# instalar a versão mais recente do pacote appliedepidata
pak::pak("appliedepi/appliedepidata")2 Baixe o livro e os dados
2.1 Baixe o livro offline
Você pode baixar este livro e lê-lo sem conexão com a Internet. Cada idioma é um arquivo zip que contém o site inteiro: cada capítulo, cada imagem e a barra de navegação.
- Baixe o arquivo zip do seu idioma e descompacte-o.
- Abra
index.htmlna pasta descompactada para começar a ler. - Veja a página Pacotes sugeridos para instalar os pacotes R de que você precisa antes de perder a conexão.
Para baixar o livro:
O arquivo zip é reconstruído automaticamente, então ele sempre acompanha a versão mais recente do livro.
2.2 Baixe os dados para acompanhar
Para “acompanhar” as páginas do manual, você pode carregar os dados de exemplo diretamente no R com o nosso pacote R complementar, appliedepidata. Ele contém todos os conjuntos de dados de exemplo usados neste manual.
Instalar o pacote
O appliedepidata não está no CRAN, então instale-o a partir do seu repositório do Github com o pak:
Carregar um conjunto de dados diretamente
Use get_data() com o name = do conjunto de dados para carregá-lo diretamente no R — sem download, sem caminho de arquivo, sem etapa de import(). A função retorna o conjunto de dados como um objeto do R (um data frame, um objeto sf, uma árvore phylo, etc., dependendo do conjunto de dados).
# carregar a linelist limpa diretamente no R
linelist <- appliedepidata::get_data(name = "linelist_cleaned_rds")Cada página deste manual que usa dados de exemplo mostra a chamada get_data(name = "...") necessária para aquela página, exatamente onde os dados são usados pela primeira vez.
Salvar um conjunto de dados em um arquivo
Algumas páginas ensinam a importar um arquivo (por exemplo uma planilha do Excel, ou uma pasta de arquivos) em vez de um objeto do R. Para essas, use save_data() com name = e path = para gravar os arquivos reais em uma pasta de sua escolha:
# gravar o arquivo Excel da linelist bruta no seu diretório de trabalho
appliedepidata::save_data(name = "case_linelists_linelist_raw", path = getwd())Depois você pode importá-lo com import() como qualquer arquivo do seu computador — veja a página Importar e exportar para mais detalhes. Observe que save_data() não descompacta automaticamente os conjuntos de dados distribuídos como um .zip (por exemplo shapefiles de vários arquivos, ou pastas de arquivos); use utils::unzip() no .zip salvo depois.
Explorar os dados disponíveis
-
appliedepidata::search_data()abre um aplicativo Shiny interativo para filtrar e pesquisar todos os conjuntos de dados do pacote por idioma e palavra-chave. -
appliedepidata::list_data()retorna um data frame listando todos os nomes de conjuntos de dados, para uso em scripts.
# explorar os conjuntos de dados de forma interativa
appliedepidata::search_data()
# listar todos os nomes de conjuntos de dados
appliedepidata::list_data()Se desejar, você também pode revisar os arquivos de dados originais na pasta “data” do repositório do Github do appliedepidata.
Referência de conjuntos de dados, por página
Abaixo está o nome a ser usado com get_data()/save_data() para os dados de exemplo citados em cada página deste manual.
“Linelist” de casos
Este é um surto fictício de Ebola, expandido pela equipe do livro a partir do conjunto de dados de prática ebola_sim no pacote outbreaks.
# the "raw" linelist - an Excel spreadsheet with messy data
# use this to follow along with the Cleaning data and core functions page
raw_linelist <- appliedepidata::get_data(name = "case_linelists_linelist_raw")
# the "clean" linelist - an R-specific .rds file that preserves column classes
# use this for all other pages of this handbook that use the linelist
linelist <- appliedepidata::get_data(name = "linelist_cleaned_rds")
# the "clean" linelist, as an Excel file instead
linelist_excel <- appliedepidata::get_data(name = "linelist_cleaned_excel")Parte da página de limpeza usa um “dicionário de limpeza” (arquivo .csv). Você pode carregá-lo diretamente no R executando os seguintes comandos:
cleaning_dict <- appliedepidata::get_data(name = "case_linelists_cleaning_dict")Trabalhando com datas
A página Trabalhando com datas usa contagens de casos por distrito e data:
counts <- appliedepidata::get_data(name = "example_district_weekly_count_data")Escrevendo funções
A página Escrevendo funções usa uma linelist do surto de influenza H7N9 de 2013 na China:
flu_china <- appliedepidata::get_data(name = "fluH7N9_China_2013")Iterações, loops e listas
A página Iterações, loops e listas importa uma pasta de trabalho do Excel com uma planilha por hospital. Salve-a primeiro como arquivo:
appliedepidata::save_data(name = "example_hospital_linelists", path = getwd())Importar e exportar
A página Importar e exportar importa a linelist a partir de arquivos Excel. Salve-os primeiro como arquivos:
# a linelist bruta
appliedepidata::save_data(name = "linelist_raw", path = getwd())
# a linelist limpa
appliedepidata::save_data(name = "linelist_cleaned", path = getwd())Dados de contagem de malária
Esses dados são contagens fictícias de casos de malária por faixa etária, serviço e dia. Um arquivo .rds é um tipo de arquivo específico de R que preserva classes de coluna. Isso garante que você terá apenas uma limpeza mínima para fazer após importar os dados para R.
malaria_data <- appliedepidata::get_data(name = "malaria_facility_count_data")Dados em escala Likert
Estes são dados fictícios de uma pesquisa no estilo Likert, usados na página Pirâmides demográficas e escalas Likert. Você pode carregar esses dados diretamente no R executando os seguintes comandos:
likert_data <- appliedepidata::get_data(name = "likert_data")Painéis com flexdashboard
Abaixo estão os links para o arquivo associado à página em Painéis (Dashboards) com R Markdown. Estes são arquivos-fonte R Markdown/HTML, e não conjuntos de dados de exemplo, portanto não fazem parte do pacote appliedepidata - baixe-os diretamente do Github:
Rastreamento de contato
A página Rastreamento de contato analisa dados de exemplo de rastreamento de contatos do Go.Data. Estes dados fazem parte do appliedepidata:
# dados de investigação dos casos
cases <- appliedepidata::get_data(name = "cases_clean")
# dados de registro dos contatos
contacts <- appliedepidata::get_data(name = "contacts_clean")
# dados de acompanhamento dos contatos
followups <- appliedepidata::get_data(name = "followups_clean")
# ligações entre casos e contatos
relationships <- appliedepidata::get_data(name = "relationships_clean")NOTA: Dados de rastreamento de contato estruturado de outro software (por exemplo, KoBo, DHIS2 Tracker, CommCare) podem parecer diferentes. Se desejar contribuir com dados de amostra ou conteúdo alternativo para esta página, entre em contato.
DICA: Se você estiver implantando Go.Data e quiser se conectar à API da sua instância, consulte a página Importar e exportar (seção API) e a Go.Data Community of Practice.
GIS
Os shapefiles têm muitos arquivos de subcomponentes, cada um com uma extensão diferente. Um arquivo terá a extensão “.shp”, mas outros podem ter “.dbf”, “.prj”, etc. O appliedepidata agrupa os subcomponentes de cada shapefile em um único .zip, então use save_data() e depois descompacte:
# carregar o shapefile admin-3 de Serra Leoa diretamente como objeto sf
sle_adm3 <- appliedepidata::get_data(name = "sle_adm3")
# carregar os pontos dos estabelecimentos de saúde como objeto sf
sle_hf <- appliedepidata::get_data(name = "sle_hf")
# carregar a tabela de população ADM3
sle_adm3_pop <- appliedepidata::get_data(name = "sle_admpop_adm3_2020")
# OU salvar os arquivos de subcomponentes originais do shapefile em uma pasta
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)A página GIS básico carrega os três conjuntos de dados: os limites admin-3 sle_adm3, os pontos dos estabelecimentos de saúde sle_hf e a tabela de população sle_admpop_adm3_2020. Para ler um shapefile a partir do seu próprio caminho de arquivo, use read_sf() do pacote sf. Essa página também traz links para o site Humanitarian Data Exchange, onde você pode baixar outros shapefiles como arquivos compactados. Os pontos dos estabelecimentos de saúde, por exemplo, estão aqui.
Árvores filogenéticas
Veja a página sobre Árvores filogenéticas. Arquivo Newick da árvore filogenética construída a partir do sequenciamento do genoma completo de 299 amostras de Shigella sonnei e dados de amostra correspondentes (convertidos em um arquivo de texto). As amostras belgas e os dados resultantes são gentilmente fornecidos pelo NRC belga para Salmonella e Shigella no âmbito de um projeto conduzido por um bolsista ECDC EUPHEM, e também serão publicados em um manuscrito. Os dados internacionais estão disponíveis abertamente em bases de dados públicas (NCBI) e foram publicados previamente.
# a árvore filogenética, como objeto "phylo" (pacote ape)
tree <- appliedepidata::get_data(name = "Shigella_tree")
# informações adicionais sobre cada amostra
sample_data <- appliedepidata::get_data(name = "sample_data_Shigella_tree")
# a sub-árvore criada mais adiante na página
subtree <- appliedepidata::get_data(name = "Shigella_subtree_2")Padronização
Consulte a página sobre Taxas padronizadas. Você pode carregar os dados diretamente com os seguintes comandos:
##############
# Country A
# País A
# dados demográficos do país A
A_demo <- appliedepidata::get_data(name = "country_demographics")
# mortes do país A
A_deaths <- appliedepidata::get_data(name = "deaths_countryA")
# País B
# dados demográficos do país B
##############
# demographics for country B
B_demo <- appliedepidata::get_data(name = "country_demographics_2")
# mortes do país B
B_deaths <- appliedepidata::get_data(name = "deaths_countryB")
# população padrão de referência
# Reference Pop
###############
# world standard population, by sex
standard_pop_data <- appliedepidata::get_data(name = "world_standard_population_by_sex")Séries temporais e detecção de surto
Consulte a página em Séries temporais e detecção de surto. Usamos casos de Campylobacter relatados na Alemanha 2002-2011, conforme disponível no pacote surveillance R. (nb. este conjunto de dados foi adaptado do original, em que 3 meses de dados foram excluídos do final de 2011 para fins de demonstração).
counts <- appliedepidata::get_data(name = "campylobacter_germany")Também usamos dados climáticos da Alemanha 2002-2011 (temperatura em graus Celsius e queda de chuva em milímetros). Eles foram baixados do conjunto de dados de reanálise do satélite Copernicus da UE usando o pacote ecmwfr. O appliedepidata os agrupa em um único .zip com dez arquivos .nc anuais. get_data() lê o conjunto inteiro diretamente como um único objeto stars; save_data() fornece os arquivos .nc originais se você quiser inspecioná-los ou processá-los.
# ler os dados climáticos combinados diretamente como objeto stars
weather_data <- appliedepidata::get_data(name = "germany_weather")
# OU salvar os arquivos .nc anuais originais em uma pasta
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)Análise da pesquisa
Para a página análise da pesquisa, usamos dados fictícios de pesquisa de mortalidade baseados em modelos de pesquisa OCA do MSF. Esses dados fictícios foram gerados como parte do projeto “R4Epis”.
# dados fictícios da pesquisa
survey_data <- appliedepidata::get_data(name = "survey_data")
# dicionário de dados fictício da pesquisa
survey_dict <- appliedepidata::get_data(name = "survey_dict")
# dados populacionais fictícios da pesquisa
population <- appliedepidata::get_data(name = "population")Shiny
A página em Painéis com Shiny demonstra a construção de um aplicativo simples para exibir dados da malária. Os dados do aplicativo fazem parte do appliedepidata:
malaria_data <- appliedepidata::get_data(name = "malaria_facility_count_data")Os scripts R do aplicativo não são dados de exemplo, portanto não fazem parte do appliedepidata — baixe-os diretamente do Github:
Você pode clique aqui para baixar o arquivo global.R que deve ser executado antes da abertura do aplicativo, conforme explicado na página.
Você pode clique aqui para baixar o arquivo plot_epicurve.R que é carregado com source() pelo global.R. Observe que pode ser necessário armazená-lo em uma pasta “funcs” para que os caminhos de arquivo here() funcionem corretamente.