def plot_predictions(offset, melted_traces, dias=365):
htrace = melted_traces[melted_traces.Estado ==
'Hospitalizações Acumuladas']
mtrace = melted_traces[melted_traces.Estado == 'Mortes Acumuladas']
htrace.loc[:, 'dtime'] = htrace.time.astype(int)
mtrace.loc[:, 'dtime'] = mtrace.time.astype(int)
htrace = htrace.groupby('dtime').mean()
mtrace = mtrace.groupby('dtime').mean()
data = dashboard_data.get_data()
region_name, data_uf = dashboard_data.get_data_uf(data, False, [],
"Casos Confirmados")
region_name, m_data_uf = dashboard_data.get_data_uf(
data, False, [], "Mortes Acumuladas")
drange = pd.date_range(
data_uf[data_uf['Casos Confirmados'] > 0].date.min() -
timedelta(offset),
periods=dias,
freq='D')
fig, ax = plt.subplots(1, 1)
ax.semilogy(drange,
htrace['Indivíduos'].values,
'-v',
label='Casos previstos')
ax.semilogy(drange,
mtrace['Indivíduos'].values,
'-v',
label='Mortes previstas')
data_uf.loc[:, 'date2'] = data_uf.date
data_uf.set_index('date2', inplace=True)
data_uf[data_uf['Casos Confirmados'] > 0]['Casos Confirmados'].plot(
ax=ax, style='o', label='Dados oficiais', grid=True, logy=True)
m_data_uf.loc[:, 'date2'] = m_data_uf.date
m_data_uf.set_index('date2', inplace=True)
m_data_uf[m_data_uf['Mortes Acumuladas'] > 0]['Mortes Acumuladas'].plot(
ax=ax, style='o', label='Mortes oficiais', grid=True, logy=True)
ax.set_xlabel('Data (dias)')
ax.set_ylabel('Casos acumulados')
plt.legend()
st.pyplot()
def main():
st.sidebar.image(logo, use_column_width=True)
page = st.sidebar.selectbox("Escolha uma Análise", [
HOME, MODELS, DATA, PAGE_CASE_DEATH_NUMBER_BR, CUM_DEATH_CART,
PAGE_GLOBAL_CASES, MAPA, CREDITOS
])
if page == HOME:
st.header("Analizando a pandemia")
st.markdown(
"""Neste site buscamos trazer até você os números da epidemia, a medida que se revelam,
mas também um olhar analítico, capaz de desvelar a dinâmica do processo de transmissão do vírus SARS-Cov-2
por meio de modelos matemáticos, análises estatísticas e visualização de informação.
Pelo *painel à esquerda* você pode ***navegar entre nossas análises***, as quais estaremos atualizando constantemente
daqui para frente.
## Outros Recursos de Interesse
Vamos compilar aqui também outras fontes de informação de confiança para que você possa se manter atualizado
com os últimos resultados científicos sobre a Pandemia.
* Canal [A Matemática das Epidemias](https://www.youtube.com/channel/UCZFllLoI5kB4o_6w59YVzAA?view_as=subscriber).
* Grupo MAVE: [Métodos Analíticos em Vigilância Epidemiológica](https://covid-19.procc.fiocruz.br).
## Fontes de Dados
As sguintes fontes de dados foram usadas neste projeto:
* [Brasil.io](https://brasil.io): Dados de incidência e mortalidade no Brasil
* [Johns Hopkins CSSE](https://github.com/CSSEGISandData/COVID-19): Dados de incidência e mortalidade globais.
## Softwares opensource
Várias bibliotecas opensource foram utilizadas na construção deste dashboard:
* [Streamlit](streamlit.io): Web framework voltada para ciência de dados.
* [Epimodels](https://github.com/fccoelho/epimodels): Biblioteca de modelos matemáticos para simulação de epidemias.
""")
dashboard_data.get_data()
elif page == MODELS:
st.title("Explore a dinâmica da COVID-19")
st.sidebar.markdown("### Parâmetros do modelo")
chi = st.sidebar.slider('χ, Fração de quarentenados', 0.0, 1.0, 0.7)
phi = st.sidebar.slider('φ, Taxa de Hospitalização', 0.0, 0.5, 0.01)
beta = st.sidebar.slider('β, Taxa de transmissão', 0.0, 1.0, 0.5)
rho = st.sidebar.slider('ρ, Taxa de alta dos hospitalizados:', 0.0,
1.0, 0.02)
delta = st.sidebar.slider('δ, Taxa de recuperação:', 0.0, 1.0, 0.1)
alpha = st.sidebar.slider('α, Taxa de incubação', 0.0, 10.0, .33)
mu = st.sidebar.slider('μ, Taxa de mortalidade pela COVID-19', 0.0,
1.0, .01)
p = st.slider('Fração de assintomáticos:', 0.0, 1.0, 0.75)
q = st.slider('Dia de início da Quarentena:', 1, 165, 50)
r = st.slider('duração em dias da Quarentena:', 0, 200, 10)
N = st.number_input('População em Risco:',
value=97.3e6,
max_value=200e6,
step=1e6)
st.markdown(
f"""$R_0={-(beta * chi - beta) / delta:.2f}$, durante a quarentena.  
$R_0={-(beta * 0 - beta) / delta:.2f}$, fora da quarentena."""
)
params = {
'chi': chi,
'phi': phi,
'beta': beta,
'rho': rho,
'delta': delta,
'alpha': alpha,
'mu': mu,
'p': p,
'q': q,
'r': r
}
traces = pd.DataFrame(data=seqiahr_model(params=params)).rename(
columns=COLUMNS)
final_traces = dashboard_models.prepare_model_data(
traces, VARIABLES, COLUMNS, N)
# Dataframes
Hospitalizacoes = traces['Hospitalizações Acumuladas']
Hosp_t = traces['Hospitalizados']
Mortes = traces['Mortes Acumuladas']
Infectados = traces['Infectados']
Recuperados = traces['Recuperados']
# Valores
pico_infectados = Infectados.iloc[Infectados.idxmax()]
pico_hosp = Hosp_t.iloc[Hosp_t.idxmax()]
pico_mortes = Mortes.iloc[Mortes.diff().idxmax()]
Hospitalizacoes_totais = Hospitalizacoes.iloc[-1]
mortes_totais = Mortes.iloc[-1]
inf_tot = N - Recuperados.iloc[-1] - mortes_totais
stats = pd.DataFrame(data={
'Pico': [
hp.intword(pico_infectados * N),
hp.intword(pico_hosp * N),
hp.intword(pico_mortes * N)
],
'Total': [
hp.intword(inf_tot),
hp.intword(Hospitalizacoes_totais * N),
hp.intword(mortes_totais * N)
]
},
index=['Infecções', 'Hospitalizações', 'Mortes'])
st.markdown(f"""### Números importantes da simulação""")
st.dataframe(stats)
st.markdown(
f"""O pico das hospitalizações ocorrerá após {Hosp_t.idxmax()} dias"""
)
st.markdown(
f"""O pico das Mortes ocorrerá após {Mortes.diff().idxmax()} dias"""
)
dashboard_models.plot_model(final_traces, q, r)
st.markdown('''### Comparando Projeções e Dados
Podemos agora comparar nossa série simulada de Hospitalizações acumuladas com o número de casos acumulados
de notificações oficiais.
''')
ofs = st.number_input("Atraso no início da notificação (dias)",
value=15,
min_value=0,
max_value=90,
step=1)
st.markdown(
'Na caixa acima, você pode mover lateralmente a curva, Assumindo que os primeiro caso '
'notificado não corresponde ao início da transmissão')
dashboard_models.plot_predictions(ofs, final_traces, dias=365)
st.markdown('### Formulação do modelo')
st.write(r"""
$\frac{dS}{dt}=-\lambda[(1-\chi) S]$
$\frac{dE}{dt}= \lambda [(1-\chi) S] -\alpha E$
$\frac{dI}{dt}= (1-p)\alpha E - \delta I$
$\frac{dA}{dt}= p\alpha E -\delta A$
$\frac{dH}{dt}= \phi \delta I -(\rho+\mu) H$
$\frac{dR}{dt}= (1-\phi)\delta I +\rho H + \delta A$
$\lambda=\beta(I+A)$
$R_0 = -\frac{\beta \chi -\beta}{\delta}$
""")
elif page == DATA:
st.title('Probabilidade de Epidemia por Município ao Longo do tempo')
@st.cache
def read_video():
with open('dashboard/video_prob.mp4', 'rb') as v:
video = v.read()
return video
st.video(read_video())
st.markdown(r'''## Descrição da modelagem:
Os municípios brasileiros são conectados por uma malha de transporte muito bem desenvolvida e através desta,
cidadãs e cidadãos viajam diariamente entre as cidades para trabalhar, estudar e realizar outras atividades.
Considerando o fluxo de indivíduos (infectados) que chega em um município em um determinado dia, caso este município
ainda não estejam em transmissão comunitária, podemos calcular a probabilidade de uma epidemia se estabelecer.
Esta probabilidade é dada por esta fórmula:
$$P_{epi}=1-\left(\frac{1}{R_0}\right)^{I_0}$$,
onde $I_0$ é o número de infectados chegando diáriamente no município. Neste cenário usamos um $R_0=2.5$.
''')
elif page == PAGE_CASE_DEATH_NUMBER_BR:
st.title(PAGE_CASE_DEATH_NUMBER_BR)
x_variable = "date"
y_variable = "Casos Confirmados"
y_variable2 = "Mortes Acumuladas"
data = dashboard_data.get_data()
ufs = sorted(list(data.state.drop_duplicates().values))
uf_option = st.multiselect("Selecione o Estado", ufs)
city_options = None
if uf_option:
cities = dashboard_data.get_city_list(data, uf_option)
city_options = st.multiselect("Selecione os Municípios", cities)
is_log = st.checkbox('Escala Logarítmica', value=False)
region_name, data_uf_confirmed = dashboard_data.get_data_uf(
data, uf_option, city_options, y_variable)
region_name, data_uf_deaths = dashboard_data.get_data_uf(
data, uf_option, city_options, y_variable2)
figure = dashboard_data.plot_series(data_uf_confirmed, x_variable,
y_variable, region_name, is_log)
figure = dashboard_data.add_series(figure, data_uf_deaths, x_variable,
y_variable2, region_name, is_log)
st.plotly_chart(figure)
st.markdown(
"**Fonte**: [brasil.io](https://brasil.io/dataset/covid19/caso)")
st.markdown(r"""## Evolução da Mortalidade por Estado Brasileiro
No gráfico abaixo, podemos ver como a mortalidade(Fração dos casos confirmados que foi a óbito) está evoluindo
com o tempo em cada estado.
É importante lembrar que estes números não representam todas as mortes por COVID-19 no país, pois apenas as mortes de
casos testados e confirmados são efetivamente contadas como mortes oficiais pela COVID-19. Devido à escassez de testes e
recomendações sobre quem deve ser testado, existe um viés nestas estimativas.
Na figura abaixo o eixo vertical representa a mortalidade: $\frac{mortes}{casos}$, o eixo Horizontal representa o número
total de casos. O tamanho dos círculos representa o número total de mortes em cada estado. Este gráfico é mais fácil de
ser estudado em tela cheia. clicando na legenda é possível "ligar" e "desligar" a visualização dos estados individualmente,
para facilitar a visualização dos demais. Passsndo o Mouse por sobre os circulos, podemos ler os valores da mortalidade e
da data a que corresponde.
""")
dashboard_data.plot_scatter_CFR(data)
st.markdown('''## Excesso de mortes em SP
Abaixo, exploramos o excesso de mortalidade no estado de são que a COVID-19 representa, quando compara à média dos
últimos 10 anos de mortes por doenças respiratorias com causa viral.
''')
dashboard_data.plot_excess_deaths(data)
# elif page == CUM_DEATH_COUNT_BR:
# st.title(CUM_DEATH_COUNT_BR)
# x_variable = "date"
# y_variable = "Mortes Acumuladas"
# data = dashboard_data.get_data()
# ufs = sorted(list(data.state.drop_duplicates().values))
# uf_option = st.multiselect("Selecione o Estado", ufs)
#
# city_options = None
# if uf_option:
# cities = dashboard_data.get_city_list(data, uf_option)
# city_options = st.multiselect("Selecione os Municípios", cities)
#
# is_log = st.checkbox('Escala Logarítmica', value=False)
# region_name, data_uf = dashboard_data.get_data_uf(
# data,
# uf_option,
# city_options,
# y_variable
# )
#
# dashboard_data.plot_series(data_uf, x_variable, y_variable, region_name, is_log)
# st.markdown("**Fonte**: [brasil.io](https://brasil.io/dataset/covid19/caso)")
elif page == CUM_DEATH_CART:
st.title(CUM_DEATH_CART)
x_variable = "date"
y_variable = "deaths_covid19"
data = dashboard_data.get_data_from_source(
dashboard_data.BRASIL_IO_CART, usecols=None, rename_cols=None)
ufs = sorted(list(data.state.drop_duplicates().values))
uf_option = st.multiselect("Selecione o Estado", ufs)
is_log = st.checkbox('Escala Logarítmica', value=False)
city_options = None
region_name, data_uf = dashboard_data.get_data_cart(
data, uf_option, y_variable)
fig = dashboard_data.plot_series(data_uf, x_variable, y_variable,
region_name, is_log)
st.plotly_chart(fig)
st.markdown(
"**Fonte**: [brasil.io](https://brasil.io/dataset/covid19/obito_cartorio)"
)
elif page == MAPA:
# Precisa refatorar
st.title("Distribuição Geográfica de Casos")
cases = dashboard_data.get_data()
estados = dashboard_data.load_lat_long()
estados['casos'] = 0
cases = cases[cases.place_type != 'state'].groupby(['date',
'state']).sum()
cases.reset_index(inplace=True)
for i, row in estados.iterrows():
if row.Estados in list(cases.state):
estados.loc[estados.Estados == row.Estados, 'casos'] += \
cases[(cases.state == row.Estados) & (cases.is_last)]['Casos Confirmados'].iloc[0]
midpoint = (np.average(estados["Latitude"]),
np.average(estados["Longitude"]))
layer = pdk.Layer("ColumnLayer",
data=estados,
get_position=["Longitude", "Latitude"],
get_elevation=['casos'],
auto_highlight=True,
radius=50000,
elevation_scale=300,
get_color=[100, 255, 100, 255],
pickable=True,
extruded=True,
coverage=1)
view_state = pdk.ViewState(
longitude=midpoint[1],
latitude=midpoint[0],
zoom=3,
pitch=20.,
)
mapbox_style = 'mapbox://styles/mapbox/light-v9'
mapbox_key = 'pk.eyJ1IjoiZmNjb2VsaG8iLCJhIjoiY2s4c293dzc3MGJodzNmcGEweTgxdGpudyJ9.UmSRs3e4EqTOte6jYWoaxg'
st.write(
pdk.Deck(
map_style=mapbox_style,
mapbox_key=mapbox_key,
initial_view_state=view_state,
layers=[layer],
tooltip={
"html":
"<b>Estado:</b> {Estados}<br><b>Número de casos:</b> {casos}",
"style": {
"color": "white"
}
},
))
st.markdown(
"**Fonte**: [brasil.io](https://brasil.io/dataset/covid19/caso)")
elif page == PAGE_GLOBAL_CASES:
st.title(PAGE_GLOBAL_CASES)
x_variable = "Data"
y_variable = "Casos"
global_cases = dashboard_data.get_global_cases() \
.drop(["Province/State", "Lat", "Long"], axis="columns")
melted_global_cases = pd.melt(global_cases,
id_vars=["País/Região"],
var_name=x_variable,
value_name=y_variable)
melted_global_cases["Data"] = pd.to_datetime(
melted_global_cases["Data"])
countries = dashboard_data.get_countries_list(melted_global_cases)
countries_options = st.multiselect("Selecione os Países", countries)
region_name, countries_data = dashboard_data.get_countries_data(
melted_global_cases, countries_options)
is_log = st.checkbox('Escala Logarítmica', value=False)
fig = dashboard_data.plot_series(countries_data, x_variable,
y_variable, region_name, is_log)
st.plotly_chart(fig)
st.markdown(
"**Fonte**: [Johns Hopkins CSSE](https://github.com/CSSEGISandData/COVID-19)"
)
elif page == CREDITOS:
st.markdown(open('dashboard/creditos.md', 'r').read())
def main():
st.sidebar.image(logo, use_column_width=True)
page = st.sidebar.selectbox("Escolha uma Análise", [
HOME, MODELS, DATA, PAGE_CASE_NUMBER_BR, CUM_DEATH_COUNT_BR,
PAGE_GLOBAL_CASES, MAPA, CREDITOS
])
if page == HOME:
st.header("Analizando a pandemia")
st.markdown(
"""Neste site buscamos trazer até você os números da epidemia, a medida que se revelam,
mas também um olhar analítico, capaz de desvelar a dinâmica do processo de transmissão do vírus SARS-Cov-2
por meio de modelos matemáticos, análises estatísticas e visualização de informação.
Pelo *painel à esquerda* você pode ***navegar entre nossas análises***, as quais estaremos atualizando constantemente
daqui para frente.
## Outros Recursos de Interesse
Vamos compilar aqui também outras fontes de informação de confiança para que você possa se manter atualizado
com os últimos resultados científicos sobre a Pandemia.
* Canal [A Matemática das Epidemias](https://www.youtube.com/channel/UCZFllLoI5kB4o_6w59YVzAA?view_as=subscriber).
* Grupo MAVE: [Métodos Analíticos em Vigilância Epidemiológica](https://covid-19.procc.fiocruz.br).
## Fontes de Dados
As sguintes fontes de dados foram usadas neste projeto:
* [Brasil.io](https://brasil.io): Dados de incidência e mortalidade no Brasil
* [Johns Hopkins CSSE](https://github.com/CSSEGISandData/COVID-19): Dados de incidência e mortalidade globais.
## Softwares opensource
Várias bibliotecas opensource foram utilizadas na construção deste dashboard:
* [Streamlit](streamlit.io): Web framework voltada para ciência de dados.
* [Epimodels](https://github.com/fccoelho/epimodels): Biblioteca de modelos matemáticos para simulação de epidemias.
""")
elif page == MODELS:
st.title("Explore a dinâmica da COVID-19")
st.sidebar.markdown("### Parâmetros do modelo")
chi = st.sidebar.slider('χ, Fração de quarentenados', 0.0, 1.0, 0.7)
phi = st.sidebar.slider('φ, Taxa de Hospitalização', 0.0, 0.5, 0.01)
beta = st.sidebar.slider('β, Taxa de transmissão', 0.0, 1.0, 0.5)
rho = st.sidebar.slider('ρ, Taxa de alta dos hospitalizados:', 0.0,
1.0, 0.02)
delta = st.sidebar.slider('δ, Taxa de recuperação:', 0.0, 1.0, 0.1)
alpha = st.sidebar.slider('α, Taxa de incubação', 0.0, 10.0, .33)
mu = st.sidebar.slider('μ, Taxa de mortalidade pela COVID-19', 0.0,
1.0, .03)
p = st.slider('Fração de assintomáticos:', 0.0, 1.0, 0.75)
q = st.slider('Dia de início da Quarentena:', 0, 120, 50)
r = st.slider('duração em dias da Quarentena:', 0, 200, 10)
N = st.number_input('População em Risco:',
value=97.3e6,
max_value=200e6,
step=1e6)
st.markdown(
f"$R_0={-(beta*chi-beta)/delta:.2f}$, durante a quarentena.")
st.markdown(
f"$R_0={-(beta * 0 - beta) / delta:.2f}$, fora da quarentena.")
params = {
'chi': chi,
'phi': phi,
'beta': beta,
'rho': rho,
'delta': delta,
'alpha': alpha,
'mu': mu,
'p': p,
'q': q,
'r': r
}
traces = pd.DataFrame(data=seqiahr_model(params=params)).rename(
columns=COLUMNS)
final_traces = dashboard_models.prepare_model_data(
traces, VARIABLES, COLUMNS, N)
dashboard_models.plot_model(final_traces, q, r)
st.markdown('### Formulação do modelo')
st.write(r"""
$\frac{dS}{dt}=-\lambda[(1-\chi) S]$
$\frac{dE}{dt}= \lambda [(1-\chi) S] -\alpha E$
$\frac{dI}{dt}= (1-p)\alpha E - \delta I$
$\frac{dA}{dt}= p\alpha E -\delta A$
$\frac{dH}{dt}= \phi \delta I -(\rho+\mu) H$
$\frac{dR}{dt}= (1-\phi)\delta I +\rho H + \delta A$
$\lambda=\beta(I+A)$
$R_0 = -\frac{\beta \chi -\beta}{\delta}$
""")
elif page == DATA:
st.title('Probabilidade de Epidemia por Município ao Longo do tempo')
@st.cache
def read_video():
with open('dashboard/video_prob.mp4', 'rb') as v:
video = v.read()
return video
st.video(read_video())
st.markdown(r'''## Descrição da modelagem:
Os municípios brasileiros são conectados por uma malha de transporte muito bem desenvolvida e através desta,
cidadãs e cidadãos viajam diariamente entre as cidades para trabalhar, estudar e realizar outras atividades.
Considerando o fluxo de indivíduos (infectados) que chega em um município em um determinado dia, caso este município
ainda não estejam em transmissão comunitária, podemos calcular a probabilidade de uma epidemia se estabelecer.
Esta probabilidade é dada por esta fórmula:
$$P_{epi}=1-\left(\frac{1}{R_0}\right)^{I_0}$$,
onde $I_0$ é o número de infectados chegando diáriamente no município. Neste cenário usamos um $R_0=2.5$.
''')
elif page == PAGE_CASE_NUMBER_BR:
st.title(PAGE_CASE_NUMBER_BR)
x_variable = "date"
y_variable = "Casos Confirmados"
data = dashboard_data.get_data()
ufs = sorted(list(data.state.drop_duplicates().values))
uf_option = st.multiselect("Selecione o Estado", ufs)
city_options = None
if uf_option:
cities = dashboard_data.get_city_list(data, uf_option)
city_options = st.multiselect("Selecione os Municípios", cities)
is_log = st.checkbox('Escala Logarítmica', value=False)
region_name, data_uf = dashboard_data.get_data_uf(
data, uf_option, city_options, y_variable)
dashboard_data.plot_series(data_uf, x_variable, y_variable,
region_name, is_log)
st.markdown(
"**Fonte**: [brasil.io](https://brasil.io/dataset/covid19/caso)")
elif page == CUM_DEATH_COUNT_BR:
st.title(CUM_DEATH_COUNT_BR)
x_variable = "date"
y_variable = "Mortes Acumuladas"
data = dashboard_data.get_data()
ufs = sorted(list(data.state.drop_duplicates().values))
uf_option = st.multiselect("Selecione o Estado", ufs)
city_options = None
if uf_option:
cities = dashboard_data.get_city_list(data, uf_option)
city_options = st.multiselect("Selecione os Municípios", cities)
is_log = st.checkbox('Escala Logarítmica', value=False)
region_name, data_uf = dashboard_data.get_data_uf(
data, uf_option, city_options, y_variable)
dashboard_data.plot_series(data_uf, x_variable, y_variable,
region_name, is_log)
st.markdown(
"**Fonte**: [brasil.io](https://brasil.io/dataset/covid19/caso)")
elif page == MAPA:
# Precisa refatorar
st.title("Distribuição Geográfica de Casos")
cases = dashboard_data.get_data()
estados = dashboard_data.load_lat_long()
estados['casos'] = 0
cases = cases[cases.place_type != 'state'].groupby(['date',
'state']).sum()
cases.reset_index(inplace=True)
for i, row in estados.iterrows():
if row.Estados in list(cases.state):
estados.loc[estados.Estados == row.Estados, 'casos'] += \
cases[(cases.state == row.Estados) & (cases.is_last)]['Casos Confirmados'].iloc[0]
midpoint = (np.average(estados["Latitude"]),
np.average(estados["Longitude"]))
geojson_url = "https://data.brasil.io/dataset/shapefiles-brasil/0.01/BR-UF.geojson"
layer = pdk.Layer("ColumnLayer",
data=estados,
get_position=["Longitude", "Latitude"],
get_elevation=['casos'],
auto_highlight=True,
radius=50000,
elevation_scale=300,
get_color=[100, 255, 100, 255],
pickable=True,
extruded=True,
coverage=1)
view_state = pdk.ViewState(
longitude=midpoint[1],
latitude=midpoint[0],
zoom=3,
pitch=20.,
)
mapbox_style = 'mapbox://styles/mapbox/light-v9'
mapbox_key = 'pk.eyJ1IjoiZmNjb2VsaG8iLCJhIjoiY2s4c293dzc3MGJodzNmcGEweTgxdGpudyJ9.UmSRs3e4EqTOte6jYWoaxg'
st.write(
pdk.Deck(
map_style=mapbox_style,
mapbox_key=mapbox_key,
initial_view_state=view_state,
layers=[layer],
tooltip={
"html":
"<b>Estado:</b> {Estados}<br><b>Número de casos:</b> {casos}",
"style": {
"color": "white"
}
},
))
st.markdown(
"**Fonte**: [brasil.io](https://brasil.io/dataset/covid19/caso)")
elif page == PAGE_GLOBAL_CASES:
st.title(PAGE_GLOBAL_CASES)
x_variable = "Data"
y_variable = "Casos"
global_cases = dashboard_data.get_global_cases()\
.drop(["Province/State", "Lat", "Long"], axis="columns")
melted_global_cases = pd.melt(global_cases,
id_vars=["País/Região"],
var_name=x_variable,
value_name=y_variable)
melted_global_cases["Data"] = pd.to_datetime(
melted_global_cases["Data"])
countries = dashboard_data.get_countries_list(melted_global_cases)
countries_options = st.multiselect("Selecione os Países", countries)
region_name, countries_data = dashboard_data.get_countries_data(
melted_global_cases, countries_options)
is_log = st.checkbox('Escala Logarítmica', value=False)
dashboard_data.plot_series(countries_data, x_variable, y_variable,
region_name, is_log)
st.markdown(
"**Fonte**: [Johns Hopkins CSSE](https://github.com/CSSEGISandData/COVID-19)"
)
elif page == CREDITOS:
st.markdown(open('dashboard/creditos.md', 'r').read())