generate-vaccinated-multiple-doses-dataset.R

# WIP

library(tidyverse)
library(DBI)
library(duckdb)
library(lubridate)

# Open the duckdb database file
con = dbConnect(duckdb(),
                dbdir = "tmp/ddb/peru-vacunas-covid19.duckdb",
                read_only = FALSE)
dbExecute(con, "SET memory_limit='6GB';")

vacunas <- open_dataset("tmp/arrow_augmented_data/") %>%
  select(
    id_persona,
    sexo,
    edad,
    fabricante,
    dosis,
    fecha_vacunacion,
    ubigeo_persona,
    centro_vacunacion_ubigeo,
    flag_vacunacion_general
  ) %>%
  filter(flag_vacunacion_general == TRUE) %>%
  select(-flag_vacunacion_general) %>%
  collect()

fecha_corte <- max(vacunas$fecha_vacunacion, na.rm = TRUE)

dosis1 <- vacunas %>%
  filter(dosis == 1) %>%
  rename(
    vacunacion_ubigeo_1 = centro_vacunacion_ubigeo,
    ubigeo_persona_1 = ubigeo_persona,
    edad_1 = edad,
    fabricante_1 = fabricante,
    dosis_1 = fecha_vacunacion
  ) %>%
  select(-dosis)

dosis2 <- vacunas %>%
  filter(dosis == 2) %>%
  rename(
    vacunacion_ubigeo_2 = centro_vacunacion_ubigeo,
    ubigeo_persona_2 = ubigeo_persona,
    edad_2 = edad,
    fabricante_2 = fabricante,
    dosis_2 = fecha_vacunacion
  ) %>%
  select(-dosis, -sexo)

dosis3 <- vacunas %>%
  filter(dosis == 3) %>%
  rename(
    vacunacion_ubigeo_3 = centro_vacunacion_ubigeo,
    ubigeo_persona_3 = ubigeo_persona,
    edad_3 = edad,
    fabricante_3 = fabricante,
    dosis_3 = fecha_vacunacion
  ) %>%
  select(-dosis, -sexo)

multiples_dosis <- dosis1 %>%
  full_join(
    dosis2,
    by = c("id_persona")
  ) %>%
  full_join(
    dosis3,
    by = c("id_persona")
  ) %>%
  add_column(
    fecha_corte = fecha_corte
  )

write_parquet(
  multiples_dosis,
  "datos/vacunados-multiples-dosis.parquet"
)