-
Notifications
You must be signed in to change notification settings - Fork 0
/
hole-covid-simulator.R
326 lines (261 loc) · 12.1 KB
/
hole-covid-simulator.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
################ hole-covid-simulator.R
#
# Holt sich wöchentlich die Daten vom "CoVID-Simulator" der Uni Saarbrücken
#
# (Quelle: https://covid-simulator.com/)
#
# jan.eggers@hr.de hr-Datenteam
#
# Stand: 1.7.2021
rm(list=ls())
msgTarget <- "B13:C13"
# ---- Bibliotheken, Einrichtung der Message-Funktion; Server- vs. Lokal-Variante ----
# Alles weg, was noch im Speicher rumliegt
if (file.exists("./server-msg-googlesheet-include.R")) {
source("./server-msg-googlesheet-include.R")
} else {
source("/home/jan_eggers_hr_de/rscripts/server-msg-googlesheet-include.R")
}
library(ggplot2)
# ---- Main: Covid-Simulator COSIM lesen ----
repo <- "onwhenrdy/cosimhessen/"
path <- "Hessen_LKs.csv"
# Wann war der letzte Commit des Github-Files? Das als Prognosedatum prog_d.
github_api_url <- paste0("https://api.github.com/repos/",
repo,
"commits?path=",path,
"&page=1&per_page=1")
github_data <- read_json(github_api_url, simplifyVector = TRUE)
prog_d <- as_date(github_data$commit$committer$date)
msg("Aktuelle Prognose vom ",prog_d)
end_date <- prog_d+14
path <- paste0("https://github.com/",
repo,
"raw/main/",
path)
# Daten lesen und schauen, ob es schon eine Archivdatei dazu gibt -
# wenn ja, sind wir durch,
# wenn nein, alles aktualisieren.
if (file.exists(paste0("./daten/cosim-",prog_d,".csv"))) {
msg("OK - Stand ",prog_d)
} else{
msg("Prognose anpassen")
# Kreisdaten einlesen
sim_df <- read_csv(path) %>%
mutate(vom = prog_d) %>%
mutate(var = as.factor(var))
sim_lk_df <- sim_df %>%
filter(state != "Hessen")
sim_he_df <- sim_df %>%
filter(state == "Hessen") %>%
select(-state)
daily_df <- sim_he_df %>%
filter(var == "DAILY_CASES" ) %>%
# gleitendes 7-Tage-Mittel
mutate(neu7_min = (lag(minsim)+
lag(minsim,n=2)+
lag(minsim,n=3)+
lag(minsim,n=4)+
lag(minsim,n=5)+
lag(minsim,n=6)+
minsim)/7) %>%
mutate(neu7_mean = (lag(meansim)+
lag(meansim,n=2)+
lag(meansim,n=3)+
lag(meansim,n=4)+
lag(meansim,n=5)+
lag(meansim,n=6)+
meansim)/7) %>%
mutate(neu7_max = (lag(maxsim)+
lag(maxsim,n=2)+
lag(maxsim,n=3)+
lag(maxsim,n=4)+
lag(maxsim,n=5)+
lag(maxsim,n=6)+
maxsim)/7) %>%
filter(date >= prog_d) %>%
select(date,neu7_min, neu7_mean, neu7_max)
hospital_df <- sim_he_df %>%
filter(var == "HOSPITAL" ) %>%
filter(date >= prog_d) %>%
select(date,hosp_min=minsim, hosp_mean=meansim, hosp_max=maxsim)
daily_dead_df <- sim_he_df %>%
filter(var == "DAILY_DEAD" ) %>%
filter(date >= prog_d) %>%
select(date,tote_min=minsim, tote_mean=meansim, tote_max=maxsim)
icu_df <- sim_he_df %>%
filter(var == "ICU" ) %>%
filter(date >= prog_d) %>%
select(date,icu_min=minsim, icu_mean=meansim, icu_max=maxsim)
inz_df <- sim_he_df %>%
filter(var == "INCIDENCE" ) %>%
filter(date >= prog_d) %>%
select(date,inz_min=minsim, inz_mean=meansim, inz_max=maxsim)
msg("Prognosen gelesen und gefiltert")
# ---- Daten ausgeben ----
# Google Sheet mit Krankenhausdaten
p_str <- paste0("Trend vom ",day(prog_d),".",month(prog_d),".")
# GSheet AAA
# hosp_id = "12S4ZSLR3H7cOd9ZsHNmxNnzKqZcbnzShMxaWUcB9Zj4"
aaa_id = "17s82vieTzxblhzqNmHw814F0xWN0ruJkqnFB1OpameQ"
# Fallzahl 4 Wochen vom Google Bucket holen
rki_he_df <- read.csv("https://d.data.gcp.cloud.hr.de/hessen_rki_df.csv",sep=";")
# Archivdaten Intensivbettenbelegung nach DIVI letzte Wochen
hosp_df <- read_sheet(ss = aaa_id, sheet = "DIVI Hessen-Archiv") %>%
select(datum = Datum, icu = faelle_covid_aktuell)
# 7-Tage-Inzidenz errechnen, Krankenhausdaten reinrechnen
# f28_df <- rki_he_df %>%
# mutate(Meldedatum = as_date(Meldedatum)) %>%
# # letzte 5 Wochen, rechneet schneller
# filter(Meldedatum > today()-37) %>%
# # Auf die Summen filtern?
# filter(NeuerFall %in% c(0,1)) %>%
# select(Meldedatum,neu=AnzahlFall,tote =AnzahlTodesfall) %>%
# group_by(Meldedatum) %>%
# # pivot_wider(names_from = datum, values_from = AnzahlFall)
# # Summen für Fallzahl, Genesen, Todesfall bilden
# summarize(neu = sum(neu),
# tote = sum(tote)) %>%
# select(datum = Meldedatum,neu,tote) %>%
# mutate(neu7tagemittel = (lag(neu)+
# lag(neu,n=2)+
# lag(neu,n=3)+
# lag(neu,n=4)+
# lag(neu,n=5)+
# lag(neu,n=6)+
# neu)/7) %>%
# filter(datum > today()-29) %>%
# left_join(hosp_df, by = c("datum" = "datum"))
# alternativ: Neufall-Meldungen der letzten vier Wochen
f28_meldung_df <- read_sheet(ss = aaa_id,sheet = "Fallzahl4Wochen") %>%
select(datum,neu,neu7tagemittel) %>%
# DIVI-Intensivbetten-Daten dazu
left_join(hosp_df, by = c("datum" = "datum"))
# DIVI-Daten für die Kapazitäten
divi_he_df <- read.csv("https://d.data.gcp.cloud.hr.de/divi_laender.csv") %>%
filter(bundesland == "Hessen")
# Kapazitätsprognose:
max_beds <- divi_he_df$faelle_covid_aktuell+divi_he_df$betten_frei
# Prognosen dranhängen
f4w_df <- f28_meldung_df %>%
full_join(daily_df, by = c("datum" = "date")) %>%
full_join(daily_dead_df, by = c("datum" = "date")) %>%
# Prognose zwei Wochen in die Zukunft
#filter(datum <= end_date) %>%
select(datum,neu,neu7tagemittel,min = neu7_min, neu7_mean, max = neu7_max, icu) %>%
# ICU-Prognose dranhängen
full_join(icu_df, by = c("datum" = "date")) %>%
# Inzidenz-Prognose dranhängen
full_join(inz_df, by = c("datum" = "date")) %>%
filter(datum <= today()+14) %>%
mutate(icu_limit = max_beds)
# In Sheet "NeuPrognose" ausgeben
# write.xlsx(f4w_df, paste0("prognose-",prog_d,"-vs-",today(),".xlsx"))
neuprognose_df <- f4w_df %>%
select(datum =1, neu = 2, neu7tagemittel=3, min = 4, mean = 5, max = 6) %>%
mutate(prognosedatum = prog_d)
msg("Prognoseseite generiert, schreiben...")
write_sheet(neuprognose_df,ss=aaa_id,sheet="NeuPrognose")
# Früher: rename(!!p_str:=neu7_mean), das hat aber den Nachteil, dass man in Datawrapper
# die Gestaltung der Zeile von Hand umkonfigurieren muss.
# Besser: Über die API die entsprechende Datenreihe umbenennen.
# --- GEKILLT: Bezeichung "Trendlinie" reicht! ---
# ---- Neufall-Prognose-Chart ----
prog_chart_id = "eTpGf" # Neufälle-Prognose
# chart_data <- dw_retrieve_chart_metadata(prog_chart_id)
# # chart_data$content$metadata$data$changes
# # Liste der Änderungen durchgehen, die mit dem Wort "Prognose" finden und updaten
# for (i in 1:length(chart_data$content$metadata$data$changes)) {
# if (str_detect(chart_data$content$metadata$data$changes[[i]]$value,"Prognose")) chart_data$content$metadata$data$changes[[i]]$value = p_str
# }
pp_str <- paste0("Die dicke Linie ist der gleitende Mittelwert über 7 Tage. ",
p_str, " - beruht auf dem SEIR-Modell der Universität des ",
"Saarlandes, Forschungsgruppe von Prof. Thorsten Lehr")
dw_edit_chart(chart_id = prog_chart_id,annotate = pp_str)
# dw_edit_chart(chart_id = prog_chart_id, data = chart_data$content$metadata$visualize)
dw_publish_chart(prog_chart_id)
# DIVI-freie Betten - Hypothese: maximale Kapazität entspricht
# der Anzahl der derzeit freien Betten plus der COVID-Intensivfälle
msg("Grafik Neufälle (",prog_chart_id,") aktualisiert")
# ---- Intensivbetten-Prognose erstellen und Chart schreiben ----
# DIVI-Daten einlesen
divi_df <- read_sheet(aaa_id, sheet="DIVI Hessen-Archiv") %>%
select(datum = 1,intensiv = 2) %>%
mutate(datum = as_date(datum)) %>%
full_join(icu_df,by = c("datum" = "date")) %>%
arrange(datum) %>%
#letzte 4 Wochen
filter(datum > today()-29) %>%
# nächste 14 Tage
filter(datum < today()+15) %>%
mutate(kapazitaet = max_beds) %>%
select(datum,intensiv,icu_min,icu_mean, icu_max,`ungefähre derzeitige Kapazität` = kapazitaet)
# rename(!!p_str:=mean) %>%
# mutate(abs_max = 2400)
msg("Intensivbetten-Prognose erstellt, schreiben...")
write_sheet(divi_df, ss=aaa_id, sheet="ICUPrognose")
# Grafik anpassen
intensiv_chart_id = "kc2ot" # Intensivbetten mit Prognose
msg("Grafik Intensivbetten (",intensiv_chart_id,") aktualisieren")
dw_edit_chart(chart_id = intensiv_chart_id,annotate = p_str)
dw_publish_chart(intensiv_chart_id)
# DIVI-freie Betten - Hypothese: maximale Kapazität entspricht
# der Anzahl der derzeit freien Betten plus der COVID-Intensivfälle
# ---- Regionale R-Wert-Tabelle ----
msg("Berechne regionales R")
# Abkürzungen dazuholen
aküverz <- read.xlsx("index/kreise-namen-index.xlsx")
r_lk_df <- sim_lk_df %>%
# Das R in der Prognose bleibt im prognostizierten Zeitraum konstant
filter(date == today()) %>%
# Kreisbezeichner dazu
full_join(aküverz,by=c("state" = "StatName")) %>%
# nutze irgendeine Variable
filter(var == "DAILY_CASES") %>%
select(AGS,Kreis=kreis,rt,vom) %>%
# Errechnung der Verdoppelungs- bzw. Halbwertszeit:
# t(1/2) = ln(2)/(1-rt)*gamma (mal Generationenzeit).
# Da das Modell des Covid-Simulators mit einer Generationenzeit
# von 7 Tagen rechnet, wird hier berechnet mit:
mutate(vzeit=(log(2)/(1-rt)*7))
#
rr_lk_df <- r_lk_df %>%
left_join(read_sheet(aaa_id,sheet = "KreisdatenAktuell") %>%
select(ags_kreis,neu,neu7tage,inz7t,stand),
by= c("AGS" = "ags_kreis")) %>%
left_join(read.xlsx("index/kreise-index-pop.xlsx") %>%
select(kreis,Lat=Lon,Lon=Lat),
by= c("Kreis" = "kreis")) %>%
select(Lat,Lon,Kreis,rt,vom,vzeit,inz7t,neu,neu7tage,stand) %>%
# Das hier ist ne etwas dreckige Formel:
# den niedrigsten Wert als Basislinie, ein paar Pixel dazu - und 100fach
# skalieren...
mutate(rrt = (rt-min(rt))/(max(rt)-min(rt))*50+1) %>%
left_join(read.xlsx("index/kreise-namen-index.xlsx") %>%
select(kreis,Abk),
by = c("Kreis" = "kreis"))
write_sheet(rr_lk_df,ss=aaa_id,sheet="Regionales Rt neu")
rr_str <- paste0("Berechnung vom ",format.Date(prog_d,"%d.%m.%Y"),
" - Aufgrund der niedrigen Fallzahlen ist der Fehlerbereich ",
"relativ groß; die Angaben in Tagen dienen nur der Verdeutlichung.",
"Der R-Wert ist mit einer Generationenzeit von 7 Tagen berechnet und deshalb mit ",
"den Werten des RKI und HZI nicht direkt vergleichbar. ")
# Kopie der Karte mit den Sechsecken
dw_edit_chart(chart_id = "eessR", annotate=paste0(
"Lesebeispiel: Ein großes, tiefrotes Symbol zeigt einen Kreis mit hoher",
" Fallzahl an, dessen Inzidenzwerte nur langsam sinken. ",rr_str))
dw_publish_chart(chart_id = "eessR")
# Liniengrafik
dw_edit_chart(chart_id = "9UVBF",annotate = rr_str)
dw_publish_chart(chart_id ="9UVBF")
# ggplot(rr_lk_df, aes(rt,inz7t,label = Abk)) + geom_text()
msg("Archivkopie schreiben...")
# Archivkopie ablegen
write_csv(sim_df,paste0("./daten/cosim-",prog_d,".csv"))
# ---- Rufe Animation-Skript und Teams-Karten-Generierung auf ----
# Erstellt ein GIF, das die Veränderung der Inzidenzen in den Kreisen
# in den letzten 4 Wochen animiert - und mit dem derzeitigen Trend
# des COVID-Simulators 2 Wochen vorausschaut.
source("./animiere-prognose-kreise.R")
msg("OK!")
}