1. Carregando pacotes

library(dplyr)
library(rstatix)
library(ggplot2)
library(geobr)
library(knitr)
library(kableExtra)
library(htmltools)
library(scales)
library(readr)
library(rio)
library(sf)
library(readxl)
cores <- rcartocolor::carto_pal(12, "Bold")
cores2 <- rcartocolor::carto_pal(6, "SunsetDark")

2. Carregando base de dados

dados_covid_sp <- read.csv('D:/Mestrado/1Sem_23/Ferramentas computacionais/projeto_final/Estudo/dados/dados_covid_sp.csv', sep = ";")
base_sp <- read.csv('D:/Mestrado/1Sem_23/Ferramentas computacionais/projeto_final/Estudo/dados/sp.csv', sep = ";")

3. Tratamento dos dados

dados_covid_sp$datahora <- as.Date(dados_covid_sp$datahora,
                                  format = '%Y-%m-%d') #convertendo datahora para data
glimpse(dados_covid_sp)

## Rows: 779,722
## Columns: 11
## $ nome_munic    <chr> "Adamantina", "Adolfo", "Aguaí", "Águas da Prata", "Água…
## $ codigo_ibge   <int> 3500105, 3500204, 3500303, 3500402, 3500501, 3500550, 35…
## $ datahora      <date> 2020-02-25, 2020-02-25, 2020-02-25, 2020-02-25, 2020-02…
## $ casos         <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ casos_novos   <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ casos_mm7d    <chr> "0,000000000000000", "0,000000000000000", "0,00000000000…
## $ obitos        <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ obitos_novos  <int> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ obitos_mm7d   <chr> "0,000000000000000", "0,000000000000000", "0,00000000000…
## $ pop           <int> 33894, 3447, 35608, 7797, 18374, 5931, 3122, 36134, 5779…
## $ semana_epidem <int> 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9,…

# excluindo colunas que não iremos usar
dados_covid_sp_tratado <- select(dados_covid_sp, -c(2,6,9))

# verificando valores vazios
dados_covid_sp_tratado %>% 
  sapply(function(x) sum(is.na(x))) # valores NA

##    nome_munic      datahora         casos   casos_novos        obitos 
##             0             0             0             0             0 
##  obitos_novos           pop semana_epidem 
##             0             0             0

dados_covid_sp_tratado %>% 
  sapply(function(x) sum(is.nan(x))) # valores NAN

##    nome_munic      datahora         casos   casos_novos        obitos 
##             0             0             0             0             0 
##  obitos_novos           pop semana_epidem 
##             0             0             0

dados_covid_sp_tratado %>%
  head(10) %>%
  knitr::kable() %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover","condesed","responsive"))

nome_munic	datahora	pop	semana_epidem
Adamantina	2020-02-25	33894	9
Adolfo	2020-02-25	3447	9
Aguaí	2020-02-25	35608	9
Águas da Prata	2020-02-25	7797	9
Águas de Lindóia	2020-02-25	18374	9
Águas de Santa Bárbara	2020-02-25	5931	9
Águas de São Pedro	2020-02-25	3122	9
Agudos	2020-02-25	36134	9
Alambari	2020-02-25	5779	9
Alfredo Marcondes	2020-02-25	3927	9

4. Total de casos acumulados

# Total de casos por ano/mes acumulado
dados_covid_sp_tratado$ano_mes <- format(dados_covid_sp_tratado$datahora, "%Y-%m")

casos_mes_ano <- dados_covid_sp_tratado %>% 
  group_by(datahora) %>% 
  summarise(total_casos = sum(casos))

casos_mes_ano %>%
  head(10) %>%
  knitr::kable() %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover","condesed","responsive"))

datahora	total_casos
2020-02-25	0
2020-02-26	1
2020-02-27	1
2020-02-28	1
2020-02-29	2
2020-03-01	2
2020-03-02	2
2020-03-03	2
2020-03-04	3
2020-03-05	6

5. Plot do gráfico do total de casos acumulados

# plot do gráfico: total de casos acumulados
casos_mes_ano %>% 
  ggplot(aes(x = datahora, y = total_casos * 1e-6)) +
  geom_density(fill = cores[8], stat = "identity", alpha = 0.3) +
  scale_color_manual(values = cores) +
  theme(panel.grid = element_blank(),
        panel.background = element_rect(fill = "white"),
        plot.title = element_text(hjust = 0.5)) +
  labs(x = "Ano",
       y = expression(paste("Total de Casos (", 10^6, ")")),
       title = "Evolução dos Casos no Estado de São Paulo") +
  scale_y_continuous(labels = scales::comma, breaks = scales::pretty_breaks(5))

6. Total de novos casos por dia

novos_casos_mes_ano <- dados_covid_sp_tratado %>% 
  group_by(datahora) %>% 
  summarise(novos_casos = sum(casos_novos))

novos_casos_mes_ano %>%
  head(10) %>%
  knitr::kable() %>%
  kable_styling(full_width = FALSE, bootstrap_options = c("striped", "hover","condesed","responsive"))

datahora	novos_casos
2020-02-25	0
2020-02-26	1
2020-02-27	0
2020-02-28	0
2020-02-29	1
2020-03-01	0
2020-03-02	0
2020-03-03	0
2020-03-04	1
2020-03-05	3

7. Plot do gráfico do total de novos casos por dia

novos_casos_mes_ano %>%
  mutate(datahora = as.POSIXct(datahora)) %>%
  ggplot(aes(x = datahora, y = novos_casos *1e-3)) +
  geom_line(aes(color = "Média móvel"), show.legend = TRUE) +
  geom_smooth(method = "loess", se = FALSE, color = "red", aes(color = "Curva de Suavização"), show.legend = TRUE) +
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5)) +
  labs(x = "Ano/Mês", y = "Novos Casos (x 10³)", title = "Novos Casos por Dia no Estado de São Paulo",
       color = "Legenda") +
  scale_x_datetime(date_labels = "%Y-%m", date_breaks = "6 month") +
  scale_color_manual(values = c("blue", "red"))

8. Análise SRAG Covid-19

8.1 Carregando Pacotes

# importação e instalação, caso seja a primeira vez no pc
remotes::install_github("rpradosiqueira/brazilmaps")

library(dplyr)
library(rstatix)
library(ggplot2)
library(geobr)
library(sf)
library(dplyr)
library(rio)
library(readr)
library(scales)
library(data.table)

8.2 Carregando base de dados da Sivep-Gripe

#base online, atualizada
# 2020
BR20 <- fread("https://s3.sa-east-1.amazonaws.com/ckan.saude.gov.br/SRAG/2020/INFLUD20-29-08-2022.csv")

# 2021
BR21 <- fread("https://s3.sa-east-1.amazonaws.com/ckan.saude.gov.br/SRAG/2021/INFLUD21-29-08-2022.csv")

# 2022
BR22 <- fread("https://s3.sa-east-1.amazonaws.com/ckan.saude.gov.br/SRAG/2022/INFLUD22-29-08-2022.csv")

8.3 Tratamento da base de dados

## 2020
# filtro para as variáveis de interesse da pesquisa

var.20 <- BR20[,c("DT_NOTIFIC", "SEM_NOT", "ID_MUNICIP", "CO_MUN_NOT", "SG_UF_NOT", 
                  "ID_REGIONA", "ID_UNIDADE", "NU_IDADE_N", "CS_SEXO", "CS_RACA",
                  "ID_MN_RESI", "CO_MUN_RES", "CS_ZONA", "HOSPITAL", "EVOLUCAO",
                  "FATOR_RISC", "UTI", "SUPORT_VEN", "CLASSI_FIN")]
# filtro para as notificações do estado de São Paulo
SP20 <- filter(var.20, SG_UF_NOT == 'SP')

## 2021
# filtro para variáveis de interesse da pesquisa
var.21 <- BR21[,c("DT_NOTIFIC", "SEM_NOT", "ID_MUNICIP", "CO_MUN_NOT", "SG_UF_NOT",
                    "ID_REGIONA", "ID_UNIDADE", "NU_IDADE_N", "CS_SEXO", "CS_RACA", 
                    "ID_MN_RESI", "CO_MUN_RES", "CS_ZONA", "HOSPITAL", "EVOLUCAO",
                    "FATOR_RISC", "UTI", "SUPORT_VEN", "CLASSI_FIN")]
# filtro para as notificações do estado de São Paulo
SP21 <- filter(var.21, SG_UF_NOT == 'SP')

## 2022
# filtro para variáveis de interesse da pesquisa
var.22 <- BR22[,c("DT_NOTIFIC", "SEM_NOT", "ID_MUNICIP", "CO_MUN_NOT", "SG_UF_NOT",
                    "ID_REGIONA", "ID_UNIDADE", "NU_IDADE_N", "CS_SEXO", "CS_RACA",
                    "ID_MN_RESI", "CO_MUN_RES", "CS_ZONA", "HOSPITAL", "EVOLUCAO",
                    "FATOR_RISC", "UTI", "SUPORT_VEN", "CLASSI_FIN")]
# filtro para as notificações do estado de São Paulo
SP22 <- filter(var.22, SG_UF_NOT == 'SP')

8.4 Criando um Backup local dos dados

## arquivo excel com os dados da covid-19 para o SP
write.table(SP22, file= "siveSP22.csv", sep=";", dec=",")
write.table(SP21, file= "siveSP21.csv", sep=";", dec=",")
write.table(SP20, file= "siveSP20.csv", sep=";", dec=",")

9. Análise descritiva, início para análise

9.1 Carregando base de dados local

# dados gerais para sivesp/gripe
siveSP20 <- read.csv("siveSP20.csv", header = TRUE, sep = ";", dec = ",")
siveSP21 <- read.csv("siveSP21.csv", header = TRUE, sep = ";", dec = ",")
siveSP22 <- read.csv("siveSP22.csv", header = TRUE, sep = ";", dec = ",")

9.2 Total de pessoas por sexo

9.2.1 2020

table(siveSP20$CS_SEXO)

## 
##      F      I      M 
## 164953     20 194308

9.2.2 2021

table(siveSP21$CS_SEXO)

## 
##      F      I      M 
## 221656     19 272020

9.2.3 2022

table(siveSP22$CS_SEXO)

## 
##     F     I     M 
## 59840     5 61885

9.3 Análise das idades

9.3.1 Média 2020

mean(siveSP20$NU_IDADE_N)

## [1] 56.41053

9.3.2 Média 2021

mean(siveSP21$NU_IDADE_N)

## [1] 52.74389

9.3.3 Média 2022

mean(siveSP22$NU_IDADE_N)

## [1] 50.46575

9.3.4 Mediana 2020

median(siveSP20$NU_IDADE_N)

## [1] 59

9.3.5 Mediana 2021

median(siveSP21$NU_IDADE_N)

## [1] 55

9.3.6 Mediana 2022

median(siveSP22$NU_IDADE_N)

## [1] 61

9.3.7 Boxplot 2020

boxplot(siveSP20$NU_IDADE_N)

### 9.3.8 Boxplot 2021

boxplot(siveSP21$NU_IDADE_N)

### 9.3.9 Boxplot 2022

boxplot(siveSP22$NU_IDADE_N)

9.4 Tratamento dos outliers

9.4.1 Verificando 2020

siveSP20 %>% 
  identify_outliers(NU_IDADE_N)

##        DT_NOTIFIC SEM_NOT          ID_MUNICIP CO_MUN_NOT SG_UF_NOT
## 19143  29/03/2020      14 SAO JOSE DOS CAMPOS     354990        SP
## 350778 30/09/2020      40           GUARULHOS     351880        SP
##                           ID_REGIONA
## 19143  GVE XXVII SAO JOSE DOS CAMPOS
## 350778      GVE VIII MOGI DAS CRUZES
##                                                 ID_UNIDADE NU_IDADE_N CS_SEXO
## 19143                                    HOSPITAL POLICLIN        136       M
## 350778 HOSPITAL MUNICIPAL DA CRIANCA E DO ADOLESCENTE HMCA         -3       M
##        CS_RACA ID_MN_RESI CO_MUN_RES CS_ZONA HOSPITAL EVOLUCAO FATOR_RISC UTI
## 19143        1    TAUBATE     355410       1        1        1          N  NA
## 350778       4  GUARULHOS     351880       1        1        1          N   2
##        SUPORT_VEN CLASSI_FIN is.outlier is.extreme
## 19143          NA          5       TRUE      FALSE
## 350778          3          4       TRUE      FALSE

9.4.2 Verificando 2021

siveSP21 %>% 
  identify_outliers(NU_IDADE_N)

##        DT_NOTIFIC SEM_NOT  ID_MUNICIP CO_MUN_NOT SG_UF_NOT
## 71839  15/04/2021      15 SAO VICENTE     355100        SP
## 81622  15/01/2021       2     UBATUBA     355540        SP
## 175637 27/03/2021      12   GUARULHOS     351880        SP
## 408014 04/01/2022       1     TAUBATE     355410        SP
## 416403 26/03/2021      12   CRAVINHOS     351310        SP
## 463500 16/03/2021      11   GUARULHOS     351880        SP
##                      ID_REGIONA
## 71839            GVE XXV SANTOS
## 81622  GVE XXVIII CARAGUATATUBA
## 175637 GVE VIII MOGI DAS CRUZES
## 408014       GVE XXXIII TAUBATE
## 416403  GVE XXIV RIBEIRAO PRETO
## 463500 GVE VIII MOGI DAS CRUZES
##                                                 ID_UNIDADE NU_IDADE_N CS_SEXO
## 71839                                HOSPITAL DO VICENTINO        114       F
## 81622                SANTA CASA DE MISERICORDIA DE UBATUBA        114       F
## 175637 HOSPITAL MUNICIPAL DA CRIANCA E DO ADOLESCENTE HMCA         -5       F
## 408014         HOSPITAL MUNICIPAL UNIVERSITARIO DE TAUBATE         -6       F
## 416403                             SANTA CASA DE CRAVINHOS        136       F
## 463500 HOSPITAL MUNICIPAL DA CRIANCA E DO ADOLESCENTE HMCA         -9       M
##        CS_RACA  ID_MN_RESI CO_MUN_RES CS_ZONA HOSPITAL EVOLUCAO FATOR_RISC UTI
## 71839        1 SAO VICENTE     355100      NA        1        2          1  NA
## 81622        4     UBATUBA     355540      NA        1        2          2  NA
## 175637       4   GUARULHOS     351880       1        1        1          1   2
## 408014       1     TAUBATE     355410       1        1        1          1   1
## 416403       1   CRAVINHOS     351310       1        1        1          2   2
## 463500       4   GUARULHOS     351880       1        1        1          2   2
##        SUPORT_VEN CLASSI_FIN is.outlier is.extreme
## 71839          NA          5       TRUE      FALSE
## 81622           2          5       TRUE      FALSE
## 175637          2          5       TRUE      FALSE
## 408014          2          4       TRUE      FALSE
## 416403         NA          5       TRUE      FALSE
## 463500          3          2       TRUE      FALSE

9.4.3 Verificando 2022

siveSP22 %>% 
  identify_outliers(NU_IDADE_N)

##  [1] DT_NOTIFIC SEM_NOT    ID_MUNICIP CO_MUN_NOT SG_UF_NOT  ID_REGIONA
##  [7] ID_UNIDADE NU_IDADE_N CS_SEXO    CS_RACA    ID_MN_RESI CO_MUN_RES
## [13] CS_ZONA    HOSPITAL   EVOLUCAO   FATOR_RISC UTI        SUPORT_VEN
## [19] CLASSI_FIN is.outlier is.extreme
## <0 linhas> (ou row.names de comprimento 0)

9.4.4 Retirando outliers

## tratando outliers
outliers20 <- c(boxplot.stats(siveSP20$NU_IDADE_N)$out)
outliers21 <- c(boxplot.stats(siveSP21$NU_IDADE_N)$out)
  
## atualizando as tabelas sem os outliers
siveSP20 <- siveSP20[-c(which(siveSP20$NU_IDADE_N %in% outliers20)),]
siveSP21 <- siveSP21[-c(which(siveSP21$NU_IDADE_N %in% outliers21)),]

9.4.5 Novo boxplot 2020

siveSP20$NU_IDADE_N %>% boxplot()

9.4.6 Novo boxplot 2021

siveSP21$NU_IDADE_N %>% boxplot()

9.5 Filtrando notificações de Covid-19

9.5.1 Tratamento dos dados

## filtro para notificaÇões para covid-19

covidSP20 <- filter(siveSP20, CLASSI_FIN =='5')
covidSP21 <- filter(siveSP21, CLASSI_FIN =='5')
covidSP22 <- filter(siveSP22, CLASSI_FIN =='5')

## filtro para obitos totais de covid, evolucao = 2

obitoSP20 <- filter(covidSP20, EVOLUCAO == '2')
obitoSP21 <- filter(covidSP21, EVOLUCAO == '2')
obitoSP22 <- filter(covidSP22, EVOLUCAO == '2')

## filto para internação de covid, hospital = 1

hospSP20 <- filter(covidSP20, HOSPITAL == '1')
hospSP21 <- filter(covidSP21, HOSPITAL == '1')
hospSP22 <- filter(covidSP22, HOSPITAL == '1')

## filtro para letalidade, óbitos em hospitalizaçao, evolucao = 2

obitosSP20 <- filter(hospSP20, EVOLUCAO == '2')
obitosSP21 <- filter(hospSP21, EVOLUCAO == '2')
obitosSP22 <- filter(hospSP22, EVOLUCAO == '2')

9.5.2 Filtro de casos totais por município

t1 <- as.data.frame(table(obitosSP20$CO_MUN_NOT)) # 2020
t2 <- as.data.frame(table(obitosSP21$CO_MUN_NOT)) # 2021
t3 <- as.data.frame(table(obitosSP22$CO_MUN_NOT)) # 2022

9.5.3 Carregando códigos dos munícpios IBGE

codigos <- read_excel("D:/Mestrado/1Sem_23/Ferramentas computacionais/projeto_final/SRAG/RELATORIO_DTB_BRASIL_MUNICIPIO.xls")

9.5.4 União das bases “t” com codigos

## uniao das bases de acordo com as chaves do municipio
j1 <- merge(codigos, t1, by.x = "ibge6", by.y = "Var1", all.x = TRUE) # 2020
j2 <- merge(codigos, t2, by.x = "ibge6", by.y = "Var1", all.x = TRUE) # 2021
j3 <- merge(codigos, t3, by.x = "ibge6", by.y = "Var1", all.x = TRUE) # 2022

9.5.5 Tratando frequencias NA

## colocar zero nas frequencias vazias
j1$Freq[is.na(j1$Freq)] <- 0
j2$Freq[is.na(j2$Freq)] <- 0
j3$Freq[is.na(j3$Freq)] <- 0

mapa20 <- j1
mapa21 <- j2
mapa22 <- j3

9.6 Taxa de mortalidade hospitalar por munícpio de internação

9.6.1 Proporção em 2020

total_hosp_20 <- nrow(hospSP20)
mapa20$tx_mor_local20 <- (mapa20$Freq/total_hosp_20)*100

9.6.2 Proporção em 2021

total_hosp_21 <- nrow(hospSP21)
mapa21$tx_mor_local21 <- (mapa21$Freq/total_hosp_21)*100

9.6.3 Proporção em 2022

total_hosp_22 <- nrow(hospSP22)
mapa22$tx_mor_local22 <- (mapa22$Freq/total_hosp_22)*100

9.7 Plotagem do gráfico

9.7.1 Dados do território de São Paulo

mapa_muni <- read_municipality(code_muni = "all", year=2010) %>% 
  filter(code_state == 35)

9.7.2 Convertendo dados para mesmo tipo

mapa20$code_muni <- as.double(mapa20$code_muni)
mapa21$code_muni <- as.double(mapa21$code_muni)
mapa22$code_muni <- as.double(mapa22$code_muni)

9.7.3 Join das bases

juntos2020 <- full_join(mapa_muni, mapa20, by="code_muni")  #função join, união de variáveis
juntos2021 <- full_join(mapa_muni, mapa21, by="code_muni")  #função join, união de variáveis
juntos2022 <- full_join(mapa_muni, mapa22, by="code_muni")  #função join, união de variáveis

9.7.4 Tratando municípios sem registros

#retirando os NA, para municípios sem registros
juntos2020[is.na(juntos2020)] <- 0
juntos2021[is.na(juntos2021)] <- 0
juntos2022[is.na(juntos2022)] <- 0

9.8 Mapa de calor para taxa de mortalidade hospitalar

9.8.1 Taxa em 2020

# 2020
ggplot()+ ## plotagem
  geom_sf(data = juntos2020, aes(fill = tx_mor_local20), color = NA, size = 0.15)+ ## geometria dos municípios
  geom_sf(data = juntos2020, color = "gray", fill = NA, size = 0.1) +  ## adição da linha cinza
  labs(title = "Taxa de mortalidade hospitalar por SRAG por COVID-19 em 2020",
       caption = "Fonte: Elaboração própria")+ ## titulo e legenda
  scale_fill_gradientn(colours = cores2, limits = c(0.00, 15.00),
                       name="Taxa mortalidade", labels = label_number(big.mark="."))+ ## cores
  theme(plot.title = element_text(hjust = 0.5),
        axis.text = element_blank(),
        axis.ticks = element_blank(),
        panel.background = element_rect(fill = "white")) ## configuração do tema

9.8.2 Taxa em 2021

# 2021
ggplot()+ ## plotagem
  geom_sf(data = juntos2021, aes(fill = tx_mor_local21), color = NA, size = 0.15)+ ## geometria dos municípios
  geom_sf(data = juntos2021, color = "gray", fill = NA, size = 0.1) +  ## adição da linha cinza
  labs(title = "Taxa de mortalidade hospitalar por SRAG por COVID-19 em 2021",
       caption = "Fonte: Elaboração própria")+ ## titulo e legenda
  scale_fill_gradientn(colours = cores2, limits = c(0.00, 15.00),
                       name="Taxa mortalidade", labels = label_number(big.mark="."))+ ## cores
  theme(plot.title = element_text(hjust = 0.5),
        axis.text = element_blank(),
        axis.ticks = element_blank(),
        panel.background = element_rect(fill = "white")) ## configuração do tema

9.8.3 Taxa em 2022

# 2022
ggplot()+ ## plotagem
  geom_sf(data = juntos2022, aes(fill = tx_mor_local22), color = NA, size = 0.15)+ ## geometria dos municípios
  geom_sf(data = juntos2022, color = "gray", fill = NA, size = 0.1) +  ## adição da linha cinza
  labs(title = "Taxa de mortalidade hospitalar por SRAG por COVID-19 em 2022",
       caption = "Fonte: Elaboração própria")+ ## titulo e legenda
  scale_fill_gradientn(colours = cores2, limits = c(0.00, 15.00),
                       name="Taxa mortalidade", labels = label_number(big.mark="."))+ ## cores
  theme(plot.title = element_text(hjust = 0.5),
        axis.text = element_blank(),
        axis.ticks = element_blank(),
        panel.background = element_rect(fill = "white")) ## configuração do tema

Referências

Boletim completo
Repositório de dados

Análise Exploratória dos Impactos da COVID-19 no estado de São Paulo

Maicon Centner, Fernando Andrade

13 julho, 2023

1. Carregando pacotes

2. Carregando base de dados

3. Tratamento dos dados

4. Total de casos acumulados

5. Plot do gráfico do total de casos acumulados

6. Total de novos casos por dia

7. Plot do gráfico do total de novos casos por dia

8. Análise SRAG Covid-19

8.1 Carregando Pacotes

8.2 Carregando base de dados da Sivep-Gripe

8.3 Tratamento da base de dados

8.4 Criando um Backup local dos dados

9. Análise descritiva, início para análise

9.1 Carregando base de dados local

9.2 Total de pessoas por sexo

9.2.1 2020

9.2.2 2021

9.2.3 2022

9.3 Análise das idades

9.3.1 Média 2020

9.3.2 Média 2021

9.3.3 Média 2022

9.3.4 Mediana 2020

9.3.5 Mediana 2021

9.3.6 Mediana 2022

9.3.7 Boxplot 2020

9.4 Tratamento dos outliers

9.4.1 Verificando 2020

9.4.2 Verificando 2021

9.4.3 Verificando 2022

9.4.4 Retirando outliers

9.4.5 Novo boxplot 2020

9.4.6 Novo boxplot 2021

9.5 Filtrando notificações de Covid-19

9.5.1 Tratamento dos dados

9.5.2 Filtro de casos totais por município

9.5.3 Carregando códigos dos munícpios IBGE

9.5.4 União das bases “t” com codigos

9.5.5 Tratando frequencias NA

9.6 Taxa de mortalidade hospitalar por munícpio de internação

9.6.1 Proporção em 2020

9.6.2 Proporção em 2021

9.6.3 Proporção em 2022

9.7 Plotagem do gráfico

9.7.1 Dados do território de São Paulo

9.7.2 Convertendo dados para mesmo tipo

9.7.3 Join das bases

9.7.4 Tratando municípios sem registros

9.8 Mapa de calor para taxa de mortalidade hospitalar

9.8.1 Taxa em 2020

9.8.2 Taxa em 2021

9.8.3 Taxa em 2022

Referências