-
Notifications
You must be signed in to change notification settings - Fork 0
/
hole-impfzahlen.R
1180 lines (1008 loc) · 49.3 KB
/
hole-impfzahlen.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
##################################### hole-impfzahlen.R #########################
# - Impfzahlen holen und ausgeben
# Dieses Skript ist ein Zwischenstand: Das RKI hat zwar jetzt ein Github-
# Repository für die Daten angelegt - das ist zuverlässiger, und die Daten
# sind vollständiger. Leider lässt sich ein Wert - die Quote der Geimpften nach
# Altersgruppe - aus den Daten nicht richtig angeben, weil sich die Logik der
# Zählung verändert hat. Deswegen muss dieses Skript einstweilen auch die alte
# Datenquelle auslesen, die Excel-Datei mit dem "Digitalen Impfquotenmonitoring auf rki.de -
# ...mit allen ihren Schwierigkeiten und Risiken.
# Stand: 21.9.2022
# ---- Bibliotheken, Einrichtung der Message-Funktion; Server- vs. Lokal-Variante ----
# Alles weg, was noch im Speicher rumliegt
rm(list=ls())
# Definiere Messaging, Server-Parameter, RKI-Lese-Funktion
# Im WD, bitte!
msgTarget <- "B17:C17"
# Library zum Finden des Arbeitsverzeichnisses
# Setzt das WD auf das Verzeichnis des gerade laufenden Skripts
pacman::p_load(this.path)
setwd(this.path::this.dir())
source("Helferskripte/server-msg-googlesheet-include.R")
# Bevölkerungstabelle für alle Bundesländer vorbereiten,
# Altersgruppen: 12-17, 18-59,60+.
# Errechne aus Bevölkerungszahlen nach Jahr.
# Q: GENESIS 12411-0012 (Tiefe: Bundesländer), Stichtag 31.12.2021,
# Q: Statistik des Landes Hessen
# https://statistik.hessen.de/zahlen-fakten/bevoelkerung-gebiet-haushalte-familien/bevoelkerung/tabellen
#
# Rohdateien müssen beide im index-Ordner liegen
# Lies die Landestabelle ein
he_ag2021_k_df <- read_csv("./index/he_Altersstruktur_Bevoelkerung_Kreise_2021.csv",
locale = locale(date_names = "de"), skip = 2) %>%
select(ags = 1, ag = 2, Insgesamt = 3) %>%
# Sonderding für Vogelsberg, bei dem "535 Vogelsberg" in der Tabelle steht. Grrr.
mutate(ags = str_sub(ags,1,3)) %>%
# Spalten auffüllen:
# Wenn eine Zahl, in AGS-String umwandeln. (06...)
# Wenn keine Zahl, leeren - damit es im nächsten Schritt aufgefüllt werden kann.
mutate(ags = ifelse(is.na(as.numeric(ags)),
NA,
paste0("06",ags))) %>%
fill(ags, .direction = "down") %>%
filter(ag != "Insgesamt") %>%
mutate(ag = ifelse(str_detect(ag,"^[Uu]nter"),0,
as.numeric(str_extract(ag,"^[0-9]+"))))
# Jetzt habe ich eine Tabelle, die für alle Kreise die Bevölkerung nach Altersjahren in Hessen nennt
# ags - Kreis-AGS
# ag - Altersgruppe "von"
t12411_0012_2021_df <- read_delim("./index/12411-0012.csv",
delim = ";", escape_double = FALSE,
locale = locale(date_names = "de", encoding = "ISO-8859-1"), trim_ws = TRUE,
skip = 5) %>%
# Spalte mit dem Stichtag raus
select(-1) %>%
rename(ag = 1) %>%
pivot_longer(cols = -ag, names_to = "bundesland", values_to = "n") %>%
group_by(bundesland) %>%
filter(!is.na(ag)) %>%
filter(ag!="Insgesamt") %>%
# id für Bundesländer dazuholen
left_join(read.xlsx("./index/bltabelle.xlsx"), by="bundesland")
bev_bl_df <- t12411_0012_2021_df %>%
mutate(ag = ifelse(str_detect(ag,"^[Uu]nter"),0,
as.numeric(str_extract(ag,"^[0-9]+")))) %>%
# Zusätzliche Variable mit der Altersgruppe
mutate(Altersgruppe = case_when(
ag < 05 ~ "u5",
ag < 12 ~ "05-11",
ag < 18 ~ "12-17",
ag < 60 ~"18-59",
TRUE ~ "60+")) %>%
select(id,Bundesland = bundesland,Altersgruppe,Insgesamt = n) %>%
# Tabelle bauen: Bevölkerung in der jeweiligen Altersgruppe nach BL,
# Werte aus der Variable aufsummieren.
pivot_wider(names_from=Altersgruppe, values_from=Insgesamt,values_fn=sum) %>%
ungroup()
bev_kr_df <- he_ag2021_k_df %>%
# Zusätzliche Variable mit der Altersgruppe
mutate(Altersgruppe = case_when(
ag < 5 ~ "u5",
ag < 12 ~ "05-11",
ag < 18 ~ "12-17",
ag < 60 ~"18-59",
TRUE ~ "60+")) %>%
left_join(read.xlsx("./index/kreise-namen-index.xlsx") %>%
select(ags = AGS,kreis),by="ags") %>%
select(id = ags, Kreis = kreis, Altersgruppe, Insgesamt) %>%
filter(!is.na(as.numeric(Insgesamt))) %>%
mutate(Insgesamt = as.numeric(Insgesamt,na.rm=T)) %>%
# Tabelle bauen: Bevölkerung in der jeweiligen Altersgruppe nach BL,
# Werte aus der Variable aufsummieren.
pivot_wider(names_from=Altersgruppe, values_from=Insgesamt,values_fn=sum)
# Bevölkerung nach Altersgruppen, Hessen
hessen=sum(bev_bl_df %>% filter(id=="06") %>% select(-id,-Bundesland))
ue60 = bev_bl_df %>% filter(id=="06") %>% pull(`60+`)
ue18_59 = bev_bl_df %>% filter(id=="06") %>% pull(`18-59`)
ue12_17 = bev_bl_df %>% filter(id=="06") %>% pull(`12-17`)
ue5_11 = bev_bl_df %>% filter(id=="06") %>% pull(`05-11`)
u60 = hessen - ue60
# ---- Daten aus RKI-Github-Repository lesen und aufarbeiten ----
# Seit Juli 2021 werden die Daten nicht mehr als XLSX-Datei auf der
# Website veröffentlicht, sondern im Github-Repository des RKI.
msg("Nach aktualisierten RKI-Impfdaten suchen")
git_user <- "robert-koch-institut"
git_repo <- "COVID-19-Impfungen_in_Deutschland"
git_path <- "Aktuell_Deutschland_Bundeslaender_COVID-19-Impfungen.csv"
# Wann war der letzte Commit des Github-Files? Das als Datum i_d
github_api_url <- paste0("https://api.github.com/repos/",
git_user,"/",git_repo,"/",
"commits?path=",
git_path)
github_data <- read_json(github_api_url, simplifyVector = TRUE)
i_d <- max(as_date(github_data$commit$committer$date))
tsi <- now()
# Noch keine Daten für heute? Warte, prüfe auf Abbruch; loope
while(i_d < today()) {
# Abbruchbedingung: 8x3600 Sekunden vergangen?
if (now() > tsi+(8*3600)) {
msg("KEINE NEUEN DATEN GEFUNDEN")
stop("Timeout")
}
# Warte 5 Minuten, suche wieder den letzten Commit
Sys.sleep(300)
github_data <- read_json(github_api_url, simplifyVector = TRUE)
i_d <- max(as_date(github_data$commit$committer$date))
}
# Kurz piepsen; auf dem Server geht das natürlich schief, deshalb try.
try(beepr::beep(2),silent=TRUE)
# Zeitstempel erneuern: Das ist das Abfragedatum
tsi <- now()
msg("Impfdaten vom ",i_d)
bl_tbl <- read_csv(paste0("https://raw.githubusercontent.com/",
git_user,"/",git_repo,"/",
"master/",
"Aktuell_Deutschland_Bundeslaender_COVID-19-Impfungen.csv")) %>%
select(Datum=1,id=2,3,4,5)
lk_tbl <- read_csv(paste0("https://raw.githubusercontent.com/",
git_user,"/",git_repo,"/",
"master/",
"Aktuell_Deutschland_Landkreise_COVID-19-Impfungen.csv")) %>%
select(Datum=1,id_lk = 2,3,4,5)
# Letzten Datenstand festhalten
i_d_max <- max(bl_tbl$Datum)
# XLSX-Tabelle dazuholen
rki_xlsx_url <- "https://www.rki.de/DE/Content/InfAZ/N/Neuartiges_Coronavirus/Daten/Impfquotenmonitoring.xlsx?__blob=publicationFile"
# Impfquoten nach Altersgruppe
tabelle2 <- read.xlsx(rki_xlsx_url,sheet=2)
# Impfzahlen kumulativ nach Impfstoff
tabelle3 <- read.xlsx(rki_xlsx_url,sheet=3)
# Zeitreihe Impfungen bundesweit
tabelle4 <- read.xlsx(rki_xlsx_url,sheet=4)
#### ---- Ab hier beginnt die Verarbeitung der eingelesenen Daten ----
# ---- Länder-Vergleichstabelle erstellen ----
# Erstes Teil-DF: Absolute Summen nach Impfstoff je Land
msg("Baue Ländertabelle absolute Zahlen nach Impfstoff...")
bl_1_df <- bl_tbl %>%
# Tabelle Erst- und Zweitimpfungen nach Land und Impfstoff - Summen
pivot_wider(names_from=c(Impfstoff,Impfserie),names_sep="_",values_from=Anzahl) %>%
group_by(id)%>%
summarize(biontech_erst = sum(Comirnaty_1,na.rm=TRUE),
moderna_erst = sum(Moderna_1,na.rm=TRUE),
az_erst = sum(AstraZeneca_1,na.rm=TRUE),
janssen_erst = sum(Janssen_1,na.rm=TRUE),
novavax_erst = sum(Novavax_1,na.rm=TRUE),
biontech_zweit = sum(Comirnaty_2,na.rm=TRUE),
moderna_zweit = sum(Moderna_2,na.rm=TRUE),
az_zweit = sum(AstraZeneca_2,na.rm=TRUE),
janssen_zweit = sum(Janssen_2,na.rm=TRUE),
novavax_zweit = sum(Novavax_2,na.rm=TRUE),
biontech_dritt = sum(Comirnaty_3,na.rm=TRUE),
moderna_dritt = sum(Moderna_3,na.rm=TRUE),
az_dritt = sum(AstraZeneca_3,na.rm=TRUE),
janssen_dritt = sum(Janssen_3,na.rm=TRUE),
novavax_dritt = sum(Novavax_3,na.rm=TRUE),
biontech_viert = sum(Comirnaty_4,na.rm=TRUE),
moderna_viert = sum(Moderna_4,na.rm=TRUE),
az_viert = sum(AstraZeneca_4,na.rm=TRUE),
janssen_viert = sum(Janssen_4,na.rm=TRUE),
novavax_viert = sum(Novavax_4,na.rm=TRUE)) %>%
# Summen Personen und Durchgeimpfte bilden
mutate(personen = biontech_erst+moderna_erst+az_erst+janssen_erst+novavax_erst,
durchgeimpft = biontech_zweit+moderna_zweit+az_zweit+janssen_zweit+novavax_zweit,
geboostert = biontech_dritt+moderna_dritt+az_dritt+janssen_dritt+novavax_dritt,
zweitgeboostert = biontech_viert+moderna_viert+az_viert+janssen_viert+novavax_viert) %>%
# Spalten umsortieren: Summen erst/zweit nach vorne
relocate(c(personen,durchgeimpft),.after=id) %>%
# Bevölkerungszahlen dazuholen
left_join(bev_bl_df, by="id") %>%
mutate(pop=`u5`+`05-11`+`12-17`+`18-59`+`60+`) %>%
mutate(quote_erst=personen/pop*100,
quote_zweit=durchgeimpft/pop*100,
quote_dritt=geboostert/pop*100,
quote_viert=zweitgeboostert/pop*100) %>%
# Spalten aus der Bevölkerungstabelle wieder raus
select(-Bundesland,-`u5`,-`05-11`,-`12-17`,-`18-59`,-`60+`)
# schnell noch: Impfungen gestern
msg("Impfungen am ",i_d_max)
bl_n_df <- bl_tbl %>%
filter(Datum == i_d_max) %>%
group_by(id, Impfserie) %>%
summarize(neu = sum(Anzahl)) %>%
pivot_wider(names_from=Impfserie,values_from=neu) %>%
rename(neu = `1`, neu_zweit = `2`, neu_dritt=`3`, neu_viert=`4`)
# NEU: Bisher konnte man die neuen Impfungen nur als Differenz errechnen,
# und das hieß: Der Janssen-Impfstoff tauchte sowohl in neu als auch neu_zweit auf.
# Das ist jetzt nicht mehr der Fall - Janssen-Impfungen werden fest der Impfserie 1 zugeordnet.
# Yay!
# Nächste Tabelle: Absolute Summen nach Altersgruppen und Land
# (Kreis-Infos werden hier nicht genutzt, weil sinnlos:
# Angegeben ist der Impfort, nicht der Wohnort der Geimpften -
# man kann also keine Impfquote errechnen, und der Wert hängt von
# der Zahl der Hausärzte und der Größe des Impfzentrums ab -
# lediglich für eine Zeitreihe für den Kreis wäre es nützlich.)
msg("Baue Ländertabelle Impfquoten nach Altersgruppe...")
# Hier stimmt noch was nicht. Die Impfquoten nach AG sind zu niedrig.
# Vermutlicher Grund: Die Zählung "Impfschutz" erfasst Vorerkrankte bzw. Janssen-
# Geimpfte mit Impfstatus 2, auch wenn es erst die erste Impfung ist.
# Zitat aus dem RKI-Github-Repository: "Angabe zum Impfschutz - Vollständiger
# Impfschutz besteht bei zweifacher Impfung, Impfung mit Janssen und einfach
# Geimpften mit überstandener SARS-CoV-2 Infektion". Super.
# Deswegen wird für die Impfquote einstweilen weiter die grausige XLS-Tabelle
# von der RKI-Website genutzt.
# DICKE AUSNAHME: Die 5-11jährigen - die ja ohnehin keinen Janssen-Impfstoff
# kriegen, und für die Impfquoten noch nicht angegeben sind. Deshalb errechnen
# wir die Impfquoten tatsächlich aus der bl_3_df.
# (Quervergleich mit den Zahlen in der XLS ergibt, dass die Zahlen zumindest
# für die Anzahl der geimpften Personen identisch sind - entsprechen der
# Variable 5-11_1. Offensichtlich geht der Datensatz also vom Regelfall aus -
# Erst- und Zweitimpfung - und ignoriert genesene Geimpfte bzw. zählt sie einfach
# als Erstgeimpfte. Nun gut, tun wir das in den Quoten auch - was sollen wir tun.)
# Erst eine Tabelle, die die absoluten Zahlen enthält (brauchen wir für die
# Drittimpfung)
bl_3_df <- lk_tbl %>%
# id - die ersten zwei Zeichen der AGS enthalten die Länderkennung
mutate(id = str_sub(id_lk,1,2)) %>%
# Tabelle Erst- bis Viertimpfungen nach Land und Altersgruppe
# Es gibt eine Spalte u - für die paar Fälle ohne Altersangabe -
# man darf sie bequem ignorieren.
# In der ZEILE u sind die Impfzentren des Bundes - auch die klammern wir
# für den Ländervergleich aus.
# Impfschutz
pivot_wider(names_from=c(Altersgruppe,Impfschutz),values_from=Anzahl) %>%
group_by(id) %>%
# Datum und Landkreis interessieren uns nicht; wir wollen Gesamtsummen
select(-Datum,-id_lk) %>%
summarize_all(sum, na.rm=TRUE)
bl_2_df <- bl_3_df %>%
# Bevölkerung Bundesländer dazuholen - die Tabelle, die oben aus dem
# GENESIS-File erstellt wurde
left_join(bev_bl_df,by="id") %>%
# Summen für Erst- und Zweitimpfungsquote berechnen
mutate(
quote_erst_u12 = `05-11_1` / `05-11` * 100,
quote_erst_12_17 = `12-17_1`/ `12-17` * 100,
quote_erst_18_59 = `18-59_1`/ `18-59` * 100,
quote_erst_ue60 = `60+_1`/ `60+` * 100,
quote_zweit_u12 = `05-11_2` / `05-11` * 100,
quote_zweit_12_17 = `12-17_2`/ `12-17` * 100,
quote_zweit_18_59 = `18-59_2`/ `18-59` * 100,
quote_zweit_ue60 = `60+_2`/ `60+` * 100,
quote_dritt_u12 = `05-11_3` / `05-11` * 100,
quote_dritt_12_17 = `12-17_3`/ `12-17` * 100,
quote_dritt_18_59 = `18-59_3`/ `18-59` * 100,
quote_dritt_ue60 = `60+_3`/ `60+` * 100,
quote_viert_u12 = `05-11_4` / `05-11` * 100,
quote_viert_12_17 = `12-17_4`/ `12-17` * 100,
quote_viert_18_59 = `18-59_4`/ `18-59` * 100,
quote_viert_ue60 = `60+_4`/ `60+` * 100) %>%
select(id,starts_with("quote_"))
# Tabelle 2 aufarbeiten - Spaltennamen letztmals angepasst 21.12.2021
impfquoten_xlsx_df <- tabelle2 %>%
select(id=1,
impfdosen = 3,
quote_erst = 8,
quote_erst_u12 = 10,
quote_erst_12_17 = 11,
quote_erst_18_59 =13,
quote_erst_ue60 = 14,
quote_zweit = 15,
quote_zweit_u12 = 17,
quote_zweit_12_17 = 18,
quote_zweit_18_59 = 20,
quote_zweit_ue60 =21,
quote_dritt = 22,
# quote_dritt_u12 nicht in der Tabelle
quote_dritt_u12 = 24,
# (wird später überschrieben, an der richtigen Stelle)
quote_dritt_12_17 = 23,
quote_dritt_18_59 = 25,
quote_dritt_ue60 = 26,
quote_viert = 27,
# quote_viert_u12 nicht in der Tabelle; als Dummy-Wert!!!
quote_viert_u12 = 29,
# (wird später überschrieben, an der richtigen Stelle)
quote_viert_12_17 = 28,
quote_viert_18_59 = 30,
quote_viert_ue60 = 31) %>%
filter(as.numeric(id) %in% 1:16) %>%
# in numerische Werte umwandeln
mutate_at(vars(starts_with("quote_")),as.numeric) %>%
# Quoten für Boosterimpfungen u12 aus den Github-Daten ergänzen.
# Das sind zwar extrem wenige - unter 1 Promille im April
# 2022 - aber besser ist besser.
left_join(bl_2_df %>%
select(id,
q3u12 = quote_dritt_u12,
q4u12 = quote_viert_u12),
by = "id") %>%
# Werte an die richtigen Tabellenspalten zuweisen
# und die temporär dazugeholten Spalten löschen.
mutate(quote_dritt_u12 = q3u12,
quote_viert_u12 = q4u12) %>%
select(-q3u12, -q4u12)
# Jetzt: Die Tabelle zusammenführen.
# Die BL-Tabelle, die die Namen der Länder enthält, als Ausgangspunkt,
# dann Summen nach Wirkstoff Erst/Zweit/Dritt,
# dann Quoten nach Altersgruppe Erst/Zweit/Dritt
# Tabelle Bundesländer
msg("Bundesländer-Tabelle zusammenführen und schreiben...")
impfen_alle_df <- bev_bl_df %>%
# Datum des letzten gelesenen Tages als erste Spalte
mutate(am = i_d_max) %>%
# Bundesländer-Tabelle als Basis; ID und Bundesland-Name behalten
select(am,id,Bundesland) %>%
# Nach der id sortieren
arrange(id) %>%
# Neue Erst-, Zweit- und Dritt- und Viertimpfungen
left_join(bl_n_df, by="id") %>%
# Die Tabelle mit den Impfstoffen holen
left_join(bl_1_df %>%
# Diese Tabelle (aus den Github-Daten)
# enthält die Gesamt-Quoten, die wir schon haben.
select(-quote_erst,
-quote_zweit,
-quote_dritt,
-quote_viert), by="id") %>%
# ...aber nur die Quoten für
# Wie oben erklärt: einstweilen sind wir hier auf die XLSX-Tabelle angewiesen
# Tabelle hat die gleichen Spaltennahmen; Spalten
left_join(impfquoten_xlsx_df %>%
# Quoten von Strings in Zahlen umwandeln
# Nur die Quoten nach Altersgruppen aufheben
select(id,starts_with("quote_")),by="id") %>%
# Seit Mai 2022 sind Quoten für alle Altersgruppen und
# Impfserien in der Tabelle; muss nicht mehr ergänzt werden
# Kompatibilität mit bisherigem Format:
# Spalte umbenennen, personen und durchgeimpft nach vorn sortieren
relocate(c(personen,durchgeimpft),.after=Bundesland)
write_sheet(impfen_alle_df,aaa_id,sheet = "ImpfzahlenNational")
# Tabelle nur mit den Boosterimpfungen anlegen
# Dafür erst Gesamt-Quote berechnen
# Deutsche Gesamtbevölkerung: alle Bundesländer alle Altersgruppen
pop_de <- sum(bev_bl_df %>% select(-Bundesland,-id))
booster_de <- sum(impfen_alle_df$geboostert)
booster_de_df <- tibble(Bundesland="<br><br><strong>Deutschland</strong><br><br>",quote_dritt=booster_de/pop_de*100)
booster2_de_df <- tibble(Bundesland="<br><br><strong>Deutschland</strong><br><br>",quote_viert=booster_de/pop_de*100)
booster_bl_df <- impfen_alle_df %>%
select(Bundesland,quote_dritt) %>%
arrange(desc(quote_dritt)) %>%
mutate(r =row_number()) %>%
# erste drei, letzte drei, Hessen
filter(r < 4 | r > 13 | (Bundesland=="Hessen") ) %>%
# Bundesland mit Rangnummer versehen
mutate(Bundesland = ifelse(Bundesland=="Hessen",
# für Hessen
paste0("<br><br>",ifelse((r<4 | r>13),
paste0(r,". "),
""),"Hessen<br><br>"),
# für alle anderen
paste0(r,". ",Bundesland))) %>%
# Rangnummer wieder rausschmeißen, brauchen wir nicht
select(-r) %>%
# Deutschland insgesamt dazu und nochmal sortieren
bind_rows(booster_de_df) %>%
arrange(desc(quote_dritt))
booster2_bl_df <- impfen_alle_df %>%
select(Bundesland,quote_viert) %>%
arrange(desc(quote_viert)) %>%
mutate(r =row_number()) %>%
# erste drei, letzte drei, Hessen
filter(r < 4 | r > 13 | (Bundesland=="Hessen") ) %>%
# Bundesland mit Rangnummer versehen
mutate(Bundesland = ifelse(Bundesland=="Hessen",
# für Hessen
paste0("<br><br>",ifelse((r<4 | r>13),
paste0(r,". "),
""),"Hessen<br><br>"),
# für alle anderen
paste0(r,". ",Bundesland))) %>%
# Rangnummer wieder rausschmeißen, brauchen wir nicht
select(-r) %>%
# Deutschland insgesamt dazu und nochmal sortieren
bind_rows(booster2_de_df) %>%
arrange(desc(quote_viert))
msg("Booster-Reihenfolge aktualisieren...")
dw_data_to_chart(booster_bl_df,chart_id = "rMYWv")
dw_edit_chart(chart_id = "rMYWv",
annotate = paste0(
"Geboosterte als Anteil der Gesamtbevölkerung - Stand: ",
format.Date(i_d,"%d.%m.%Y"),", 8 Uhr"))
dw_publish_chart(chart_id = "rMYWv")
msg("Deutschland-Karte aktualisieren...")
dw_data_to_chart(impfen_alle_df,chart_id="6PRAe")
dw_publish_chart("6PRAe") # Karte mit dem Impffortschritt nach BL
# ---- Hessen isolieren ----
msg("Hessen-Daten bauen")
impf_df <- impfen_alle_df %>%
# nur Hessen
filter(as.numeric(id) == 6) %>%
select(-id,-Bundesland)
# Tagestabelle schreiben
write_sheet(impf_df,ss=aaa_id,sheet="ImpfenTagestabelle")
# Bestehen bleiben:
# - am
# - personen
# - differenz_zum_vortag_erst (neu)
# - impfquote
# - personen_durchgeimpft
# - differenz_zum_vortag_zweitimpfung (neu_zweit)
#
# Anders interpretiert werden
# - zentren_biontech <- biontech (wie früher)
# - zentren_moderna <- moderna
# - zentren_az <- az
# - zentren_janssen <- janssen
# - zentren_dosen <- impfdosen
#
# Neu hinzu kommen:
# - quote_erst_12_17
# - quote_erst_18_59
# - quote_erst_ue60
# - quote_zweit_12_17
# - quote_zweit_18_59
# - quote_zweit_ue60
# - quote_dritt_12_17
# - quote_dritt_18_59
# - quote_dritt_ue60
# - quote_erst_u12
# - quote_zweit_u12
# - quote_dritt_u12
#
# - biontech_zweit
# - moderna_zweit
# - az_zweit
#
# - Tabellenspalte für händische Anmerkungen
# Alle bis Stand gestern
tmp <- (read_sheet(aaa_id,sheet = "ArchivImpfzahlen") %>% filter(am < today()-1))$janssen
# Janssen-Neuimpfungen aus der Länder-Tabelle extrahieren
janssen_neu <- sum(bl_tbl %>%
# verimpft gestern, in Hessen, mit Janssen
filter(Datum == i_d_max) %>%
filter(id == "06") %>%
filter(Impfstoff == "Janssen") %>%
pull(Anzahl))
# ---- Basisdaten-Seite anpassen und aktualisieren ----
msg("Impfzahlen und Immunisierungsquote")
# Geimpft mit Quote und Datum (Zeile 9)
range_write(aaa_id,as.data.frame(paste0("Geimpft ",
"(",
format.Date(i_d,"%d.%m."),
", 8 Uhr)",
"")),
range="Basisdaten!A9",col_names=FALSE,reformat=FALSE)
range_write(aaa_id, as.data.frame(paste0(
# kumulativ: Erstgeimpfte
base::format(impf_df$personen,big.mark=".",decimal.mark = ","),
# Differenz: Erstgeimpfte neu plus Janssen-Geimpfte neu
" (", base::format(impf_df$quote_erst,
big.mark = ".", decimal.mark = ",", nsmall =0,digits=4),
"%)")),
range="Basisdaten!B9", col_names = FALSE, reformat=FALSE)
# Geboostert
range_write(aaa_id,as.data.frame(
paste0("Geboostert ",
# format.Date(i_d_max,"%d.%m."))
"")),
range="Basisdaten!A10",col_names=FALSE,reformat=FALSE)
range_write(aaa_id, as.data.frame(
paste0(base::format(impf_df$quote_dritt,
big.mark = ".", decimal.mark = ",", nsmall =0,digits=4),
"% (+",
base::format(impf_df$neu_dritt,big.mark=".",decimal.mark = ","),
")")),
range="Basisdaten!B10", col_names = FALSE, reformat=FALSE)
dw_publish_chart("OXn7r") # Basisdaten-Seite
# ---- Impfzahlen-Seite ----
# Geimpfte Personen - Zeile 2
# Gesamtzahl der Janssen-Geimpften muss nicht mehr addiert werden,
# taucht jetzt ohnehin doppelt auf.
# Zeile 2
range_write(aaa_id,as.data.frame(paste0(
format(impf_df$personen,big.mark=".",decimal.mark = ","),
" (",format(impf_df$quote_erst,decimal.mark = ",",digits=4),"%)")),
range="Impfzahlen!A2", col_names = FALSE, reformat=FALSE)
range_write(aaa_id,as.data.frame(paste0(
"Menschen sind in Hessen wenigstens einmal <strong>geimpft</strong>. (Stand: ",
format.Date(i_d,"%d.%m."),
", 8 Uhr)")),
range="Impfzahlen!B2", col_names = FALSE, reformat=FALSE)
# Durchgeimpfte - Zeile 3
range_write(aaa_id,as.data.frame(paste0(
format(impf_df$durchgeimpft,big.mark=".",decimal.mark = ","),
" (",format(impf_df$quote_zweit,big.mark=".",decimal.mark = ",",digits=4),"%)"
)),
range="Impfzahlen!A3", col_names = FALSE, reformat=FALSE)
range_write(aaa_id,as.data.frame(paste0("sind <strong>durchgeimpft</strong>.")),
range="Impfzahlen!B3", col_names = FALSE, reformat=FALSE)
# Auffrischungs-/Boosterimpfungen - Zeile 4
# Erst einmal aus der Ländertabelle isolieren - absolute Zahlen.
he_3_df <- bl_3_df %>%
filter(id=="06") %>%
select(ue5_11_3 = `05-11_3`,
ue12_17_3 = `12-17_3`,
ue18_59_3 = `18-59_3`,
ue60_3 = `60+_3`)
range_write(aaa_id,as.data.frame(
paste0(format(impf_df$geboostert,big.mark=".",decimal.mark=","),
" (",
format(impf_df$quote_dritt,big.mark=".",decimal.mark = ",",digits=4),
"%)")),
range="Impfzahlen!A4", col_names = FALSE, reformat=FALSE)
range_write(aaa_id,as.data.frame(paste0("sind <strong>geboostert",
"</strong>.")),
range="Impfzahlen!B4", col_names = FALSE, reformat=FALSE)
# Zweit-Boosterimpfungen - Zeile 5
# Erst einmal aus der Ländertabelle isolieren - absolute Zahlen.
range_write(aaa_id,as.data.frame(
paste0(format(impf_df$zweitgeboostert,big.mark=".",decimal.mark=","),
" (",
format(impf_df$quote_viert,big.mark=".",decimal.mark = ",",digits=4),
"%)")),
range="Impfzahlen!A5", col_names = FALSE, reformat=FALSE)
range_write(aaa_id,as.data.frame(paste0("sind <strong>zweitgeboostert",
"</strong>.")),
range="Impfzahlen!B5", col_names = FALSE, reformat=FALSE)
# Neue Impfungen - Zeile 6
range_write(aaa_id,as.data.frame(paste0(
"+",format(impf_df$neu,big.mark = ".",decimal.mark=","),
" / +",format(impf_df$neu_zweit,big.mark = ".",decimal.mark=","),
" / +",format(impf_df$neu_dritt,big.mark = ".",decimal.mark=","),
" / +",format(impf_df$neu_viert,big.mark = ".",decimal.mark=","))),
range="Impfzahlen!A6", col_names = FALSE, reformat=FALSE)
range_write(aaa_id,as.data.frame(paste0(
"<strong>Erst- / Zweit- /Dritt- /Viertimpfungen</strong> sind am ",
format.Date(impf_df$am,"%d.%m."),
" dazugekommen.")),
range="Impfzahlen!B6", col_names = FALSE, reformat=FALSE)
#Impfquote Ü60 - Zeile 7
range_write(aaa_id,as.data.frame(paste0(
format(impf_df$quote_erst_ue60,big.mark = ".",decimal.mark=","),
"% / ",format(impf_df$quote_zweit_ue60,big.mark = ".",decimal.mark=","),
"% / ",format(impf_df$quote_dritt_ue60,big.mark = ".",decimal.mark=","),
"% / ",format(impf_df$quote_viert_ue60,big.mark = ".",decimal.mark=","),"%")
),
range="Impfzahlen!A7", col_names = FALSE, reformat=FALSE)
range_write(aaa_id,as.data.frame(paste0("der <strong>besonders gefährdeten Menschen über 60",
"</strong>",
" sind inzwischen erst-/zweit-/dritt-/viertgeimpft.")),
range="Impfzahlen!B7", col_names = FALSE, reformat=FALSE)
faelle_df <- read_sheet(aaa_id,sheet="Fallzahl4Wochen")
impf_tabelle <- read_sheet(aaa_id,sheet = "ArchivImpfzahlen") %>% filter(am <= today()-14)
# Das Impfquotenparadox erhebt sein hässlich Haupt: ausweislich der RKI-Daten sind mehr
# Menschen in der Altersgruppe 18-60 durchgeimpft als überhaupt geimpft. Deswegen
# den höheren der beiden Werte heranziehen.
impfquote_18_59 <- ifelse(impf_df$quote_erst_18_59 > impf_df$quote_zweit_18_59,
impf_df$quote_erst_18_59,
impf_df$quote_zweit_18_59)
fehlen_str = paste0("Noch nicht geimpft in Hessen:<ul><br>- ",
# Ü60
format(100-impf_df$quote_erst_ue60,big.mark=".",decimal.mark = ",",digits = 3),
"% der über 60-Jährigen (",
format(((100-impf_df$quote_erst_ue60)*ue60 %/% 100000) *1000,
big.mark=".",decimal.mark = ","),
" Menschen)<br>- ",
# 18-59
format(100-impfquote_18_59,
big.mark=".",decimal.mark = ",",digits = 3),
"% der 18-59-Jährigen (",
format(((100-impfquote_18_59)*ue18_59 %/% 100000)*1000,
big.mark=".",decimal.mark = ","),
" Menschen)<br>- ",
# 12-17
format(100-impf_df$quote_erst_12_17,big.mark=".",decimal.mark = ",",digits = 3),
"% der 12-17-Jährigen (",
format(((100-impf_df$quote_erst_12_17)*ue12_17 %/% 100000)*1000,
big.mark=".",decimal.mark = ","),
" Menschen)<br>- ",
# 5-11
format(100-impf_df$quote_erst_u12,big.mark=".",decimal.mark = ",",digits = 3),
"% der 5-11-Jährigen (",
format(((100-impf_df$quote_erst_u12)*ue5_11) %/% 100000*1000,
big.mark=".",decimal.mark = ","),
" Menschen in Hessen)")
# Impfdaten-Tabelle aktualisieren
dw_edit_chart(chart_id ="l5KKN", intro = fehlen_str)
dw_publish_chart("l5KKN")
# ---- Impfstoffe ----
# impfstoffe_df <- impf_df %>%
# select(erst_Biontech = biontech_erst,
# erst_Moderna = moderna_erst,
# erst_AstraZeneca = az_erst,
# erst_Janssen = janssen_erst,
# erst_Novavax = novavax_erst) %>%
# pivot_longer(everything(),names_prefix="erst_",values_to="Erstimpfung") %>%
# left_join(impf_df %>%
# select(zweit_Biontech = biontech_zweit,
# zweit_Moderna = moderna_zweit,
# zweit_AstraZeneca = az_zweit) %>%
# pivot_longer(everything(),names_prefix="zweit_",values_to="Zweitimpfung"),
# by="name")
# XLSX-Tabelle auswerten
impfstoffe_df <- tabelle3 %>%
filter(RS=="06") %>%
select(biontech = 4,
moderna = 5,
az = 6,
janssen = 7,
novavax = 8)
write_sheet(impfstoffe_df,ss=aaa_id,sheet="Impfstoffe")
dw_edit_chart(chart_id="BfPeh",intro=paste0("Wie oft kam in Hessen welcher Impfstoff zum Einsatz? Stand: ",
format.Date(i_d,"%d.%m."),", 8 Uhr"))
dw_publish_chart(chart_id="BfPeh")
# ---- Quoten nach Alter ----
# Kleine Sonderbedingung:
# Die Quote der Zweitgeimpften ist in der RKI-Tabelle höher als die
# der Erstgeimpften. Wenn ja: gib Erklärtext dazu mit aus.
ZWEITIMPFPARADOX <- impf_df$quote_erst_18_59 < impf_df$quote_zweit_18_59
quoten_alter_df <- impf_df %>%
select(starts_with("quote_")) %>%
rename(quote_viert_Hessen = quote_viert,
quote_dritt_Hessen = quote_dritt,
quote_zweit_Hessen = quote_zweit,
quote_erst_Hessen = quote_erst)%>%
# Aufbereiten in Spalten "erst","zweit","dritt", "viert", "Hessen"
# Erst mal eine Liste
pivot_longer(everything()) %>%
# Impfserie als Spalte impfung aus dem Namen ziehen:
# alles nach dem Unterstrich
mutate(impfung = str_extract(name,"(?<=\\_)[a-z]+(?=\\_)")) %>%
mutate(name = str_replace(name,"quote_.+_","")) %>%
# Namen umschreiben und umsortieren
mutate(name = case_when(
name == "u12" ~ "05-12 J.",
name == "17" ~ "12-17 J.",
name == "59" ~ "18-59 J.",
name == "ue60"~ "60+ J.",
TRUE ~ "alle Hessen"
)) %>%
pivot_wider(names_from=impfung,values_from=value) %>%
arrange(name) %>%
# Um die Säulen stapeln zu können:
# - "nur erstgeimpft" = erst-zweit
# - zweitgeimpft, nicht geboostert = zweit-dritt
mutate(erst=erst-zweit,
zweit=zweit-dritt,
dritt=dritt-viert) %>%
# Negative Werte unterschlagen -
# das kommt aufgrund der Ungenauigkeiten bei der AG 18-59 vor
mutate_all(~ ifelse(.x < 0,0,.x)) %>%
# Namen der Kompatibilität halber anpassen
rename(`nur erstgeimpft`= erst,
`durchgeimpft` = zweit,
geboostert = dritt,
zweitgeboostert =viert)
write_sheet(quoten_alter_df,ss=aaa_id,sheet="ImpfquotenAlter")
dw_data_to_chart(quoten_alter_df,chart_id="vgJSw")
dw_edit_chart(chart_id="vgJSw",annotate = paste0(
ifelse(ZWEITIMPFPARADOX,
"Das RKI gibt derzeit für die Altersgruppe 18-59 eine höhere Zweitimpfquote als Erstimpfungs-Quote an. Mögliche Ursachen für diese Unstimmigkeit: ",
""),
"Mit dem Johnson&Johnson-Impfstoff Geimpfte und Geimpfte mit Vorerkrankung ",
"werden seit 1.8.21 als Durchgeimpfte gezählt. Genesene werden trotz ",
"vollständigem Immunschutz z.T. nur als erstgeimpft gezählt - ",
" Stand: ",
format.Date(i_d,"%d.%m.%Y"),
", 8 Uhr"))
dw_publish_chart(chart_id="vgJSw")
# ---- Tag archivieren ----
msg("Archivdaten schreiben")
# Hessen-Daten auf das alte Format umlügen
# Wenn nötig, neue Zeile in der Tabelle anlegen (über Base-R)
lastdate <- impf_df$am
archiv_tabelle <- read_sheet(aaa_id,sheet = "ArchivImpfzahlen")
if (as_date(lastdate) %in% as_date(archiv_tabelle$am)) {
# impf_tabelle[impf_tabelle$am == hessen_archiv_df$am,] <- NULL
} else {
archiv_tabelle [nrow(archiv_tabelle)+1,] <- NA
archiv_tabelle [nrow(archiv_tabelle),]$am <- lastdate
}
# Daten ganz stumpf mit Base-R in die Zellen der Tabelle.
# Viel Schreibaufwand, aber pflegeleicht - und unempfindlich gegen
# Formatänderungen des Archivs.
#archiv_heute <- archiv_tabelle[archiv_tabelle$am==lastdate,]
archiv_tabelle$personen[archiv_tabelle$am==lastdate] <- impf_df$personen
archiv_tabelle$personen_durchgeimpft[archiv_tabelle$am==lastdate] <- impf_df$durchgeimpft
archiv_tabelle$differenz_zum_vortag_erstimpfung[archiv_tabelle$am==lastdate] <- impf_df$neu
archiv_tabelle$differenz_zum_vortag_zweitimpfung[archiv_tabelle$am==lastdate] <- impf_df$neu_zweit
archiv_tabelle$differenz_zum_vortag_drittimpfung[archiv_tabelle$am==lastdate] <- impf_df$neu_dritt
archiv_tabelle$impfquote[archiv_tabelle$am==lastdate] <- impf_df$quote_erst
archiv_tabelle$durchgeimpft_quote[archiv_tabelle$am==lastdate] <- impf_df$quote_zweit
archiv_tabelle$biontech[archiv_tabelle$am==lastdate] <- impf_df$biontech_erst
archiv_tabelle$moderna[archiv_tabelle$am==lastdate] <- impf_df$moderna_erst
archiv_tabelle$az[archiv_tabelle$am==lastdate] <- impf_df$az_erst
archiv_tabelle$janssen[archiv_tabelle$am==lastdate] <- impf_df$janssen_erst
archiv_tabelle$novavax[archiv_tabelle$am==lastdate] <- impf_df$novavax_erst
# Die gab's vor dem 7.6. nicht:
archiv_tabelle$biontech_zweit[archiv_tabelle$am==lastdate] <- impf_df$biontech_zweit
archiv_tabelle$moderna_zweit[archiv_tabelle$am==lastdate] <- impf_df$moderna_zweit
archiv_tabelle$az_zweit[archiv_tabelle$am==lastdate] <- impf_df$az_zweit
archiv_tabelle$janssen_zweit[archiv_tabelle$am==lastdate] <- impf_df$janssen_zweit
archiv_tabelle$novavax_zweit[archiv_tabelle$am==lastdate] <- impf_df$novavax_zweit
# Und die erst ab 1.9.:
archiv_tabelle$biontech_dritt[archiv_tabelle$am==lastdate] <- impf_df$biontech_dritt
archiv_tabelle$moderna_dritt[archiv_tabelle$am==lastdate] <- impf_df$moderna_dritt
archiv_tabelle$az_dritt[archiv_tabelle$am==lastdate] <- impf_df$az_dritt
archiv_tabelle$janssen_dritt[archiv_tabelle$am==lastdate] <- impf_df$janssen_dritt
archiv_tabelle$novavax_dritt[archiv_tabelle$am==lastdate] <- impf_df$novavax_dritt
# und noch mehr:
archiv_tabelle$biontech_viert[archiv_tabelle$am==lastdate] <- impf_df$biontech_viert
archiv_tabelle$moderna_viert[archiv_tabelle$am==lastdate] <- impf_df$moderna_viert
archiv_tabelle$az_viert[archiv_tabelle$am==lastdate] <- impf_df$az_viert
archiv_tabelle$janssen_viert[archiv_tabelle$am==lastdate] <- impf_df$janssen_viert
archiv_tabelle$novavax_viert[archiv_tabelle$am==lastdate] <- impf_df$novavax_viert
# archiv_tabelle$impfdosen[archiv_tabelle$am==lastdate] <- impf_df$neu+impf_df$neu_zweit
# Impfdosen kumulativ: Alle Impfstoffe, alle Impfungen
archiv_tabelle$impfdosen[archiv_tabelle$am==lastdate] <-
sum(impf_df %>% select(starts_with(c("biontech_",
"az_",
"moderna_",
"janssen_",
"novavax_"))))
archiv_tabelle$quote_erst_u12[archiv_tabelle$am==lastdate] <- impf_df$quote_erst_u12
archiv_tabelle$quote_erst_12_17[archiv_tabelle$am==lastdate] <- impf_df$quote_erst_12_17
archiv_tabelle$quote_erst_18_59[archiv_tabelle$am==lastdate] <- impf_df$quote_erst_18_59
archiv_tabelle$quote_erst_ue60[archiv_tabelle$am==lastdate] <- impf_df$quote_erst_ue60
archiv_tabelle$quote_zweit_u12[archiv_tabelle$am==lastdate] <- impf_df$quote_zweit_u12
archiv_tabelle$quote_zweit_12_17[archiv_tabelle$am==lastdate] <- impf_df$quote_zweit_12_17
archiv_tabelle$quote_zweit_18_59[archiv_tabelle$am==lastdate] <- impf_df$quote_zweit_18_59
archiv_tabelle$quote_zweit_ue60[archiv_tabelle$am==lastdate] <- impf_df$quote_zweit_ue60
archiv_tabelle$quote_dritt_u12[archiv_tabelle$am==lastdate] <- impf_df$quote_dritt_u12
archiv_tabelle$quote_dritt_12_17[archiv_tabelle$am==lastdate] <- impf_df$quote_dritt_12_17
archiv_tabelle$quote_dritt_18_59[archiv_tabelle$am==lastdate] <- impf_df$quote_dritt_18_59
archiv_tabelle$quote_dritt_ue60[archiv_tabelle$am==lastdate] <- impf_df$quote_dritt_ue60
# Und das hier seit dem 29.4.:
archiv_tabelle$quote_viert_u12[archiv_tabelle$am==lastdate] <- impf_df$quote_viert_u12
archiv_tabelle$quote_viert_12_17[archiv_tabelle$am==lastdate] <- impf_df$quote_viert_12_17
archiv_tabelle$quote_viert_18_59[archiv_tabelle$am==lastdate] <- impf_df$quote_viert_18_59
archiv_tabelle$quote_viert_ue60[archiv_tabelle$am==lastdate] <- impf_df$quote_viert_ue60
write_sheet(archiv_tabelle,aaa_id,sheet = "ArchivImpfzahlen")
# ---- Impftempo ----
# Impftempo-Kurve aktualisieren - aus dem Google Sheet "ArchivImpfzahlen"
dw_publish_chart(chart_id="SS8ta")
# Tabelle mit allen Wochenwerten generieren
impftempo_df <- bl_tbl %>%
# nur Hessen
filter(id == "06") %>%
# Woche errechnen; Jahr mitnehmen
# mit isoweek/isoyear, das den Versatz 2020/2021 in Betracht zieht
mutate(woche = paste0(isoyear(Datum),"_",
ifelse(isoweek(Datum)<10,"0",""),isoweek(Datum))) %>%
group_by(woche) %>%
pivot_wider(names_from=Impfserie,values_from=Anzahl) %>%
summarize(Datum=max(Datum),
erstgeimpft=sum(`1`,na.rm = TRUE),
zweitgeimpft=sum(`2`,na.rm = TRUE),
geboostert=sum(`3`,na.rm = TRUE),
zweitgeboostert=sum(`4`,na.rm = TRUE),
p=0)
# Jetzt ganz stumpf aus dem Trend der letzten 7 Tage im Vergleich zur Vorwoche
# eine Prognose errechnen
n <- nrow(impftempo_df)
# Nimm die Werte für die letzte Woche,
# verändere sie im Verhältnis zur Vorwoche,
# nimm das als Prognose, und zieh die schon verimpften Dosen davon ab.
# p ist das, was man dann noch anzeigen kann.
impftempo_df$p[n] <- round(
# Erstimpfungen als die Zahl der letzten Woche mal Veränderung zur Vorwoche
(impftempo_df$erstgeimpft[n-1] *
(impftempo_df$erstgeimpft[n-1]/impftempo_df$erstgeimpft[n-2])) +
# Zweitimpfungen als die Zahl der letzten Woche mal Veränderung zur Vorwoche
(impftempo_df$zweitgeimpft[n-1] *
(impftempo_df$zweitgeimpft[n-1]/impftempo_df$zweitgeimpft[n-2])) +
# Boosterimpfungen als die Zahl der letzten Woche mal Veränderung zur Vorwoche
(impftempo_df$geboostert[n-1] *
(impftempo_df$geboostert[n-1]/impftempo_df$geboostert[n-2])) +
# Zweitbooster
(impftempo_df$zweitgeboostert[n-1] *
(impftempo_df$zweitgeboostert[n-1]/impftempo_df$zweitgeboostert[n-2])) -
# Abziehen, was schon verimpft wurde in dieser Woche
(impftempo_df$erstgeimpft[n]+
impftempo_df$zweitgeimpft[n]+
impftempo_df$geboostert[n]+
impftempo_df$zweitgeboostert[n]))
if (impftempo_df$p[n] < 0) impftempo_df$p[n] <- 0
if (wday(impftempo_df$Datum[n]) > 1) {
# Falls die Woche noch unvollständig ist:
# Tabellendatum auf Datum des nächsten Sonntags setzen
# (Der Prognosewert steht ja schon im Dataframe)
impftempo_df$Datum[n] <- impftempo_df$Datum[n-1]+7
} else {
# Falls letzter Tag ein Sonntag; Woche abgeschlossen: Prognose auf 0 setzen
impftempo_df$p[n] <- 0
}
dw_data_to_chart(impftempo_df %>% select(-woche),"Lch5F")
dw_publish_chart("Lch5F")
write_sheet(impftempo_df,ss=aaa_id,sheet="Impftempo wochenweise")
# ---- Baue eine Gesamt-Tabelle mit den vorliegenden Impfdaten ----
# zum Vergleich mit den gemeldeten "Briefkastendaten"
# Diese Tabelle ist noch "blind" - sie enthält die Daten nach AG, die aus
# den oben erwähnten Gründen nicht ohne weiteres verwendet werden können
u12 = ue5_11
impf_alter_hist_df <- lk_tbl %>%
# id - die ersten zwei Zeichen der AGS enthalten die Länderkennung
mutate(id = str_sub(id_lk,1,2)) %>%
# Tabelle Erst- und Zweitimpfungen nach Land und Altersgruppe
# Es gibt eine Spalte u - für die paar Fälle ohne Altersangabe -
# man darf sie bequem ignorieren.
pivot_wider(names_from=c(Altersgruppe,Impfschutz),values_from=Anzahl) %>%
# Beschränkung auf Hessen
filter(id=="06") %>%
# Landkreise interessieren uns nicht
select(-id_lk,-id) %>%
group_by(Datum) %>%
# Tage aufaddieren
summarize_all(sum,na.rm=TRUE) %>%
# mutate_all(~replace(., is.na(.), 0)) %>%
# Kumulative Summen der Geimpften-Zahlen nach AG
mutate(u12_gesamt_erst = cumsum(`05-11_1`),
u12_gesamt_zweit = cumsum(`05-11_2`),
u12_gesamt_dritt = cumsum(`05-11_3`),
u12_gesamt_viert = cumsum(`05-11_4`),
ue12_17_gesamt_erst = cumsum(`12-17_1`),
ue12_17_gesamt_zweit = cumsum(`12-17_2`),
ue12_17_gesamt_dritt = cumsum(`12-17_3`),
ue12_17_gesamt_viert = cumsum(`12-17_4`),
ue18_59_gesamt_erst = cumsum(`18-59_1`),
ue18_59_gesamt_zweit = cumsum(`18-59_2`),
ue18_59_gesamt_dritt = cumsum(`18-59_3`),
ue18_59_gesamt_viert = cumsum(`18-59_4`),
ue60_gesamt_erst = cumsum(`60+_1`),
ue60_gesamt_zweit = cumsum(`60+_2`),
ue60_gesamt_dritt = cumsum(`60+_3`),
ue60_gesamt_viert = cumsum(`60+_4`)) %>%
# Bevölkerung Bundesländer dazuholen - die Tabelle, die oben aus dem
# Summen für Erst- und Zweitimpfungsquote berechnen
mutate(quote_erst_u12 = u12_gesamt_erst/u12 * 100,
quote_zweit_u12 = u12_gesamt_zweit/u12 * 100,
quote_dritt_u12 = u12_gesamt_dritt/u12 * 100,
quote_viert_u12 = u12_gesamt_viert/u12 * 100,
quote_erst_ue12_17 = ue12_17_gesamt_erst/ue12_17 * 100,
quote_zweit_ue12_17 = ue12_17_gesamt_zweit/ue12_17 * 100,
quote_dritt_ue12_17 = ue12_17_gesamt_dritt/ue12_17 * 100,
quote_viert_ue12_17 = ue12_17_gesamt_viert/ue12_17 * 100,
quote_erst_ue18_59 = ue18_59_gesamt_erst/ue18_59 * 100,
quote_zweit_ue18_59 = ue18_59_gesamt_zweit/ue18_59 * 100,
quote_dritt_ue18_59 = ue18_59_gesamt_dritt/ue18_59 * 100,
quote_viert_ue18_59 = ue18_59_gesamt_viert/ue18_59 * 100,
quote_erst_ue60 = ue60_gesamt_erst/ue60 * 100,
quote_zweit_ue60 = ue60_gesamt_zweit/ue60 * 100,