R: Descarga de datos abiertos

descarga_datos_abiertos {covidmx}

R Documentation

Descarga de datos abiertos

Description

Funcion para la descarga de datos abiertos de la Direccion General de Epidemiologia (DGE)

Usage

descarga_datos_abiertos(
  dbdir = tempfile(fileext = ".duckdb"),
  sites.covid = get_sites_covid(),
  site.covid.dic = get_site_dic(),
  read_format = c("duckdb", "tibble"),
  drv = duckdb::duckdb(),
  pragma_memory_limit = Sys.getenv("pragma_memory_limit"),
  tblname = "covidmx",
  colClasses = get_col_class(),
  download_process = c("pins", "download.file"),
  unzip_command = Sys.getenv("unzip_command"),
  unzip_args = Sys.getenv("unzip_args"),
  unzip_args_dict = list(exdir = ".", overwrite = TRUE),
  check_unzip_install = TRUE,
  clear_zip = (download_process[1] != "pins"),
  clear_csv = TRUE,
  use_dict = TRUE,
  datos_abiertos_zip_paths = NULL,
  datos_abiertos_unzipped_path = NULL,
  datos_abiertos_tbl = NULL,
  diccionario_zip_path = NULL,
  diccionario_unzipped_path = NULL,
  diccionario = NULL,
  quiet = FALSE,
  cache_datos = NULL,
  use_cache_on_failure = TRUE,
  cache_diccionario = NULL,
  force_download = FALSE,
  show_warnings = TRUE,
  board_url_name = "datos_abiertos",
  board_url_name_dict = "diccionario_covid",
  download_file_args = list(method = "curl", destfile = tempfile(), quiet = quiet),
  download_file_args_dict = download_file_args,
  descarga_db_datos_abiertos_tbl_args = list(),
  descarga_db_diccionario_ssa_args = list(),
  ...
)

Arguments

`dbdir`	(opcional) Direccion donde guardar la base de datos con terminacion `.duckdb`. Corresponde al argumento de `duckdb::dbConnect__duckdb_driver()`
`sites.covid`	(opcional) Sitios web con el vinculo a los archivos `.zip` de l os datos abiertos. Puedes cambiarlo por uno de los historicos, por ejemplo. La estructura es `c("nombre" = "url", "nombre2" = "url2")`. La ultima verificacion del sitio web default fue el 6 de septiembre del 2022.
`site.covid.dic`	(opcional) Sitio desde el cual descarga del diccionario de datos. La ultima verificacion del sitio fue el 6 de septiembre 2022.
`read_format`	(opcional) `"duckdb"` o `"tibble"` establece el formato de lectura de la base de datos. En la mayoria de los casos `"tibble"` va a resultar en un error de memoria. La opcion de `"duckdb"` siempre es mas rapida por lo cual es el default.
`drv`	(opcional) Un driver para `dbConnect` (default `duckdb::duckdb()`)
`pragma_memory_limit`	(opcional) Limite de memoria para el programa (ver PRAGMAS). Cambialo a que sea mas o menos la mitad de tu RAM. La forma mas sencilla es como una variable ambiental con `Sys.setenv('pragma_memory_limit' = '1GB')` por ejemplo para un limite de 1 gigabyte.
`tblname`	(opcional) Nombre de la tabla de `duckdb` donde guardar los datos por default se llama `covidmx`. Solo es relevante si estas usando el mismo `dbdir` para otro proyecto distinto.
`colClasses`	(opcional) Clases de la columna para leer en `duckdb::read_csv_duckdb()`.
`download_process`	(opcional) Metodo para descargar ya sea `pins` o `download.file`. Se recomienda `pins` pues guarda en memoria la fecha de la ultima descarga y analiza si ha pasado mas de un dia desde la descarga. En caso afirmativo verifica si el archivo ha cambiado y si hubo cambios entonces lo descarga.
`unzip_command`	(opcional) Forma de extraer la base de datos de datos abiertos si `unzip` falla. La forma de llamarla es con `system2(unzip_command, args = c(unzip_args, file_download_data))`.
`unzip_args`	(opcional) Argumentos de extraccion de la base de datos de datos abiertos si `unzip` falla. La forma de llamarla es con `system2(unzip_command, args = c(unzip_args, file_download_data))`.
`unzip_args_dict`	(opcional) Lista de argumentos para usar `utils::unzip` en el diccionario de datos.
`check_unzip_install`	(opcional) Bandera de verificacion para checar si tienes lo necesario para unzippear los datos en el caso de que `unzip` no sirva.
`clear_zip`	(opcional) Si borrar los archivos `.zip` descargados para el diccionario y los datos abiertos. No se recomienda si estas usando `pins`. Ve la nota para mas informacion.
`clear_csv`	(opcional) Si borrar los archivos `.csv` que se generan despues de abrir el zip. El default es que si pues en general solo requieres el `duckdb`.
`use_dict`	(opcional) Si descargar el diccionario de `site.covid.dic`.
`datos_abiertos_zip_paths`	(opcional) Camino a los datos abiertos si ya los descargaste en `zip`
`datos_abiertos_unzipped_path`	(opcional) Camino a los datos abiertos `csv` si ya los descargaste y descomprimiste el archivo `zip` en un `csv`
`datos_abiertos_tbl`	(opcional) Camino a un archivo `.duckdb` con los datos formateados
`diccionario_zip_path`	(opcional) Camino al diccionario si ya losdescargaste en `zip`
`diccionario_unzipped_path`	(opcional) Camino al diccionario `csv` si ya lo descargaste y descomprimiste el archivo `zip` en un `csv`
`diccionario`	(opcional) Lo que resulta de realizar una descarga del diccionario usando `descarga_diccionario`
`quiet`	(opcional) Variable para no mostrar mensajes
`cache_datos`	(opcional) Direccion donde guardar los datos en memoria usando `pins` para no tener que volver a descargarlos si nada ha cambiado
`use_cache_on_failure`	(opcional) Booleana. Establece que si no se pueden descargar datos nuevos utilice los que tenga en memoria. Por default es `TRUE`.
`cache_diccionario`	(opcional) Direccion donde guardar el diccionario en memoria usando `pins` para no tener que volver a descargarlo si nada ha cambiado
`force_download`	(opcional) Analiza si cambio el pin y descarga datos nuevos en caso afirmativo aunque haya pasado menos de un dia.
`show_warnings`	(opcional) si arrojar `warnings`
`board_url_name`	(opcional) Establece el nombre del `pins::board_url` para los datos abiertos (si ya usas pins para que no se empalme). Por default se llama `datos_abiertos`
`board_url_name_dict`	(opcional) Establece el nombre del `pins::board_url` para los datos abiertos. Por default se llama `diccionario_covid`
`download_file_args`	(opcional) Lista de argumentos adicionales para `download.file` de los datos si se elige este metodo para descargar.
`download_file_args_dict`	(opcional) Lista de argumentos adicionales para `download.file` del diccionario si se elige este metodo de descarga.
`descarga_db_datos_abiertos_tbl_args`	(opcional) Lista con argumentos adicionales para el `pins::pin_download` de datos abiertos
`descarga_db_diccionario_ssa_args`	(opcional) Lista con argumentos adicionales para el `pins::pin_download` de datos abiertos
`...`	(opcional) Parametros adicionales para `DBI::dbConnect`.

Details

La funcion de descarga principal es descarga_datos_abiertos() llama las siguientes funciones en orden:

descarga_diccionario() Se encarga de descargar y formatear el diccionario de datos
descarga_db() Se encarga de descargar y formatear la base de datos
pega_db_datos_abiertos_tbl_y_diccionario() Pega ambos en el formato lista de covidmx

A su vez descarga_diccionario() ejecuta las siguientes para obtener el diccionario de datos:

descarga_db_diccionario_ssa() Descarga el diccionario de la DGE
unzip_db_diccionario_ssa() Libera el archivo zip descargado
parse_db_diccionario_ssa() Genera una lista de tiblles con el diccionario por variable

Por otro lado,descarga_db() ejecuta las siguientes para obtener los datos abiertos:

descarga_db_datos_abiertos_tbl() Descarga las bases de datos de covid de la DGE
unzip_db_datos_abiertos_tbl() Libera el archivo zip descargado
parse_db_datos_abiertos_tbl() Genera una base de datos en duckdb (o tibble) c on la informacion

Si en algun momento se interrumpio la descarga o hubo problemas de conexion o detuviste el proceso de generacion de la base de datos abiertos puedes llamar a las funciones de read_datos_abiertos().

Value

Lista de valores:

dats - Tabla conectada mediante duckdb::dbConnect__duckdb_driver() (si duckdb) o tibble (si tibble)
disconnect - Funcion para cerrar la conexion a la base de datos.
dict - Lista de tibbles con el diccionario de datos para cada variable

Memoria `RAM`

Si tienes RAM que te sobre puedes no crear una base de datos en duckdb sino leer directo el archivo csv. Esto se logra con read_format = tibble. No lo recomiendo pues puedes terminar con tu sesion de R si se te acaba la memoria.

Windows Para abrir el archivo .zip quiza requieras tambien descargar e instalar ⁠7Zip⁠ por default el sistema lo busca en ⁠C:\\Program Files\\7-Zip\\7z.exe⁠ pero si no esta ese directorio es necesario que en unzip_command especifiques el camino donde se instalo ⁠7z.exe⁠.

Uso de `pins`

Para almacenar los datos se utiliza un pequenio cambio sobre la libreria pins. Los datos se descargan y se almacenan en cache junto con informacion sobre cuando fue la descarga. Si no ha pasado un dia desde la ultima descarga no se descarga nada nuevo. Si los datos que se tienen no han cambiado respecto a lo que esta en linea tampoco se vuelven a descargar aunque haya pasado mas de un dia.

Si se te fue el Internet No te preocupes, pins lee tu descarga mas reciente.

Para ver donde estan descargados tus datos usa pins::board_cache_path(). Para borrarlos usa pins::cache_prune().

Metodos de `unzip`

Por default el programa intenta abrir la base de datos con utils::unzip(). Sin embargo historicamente la base de datos ha estado codificada de tal forma que utils::unzip() no pueda abrirla. Para ello se utilizaban diferentes comandos en particular el default que hemos visto funcionaba son los comandos de terminal unzip (en Linux/OSX) y ⁠7zip⁠ (en Windows). En caso de ser requeridos el sistema te lo hara saber junto con las instrucciones de instalacion

Note

No te recomiendo borrar el cache con clear_zip o editarlo por cualquier otro medio si estas usando pins pues puede romperse la dependencia. Si accidentalmente lo borraste usa pins::board_cache_path() para ir al path y borrar manualmente toda la carpeta.

References

Secretaría de Salud (2022). Datos Abiertos de COVID-19 URL: https://www.gob.mx/salud/documentos/datos-abiertos-152127

Examples


# Descarga de la base de datos junto con diccionario en duckdb y la guarda en
# un archivo temporal.
# Puede cambiarse el dlink por el adecuado o dejarse en blanco
# quita la opción de sites.covid t site.covid.dic para descargar los de la DGE. 
# Esto es solo un ejemplo.
file_duck <- tempfile(fileext = ".duckdb")

#Estos links deben omitirse en una corrida normal. Se incluyen por ahora como ejemplo
#pero las opciones site.covid.dic y sites.covid deben eliminarse de abajo.
dlink     <- "https://github.com/RodrigoZepeda/covidmx/raw/main/datos_abiertos_covid19.zip"
diclink   <- "https://github.com/RodrigoZepeda/covidmx/raw/main/diccionario_datos_covid19.zip"

#En el ejemplo de R por normas de CRAN tenemos que hacerlo así pero en tu
#computadora puedes solo usar descargar datos sin el if else
if (RCurl::url.exists(dlink) & RCurl::url.exists(diclink)){
  datos_covid <- descarga_datos_abiertos(
    dbdir = file_duck,
    sites.covid = dlink, 
    site.covid.dic = diclink,
    show_warnings = FALSE
  )
  # Luego haces algo con esos datos...

  # Cuando terminas cierras la sesion:
  datos_covid$disconnect()

  # Despues podras leerlos con read_datos_abiertos cuando quieras:
  datos_covid <- read_datos_abiertos(dbdir = file_duck, site.covid.dic = diclink)
  datos_covid$disconnect()

  # Si no pones `dbdir` nota que los datos se guardan en un archivo temporal que se elimina
  # al cerrar tu sesion
  datos_covid <- descarga_datos_abiertos(sites.covid = dlink, show_warnings = FALSE,
                      site.covid.dic = diclink)

} else {
  datos_covid <- datosabiertos
}

# Desconectamos
datos_covid$disconnect()

[Package covidmx version 0.7.7 Index]