Cleaning script on mortality by region and state

README.org

@@ -1,7 +1,12 @@
 #+options: toc:nil num:nil todo:nil author:nil
 #+options: p:nil
 
-*  mort_geral
+*  Mortalidade geral
+
+Scripts com exemplos de captação, manejo de dados e descrição simples do
+indicador "Mortalidade geral" em epidemiologia.
+
+O material é publicado com fins educativos e de divulgação científica.
 
 ** Scripts
 
@@ -13,6 +18,7 @@
 - [[./script/mort_am_lat.Rmd][Taxa de mortalidade em vários países]]
 - [[./script/mort_idade.Rmd][Mortalidade proporcional por faixa etária]]
 - [[./script/pais_reg_UF_dash.Rmd][Taxa de mortalidade Brasil 2000-2019 por UF]]
+  - [[./script/pais_reg_UF_dashwrang.R][Script com organização das tabelas para o dashboard]]
 
 ** Dados
 
@@ -26,6 +32,8 @@ IBGE/Diretoria de Pesquisas. Coordenação de População e Indicadores Sociais.
 Gerência de Estudos e Análises da Dinâmica Demográfica. Projeção da população
 do Brasil por sexo e idade para o período 2000-2060
 
+Dados sobre estimativas da população foram obtidos do [[https://www.ibge.gov.br/estatisticas/sociais/populacao/9103-estimativas-de-populacao.html?edicao=17283&t=downloads][IBGE]]
+
 - [[https://opendatasus.saude.gov.br/dataset/sim-1979-2019][Dados de mortalidade 1979-2019]]
 - [[https://opendatasus.saude.gov.br/dataset/sim-2020-2021][Dados de mortalidade 2021]]
 - [[./data/mortalidade_CID_10.csv][Compilado dados mortalidade por causas - CID 10]]
@@ -36,9 +44,11 @@ do Brasil por sexo e idade para o período 2000-2060
 - [[http://tabnet.datasus.gov.br/cgi/tabcgi.exe?ibge/cnv/projpopbr.def][População brasileira para o período de estudo]]
 - [[./data/pop_UF_2000_2020.csv][Tabela população por UF 2000-2020]]
 - [[./data/obitos_UF_2000_2019.csv][Tabela óbitos por  UF 2000-2019]]
+- [[./data/obitos_reg_2000_2020.csv][Tabela óbitos por região 2000-2020]]
 - [[./data/pop_reg_2000_2020.csv][Tabela população por região 2000-2020]]
 
 ** Documentos
 
 - [[./doc/resources.org][Informações complementares sobre mortalidade]]
 - [[./bib/references.bib][Referências bibliográficas]]
+- [[https://git.disroot.org/greenleaves/mort_geral.wiki.git][Taxa de mortalidade - Wiki]]

data/obitos_reg_2000_2020.csv

@@ -0,0 +1,6 @@
+Regiao,2000,2001,2002,2003,2004,2005,2006,2007,2008,2009,2010,2011,2012,2013,2014,2015,2016,2017,2018,2019
+Norte,47561,50670,50330,52787,54274,54857,55872,56731,60967,62993,65425,67789,70666,71595,74518,77944,80105,82983,84409,85686
+Nordeste,228410,238256,248980,253019,256614,254544,256139,262193,273873,280476,284635,301596,305746,316415,319748,337713,347095,352045,343969,352801
+Sudeste,463948,465471,470221,479735,487492,475801,493850,495877,504984,515214,534495,541518,543383,554513,562401,573965,595573,593692,598138,616243
+Sul,152476,151629,154987,157625,163070,159922,163388,169004,169646,175573,179428,184658,183528,189231,188514,191172,202593,197793,203734,206086
+Centro-Oeste,54291,55466,58289,59174,62623,61703,62442,64019,67537,68832,72964,74937,77843,78720,81858,83381,84408,86150,86469,88985

script/pais_reg_UF_dash.Rmd

@@ -10,62 +10,8 @@ output:
 runtime: shiny
 ---
 
-```{r setup, include=FALSE}
-library(flexdashboard)
-library(WDI)
-library(ggplot2)
-library(dplyr)
-library(DT)
-library(plotly)
-#library(readr)
-library(data.table)
-library(dygraphs)
-library(knitr)
-library(tidyr)
-library(WDI)
-```
-
-Mortalidade geral: casos totais e mortalidade por 1000 habitantes
-
 ```{r }
-d <- fread("../data/obitos_UF_2000_2019.csv", header = TRUE) |>
-    pivot_longer(cols = c(`2000`:`2019`),
-                 names_to = "Ano",
-                 values_to = "Obitos")
-d
-```
-
-```{r }
-d1 <- fread("../data/pop_UF_2000_2020.csv", header = TRUE) |>
-    select(-`2020`) |>
-    pivot_longer(cols = c(`2000`:`2019`),
-                 names_to = "Ano",
-                 values_to = "População")
-```
-
-```{r }
-d3 <- left_join(d, d1, by = c("UF", "Ano")) |>
-    mutate(Mortalidade = (Obitos/População) * 1000)
-```
-
-```{r }
-d4 <- fread("../data/obitos_reg_2000_2020.csv", header = TRUE) |>
-    pivot_longer(cols = c(`2000`:`2019`),
-                 names_to = "Ano",
-                 values_to = "Obitos")
-```
-
-```{r }
-d5 <- fread("../data/pop_reg_2000_2020.csv", header = TRUE) |>
-    pivot_longer(cols = c(`2000`:`2019`),
-                 names_to = "Ano",
-                 values_to = "População")
-```
-
-```{r }
-d6 <- left_join(d4, d5, by = c("Regiao", "Ano")) |>
-    mutate(Mortalidade = (Obitos/População) * 1000) |>
-    rename(Região = "Regiao")
+source("./pais_reg_UF_dashwrang.R")
 ```
 
 UF
@@ -87,7 +33,7 @@ UF gráfico
 =======================================================================
 
 ```{r }
-M_U <- ggplot(d3, aes(Ano, Mortalidade, group = `Sigla-UF`)) +
+mu <- ggplot(d3, aes(Ano, Mortalidade, group = `Sigla-UF`)) +
     geom_line(aes(color = `Sigla-UF`)) +
     labs(y = "Mortalidade x 1000 habitantes",
          color = "UF") +
@@ -100,7 +46,7 @@ M_U <- ggplot(d3, aes(Ano, Mortalidade, group = `Sigla-UF`)) +
 ```
 
 ```{r }
-plotly::ggplotly(M_U)
+plotly::ggplotly(mu)
 ```
 
 Região

script/pais_reg_UF_dashwrang.R

@@ -0,0 +1,52 @@
+## Building tables to be used in dashboard
+
+library(flexdashboard)
+library(WDI)
+library(ggplot2)
+library(dplyr)
+library(DT)
+library(plotly)
+library(data.table)
+library(dygraphs)
+library(knitr)
+library(tidyr)
+
+
+## Mortalidade geral: casos totais e mortalidade por 1000 habitantes
+
+cols = paste0("2000":"2019")
+
+d <- fread("../data/obitos_UF_2000_2019.csv", header = TRUE) |>
+    pivot_longer(cols = all_of(cols),
+                 names_to = "Ano",
+                 values_to = "Obitos")
+
+
+d1 <- fread("../data/pop_UF_2000_2020.csv", header = TRUE) |>
+    select(-`2020`) |>
+    pivot_longer(cols = all_of(cols),
+                 names_to = "Ano",
+                 values_to = "População")
+
+
+d3 <- left_join(d, d1, by = c("UF", "Ano")) |>
+    mutate(Mortalidade = (Obitos/População) * 1000)
+
+
+d4 <- fread("../data/obitos_reg_2000_2020.csv", header = TRUE) |>
+    pivot_longer(cols = all_of(cols),
+                 names_to = "Ano",
+                 values_to = "Obitos")
+
+
+
+d5 <- fread("../data/pop_reg_2000_2020.csv", header = TRUE) |>
+    pivot_longer(cols = all_of(cols),
+                 names_to = "Ano",
+                 values_to = "População")
+
+
+
+d6 <- left_join(d4, d5, by = c("Regiao", "Ano")) |>
+    mutate(Mortalidade = (Obitos/População) * 1000) |>
+    rename(Região = "Regiao")