Cruzar datos de positivos con vacunados (COVID-19, Peru - basado en datos abiertos del MINSA")

preproc-data.R

library(tidyverse)
library(arrow)

# RDS de https://github.com/jmcastagnetto/covid-19-peru-limpiar-datos-minsa
positivos <- readRDS("tmp/positivos_covid_aumentado.rds") %>%
  select(id_persona, fecha_resultado, metododx) %>%
  distinct() %>%
  mutate(
    id_persona = as.integer(id_persona)
  )

# Dataset intermedio de procesar los datos de vacunas
vacunados_ds <- open_dataset(
   "tmp/arrow_augmented_data/"
)

vacunados_df <- tibble()

for (fn in vacunados_ds$files) {
   cat(fn, "\n")
   ofn <- str_replace(fn, "arrow_augmented_data", "vacunados_positivos")
   df <- read_parquet(fn, col_select = c("id_persona", "fecha_vacunacion", "dosis", "flag_vacunacion_general")) %>%
     filter(flag_vacunacion_general == TRUE) %>%
     select(-flag_vacunacion_general)
   if(nrow(df) > 0) {
     tmp_df <- df %>%
       left_join(
         positivos,
         by = "id_persona"
       )
     write_parquet(
       tmp_df,
       sink = ofn
     )
   }
   cat("Done: ", ofn, "\n")
}

vac_pos <-  open_dataset("tmp/vacunados_positivos/")

for (fn in vac_pos$files) {
  epiyear <- str_extract(fn, "epi_year=\\d{4}") %>%
    str_replace("=", "-")
  epiweek <- str_extract(fn, "epi_week=\\d{1,2}") %>%
    str_replace("=", "-")
  ofn <- glue::glue("tmp/vacunados_positivos_{epiyear}_{epiweek}.csv")
  tmp <- read_parquet(fn)
  write_csv(tmp, ofn)
}

vac_pos_all <- vac_pos %>%
  collect()

vac_pos_ids <- unique(vac_pos_all$id_persona)

novac_pos <- positivos %>%
  filter(!id_persona %in% vac_pos_ids)

write_csv(
  novac_pos,
  "tmp/covid19_peru_positivos_no_vacunados.csv"
)

Código actualizado y datos en: https://github.com/jmcastagnetto/covid19-peru-positivos-vacunados-novacunados