Este proyecto recopila datos sobre COVID-19 publicados por el Departamento de Salud de Puerto Rico en un formato legible por computadora, y contiene algunos análisis de estos.
Visita el dashboard en:
Los datos provienen principalmente de los informes de Casos Positivos COVID-19 del Departamento de Salud de Puerto Rico, en algunos casos suplementados por fuentes misceláneas como reportes de prensa o informes y gráficas de Salud que no aparecen (al momento) en ese enlace pero que se han compartido con periodistas.
En el directorio assets/source_material/
se recopilan imágenes de boletines y gráficas, según este esquema:
- Archivos PDF originales de los informes en
assets/source_materials/pdf/; - Archivos de imágenes extraídos de estos en directorios
fechados dentro de
assets/source_materials/.
Una selección de datos de estos se ha copiado a mano a los archivos CSV
en el subdirectorio assets/data/, que al momento consisten de:
PuertoRico-bulletin.csv, que consiste de números de "anuncio" que se hacen todos los días. Estas son las cifras que más publicidad reciben.PuertoRico-bitemporal.csv, que consiste de datos de gráficas que acompañan estos boletines y que atribuyen las muertes a la fecha en que en verdad sucedieron y los casos positivos a la fecha que se tomó la muestra.PuertoRico-bioportal.csv, que consiste de datos del informe sobre pruebas entradas al bioportal (que al momento no están en PDF).
Esta colección de datos se ha enfocado en presentar los datos de los gráficos en un llamado esquema bitemporal, donde se clasifica cada punto por dos fechas:
- La fecha de publicación de la cifra (columna
bulletin_date); - La fecha del evento que la cifra pretende describir (columna
datum_date).
La intención de esto es posibilitar análisis de, por ejemplo:
- Cuándo es que de verdad se realizaron las pruebas o se murieron las personas vs. cuándo lo anunció Salud;
- Velar si hay problemas de calidad de datos, por ejemplo si casos que aparecen en boletines más tempranos desaparecen de boletines más tardíos (¡que sí ocurre!).
Por ejemplo, esta gráfica de casos positivos probables hasta el 2 de mayo del 2020 da 9 casos probables para el 1ero de abril:
Pero la gráfica del boletín del próximo día (datos hasta 3 de mayo del 2020) da 8 casos probablespara la misma fecha de 1ero de abril:
Así que el archivo bitemporal reporta:
bulletin_date,datum_date,confirmed_and_probable_cases,confirmed_cases,probable_cases,deaths
2020-05-02,2020-04-01,80,71,9,3
2020-05-03,2020-04-01,79,71,8,3
De nuevo, esta recopilación de datos intenta facilitar tales observaciones.
Se incluye una configuración de Docker para lanzar una base de datos PostgreSQL con los datos extraídos de los boletines, y ciertos "views" para consultarlos más fácil y analizarlos. Para lanzarlo hay que tener Docker Compose y ejecutar desde este directorio:
docker-compose up
La base de datos aparece en localhost:5432, usuario postgres,
contraseña password.
Para destruir la base de datos:
docker-compose down
Para entender las vistas que se ofrecen de los datos, se puede consultar el código que define el esquema o los metadatos de este en la base de datos. El código está aquí:
Hay además aquí código Python para generar una página web con una serie de análisis y gráficas. La forma más sencilla de lanzarlo requiere Docker y Docker Compose. Desde este directorio:
docker-compose up(inicia base de datos y servidor HTTP local; ADVERTENCIA: descarga como 300 MiB);./scripts/build-docker-image.sh(ADVERTENCIA: Descarga más de 1 gigabyte de datos);./scripts/run-in-docker.sh;
...y navegar a http://localhost:8078/:
- Casos cumulativos por fecha anuncio y fecha evento;
- Tiempo de duplicación de casos por ventanas de 7, 14 y 21 días (por fecha de evento);
- Cambios de boletín a boletín ("deltas") para misma fecha de evento;
- Estimado de rezago promedio en reporte de casos (comparando boletines consecutivos).
A Robby Cortés (@RobbyCortes en Twitter) y Angélica Serrano-Román (@angelicaserran0) que diligentemente publican los boletines del Departamento de Salud todas las mañanas.