df = pd.read_csv("https://raw.githubusercontent.com/datasets/covid-19/master/data/countries-aggregated.csv")
df = df[df.Confirmed > 0].copy()
fig = px.choropleth(
df,
locations = 'Country',
locationmode='country names',
color='Confirmed',
animation_frame = 'Date',
title='Evolução no número de casos de COVID-19 ao redor do mundo.',
labels={
"Date":"Data",
"Confirmed":"Número de Casos"
}
)
fig.show()
fig = px.choropleth(
df,
locations = 'Country',
locationmode='country names',
color='Deaths',
animation_frame = 'Date',
title='Evolução no número de mortes por COVID-19 ao redor do mundo.',
labels={
"Date":"Data",
"Deaths":"Número de Mortes"
}
)
fig.show()
df_brasil = df[df.Country == 'Brazil'].copy()
df_brasil = df_brasil[['Date','Confirmed']]
df_brasil.head()
# Calculando a Taxa de Infeção
df_brasil['Taxa de Infecção'] = df_brasil['Confirmed'].diff()
# Calculando a Taxa de Infeção Normalizada
df_brasil['Taxa de Infecção (Normalizada)'] = (df_brasil['Taxa de Infecção'] / df_brasil['Taxa de Infecção'].max()) * 100
# Calculando o Número de Casos Confirmados Normalizado.
df_brasil['Confirmados (Normalizado)'] = (df_brasil['Confirmed'] / df_brasil['Confirmed'].max()) *100
# Visualizando os dados
df_brasil.head()
px.line(
df_brasil,
x= 'Date',
y = ['Confirmados (Normalizado)','Taxa de Infecção (Normalizada)'],
title='Coeficiente de Infecção e Número de Casos no Brasil (Normalizado)',
labels={'Date':'Data',
'variable':'Variavel:',
'value':'Valor'})
Observações a Partir do Gráfico:
Em janeiro de 2022, após um período de cerca de 6 meses de taxa de infecção decrescrente, vemos uma inflexão acentuada na série de Taxta de Infecção Normalizada. Este evento se deu por conta das comemorações de final de ano e de uma flexibilização excessiva das regras de quarentena, que resultou em um aumento exponencial na taxa de infecção, resultando na maior taxa de infecção de toda a série histórica da pandemia. O período de 01/01/2022 e 11/04/2022 sozinho contribui com aproximadamente 27% do total de casos registrados em toda a série histórica, Esta informação é obtida a partir da observação da taxa relativa de casos confirmados, que em 01/01/2022 contemplava 73% dos casos.
# Criando uma lista com o nome de todos os países do dataset
countries = list(df['Country'].unique())
# Calculando a Maior taxa de Infeçcão para cada país e adicionando a uma lista
max_infection_rates = []
for c in countries:
MIR = df[df.Country == c].Confirmed.diff().max()
max_infection_rates.append(MIR)
# Criando um dataframe apenas para a Maior Taxa de Infecção (MIR)
df_MIR = pd.DataFrame()
# Populando a coluna Country com a lista de nomes dos paises
df_MIR['País'] = countries
# Populando a coluna MIR com os valores de Maior Taxa de Infecção
df_MIR['MIR'] = max_infection_rates
# Ordenando os valores do dataframe do maior MIR para o Menor
df_MIR = df_MIR.sort_values(by=['MIR'])
# Visualizando os dados
df_MIR.head()
# Isolando apenas os 10 maiores coeficientes de infecção
df_top10 = df_MIR.tail(20)
# Montando o Gráfico
fig = px.bar(
df_top10,
x='País',
y='MIR',
title = '10 Maiores taxas de Infecção Global (Máxima de casos notificados em um dia)',
labels={
'MIR':'Maior Taxa de Infecção','variable':'Variável'
})
fig.show()
Observações a Partir do Gráfico:
O gráfico mostra a maior taxa de infeção registrada em cada país, ou seja: o maior número de novos casos confirmados em um período de 24h. Fatores como a metodologia de notificação podem influenciar estes números, como é o caso de países como o Brasil e os Estados unidos, que em mais de uma ocasião divulgaram dados compilados de dias e até mesmo de semanas. Estes padrões podem inflar as taxas de transmissão. Apesar do mencionado anteriormente, os Estados Unidos se destacam dos demais países, com uma Taxa de Infecção Máxima 65% maior do que o segundo colocado, o Reino Unido.
italy_lockdown_start_date = '2020-03-09'
italy_lockdown_a_month_later = '2020-04-09'
df_italia = df[(df.Country == 'Italy')&(df.Date < '2020-12-32')].copy()
# Taxa de Infecção
df_italia['Taxa de Infecção'] = df_italia.Confirmed.diff()
# Taxa de Infecção Normalizada
df_italia['Taxa de Infecção (Normalizada)'] = df_italia['Taxa de Infecção'] / df_italia['Taxa de Infecção'].max()
# Quantidade de Casos Ativos por Dia
df_italia['Ativos'] = df_italia.Confirmed - (df_italia.Deaths + df_italia.Recovered)
# Taxa de Mortalidade - Mortos por dia
df_italia['Taxa de Mortalidade'] = df_italia.Deaths.diff()
df_italia_filtered = df_italia[df_italia['Date'] < '2020-06-09']
fig = px.area(
df_italia_filtered,
x= 'Date',
y = 'Taxa de Infecção',
title = "Taxa de Infecção Antes e Depois do Lockdown na Italia",
labels={'Date':'Data','variable':'Variável'}
)
fig.add_shape(
dict(
type = "line",
x0 = italy_lockdown_start_date,
y0 = 0,
x1 = italy_lockdown_start_date,
y1 = df_italia_filtered['Taxa de Infecção'].max(),
line = dict(color='red', width = 2)
)
)
fig.add_annotation(
dict(
x = italy_lockdown_start_date,
y = df_italia_filtered['Taxa de Infecção'].max(),
text = "Inicio do Lockdown"
)
)
fig.add_shape(
dict(
type = "line",
x0 = italy_lockdown_a_month_later,
y0 = 0,
x1 = italy_lockdown_a_month_later,
y1 = df_italia_filtered['Taxa de Infecção'].max(),
line = dict(color='red', width = 2)
)
)
fig.add_annotation(
dict(
x = italy_lockdown_a_month_later,
y = 0,
text = "Um Mês depois"
)
)
Observações a Partir do Gráfico.
Um mês após a implementação do lockdown, a tendência de notificação de casos teria se revertido. Apesar do sucesso exibido no gráfico, podemos ver que após este período uma nova crescente de casos ocorreria a partir de setembro:
df_italia_filtered = df_italia
fig = px.area(
df_italia_filtered,
x= 'Date',
y = 'Taxa de Infecção',
title = "Taxa de Infecção Antes e Depois do Lockdown na Italia",
labels={'Date':'Data','variable':'Variável'}
)
fig.add_shape(
dict(
type = "line",
x0 = italy_lockdown_start_date,
y0 = 0,
x1 = italy_lockdown_start_date,
y1 = df_italia_filtered['Taxa de Infecção'].max(),
line = dict(color='red', width = 2)
)
)
fig.add_annotation(
dict(
x = italy_lockdown_start_date,
y = df_italia_filtered['Taxa de Infecção'].max(),
text = "Inicio do Lockdown"
)
)
fig.add_shape(
dict(
type = "line",
x0 = italy_lockdown_a_month_later,
y0 = 0,
x1 = italy_lockdown_a_month_later,
y1 = df_italia_filtered['Taxa de Infecção'].max(),
line = dict(color='red', width = 2)
)
)
fig.add_annotation(
dict(
x = italy_lockdown_a_month_later,
y = 0,
text = "Um Mês depois"
)
)
# Normalizando a coluna de casos ativos
df_italia['Ativos (Normalizado)'] = df_italia['Ativos']/df_italia['Ativos'].max()
# Normalizando a coluna de taxa de mortalidade
df_italia['Taxa de Mortalidade (Normalizada)'] = df_italia['Taxa de Mortalidade'] / df_italia['Taxa de Mortalidade'].max()
fig = px.line(
df_italia,
x ='Date',
y = ['Taxa de Infecção (Normalizada)','Ativos (Normalizado)'],
title = "Taxa de Infecção e Casos Ativos na Italia",
labels={'Date':'Data','variable':'Variável'}
)
fig.show()
fig = px.line(
df_italia,
x ='Date',
y = ['Taxa de Infecção (Normalizada)','Taxa de Mortalidade (Normalizada)'],
title='Taxa de Infecção e Mortes Antes e Depois do Lockdown na Itália',
labels={'value':'Valor',
'Date':'Data',
'variable':'Variável'})
fig.add_shape(
dict(
type = "line",
x0 = italy_lockdown_start_date,
y0 = 0,
x1 = italy_lockdown_start_date,
y1 = df_italia['Taxa de Infecção (Normalizada)'].max(),
line = dict(color='red', width = 2)
)
)
fig.add_annotation(
dict(
x = italy_lockdown_start_date,
y = df_italia['Taxa de Infecção (Normalizada)'].max(),
text = "Inicio do Lockdown"
)
)
fig.add_shape(
dict(
type = "line",
x0 = italy_lockdown_a_month_later,
y0 = 0,
x1 = italy_lockdown_a_month_later,
y1 = df_italia['Taxa de Infecção (Normalizada)'].max(),
line = dict(color='red', width = 2)
)
)
fig.add_annotation(
dict(
x = italy_lockdown_a_month_later,
y = 0,
text = "Um mês após o lockdown"
)
)
brazil_lockdown_start_date = '2020-04-20'
brazil_lockdown_a_month_later = '2020-05-20'
df_brasil = df[df.Country == 'Brazil'].copy()
# Taxa de Infecção
df_brasil['Taxa de Infecção'] = df_brasil.Confirmed.diff()
# Taxa de Infecção Normalizada
df_brasil['Taxa de Infecção (Normalizada)'] = df_brasil['Taxa de Infecção'] / df_brasil['Taxa de Infecção'].max()
# Quantidade de Casos Ativos por Dia
df_brasil['Ativos'] = df_brasil.Confirmed - (df_brasil.Deaths + df_brasil.Recovered)
# Quantidade de Casos Ativos Normalizada
df_brasil['Ativos (Normalizado)'] = df_brasil['Ativos'] / df_brasil['Ativos'].max()
# Taxa de Mortalidade - Mortos por dia
df_brasil['Taxa de Mortalidade'] = df_brasil.Deaths.diff()
# Taxa de Mortalidade Normalizada
df_brasil['Taxa de Mortalidade (Normalizada)'] = df_brasil['Taxa de Mortalidade'] / df_brasil['Taxa de Mortalidade'].max()
df_brasil_filtered = df_brasil[df_brasil['Date'] < '2021-03-02']
fig = px.area(
df_brasil_filtered,
x= 'Date',
y = ['Taxa de Infecção (Normalizada)'],
title = "Taxa de Infecção Antes e Depois do Lockdown no Brasil",
labels={'Date':'Data','variable':'Variável'}
)
fig.add_shape(
dict(
type = "line",
x0 = brazil_lockdown_start_date,
y0 = 0,
x1 = brazil_lockdown_start_date,
y1 = df_brasil_filtered['Taxa de Infecção (Normalizada)'].max(),
line = dict(color='red', width = 1, dash = 'dot')
)
)
fig.add_annotation(
dict(
x = brazil_lockdown_start_date,
y = df_brasil_filtered['Taxa de Infecção (Normalizada)'].max(),
text = "Inicio do Lockdown"
)
)
df_brasil_filtered = df_brasil[df_brasil['Date'] > '2020-06-01']
fig = px.line(
df_brasil_filtered,
x= 'Date',
y = ['Taxa de Infecção (Normalizada)','Taxa de Mortalidade (Normalizada)'],
title = "Taxa de Infecção e Morte Antes e Depois do Lockdown no Brasil (Normalizado)",
labels={'Date':'Data','variable':'Variável'}
)
fig.add_shape(
dict(
type = "line",
x0 = '2021-1-17',
y0 = 0,
x1 = '2021-1-17',
y1 = df_brasil_filtered['Taxa de Infecção (Normalizada)'].max(),
line = dict(color='red', width = 2)
)
)
fig.add_annotation(
dict(
x = '2021-1-17',
y = df_brasil_filtered['Taxa de Infecção (Normalizada)'].max(),
text = "Inicio da Vacinação"
)
)