대한민국 코로나 바이러스 현황 파악
코로나바이러스감염증-19 (COVID-19)
정의: 2019년 12월 중국 우한에서 처음 발생한 뒤 전 세계로 확산된, 새로운 유형의 코로나바이러스(SARS-CoV-2)에 의한 호흡기 감염질환이다. 코로나바이러스감염증-19는 감염자의 비말(침방울)이 호흡기나 눈·코·입의 점막으로 침투될 때 전염된다. 감염되면 약 2~14일(추정)의 잠복기를 거친 뒤 발열(37.5도) 및 기침이나 호흡곤란 등 호흡기 증상, 폐렴이 주증상으로 나타나지만 무증상 감염 사례도 드물게 나오고 있다.
[네이버 지식백과] 코로나바이러스감염증-19 - COVID-19 (시사상식사전, pmg 지식엔진연구소)
대한민국 인구/코로나 바이러스 확진자 현황
2020년 3월 5일. 지난 12월 부터 대한민국은 코로나 바이러스로 인해 많은 공포를 느끼고 있다. 처음에는 잠깐의 헤프닝으로 여겼던 현상이, 대구/경북에서 확진자가 폭등 하는 바람에 대한민국을 공포로 물들인게 아닌가 싶다. 나 역시, 한동안 주말에는 계속 집에서 외출은 최소화 하면서 지내고 있는데, 문득 의문이 생겨 글을 쓴다. 동시에 이번에 gganimate, ggmap을 배우는 좋은 계기가 되었다.
내가 바라본 코로나 바이러스
정말, 정말 이정도까지 생각을 하고 있었다. 정말 무서웠으며 집에만 있었었다. 그러다 문득 부산행이며 다른 좀비영화에 나오는 수준의 위험한 정도 일까? 라는 생각이 문득 들었었다. 상당히 위험한 발언일 수 있는데, 결론적으로 내가 스스로 생각 하고 있는것은,
현 시기에는 많은 경각심을 가져야 한다.
다만, 적어도 심각한 공포가 아니라 심각한 경계라는 생각을 하는게 좋아 보인다.
어느덧 대한민국 확진자가 3700명을 넘어섰다. 3700명. 많다면 많을 수는 있는 숫자. 그러나 꼬리표처럼 붙어 나오는 키워드가 대구/경북에서 3000명. 나는 여기에 초점을 맞추어 글을 써보려 한다.
시도별 인구/ 확진자 현황
먼저 시도별 인구와 확진자 현황을 보도록 하자. 시도별 인구는 KOSIS1에서 2020년 2월 기준으로 가져왔으며, 코로나 확진자 데이터2 는 박찬엽님의 링크를 사용하였다. 시도별 인구와 확진자 인구를 보면 인구는 서울/경기도에, 확진자는 대구/경북에 몰려 있는것을 확인할 수 있었다. 이를 각각 지도에 시각화 하여 확인해보자.
library(stringi)
library(kormaps2014)
library(tidyverse)
library(googledrive)
library(mapproj)
library(ggiraphExtra)
library(data.table)
library(readxl)
library(patchwork)
library(gridExtra)
library(maps)
library(ggthemes)
library(gganimate)
library(httr)
library(jsonlite)
library(lubridate)
library(scales)
library(DT)
theme_set(theme_bw())
## 대한민국 인구 데이터 추출
population <- read_xls("population_x.xls")
population <- population[,c(1,8)]
colnames(population) <- c("행정구역별_읍면동", "총인구수")
population <- population[-c(1:2),]
korpop2020 <- korpop1 %>%
left_join(population) %>%
select(C행정구역별_읍면동, 행정구역별_읍면동, 시점, C행정구역별, code, 총인구수) %>%
rename(pop2020 = 총인구수, name = 행정구역별_읍면동)
korpop2020$시점 <- 2020
korpop2020$pop2020 <- as.numeric(korpop2020$pop2020)
# 코로나 데이터 추출
corona_0301 <- read_xlsx("corona19_kr_20200301.xlsx")
corona_0301 %>%
select(구분, `확진환자 (명)`,`검사현황 (명)`) %>%
filter(!구분 %in% c(NA,"합계", "검역"))corona_0301 <- corona_0301 %>%
select(구분, `확진환자 (명)`,`검사현황 (명)`) %>%
filter(!구분 %in% c(NA,"합계", "검역"))
colnames(tbc)[1] <- "구분"
tbc_unique <- tbc %>%
select(구분, name) %>%
unique()
corona_0301 <- corona_0301 %>%
left_join(tbc_unique) %>%
select(name, `확진환자 (명)`,`검사현황 (명)`)
kor_pop_corona <- korpop2020 %>%
left_join(corona_0301) %>%
rename(pop_corona = `확진환자 (명)`)
kor_pop_corona$pop_corona <- as.numeric(kor_pop_corona$pop_corona)
kor_pop_corona$`검사현황 (명)` <- as.numeric(kor_pop_corona$`검사현황 (명)`)
kor_pop_corona %>%
rename(총인구수 = pop2020, 확진자 = pop_corona, 행정구역 = name) %>%
select(시점,총인구수, 확진자, 행정구역) %>%
datatable(rownames = FALSE)시도별 인구 현황 지도
먼저, 시도별 인구 현황 지도를 확인해보자. 시각화 참고는 Do it! 쉽게 배우는 R 데이터 분석 Github과, Kormaps 패키지를 이용한 단계구분도 쉽게 그리기3를 참고 했다. 경기도와 서울에 짙은것을 보면 인구가 밀집 되었음을 확인할 수 있엇다.
ggChoropleth(data = korpop2020, # 지도에 표현할 데이터
aes(fill = pop2020, # 색깔로 표현할 변수
map_id = code, # 지역 기준 변수
tooltip = name), # 지도 위에 표시할 지역명
map = kormap1, # 지도 데이터
interactive = T)시도별 코로나 확진자 지도
이번에는 시도별 코로나 확진자 지도를 보자. 대구와 경북에 많이 짙은것을 볼 수 있다.
ggChoropleth(data = kor_pop_corona, # 지도에 표현할 데이터
aes(fill = pop_corona, # 색깔로 표현할 변수
map_id = code, # 지역 기준 변수
tooltip = name), # 지도 위에 표시할 지역명
map = kormap1, # 지도 데이터
interactive = T)코로나 버블 차트
지도를 다른 방법으로 보자. 원래는 이 링크에 나와 있는 것처럼 gganimate를 사용해 움직이는 버블차트를 만들어 보려 했으나4, 여러번의 시행착오를 겪어도 할 수가 없었다. 일단 map에 대해 좀 더 공부를 해봐야 겠다. 이 링크대로라면 지역별로 위/경도를 뽑아야 하는데, 이는 xwMOOC의 지리정보 API를 사용한 주소와 위도경도 추출방법을5 참고 하였다.
korea <- map_data("world", region = c("South Korea"))
# 지리정보 API를 사용한 위경도 추출
Lat_lon_fun <- function(addr) {
data_list <-
GET(url = 'https://dapi.kakao.com/v2/local/search/address.json',
query = list(query = addr),
add_headers(Authorization = paste0("KakaoAK ", "2ecacbafd523802f293b245103346b06"))) %>%
content(as = 'text') %>%
fromJSON()
lon_lat_df <- data.frame(location = addr, long = data_list$documents$x, lat = data_list$documents$y)
return(lon_lat_df)
}
location_list <- corona_0301$name
location_long_lat <- map_dfr(location_list, function(x) {
Lat_lon_fun(x)
})
corona_0301_bubble <- cbind(corona_0301, location_long_lat[,-1]) %>%
rename(pop = `확진환자 (명)`)
corona_0301_bubble$pop <- as.numeric(corona_0301_bubble$pop)
corona_0301_bubble$long <- as.numeric(corona_0301_bubble$long)
corona_0301_bubble$lat <- as.numeric(corona_0301_bubble$lat)
ggplot() +
geom_polygon(data=korea, aes(x=long, y=lat, group=group), fill="grey", alpha= 0.3) +
geom_point(data=corona_0301_bubble, aes(x=long, y=lat, size = pop), shape = 20, color = "red", alpha = 0.4) +
scale_size_area(max_size=20) +
theme_void() +
geom_text(data=corona_0301_bubble, aes(x=long+0.2, y=lat+0.2, label=name))
GGanimate를 사용한 지역별 날짜별 확진자 그래프
다음 그림을 보자. gganimate6를 사용하였으며, 코로나가 어떻게 대한민국을 공포로 몰아넣게 했는지 그래프로 확인해 볼 수 있었다. 다른 지역에 비해 대구와 경북의 그래프가 가빠르게 올라가는것을 확인할 수 있었다. 날짜는 2020-02-26 ~ 2020-03-01까지 밖에 없었다.
corona_flow <- read_xlsx("corona19-kr.xlsx")
corona_flow_2 <- corona_flow %>%
filter(location != "검역" & state1 == "확진") %>%
rename(Day = "datetime(kst)") %>%
group_by(Day, location, state1) %>%
summarise(count = sum(count))
datebreaks <- seq(as.Date(head(corona_flow_2$Day,1)), as.Date(tail(corona_flow_2$Day,1)), by="1 day")
p <- corona_flow_2 %>%
ggplot(aes(Day, count, group = location, color = factor(location))) +
geom_line() +
scale_color_viridis_d() +
labs(x = "", y = "") +
theme(axis.text.x = element_text(angle=30, hjust=1)) +
theme(legend.position = "none")
p + facet_wrap(~location, ncol=4)+
geom_point() +
geom_text( aes(y = count+1,label=paste0(location, " (",count,"명)")), size=3, vjust=1, hjust=1.1) +
transition_reveal(Day)