# instalar la última versión del paquete appliedepidata
pak::pak("appliedepi/appliedepidata")2 Descargando el manual y los datos
2.1 Descargar el manual sin conexión
Puedes descargar este manual y leerlo sin conexión a Internet. Cada idioma es un archivo zip que contiene todo el sitio: cada capítulo, cada imagen y la barra de navegación.
- Descarga el archivo zip de tu idioma y descomprímelo.
- Abre
index.htmlen la carpeta descomprimida para empezar a leer. - Consulta la página Paquetes recomendados para instalar los paquetes de R que necesitas antes de perder la conexión.
Para descargar el manual:
El archivo zip se reconstruye automáticamente, así que siempre sigue la última versión del manual.
2.2 Descarga los datos para seguir el manual
Para “seguir” las páginas del manual, puedes cargar los datos de ejemplo directamente en R con nuestro paquete R complementario, appliedepidata. Contiene todos los conjuntos de datos de ejemplo utilizados en este manual.
Instalar el paquete
appliedepidata no está en CRAN, así que instálalo desde su repositorio de Github con pak:
Cargar un conjunto de datos directamente
Utiliza get_data() con el name = del conjunto de datos para cargarlo directamente en R: sin descarga, sin ruta de archivo, sin paso import(). La función devuelve el conjunto de datos como un objeto de R (un data frame, un objeto sf, un árbol phylo, etc., según el conjunto de datos).
# cargar el listado de casos limpio directamente en R
linelist <- appliedepidata::get_data(name = "linelist_cleaned_rds")Cada página de este manual que utiliza datos de ejemplo muestra la llamada get_data(name = "...") necesaria para esa página, justo donde se usan los datos por primera vez.
Guardar un conjunto de datos en un archivo
Algunas páginas te enseñan a importar un archivo (por ejemplo un libro de Excel, o una carpeta de archivos) en lugar de un objeto de R. Para esas, utiliza save_data() con name = y path = para escribir los archivos reales en la carpeta que elijas:
# escribir el archivo Excel del listado de casos en bruto en tu directorio de trabajo
appliedepidata::save_data(name = "case_linelists_linelist_raw", path = getwd())Después puedes importarlo con import() como cualquier archivo de tu ordenador; consulta la página de Importar y exportar para más detalles. Ten en cuenta que save_data() no descomprime automáticamente los conjuntos de datos distribuidos como archivo .zip (por ejemplo los shapefiles de varios archivos, o las carpetas de archivos); utiliza después utils::unzip() sobre el .zip guardado.
Explorar los datos disponibles
-
appliedepidata::search_data()abre una aplicación Shiny interactiva para filtrar y buscar todos los conjuntos de datos del paquete por idioma y palabra clave. -
appliedepidata::list_data()devuelve un data frame con todos los nombres de los conjuntos de datos, para usarlo en tus scripts.
# explorar los conjuntos de datos de forma interactiva
appliedepidata::search_data()
# listar todos los nombres de los conjuntos de datos
appliedepidata::list_data()Si lo deseas, puedes revisar los archivos de datos originales en la carpeta “data” del repositorio de Github de appliedepidata.
Referencia de conjuntos de datos, por página
A continuación se indica el nombre que hay que usar con get_data()/save_data() para los datos de ejemplo citados en cada página de este manual.
Linelist
Se trata de un brote de ébola ficticio, ampliado por el equipo del manual a partir de los datos ebola_sim de las prácticas del paquete Outbreaks.
# el listado de casos "en bruto": una hoja de cálculo de Excel con datos desordenados
# úsalo para seguir la página de limpieza de datos y funciones básicas
raw_linelist <- appliedepidata::get_data(name = "case_linelists_linelist_raw")
# el listado de casos "en limpio": un archivo .rds de R que conserva los tipos de columnas
# úsalo para todas las demás páginas de este manual que usan el listado de casos
linelist <- appliedepidata::get_data(name = "linelist_cleaned_rds")
# el listado de casos "en limpio", como archivo Excel
linelist_excel <- appliedepidata::get_data(name = "linelist_cleaned_excel")- Parte de la página de limpieza utiliza un “diccionario de limpieza” (archivo .csv). Puedes cargarlo directamente en R ejecutando los siguientes comandos:
cleaning_dict <- appliedepidata::get_data(name = "case_linelists_cleaning_dict")Trabajando con Fechas
La página Trabajando con fechas usa recuentos de casos por distrito y fecha:
counts <- appliedepidata::get_data(name = "example_district_weekly_count_data")Escribir funciones
La página Escribir funciones usa un listado de casos del brote de gripe H7N9 de 2013 en China:
flu_china <- appliedepidata::get_data(name = "fluH7N9_China_2013")Iteración, bucles y listas
La página Iteración, bucles y listas importa un libro de Excel con una hoja por hospital. Guárdalo primero como archivo:
appliedepidata::save_data(name = "example_hospital_linelists", path = getwd())Importación y exportación
La página Importación y exportación importa el listado de casos desde archivos Excel. Guárdalos primero como archivos:
# el listado de casos en bruto
appliedepidata::save_data(name = "linelist_raw", path = getwd())
# el listado de casos limpio
appliedepidata::save_data(name = "linelist_cleaned", path = getwd())Recuento de datos de malaria
Estos datos son recuentos ficticios de casos de malaria por grupos de edad, centro y día. Un archivo .rds es un tipo de archivo específico de R que conserva los tipos de columnas. Esto asegura que sólo tendrás que hacer una limpieza mínima después de importar los datos a R.
malaria_data <- appliedepidata::get_data(name = "malaria_facility_count_data")Datos en escala Likert
Se trata de datos ficticios de una encuesta tipo Likert, utilizados en la página sobre Pirámides de población y escalas de Likert. Puedes cargar estos datos directamente en R ejecutando los siguientes comandos:
likert_data <- appliedepidata::get_data(name = "likert_data")Flexdashboard
A continuación se encuentran los enlaces a los archivos asociados a la página sobre Dashboards con R Markdown. Son archivos fuente de R Markdown/HTML, no conjuntos de datos de ejemplo, por lo que no forman parte del paquete appliedepidata. Descárgalos directamente desde Github:
Para descargar el código de R Markdown para el dashboard (panel de control) del brote, clica con el botón derecho en este enlace (Cmd+clic para Mac) y luego “Guardar enlace como”.
Para descargar el código HTML del dashboard, clica con el botón derecho en este enlace (Cmd+clic para Mac) y luego “Guardar enlace como”.
Rastreo de contactos
La página de rastreo de contactos analiza datos de ejemplo de rastreo de contactos de Go.Data. Estos datos forman parte de appliedepidata:
# datos de investigación de casos
cases <- appliedepidata::get_data(name = "cases_clean")
# datos de registro de contactos
contacts <- appliedepidata::get_data(name = "contacts_clean")
# datos de seguimiento de contactos
followups <- appliedepidata::get_data(name = "followups_clean")
# vínculos entre casos y contactos
relationships <- appliedepidata::get_data(name = "relationships_clean")NOTA: Los datos de rastreo de contactos estructurados de otro software (por ejemplo, KoBo, DHIS2 Tracker, CommCare) pueden tener un aspecto diferente. Si quieres contribuir con una muestra de datos alternativos o con contenido para esta página, por favor, ponte en contacto, con nosotros.
CONSEJO: Si estás utilizando Go.Data y quieres conectarte a tu instancia de la API, consulta la página de importación y exportación (sección API) y la Comunidad de Prácticas de Go.Data.
SIG (GIS)
Los shapefiles tienen varios archivos subcomponentes, cada uno con una extensión distinta. Un archivo tendrá la extensión “.shp”, pero otros pueden tener “.dbf”, “.prj”, etc. appliedepidata agrupa los subcomponentes de cada shapefile en un único .zip, así que usa save_data() y después descomprime:
# cargar el shapefile admin-3 de Sierra Leona directamente como objeto sf
sle_adm3 <- appliedepidata::get_data(name = "sle_adm3")
# cargar los puntos de los centros sanitarios como objeto sf
sle_hf <- appliedepidata::get_data(name = "sle_hf")
# cargar la tabla de población ADM3
sle_adm3_pop <- appliedepidata::get_data(name = "sle_admpop_adm3_2020")
# O guardar los subcomponentes originales del shapefile en una carpeta
shp_dir <- "sle_adm3_files"
dir.create(shp_dir)
appliedepidata::save_data(name = "sle_adm3", path = shp_dir)
utils::unzip(file.path(shp_dir, "sle_adm3.zip"), exdir = shp_dir)La página de Conceptos básicos de los SIG carga los tres conjuntos de datos: los límites admin-3 sle_adm3, los puntos de centros sanitarios sle_hf y la tabla de población sle_admpop_adm3_2020. Para leer un shapefile desde tu propia ruta de archivo, utiliza read_sf() del paquete sf. Esa página también enlaza al sitio Humanitarian Data Exchange, donde puedes descargar más shapefiles como archivos comprimidos. Los puntos de centros sanitarios, por ejemplo, están aquí.
Árboles filogenéticos
Mira la página sobre árboles filogenéticos. El archivo Newick con el árbol filogenético construido a partir de la secuenciación del genoma completo de 299 muestras de Shigella sonnei y los datos de las muestras correspondientes (convertidos en un archivo de texto). Las muestras belgas y los datos resultantes han sido proporcionados amablemente por el NRC belga para Salmonella y Shigella en el marco de un proyecto dirigido por un fellow del programa ECDC EUPHEM, y también se publicarán en un manuscrito. Los datos internacionales están disponibles en bases de datos públicas (ncbi) y han sido publicados previamente.
# el árbol filogenético, como objeto "phylo" (paquete ape)
tree <- appliedepidata::get_data(name = "Shigella_tree")
# información adicional sobre cada muestra
sample_data <- appliedepidata::get_data(name = "sample_data_Shigella_tree")
# el sub-árbol creado más adelante en la página
subtree <- appliedepidata::get_data(name = "Shigella_subtree_2")Estandarización
Consulta la página de tasas estandarizadas. Puedes cargar los datos directamente con los siguientes comandos:
##############
# Country A
##############
# demografía del país A
A_demo <- appliedepidata::get_data(name = "country_demographics")
# defunciones del país A
A_deaths <- appliedepidata::get_data(name = "deaths_countryA")
##############
# Country B
##############
# demografía del país B
B_demo <- appliedepidata::get_data(name = "country_demographics_2")
# defunciones del país B
B_deaths <- appliedepidata::get_data(name = "deaths_countryB")
# Población de referencia#
##########################
# población estándar de referencia
# world standard population, by sex
standard_pop_data <- appliedepidata::get_data(name = "world_standard_population_by_sex")Series temporales y detección de brotes
Véase la página sobre series temporales y detección de brotes. Utilizamos los casos de campylobacter notificados en Alemania entre 2002 y 2011, disponibles en el paquete R surveillance. (nb. este conjunto de datos ha sido adaptado del original, en el sentido de que se han eliminado 3 meses de datos de finales de 2011 para fines de demostración).
counts <- appliedepidata::get_data(name = "campylobacter_germany")También utilizamos datos climáticos de Alemania de 2002 a 2011 (temperatura en grados centígrados y lluvia caída en milímetros). Estos datos se descargaron de los datos del reanálisis por satélite Copernicus de la UE utilizando el paquete ecmwfr. appliedepidata los agrupa en un único .zip con diez archivos .nc anuales. get_data() lee todo el conjunto directamente como un único objeto stars; save_data() te da los archivos .nc originales si quieres inspeccionarlos o procesarlos tú.
# leer los datos climáticos combinados directamente como objeto stars
weather_data <- appliedepidata::get_data(name = "germany_weather")
# O guardar los archivos .nc anuales originales en una carpeta
weather_dir <- "germany_weather_files"
dir.create(weather_dir)
appliedepidata::save_data(name = "germany_weather", path = weather_dir)
utils::unzip(file.path(weather_dir, "germany_weather.zip"), exdir = weather_dir)Análisis de encuestas
Para el capítulo sobre análisis de encuestas utilizamos datos ficticios de encuestas de mortalidad basados en las plantillas de encuestas de MSF OCA. Estos datos ficticios se generaron como parte del proyecto “R4Epis”.
# datos ficticios de la encuesta
survey_data <- appliedepidata::get_data(name = "survey_data")
# diccionario de datos ficticio de la encuesta
survey_dict <- appliedepidata::get_data(name = "survey_dict")
# datos ficticios de población de la encuesta
population <- appliedepidata::get_data(name = "population")Shiny
El capítulo sobre Dashboards con Shiny demuestra la construcción de una sencilla aplicación para mostrar datos sobre la malaria. Los datos de la aplicación forman parte de appliedepidata:
malaria_data <- appliedepidata::get_data(name = "malaria_facility_count_data")Los scripts R de la aplicación no son datos de ejemplo, así que no forman parte de appliedepidata; descárgalos directamente de Github:
Puedes clicar aquí para descargar el archivo global.R que debe ejecutarse antes de que se abra la aplicación, como se explica en dicho capítulo.
Puedes clicar aquí para descargar el archivo plot_epicurve.R que global.R carga con source(). Ten en cuenta que puede necesitar almacenarlo dentro de una carpeta “funcs” para que las rutas de los archivos here() funcionen correctamente.