Đoạn code này hiển thị những package cần tải cho các phân tích. Trong sổ tay này, chúng tôi nhấn mạnh đến hàm p_load() từ pacman, hàm sẽ cài đặt package nếu cần và gọi nó ra để sử dụng. Bạn cũng có thể gọi các package đã cài đặt với library() từ base R. Xem chương để có thêm thông tin về các R package.

pacman::p_load( tidyverse, # for data management and viz slider, # for calculating moving averages tidyquant # for calculating moving averages within ggplot )

Nhập dữ liệu

Chúng ta nhập các trường hợp trong linelist đã được làm sạch từ một vụ dịch Ebola mô phỏng. Nếu bạn muốn theo dõi, bấm để tải xuống linelist “đã được làm sạch” (tệp .rds). Nhập dữ liệu với hàm

# import the linelist linelist <- import("linelist_cleaned.xlsx")

0 từ package rio (hàm này xử lý nhiều loại tệp như .xlsx, .csv, .rds - xem chương để biết thêm chi tiết).

# import the linelist linelist <- import("linelist_cleaned.xlsx")

50 hàng đầu tiên của linelist được hiển thị dưới đây.

Tính toán với slider

Sử dụng cách tiếp cận này để tính toán đường trung bình động trong một data frame trước khi vẽ biểu đồ.

Package slider cung cấp một số hàm tạo “cửa sổ trượt” giúp tính toán trung bình động, tổng tích lũy, hồi quy động (rolling regression), v.v. Nó coi data frame như một vectơ của các hàng, cho phép lặp lại hàng qua một data frame.

Dưới đây là một số hàm phổ biến:

• import the linelist

  linelist <- import("linelist_cleaned.xlsx")

  1 - lặp qua một cột dạng số (từ “_dbl”) để thực hiện thao tác sử dụng cửa sổ trượt

  • import the linelist

    linelist <- import("linelist_cleaned.xlsx")

    2 - hàm tắt tính tổng động (rolling sum) cho

    import the linelist

    linelist <- import("linelist_cleaned.xlsx") 1

  • import the linelist

    linelist <- import("linelist_cleaned.xlsx")

    4 - hàm tắt tính trung bình động (rolling average) cho

    import the linelist

    linelist <- import("linelist_cleaned.xlsx") 1

• import the linelist

  linelist <- import("linelist_cleaned.xlsx")

  6 - áp dụng cửa sổ cuộn trên một cột dạng số bằng cách sử dụng một cột riêng biệt để lập chỉ mục cửa sổ tiến trình (hữu ích nếu cuộn theo ngày mà một số ngày bị thiếu)

  • import the linelist

    linelist <- import("linelist_cleaned.xlsx") 7 - hàm tắt tính tổng động với chỉ mục

  • import the linelist

    linelist <- import("linelist_cleaned.xlsx") 8 - hàm tắt tính trung bình động với chỉ mục

Package slider có nhiều hàm khác được đề cập đến trong phần Tài nguyên học liệu của chương này. Ở đây, chúng tôi sẽ đề cập ngắn gọn đến những điểm thông dụng nhất.

Những đối số chính

• import the linelist

  linelist <- import("linelist_cleaned.xlsx") 9, đối số đầu tiên theo mặc định, là vectơ để lặp lại và để áp dụng hàm

• make dataset of daily counts

  daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases") 0 cho các phiên bản “chỉ mục (index)” của hàm slider - cung cấp một cột để “lập chỉ mục” khi cuộn (xem phần )

• make dataset of daily counts

  daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

  1, đối số thứ hai theo mặc định, có thể dùng theo một trong hai cách:

  • Một hàm, được viết không có dấu ngoặc đơn, như

    make dataset of daily counts

    daily_counts <- linelist %>%

     count(date_hospitalisation, name = "new_cases")  
    

    2 hoặc
  • Một công thức, mà sẽ được chuyển đổi thành một hàm. Ví dụ

    make dataset of daily counts

    daily_counts <- linelist %>%

     count(date_hospitalisation, name = "new_cases")  
    

    3 sẽ trả về kết quả của giá trị hiện tại trừ đi giá trị trung bình của cửa sổ giá trị
• Để biết thêm chi tiết xem tài liệu tham khảo này

Kích thước cửa sổ

Xác định kích thước của cửa sổ bằng cách sử dụng một trong hai đối số

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

4,

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

5, hoặc cả hai đối số:

• make dataset of daily counts

  daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases") 6 - Cung cấp một số nguyên

• make dataset of daily counts

  daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases") 7 - Cung cấp một số nguyên

• make dataset of daily counts

  daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

  8 - Đặt giá trị này thành

  make dataset of daily counts

  daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases") 9 nếu bạn chỉ muốn tính toán được thực hiện trên các cửa sổ hoàn chỉnh

Ví dụ: Để có cửa sổ 7 ngày liên tục bao gồm giá trị hiện tại và sáu giá trị trước đó, hãy sử dụng

`rolling <- daily_counts %>% mutate( # create new columns

# Using slide_dbl()
###################
reg_7day = slide_dbl(
  new_cases,                         # calculate on new_cases
  .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = T),          # function is sum() with missing values removed
  .before = 6),                      # window is the ROW and 6 prior ROWS
# Using slide_index_dbl()
#########################
indexed_7day = slide_index_dbl(
    new_cases,                       # calculate on new_cases
    .i = date_hospitalisation,       # indexed with date_onset 
    .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = TRUE),     # function is sum() with missing values removed
    .before = days(6))               # window is the DAY and 6 prior DAYS
)`

0. Để có cửa sổ “trung tâm”, hãy cung cấp cùng một giá trị số cho cả

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

6 và

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

7.

Theo mặc định,

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

8 sẽ nhận giá trị FALSE nên nếu cửa sổ hoàn chỉnh của các hàng không tồn tại, các hàm sẽ sử dụng các hàng sẵn có để thực hiện phép tính. Thiết lập giá trị thành TRUE giúp hạn chế việc các phép tính chỉ được thực hiện trên các cửa sổ hoàn chỉnh.

Mở rộng cửa sổ

Để có các tính toán tích lũy, hãy thiết lập đối số

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

6 thành

`rolling <- daily_counts %>% mutate( # create new columns

# Using slide_dbl()
###################
reg_7day = slide_dbl(
  new_cases,                         # calculate on new_cases
  .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = T),          # function is sum() with missing values removed
  .before = 6),                      # window is the ROW and 6 prior ROWS
# Using slide_index_dbl()
#########################
indexed_7day = slide_index_dbl(
    new_cases,                       # calculate on new_cases
    .i = date_hospitalisation,       # indexed with date_onset 
    .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = TRUE),     # function is sum() with missing values removed
    .before = days(6))               # window is the DAY and 6 prior DAYS
)`

5. Điều này giúp tiến hành tính toán cả trên giá trị hiện tại và tất cả các giá trị trước đó.

Cuộn theo ngày

Trường hợp sử dụng có khả năng xảy ra nhất của tính toán biến động trong dịch tễ học ứng dụng là kiểm tra một số liệu theo thời gian. Ví dụ: đo lường động các ca mới mắc, dựa trên số lượng trường hợp hàng ngày.

Nếu bạn có dữ liệu chuỗi thời gian đã được làm sạch với đủ giá trị cho tất cả các ngày, bạn có thể sử dụng hàm

# import the linelist linelist <- import("linelist_cleaned.xlsx")

1, như đã được trình bày trong chương .

Tuy nhiên, trong nhiều trường hợp dịch tễ học ứng dụng, bạn có thể gặp những ngày trống trong dữ liệu của mình, những ngày mà không có sự kiện nào được ghi lại. Trong những trường hợp này, tốt nhất là sử dụng các phiên bản “chỉ mục” của các hàm slider.

Dữ liệu được lập chỉ mục

Dưới đây, chúng tôi trình bày một ví dụ sử dụng

# import the linelist linelist <- import("linelist_cleaned.xlsx")

6 đối với các trường hợp của bộ dữ liệu linelist. Giả sử rằng mục tiêu của chúng ta là tính toán tỷ lệ mới mắc liên tục trong 7 ngày - tính tổng các trường hợp bằng cách sử dụng cửa sổ 7 ngày luân phiên. Nếu bạn đang tìm kiếm ví dụ về trung bình động, hãy xem phần bên dưới về .

Để bắt đầu, bộ dữ liệu

`rolling <- daily_counts %>% mutate( # create new columns

# Using slide_dbl()
###################
reg_7day = slide_dbl(
  new_cases,                         # calculate on new_cases
  .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = T),          # function is sum() with missing values removed
  .before = 6),                      # window is the ROW and 6 prior ROWS
# Using slide_index_dbl()
#########################
indexed_7day = slide_index_dbl(
    new_cases,                       # calculate on new_cases
    .i = date_hospitalisation,       # indexed with date_onset 
    .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = TRUE),     # function is sum() with missing values removed
    .before = days(6))               # window is the DAY and 6 prior DAYS
)`

8 được tạo ra để phản ánh số lượng ca mắc hàng ngày từ

`rolling <- daily_counts %>% mutate( # create new columns

# Using slide_dbl()
###################
reg_7day = slide_dbl(
  new_cases,                         # calculate on new_cases
  .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = T),          # function is sum() with missing values removed
  .before = 6),                      # window is the ROW and 6 prior ROWS
# Using slide_index_dbl()
#########################
indexed_7day = slide_index_dbl(
    new_cases,                       # calculate on new_cases
    .i = date_hospitalisation,       # indexed with date_onset 
    .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = TRUE),     # function is sum() with missing values removed
    .before = days(6))               # window is the DAY and 6 prior DAYS
)`

9, như đã được tính toán với hàm

ggplot(data = rolling)+ geom_line(mapping = aes(x = date_hospitalisation, y = indexed_7day), size = 1)

0 trong dplyr.

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

Dưới đây là data frame

`rolling <- daily_counts %>% mutate( # create new columns

# Using slide_dbl()
###################
reg_7day = slide_dbl(
  new_cases,                         # calculate on new_cases
  .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = T),          # function is sum() with missing values removed
  .before = 6),                      # window is the ROW and 6 prior ROWS
# Using slide_index_dbl()
#########################
indexed_7day = slide_index_dbl(
    new_cases,                       # calculate on new_cases
    .i = date_hospitalisation,       # indexed with date_onset 
    .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = TRUE),     # function is sum() with missing values removed
    .before = days(6))               # window is the DAY and 6 prior DAYS
)`

8 - bao gồm

ggplot(data = rolling)+ geom_line(mapping = aes(x = date_hospitalisation, y = indexed_7day), size = 1)

2 hàng, mỗi hàng đại diện cho một ngày, nhưng đặc biệt trong giai đoạn đầu của dịch, có một số ngày không xuất hiện (không có ca mắc nào được tiếp nhận vào những ngày đó).

Điều quan trọng là phải nhận ra rằng một hàm cuộn tiêu chuẩn (như

# import the linelist linelist <- import("linelist_cleaned.xlsx")

1 sẽ sử dụng cửa sổ của 7 hàng, không phải 7 ngày. Vì vậy, nếu có bất kỳ ngày nào trống, một số cửa sổ sẽ thực sự kéo dài hơn 7 ngày theo lịch!

Một cửa sổ động “thông minh” có thể được tạo với hàm

# import the linelist linelist <- import("linelist_cleaned.xlsx")

6. “Chỉ mục” có nghĩa là hàm sử dụng một cột riêng biệt làm “chỉ mục” cho cửa sổ động. Cửa sổ đó không chỉ đơn giản dựa trên các hàng của data frame.

Nếu cột chỉ mục là ngày, bạn có thêm khả năng xác định phạm vi cửa sổ cho

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

6 và/hoặc

# make dataset of daily counts daily_counts <- linelist %>% count(date_hospitalisation, name = "new_cases")

7 theo đơn vị

ggplot(data = rolling)+ geom_line(mapping = aes(x = date_hospitalisation, y = indexed_7day), size = 1)

7 và

ggplot(data = rolling)+ geom_line(mapping = aes(x = date_hospitalisation, y = indexed_7day), size = 1)

8 của lubridate. Nếu bạn thực hiện những điều này, hàm sẽ bao gồm những ngày trống trong cửa sổ như thể chúng ở đó (dưới dạng giá trị

ggplot(data = rolling)+ geom_line(mapping = aes(x = date_hospitalisation, y = indexed_7day), size = 1)

9).

Hãy đưa ra một so sánh. Dưới đây, chúng tôi tính toán số trường hợp mới mắc biến động trong 7 ngày với các cửa sổ thông thường và được lập chỉ mục.

`rolling <- daily_counts %>% mutate( # create new columns

# Using slide_dbl()
###################
reg_7day = slide_dbl(
  new_cases,                         # calculate on new_cases
  .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = T),          # function is sum() with missing values removed
  .before = 6),                      # window is the ROW and 6 prior ROWS
# Using slide_index_dbl()
#########################
indexed_7day = slide_index_dbl(
    new_cases,                       # calculate on new_cases
    .i = date_hospitalisation,       # indexed with date_onset 
    .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = TRUE),     # function is sum() with missing values removed
    .before = days(6))               # window is the DAY and 6 prior DAYS
)`

Quan sát trong cột thông thường cho 7 hàng đầu tiên, cách số lượng ca mắc tăng đều đặn mặc dù các hàng không cách nhau 7 ngày! Cột “được lập chỉ mục” liền kề tính cho những ngày lịch trống này, vì vậy tổng 7 ngày của nó thấp hơn nhiều, ít nhất là khi khoảng thời gian các ca mắc cách nhau xa hơn trong thời kỳ dịch bệnh này.

Bây giờ bạn có thể vẽ biểu đồ những dữ liệu này bằng cách sử dụng

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

0:

ggplot(data = rolling)+ geom_line(mapping = aes(x = date_hospitalisation, y = indexed_7day), size = 1)

Biến động theo nhóm

Nếu bạn nhóm dữ liệu của mình trước khi sử dụng hàm slider, các cửa sổ trượt sẽ được áp dụng theo nhóm. Hãy cẩn thận để sắp xếp các hàng của bạn với thứ tự mong muốn theo nhóm.

Mỗi khi một nhóm mới được tạo, cửa sổ trượt sẽ bắt đầu lại. Do đó, một điều cần lưu ý là nếu dữ liệu của bạn được nhóm lại và bạn đã thiết lập

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

1, bạn sẽ có các giá trị trống ở mỗi lần dịch chuyển giữa các nhóm. Khi hàm di chuyển xuống dưới qua các hàng, mọi dịch chuyển trong cột được nhóm sẽ bắt đầu lại việc cộng dồn kích thước cửa sổ tối thiểu để cho phép tính toán.

Xem chương trong sổ tay này để biết thêm chi tiết về nhóm dữ liệu.

Dưới đây, chúng tôi đếm các ca mắc trong linelist theo ngày và theo bệnh viện. Sau đó, chúng tôi sắp xếp các hàng theo thứ tự tăng dần, thứ tự đầu tiên theo bệnh viện và sau đó là theo ngày. Tiếp theo, chúng tôi đặt

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

2. Cuối cùng, chúng tôi có thể tạo trung bình động mới của mình.

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

Đây là bộ dữ liệu mới:

Bây giờ chúng ta có thể vẽ các đường trung bình động, hiển thị dữ liệu theo nhóm bằng cách chỉ định

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

3 tới

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

4 trong

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

0. Để giải trí, chúng tôi vẽ hai biểu đồ - một biểu đồ cột

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

6 thể hiện số lượng ca mắc hàng ngày và một biểu đồ đường

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

7 thể hiện đường trung bình động của 7 ngày.

`ggplot(data = grouped_roll)+ geom_col( # plot daly case counts as grey bars

mapping = aes(
  x = date_hospitalisation,
  y = new_cases),
fill = "grey",
width = 1)+

geom_line( # plot rolling average as line colored by hospital

mapping = aes(
  x = date_hospitalisation,
  y = mean_7day_hosp,
  color = hospital),
size = 1)+

facet_wrap(~hospital, ncol = 2)+ # create mini-plots per hospital theme_classic()+ # simplify background theme(legend.position = "none")+ # remove legend labs( # add plot labels

title = "7-day rolling average of daily case incidence",
x = "Date of admission",
y = "Case incidence")`

NGUY HIỂM: Nếu bạn gặp lỗi cho biết “slide() was deprecated in tsibble 0.9.0 and is now defunct. Please use slider::slide() instead.”, điều đó có nghĩa là hàm

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

8 từ package tsibble đang đè lên hàm

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

8 từ package slider. Khắc phục lỗi này bằng cách cụ thể tên package trong lệnh, ví dụ

`ggplot(data = grouped_roll)+ geom_col( # plot daly case counts as grey bars

mapping = aes(
  x = date_hospitalisation,
  y = new_cases),
fill = "grey",
width = 1)+

geom_line( # plot rolling average as line colored by hospital

mapping = aes(
  x = date_hospitalisation,
  y = mean_7day_hosp,
  color = hospital),
size = 1)+

facet_wrap(~hospital, ncol = 2)+ # create mini-plots per hospital theme_classic()+ # simplify background theme(legend.position = "none")+ # remove legend labs( # add plot labels

title = "7-day rolling average of daily case incidence",
x = "Date of admission",
y = "Case incidence")`

0.

Tính toán với tidyquant trong

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

0

Package tidyquant cung cấp một cách tiếp cận khác để tính toán đường trung bình động - lần này chính là từ bên trong lệnh

grouped_roll <- linelist %>% count(hospital, date_hospitalisation, name = "new_cases") %>% arrange(hospital, date_hospitalisation) %>% # arrange rows by hospital and then by date group_by(hospital) %>% # group by hospital mutate( # rolling average

mean_7day_hosp = slide_index_dbl(
  .x = new_cases,                 # the count of cases per hospital-day
  .i = date_hospitalisation,      # index on date of admission
  .f = mean,                      # use mean()                  
  .before = days(6)               # use the day and the 6 days prior
  )

)

0.

Dữ liệu

`rolling <- daily_counts %>% mutate( # create new columns

# Using slide_dbl()
###################
reg_7day = slide_dbl(
  new_cases,                         # calculate on new_cases
  .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = T),          # function is sum() with missing values removed
  .before = 6),                      # window is the ROW and 6 prior ROWS
# Using slide_index_dbl()
#########################
indexed_7day = slide_index_dbl(
    new_cases,                       # calculate on new_cases
    .i = date_hospitalisation,       # indexed with date_onset 
    .f = ~[sum](https://rdrr.io/r/base/sum.html)(.x, na.rm = TRUE),     # function is sum() with missing values removed
    .before = days(6))               # window is the DAY and 6 prior DAYS
)`

9 dưới đây được đếm theo ngày khởi phát và được vẽ dưới dạng một đường mờ (

`ggplot(data = grouped_roll)+ geom_col( # plot daly case counts as grey bars

mapping = aes(
  x = date_hospitalisation,
  y = new_cases),
fill = "grey",
width = 1)+

geom_line( # plot rolling average as line colored by hospital

mapping = aes(
  x = date_hospitalisation,
  y = mean_7day_hosp,
  color = hospital),
size = 1)+

facet_wrap(~hospital, ncol = 2)+ # create mini-plots per hospital theme_classic()+ # simplify background theme(legend.position = "none")+ # remove legend labs( # add plot labels

title = "7-day rolling average of daily case incidence",
x = "Date of admission",
y = "Case incidence")`

4 <1). Được phủ lên trên là một đường được tạo bằng hàm

`ggplot(data = grouped_roll)+ geom_col( # plot daly case counts as grey bars

mapping = aes(
  x = date_hospitalisation,
  y = new_cases),
fill = "grey",
width = 1)+

geom_line( # plot rolling average as line colored by hospital

mapping = aes(
  x = date_hospitalisation,
  y = mean_7day_hosp,
  color = hospital),
size = 1)+

facet_wrap(~hospital, ncol = 2)+ # create mini-plots per hospital theme_classic()+ # simplify background theme(legend.position = "none")+ # remove legend labs( # add plot labels

title = "7-day rolling average of daily case incidence",
x = "Date of admission",
y = "Case incidence")`

5 từ package tidyquant, với cửa sổ được thiết lập là 7 ngày (

`ggplot(data = grouped_roll)+ geom_col( # plot daly case counts as grey bars

mapping = aes(
  x = date_hospitalisation,
  y = new_cases),
fill = "grey",
width = 1)+

geom_line( # plot rolling average as line colored by hospital

mapping = aes(
  x = date_hospitalisation,
  y = mean_7day_hosp,
  color = hospital),
size = 1)+

facet_wrap(~hospital, ncol = 2)+ # create mini-plots per hospital theme_classic()+ # simplify background theme(legend.position = "none")+ # remove legend labs( # add plot labels

title = "7-day rolling average of daily case incidence",
x = "Date of admission",
y = "Case incidence")`

6. với màu sắc và độ dày được chỉ định.

Theo mặc định,

`ggplot(data = grouped_roll)+ geom_col( # plot daly case counts as grey bars

mapping = aes(
  x = date_hospitalisation,
  y = new_cases),
fill = "grey",
width = 1)+

geom_line( # plot rolling average as line colored by hospital

mapping = aes(
  x = date_hospitalisation,
  y = mean_7day_hosp,
  color = hospital),
size = 1)+

facet_wrap(~hospital, ncol = 2)+ # create mini-plots per hospital theme_classic()+ # simplify background theme(legend.position = "none")+ # remove legend labs( # add plot labels

title = "7-day rolling average of daily case incidence",
x = "Date of admission",
y = "Case incidence")`

5 sử dụng một đường trung bình động đơn giản (

`ggplot(data = grouped_roll)+ geom_col( # plot daly case counts as grey bars

mapping = aes(
  x = date_hospitalisation,
  y = new_cases),
fill = "grey",
width = 1)+

geom_line( # plot rolling average as line colored by hospital

mapping = aes(
  x = date_hospitalisation,
  y = mean_7day_hosp,
  color = hospital),
size = 1)+

facet_wrap(~hospital, ncol = 2)+ # create mini-plots per hospital theme_classic()+ # simplify background theme(legend.position = "none")+ # remove legend labs( # add plot labels

title = "7-day rolling average of daily case incidence",
x = "Date of admission",
y = "Case incidence")`

8), tuy nhiên, hàm này cũng có thể sử dụng các loại đường trung bình khác, chẳng hạn như: