Función que filtra los datos de una enfermedad o evento por departamentos y municipios.
Argumentos
- data_event
Un `data.frame` con los datos de una enfermedad o evento.
- dpto
Un `character` (cadena de caracteres) o `numeric` (numérico) que contiene el nombre o código del departamento; valor por defecto `NULL`.
- mpio
Un `character` (cadena de caracteres) o `numeric` (numérico) que contiene el nombre o código del municipio; su valor por defecto es `NULL`.
Valor
Un `data.frame` con los datos filtrados con la enfermedad, departamentos y municipios seleccionados.
Ejemplos
data(dengue2020)
data_limpia <- limpiar_data_sivigila(data_event = dengue2020)
geo_filtro(data_event = data_limpia, dpto = "ANTIOQUIA")
#> # A tibble: 12 × 73
#> consecutive cod_eve fec_not semana ano cod_pre cod_sub edad uni_med
#> <chr> <chr> <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
#> 1 7322720 210 2020-01-09 01 2020 0504509099 37 1 1
#> 2 7249231 210 2020-02-07 04 2020 1100123118 01 64 1
#> 3 7234649 210 2020-02-06 05 2020 0500102126 01 57 1
#> 4 7233727 210 2020-02-20 08 2020 0549004811 01 13 1
#> 5 7216310 210 2020-03-06 09 2020 0500102178 10 25 1
#> 6 7219710 210 2020-03-20 10 2020 0512909099 03 48 1
#> 7 7315084 210 2020-03-16 11 2020 1557200807 01 8 1
#> 8 7359390 210 2020-03-20 12 2020 0536009099 24 27 1
#> 9 7299329 210 2020-03-30 13 2020 0580904349 01 13 1
#> 10 7328153 210 2020-04-06 14 2020 0500102104 01 77 1
#> 11 7303305 210 2020-04-08 15 2020 0573606125 01 11 1
#> 12 7396875 210 2020-04-20 16 2020 0583702287 01 2 1
#> # ℹ 64 more variables: nacionalidad <chr>, nombre_nacionalidad <chr>,
#> # sexo <chr>, cod_pais_o <chr>, cod_dpto_o <chr>, cod_mun_o <chr>,
#> # area <chr>, ocupacion <chr>, tip_ss <chr>, cod_ase <chr>, per_etn <chr>,
#> # gru_pob <chr>, nom_grupo <lgl>, estrato <chr>, gp_discapa <chr>,
#> # gp_desplaz <chr>, gp_migrant <chr>, gp_carcela <chr>, gp_gestan <chr>,
#> # sem_ges <lgl>, gp_indigen <chr>, gp_pobicfb <chr>, gp_mad_com <chr>,
#> # gp_desmovi <chr>, gp_psiquia <chr>, gp_vic_vio <chr>, gp_otros <chr>, …
geo_filtro(data_event = data_limpia, dpto = "ANTIOQUIA", mpio = "MEDELLIN")
#> # A tibble: 4 × 73
#> consecutive cod_eve fec_not semana ano cod_pre cod_sub edad uni_med
#> <chr> <chr> <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
#> 1 7234649 210 2020-02-06 05 2020 0500102126 01 57 1
#> 2 7216310 210 2020-03-06 09 2020 0500102178 10 25 1
#> 3 7359390 210 2020-03-20 12 2020 0536009099 24 27 1
#> 4 7328153 210 2020-04-06 14 2020 0500102104 01 77 1
#> # ℹ 64 more variables: nacionalidad <chr>, nombre_nacionalidad <chr>,
#> # sexo <chr>, cod_pais_o <chr>, cod_dpto_o <chr>, cod_mun_o <chr>,
#> # area <chr>, ocupacion <chr>, tip_ss <chr>, cod_ase <chr>, per_etn <chr>,
#> # gru_pob <chr>, nom_grupo <lgl>, estrato <chr>, gp_discapa <chr>,
#> # gp_desplaz <chr>, gp_migrant <chr>, gp_carcela <chr>, gp_gestan <chr>,
#> # sem_ges <lgl>, gp_indigen <chr>, gp_pobicfb <chr>, gp_mad_com <chr>,
#> # gp_desmovi <chr>, gp_psiquia <chr>, gp_vic_vio <chr>, gp_otros <chr>, …
geo_filtro(data_event = data_limpia, dpto = "05")
#> # A tibble: 12 × 73
#> consecutive cod_eve fec_not semana ano cod_pre cod_sub edad uni_med
#> <chr> <chr> <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
#> 1 7322720 210 2020-01-09 01 2020 0504509099 37 1 1
#> 2 7249231 210 2020-02-07 04 2020 1100123118 01 64 1
#> 3 7234649 210 2020-02-06 05 2020 0500102126 01 57 1
#> 4 7233727 210 2020-02-20 08 2020 0549004811 01 13 1
#> 5 7216310 210 2020-03-06 09 2020 0500102178 10 25 1
#> 6 7219710 210 2020-03-20 10 2020 0512909099 03 48 1
#> 7 7315084 210 2020-03-16 11 2020 1557200807 01 8 1
#> 8 7359390 210 2020-03-20 12 2020 0536009099 24 27 1
#> 9 7299329 210 2020-03-30 13 2020 0580904349 01 13 1
#> 10 7328153 210 2020-04-06 14 2020 0500102104 01 77 1
#> 11 7303305 210 2020-04-08 15 2020 0573606125 01 11 1
#> 12 7396875 210 2020-04-20 16 2020 0583702287 01 2 1
#> # ℹ 64 more variables: nacionalidad <chr>, nombre_nacionalidad <chr>,
#> # sexo <chr>, cod_pais_o <chr>, cod_dpto_o <chr>, cod_mun_o <chr>,
#> # area <chr>, ocupacion <chr>, tip_ss <chr>, cod_ase <chr>, per_etn <chr>,
#> # gru_pob <chr>, nom_grupo <lgl>, estrato <chr>, gp_discapa <chr>,
#> # gp_desplaz <chr>, gp_migrant <chr>, gp_carcela <chr>, gp_gestan <chr>,
#> # sem_ges <lgl>, gp_indigen <chr>, gp_pobicfb <chr>, gp_mad_com <chr>,
#> # gp_desmovi <chr>, gp_psiquia <chr>, gp_vic_vio <chr>, gp_otros <chr>, …
geo_filtro(data_event = data_limpia, dpto = "05", mpio = "05001")
#> # A tibble: 4 × 73
#> consecutive cod_eve fec_not semana ano cod_pre cod_sub edad uni_med
#> <chr> <chr> <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
#> 1 7234649 210 2020-02-06 05 2020 0500102126 01 57 1
#> 2 7216310 210 2020-03-06 09 2020 0500102178 10 25 1
#> 3 7359390 210 2020-03-20 12 2020 0536009099 24 27 1
#> 4 7328153 210 2020-04-06 14 2020 0500102104 01 77 1
#> # ℹ 64 more variables: nacionalidad <chr>, nombre_nacionalidad <chr>,
#> # sexo <chr>, cod_pais_o <chr>, cod_dpto_o <chr>, cod_mun_o <chr>,
#> # area <chr>, ocupacion <chr>, tip_ss <chr>, cod_ase <chr>, per_etn <chr>,
#> # gru_pob <chr>, nom_grupo <lgl>, estrato <chr>, gp_discapa <chr>,
#> # gp_desplaz <chr>, gp_migrant <chr>, gp_carcela <chr>, gp_gestan <chr>,
#> # sem_ges <lgl>, gp_indigen <chr>, gp_pobicfb <chr>, gp_mad_com <chr>,
#> # gp_desmovi <chr>, gp_psiquia <chr>, gp_vic_vio <chr>, gp_otros <chr>, …
geo_filtro(data_event = data_limpia, dpto = 05, mpio = 05001)
#> # A tibble: 4 × 73
#> consecutive cod_eve fec_not semana ano cod_pre cod_sub edad uni_med
#> <chr> <chr> <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
#> 1 7234649 210 2020-02-06 05 2020 0500102126 01 57 1
#> 2 7216310 210 2020-03-06 09 2020 0500102178 10 25 1
#> 3 7359390 210 2020-03-20 12 2020 0536009099 24 27 1
#> 4 7328153 210 2020-04-06 14 2020 0500102104 01 77 1
#> # ℹ 64 more variables: nacionalidad <chr>, nombre_nacionalidad <chr>,
#> # sexo <chr>, cod_pais_o <chr>, cod_dpto_o <chr>, cod_mun_o <chr>,
#> # area <chr>, ocupacion <chr>, tip_ss <chr>, cod_ase <chr>, per_etn <chr>,
#> # gru_pob <chr>, nom_grupo <lgl>, estrato <chr>, gp_discapa <chr>,
#> # gp_desplaz <chr>, gp_migrant <chr>, gp_carcela <chr>, gp_gestan <chr>,
#> # sem_ges <lgl>, gp_indigen <chr>, gp_pobicfb <chr>, gp_mad_com <chr>,
#> # gp_desmovi <chr>, gp_psiquia <chr>, gp_vic_vio <chr>, gp_otros <chr>, …
geo_filtro(data_event = data_limpia, dpto = 05, mpio = 001)
#> # A tibble: 4 × 73
#> consecutive cod_eve fec_not semana ano cod_pre cod_sub edad uni_med
#> <chr> <chr> <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
#> 1 7234649 210 2020-02-06 05 2020 0500102126 01 57 1
#> 2 7216310 210 2020-03-06 09 2020 0500102178 10 25 1
#> 3 7359390 210 2020-03-20 12 2020 0536009099 24 27 1
#> 4 7328153 210 2020-04-06 14 2020 0500102104 01 77 1
#> # ℹ 64 more variables: nacionalidad <chr>, nombre_nacionalidad <chr>,
#> # sexo <chr>, cod_pais_o <chr>, cod_dpto_o <chr>, cod_mun_o <chr>,
#> # area <chr>, ocupacion <chr>, tip_ss <chr>, cod_ase <chr>, per_etn <chr>,
#> # gru_pob <chr>, nom_grupo <lgl>, estrato <chr>, gp_discapa <chr>,
#> # gp_desplaz <chr>, gp_migrant <chr>, gp_carcela <chr>, gp_gestan <chr>,
#> # sem_ges <lgl>, gp_indigen <chr>, gp_pobicfb <chr>, gp_mad_com <chr>,
#> # gp_desmovi <chr>, gp_psiquia <chr>, gp_vic_vio <chr>, gp_otros <chr>, …
geo_filtro(data_event = data_limpia, dpto = "bogota dc", mpio = "bogota dc")
#> # A tibble: 0 × 73
#> # ℹ 73 variables: consecutive <chr>, cod_eve <chr>, fec_not <date>,
#> # semana <chr>, ano <chr>, cod_pre <chr>, cod_sub <chr>, edad <dbl>,
#> # uni_med <dbl>, nacionalidad <chr>, nombre_nacionalidad <chr>, sexo <chr>,
#> # cod_pais_o <chr>, cod_dpto_o <chr>, cod_mun_o <chr>, area <chr>,
#> # ocupacion <chr>, tip_ss <chr>, cod_ase <chr>, per_etn <chr>, gru_pob <chr>,
#> # nom_grupo <lgl>, estrato <chr>, gp_discapa <chr>, gp_desplaz <chr>,
#> # gp_migrant <chr>, gp_carcela <chr>, gp_gestan <chr>, sem_ges <lgl>, …