de casos y los porcentajes correspondientes. Además, permite personalizar el intervalo de edad. -```{r} +```{r agrupar_edad_sexo} casos_edad_sex <- agrupar_edad_sex(data_event = data_event_limp, interval_edad = 10) @@ -292,7 +311,7 @@ casos_edad_sex <- agrupar_edad_sex(data_event = data_event_limp, La función de visualización correspondiente es `plot_edad_sex`. -```{r fig.height = 3, fig.width = 7} +```{r plot_edad_sexo, fig.height = 3, fig.width = 7} plot_edad_sex(data_agrupada = casos_edad_sex) ``` @@ -302,18 +321,18 @@ Obtener la distribución espacial de los casos es útil para identificar áreas En Colombia, existen 32 unidades geográficas administrativas (adm1) llamadas departamentos. `sivirep` proporciona una función llamada `agrupar_mun` que permite obtener un data.frame de casos agrupados por departamento o municipio. -```{r} +```{r agrupar_municipios} dist_esp_dept <- agrupar_mun(data_event = data_event_filtrada, dept_nombre = "Antioquia") ``` Actualmente, con la función llamada `plot_map`, el usuario puede generar un mapa estático de Colombia que muestra la distribución de casos por departamentos y municipios. -```{r fig.height = 7, fig.width = 7, results='hide', echo = FALSE} +```{r plot_mapa, results = 'hide', echo = FALSE} mapa <- plot_map(data_agrupada = dist_esp_dept, dpto = "Antioquia") ``` -```{r fig.height = 7, fig.width = 7} +```{r mapa, fig.height = 7, fig.width = 7} mapa ```