Visualización¶

Ahora que ya tenemos idea de cómo procesar los datos y conocemos más o menos su contenido, podemos empezar a hacer algunas visualizaciones. En general, el flujo de análisis de datos va y viene entre el preproceso, la visualización y el análisis. El tipo de preproceso va ligado a las visualizaciones que queremos hacer y estas van mostrando el camino del análisis, por lo tanto en la vida real uno siempre está yendo y viniendo entre estas etapas.

En este taller vamos a explorar gráficamente los datos y empezarnos a hacer preguntas sobre ellos, preguntas que intentaremos ir respondiendo con nuevas visualizaciones. Para ello vamos a partir de la base de datos que construimos en el taller anterior.

Como siempre, lo primero es importar las librerías que vamos a utlizar

In [1]:
import plotly.express as px
import pandas as pd
import seaborn as sns
from datetime import timedelta, date, datetime

Ahora sí podemos leer los datos.

In [2]:
df = pd.read_pickle("data/datos_covid_ene19.pkl")
df
Out[2]:
FECHA_ACTUALIZACION ID_REGISTRO ORIGEN SECTOR ENTIDAD_UM SEXO ENTIDAD_NAC ENTIDAD_RES MUNICIPIO_RES TIPO_PACIENTE ... TOMA_MUESTRA_ANTIGENO_BIN MIGRANTE_BIN UCI_BIN DEFUNCION AÑO_INGRESO MES_INGRESO DIA_SEMANA_INGRESO SEMANA_AÑO_INGRESO DIA_MES_INGRESO DIA_AÑO_INGRESO
FECHA_INGRESO
2020-07-06 2022-01-18 z12d63 2 12 CIUDAD DE MÉXICO 2 CIUDAD DE MÉXICO CIUDAD DE MÉXICO VENUSTIANO CARRANZA AMBULATORIO ... 0 0 0 0 2020 7 0 28 6 188
2020-09-23 2022-01-18 z13788 1 12 CIUDAD DE MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO CUAJIMALPA DE MORELOS AMBULATORIO ... 0 0 0 0 2020 9 2 39 23 267
2020-06-15 2022-01-18 z2b144 2 12 CIUDAD DE MÉXICO 1 MÉXICO CIUDAD DE MÉXICO AZCAPOTZALCO AMBULATORIO ... 0 0 0 0 2020 6 0 25 15 167
2020-12-21 2022-01-18 z526b3 2 12 CIUDAD DE MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO TLALPAN AMBULATORIO ... 1 0 0 0 2020 12 0 52 21 356
2020-04-22 2022-01-18 z3d1e2 2 12 CIUDAD DE MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO GUSTAVO A. MADERO AMBULATORIO ... 0 0 0 0 2020 4 2 17 22 113
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
2021-10-11 2022-01-18 m00073e 2 12 MÉXICO 2 NO ESPECIFICADO CIUDAD DE MÉXICO CUAUHTÉMOC AMBULATORIO ... 1 0 0 0 2021 10 0 41 11 284
2021-10-13 2022-01-18 m030623 2 12 MÉXICO 2 MÉXICO CIUDAD DE MÉXICO TLÁHUAC AMBULATORIO ... 1 0 0 0 2021 10 2 41 13 286
2021-10-13 2022-01-18 m049633 2 12 MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO GUSTAVO A. MADERO AMBULATORIO ... 0 0 0 0 2021 10 2 41 13 286
2021-10-13 2022-01-18 m160d02 2 12 MÉXICO 2 CIUDAD DE MÉXICO CIUDAD DE MÉXICO GUSTAVO A. MADERO AMBULATORIO ... 1 0 0 0 2021 10 2 41 13 286
2021-10-14 2022-01-18 m0da9ec 2 12 MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO GUSTAVO A. MADERO AMBULATORIO ... 1 0 0 0 2021 10 3 41 14 287

4279037 rows × 69 columns

Curvas epidémicas¶

Por lo pronto vamos a concentrarnos en la iodea de las Cuervas Epidémicas es decir, la evolución temporal de los casos confirmados y las defunciones. Si consultamos los diccionarios de datos, podemos ver que los casos confirmados para COVID-19 corresponden a 3 categorías de la columna clasificación final:

  1. CASO DE COVID-19 CONFIRMADO POR ASOCIACIÓN CLÍNICA EPIDEMIOLÓGICA
  2. CASO DE COVID-19 CONFIRMADO POR COMITÉ DE DICTAMINACIÓN
  3. CASO DE SARS-COV-2 CONFIRMADO

mientras que las defunciones corresponden a todos aquellos registros que tengan una fecha de defunción válida, es decir, en nuestros datos preprocesados, todas las fechas válidas.

Curva de casos confirmados¶

In [3]:
df.CLASIFICACION_FINAL.unique()
Out[3]:
array(['CASO SOSPECHOSO', 'CASO DE SARS-COV-2  CONFIRMADO',
       'NO REALIZADO POR LABORATORIO', 'NEGATIVO A SARS-COV-2',
       'CASO DE COVID-19 CONFIRMADO POR ASOCIACIÓN CLÍNICA EPIDEMIOLÓGICA',
       'INVÁLIDO POR LABORATORIO',
       'CASO DE COVID-19 CONFIRMADO POR COMITÉ DE  DICTAMINACIÓN'],
      dtype=object)
In [4]:
valores_confirmados = ['CASO DE COVID-19 CONFIRMADO POR ASOCIACIÓN CLÍNICA EPIDEMIOLÓGICA',
                       'CASO DE COVID-19 CONFIRMADO POR COMITÉ DE  DICTAMINACIÓN',
                       'CASO DE SARS-COV-2  CONFIRMADO']
confirmados = df.loc[df['CLASIFICACION_FINAL'].isin(valores_confirmados)]
confirmados.head()
Out[4]:
FECHA_ACTUALIZACION ID_REGISTRO ORIGEN SECTOR ENTIDAD_UM SEXO ENTIDAD_NAC ENTIDAD_RES MUNICIPIO_RES TIPO_PACIENTE ... TOMA_MUESTRA_ANTIGENO_BIN MIGRANTE_BIN UCI_BIN DEFUNCION AÑO_INGRESO MES_INGRESO DIA_SEMANA_INGRESO SEMANA_AÑO_INGRESO DIA_MES_INGRESO DIA_AÑO_INGRESO
FECHA_INGRESO
2020-09-23 2022-01-18 z13788 1 12 CIUDAD DE MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO CUAJIMALPA DE MORELOS AMBULATORIO ... 0 0 0 0 2020 9 2 39 23 267
2020-12-21 2022-01-18 z526b3 2 12 CIUDAD DE MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO TLALPAN AMBULATORIO ... 1 0 0 0 2020 12 0 52 21 356
2020-04-22 2022-01-18 z3d1e2 2 12 CIUDAD DE MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO GUSTAVO A. MADERO AMBULATORIO ... 0 0 0 0 2020 4 2 17 22 113
2020-10-07 2022-01-18 zz9079 2 12 CIUDAD DE MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO IZTAPALAPA AMBULATORIO ... 0 0 0 0 2020 10 2 41 7 281
2020-09-08 2022-01-18 z2770b 1 12 CIUDAD DE MÉXICO 1 CIUDAD DE MÉXICO CIUDAD DE MÉXICO IZTACALCO AMBULATORIO ... 0 0 0 0 2020 9 1 37 8 252

5 rows × 69 columns

Ahora tenemos una tabla con todos los casos confirmados, para hacer una curva epidémica, tenemos que agregar en una escala temporal. Lo más sencillo es primero agragar por día y a partir de ahí podemos construir agregados para cualquier intervalo que queramos.

Para poder construir las curvas epidémicas necesitamos decidir cuáál fecha de todas las disponibles vamos a utilizar para agregar los casos. En este caso, la DGE sugiere utilizar la fecha de inicio de síntomas (FECHA_SINTOMAS) para construir la curva de casos confirmados y la de defunción (FECHA_DEF) para la curva de defunciones.

Entonces, para construir la curva de confirmados lo primero que tenemos que hacer es indexar el DataFrame por la fecha de inicio de síntomas

In [5]:
confirmados = confirmados.set_index('FECHA_SINTOMAS')
confirmados.index
Out[5]:
DatetimeIndex(['2020-09-23', '2020-12-18', '2020-04-20', '2020-10-06',
               '2020-09-03', '2020-10-16', '2020-12-22', '2020-03-03',
               '2020-03-03', '2020-03-03',
               ...
               '2021-09-07', '2021-09-02', '2021-09-21', '2021-09-28',
               '2021-10-06', '2021-10-01', '2021-10-02', '2021-10-03',
               '2021-10-03', '2021-10-03'],
              dtype='datetime64[ns]', name='FECHA_SINTOMAS', length=1109842, freq=None)

Entonces es fácil construir agregados diarios, sólo tenemos que seleccionar qué columnas queremos agregar. Por lo pronto hagamos un conteo sólo de casos confirmados. Para eso sólo tenemos que agrupár el ídice usando una frecuencia diaría y tomar el tamaño de los grupos (de alguna columna, realmente no importa cual).

In [6]:
confirmados_diarios = (confirmados
                       .groupby(pd.Grouper(freq='D'))[['ID_REGISTRO']] # grupos por dia y seleccionamos 'ID_REGISTRO'
                       .size() # Calculamos el tamaño de cada grupo
                       .reset_index() # Convertimos el resultado (que es una serie) en DataFrame
                       .rename({0:'Confirmados'}, axis=1) # Le damos nombre a la columna que obtenemos
                       )
confirmados_diarios
Out[6]:
FECHA_SINTOMAS Confirmados
0 2020-02-22 1
1 2020-02-23 1
2 2020-02-24 0
3 2020-02-25 0
4 2020-02-26 0
... ... ...
691 2022-01-13 3829
692 2022-01-14 3068
693 2022-01-15 1860
694 2022-01-16 665
695 2022-01-17 1029

696 rows × 2 columns

Con estos datos podemos usar Plotly para hacer una gráfica interactiva de forma muy sencilla.

In [7]:
fig = px.line(confirmados_diarios, x='FECHA_SINTOMAS', y="Confirmados")
fig.show()