Limpieza de data
library(rio)
ubigeo = import("https://github.com/ernestorivero/Ubigeo-Peru/raw/master/csv/ubigeo_peru_2016_departamentos.csv")ubigeo$name=casefold(ubigeo$name, upper = FALSE)library(stringi)
ubigeo$name=stri_trans_general(ubigeo$name,"Latin-ASCII")Centro de Emergencia Mujer (CEM) 2020
library(rio)
CEM=read.csv("CEM.csv", # Nombre del archivo o ruta completa del archivo
header = FALSE, # Leer el encabezado (TRUE) o no (FALSE)
sep = ";", # Separador de los valores
dec = ".", # Punto decimal
fill = TRUE) # Rellenar celdas vacías (TRUE) o no (FALSE)CEM_limpio = CEM[-1,c(1,7,9,11,16)]names(CEM_limpio)=c("Año","Linea_intervencion","Nombre_servicio","Departamento","Casos")CEM_2020 = CEM_limpio[CEM_limpio$Año == "2020",]CEM_2020$Departamento[CEM_2020$Departamento =="LIMA METROPOLITANA"] = "Lima"
CEM_2020$Departamento[CEM_2020$Departamento =="LIMA PROVINCIA"] = "Lima"CEM_2020$Casos=as.numeric(CEM_2020$Casos)library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionCEM_2020=CEM_2020 %>%
group_by(Departamento) %>%
summarise(Casos= sum(Casos))CEM_2020$Porcentaje_Casos_CEM=(CEM_2020$Casos/sum(CEM_2020$Casos))*100 CEM_2020=CEM_2020[order(CEM_2020$Departamento), ]CEM_2020= cbind(ubigeo,CEM_2020)CEM_2020=CEM_2020[,c(1,2,5)]Encuesta Demografica y de Salud Familiar (ENDES) 2020
library(rio)
ENDES_violencia=read.csv("ENDES_violencia.csv", # Nombre del archivo o ruta completa del archivo
header = TRUE, # Leer el encabezado (TRUE) o no (FALSE)
sep = ";", # Separador de los valores
dec = ".", # Punto decimal
fill = TRUE) # Rellenar celdas vacías (TRUE) o no (FALSE)library(rio)
ENDES_detalle=read.csv("ENDES_detalle.csv", # Nombre del archivo o ruta completa del archivo
header = TRUE, # Leer el encabezado (TRUE) o no (FALSE)
sep = ";", # Separador de los valores
dec = ".", # Punto decimal
fill = TRUE) # Rellenar celdas vacías (TRUE) o no (FALSE)ENDES_detalle_limpio =ENDES_detalle[,c(2,23)]names(ENDES_detalle_limpio)=c("CASEID","Region")ENDES_violencia_limpio =ENDES_violencia[,c(1:2,14,15,17,21:25,28,29)]names(ENDES_violencia_limpio)=c("Año","CASEID","humillacion","amenaza","quitarle_hijos","empujon","bofetada","puñete","patada","estrangular","relaciones_obligadas","actos_sexuales")data_ENDES=merge(ENDES_detalle_limpio,ENDES_violencia_limpio, by.x="CASEID", by.y="CASEID")data_ENDES = na.omit(data_ENDES)data_ENDES$humillacionvf=ifelse(data_ENDES$humillacion==0 | data_ENDES$humillacion== 3,0,1)
data_ENDES$amenazavf=ifelse(data_ENDES$amenaza==0 | data_ENDES$amenaza== 3,0,1)
data_ENDES$quitarle_hijosvf=ifelse(data_ENDES$quitarle_hijos==0 | data_ENDES$quitarle_hijos== 3,0,1)
data_ENDES$empujonvf=ifelse(data_ENDES$empujon==0 | data_ENDES$empujon== 3,0,1)
data_ENDES$bofetadavf=ifelse(data_ENDES$bofetada==0 | data_ENDES$bofetada== 3,0,1)
data_ENDES$puñetevf=ifelse(data_ENDES$puñete==0 | data_ENDES$puñete== 3,0,1)
data_ENDES$patadavf=ifelse(data_ENDES$patada==0 | data_ENDES$patada== 3,0,1)
data_ENDES$estrangularvf=ifelse(data_ENDES$estrangular==0 | data_ENDES$estrangular== 3,0,1)
data_ENDES$relaciones_obligadasvf=ifelse(data_ENDES$relaciones_obligadas==0 | data_ENDES$relaciones_obligadas== 3,0,1)
data_ENDES$actos_sexualesvf=ifelse(data_ENDES$actos_sexuales==0 | data_ENDES$actos_sexuales== 3,0,1)data_ENDESvf=data_ENDES[,c(1:3,14:23)]data_ENDESvf$vio_psico=ifelse(data_ENDESvf$humillacionvf==0 & data_ENDESvf$amenazavf == 0 & data_ENDESvf$quitarle_hijosvf == 0 ,0,1)
data_ENDESvf$vio_fisica=ifelse(data_ENDESvf$empujonvf==0 & data_ENDESvf$bofetadavf==0 & data_ENDESvf$puñetevf==0 & data_ENDESvf$patadavf==0 & data_ENDESvf$estrangularvf== 0, 0,1)
data_ENDESvf$vio_sexual= ifelse(data_ENDESvf$relaciones_obligadasvf==0 & data_ENDESvf$actos_sexualesvf==0,0,1)data_ENDESvf$violencia=ifelse(data_ENDESvf$vio_psico==1 | data_ENDESvf$vio_fisica==1 | data_ENDESvf$vio_sexual==1 ,1,0)data_ENDESvf=data_ENDESvf[,c(1:3,14:17)]library(dplyr)
data=data_ENDESvf %>%
group_by(Region) %>%
summarise(violencia_psico = sum(vio_psico),
violencia_fisica = sum(vio_fisica),
violencia_sexual = sum(vio_sexual),
violencia=sum(violencia),
total=n())data$Porcentaje_violencia_psico=(data$violencia_psico/data$total)*100
data$Porcentaje_violencia_fisica=(data$violencia_fisica/data$total)*100
data$Porcentaje_violencia_sexual=(data$violencia_sexual/data$total)*100
data$Porcentaje_violencia=(data$violencia/data$total)*100data=data[,c(1,7:10)]Expresiones declaradas
library(readxl)
Expresiones_declaradas <- read_xlsx("Patrimonio Inmaterial.xlsx",
sheet = 1,
col_names = TRUE)## New names:
## • `` -> `...2`Expresiones_declaradas=Expresiones_declaradas[-c(1,2,28),]names(Expresiones_declaradas)=c("Departamentos","Cantidad_Expresiones_declaradas")Expresiones_declaradas$Departamentos=tolower(Expresiones_declaradas$Departamentos)library(stringi)
Expresiones_declaradas$Departamentos=stri_trans_general(Expresiones_declaradas$Departamentos,"Latin-ASCII")Expresiones_declaradas$Departamentos[Expresiones_declaradas$Departamentos =="ancash"] = "ancash"
Expresiones_declaradas$Departamentos[Expresiones_declaradas$Departamentos =="apuramac"] = "apurimac"
Expresiones_declaradas$Departamentos[Expresiones_declaradas$Departamentos =="huanuco"] = "huanuco"
Expresiones_declaradas$Departamentos[Expresiones_declaradas$Departamentos =="junan"] = "junin"
Expresiones_declaradas$Departamentos[Expresiones_declaradas$Departamentos =="san martan"] = "san martin"Expresiones_declaradas$Cantidad_Expresiones_declaradas=as.numeric(Expresiones_declaradas$Cantidad_Expresiones_declaradas)Sitios arqueologicos
library(readxl)
Sitios_arqueologicos<- read_xlsx("Patrimonio Inmaterial.xlsx",
sheet = 2,
col_names = TRUE)Sitios_arqueologicos=Sitios_arqueologicos[-c(1,26,27),]names(Sitios_arqueologicos)=c("Departamentos","Cantidad_Sitios_arqueologicos")Sitios_arqueologicos$Departamentos=casefold(Sitios_arqueologicos$Departamentos, upper = FALSE)Sitios_arqueologicos$Cantidad_Sitios_arqueologicos=as.numeric(Sitios_arqueologicos$Cantidad_Sitios_arqueologicos)Museos
library(readxl)
Museos<- read_xlsx("museos_reconocidos_1.xlsx",
sheet = 1,
col_names = TRUE)names(Museos)=c("COD","Cantidad_Museos","Departamento")Museos$Departamento=as.factor(Museos$Departamento)
Museos$Cantidad_Museos=as.factor(Museos$Cantidad_Museos)library(dplyr)
Museosvf=Museos %>%
group_by(Departamento) %>%
count()names(Museosvf)=c("Departamentos","Cantidad_Museos")Museosvf$Departamentos=tolower(Museosvf$Departamentos)library(stringi)
Museosvf$Departamentos=stri_trans_general(Museosvf$Departamentos,"Latin-ASCII")Puntos de cultura
library(rio)
Puntos_cultura=read.csv("puntos_de_cultura.csv", # Nombre del archivo o ruta completa del archivo
header = TRUE, # Leer el encabezado (TRUE) o no (FALSE)
sep = ";", # Separador de los valores
dec = ".", # Punto decimal
fill = TRUE) # Rellenar celdas vacías (TRUE) o no (FALSE)Puntos_cultura$DEPARTAMENTO=as.factor(Puntos_cultura$DEPARTAMENTO)
Puntos_cultura$ORGANIZACION=as.factor(Puntos_cultura$ORGANIZACION)Puntos_cultura$DEPARTAMENTO[Puntos_cultura$DEPARTAMENTO =="Callao "] = "Callao"
Puntos_cultura$DEPARTAMENTO[Puntos_cultura$DEPARTAMENTO =="junín"] = "Junín"
Puntos_cultura$DEPARTAMENTO[Puntos_cultura$DEPARTAMENTO =="Junín "] = "Junín"
Puntos_cultura$DEPARTAMENTO[Puntos_cultura$DEPARTAMENTO =="LIMA"] = "Lima"Puntos_culturavf=Puntos_cultura %>%
group_by(DEPARTAMENTO) %>%
count()names(Puntos_culturavf)=c("Departamentos","Num_Puntos_Culturales")Puntos_culturavf$Departamentos=tolower(Puntos_culturavf$Departamentos)library(stringi)
Puntos_culturavf$Departamentos=stri_trans_general(Puntos_culturavf$Departamentos,"Latin-ASCII")Racismo
library(readxl)
Racismo<- read_xlsx("racismo.xlsx",
sheet = 1,
col_names = TRUE)Racismo=Racismo[,-c(2:8)]names(Racismo)=c("Departamentos","Porcentaje_Racismo_2019")library(readr)
parse_number(Racismo$Porcentaje_Racismo_2019)## [1] 7.9 12.7 6.3 20.6 5.3 6.1 16.1 14.7 7.0 11.8 5.6 9.4 11.2 4.5 17.1
## [16] 11.8 4.2 20.5 11.5 11.2 5.5 20.3 6.0 20.7 12.1 5.9library(stringr)
Racismo$Por_racismo_2019=str_extract_all(string= Racismo$Porcentaje_Racismo_2019,
("\\d+\\.*\\d*"))Racismo$Por_racismo_2019=as.numeric(Racismo$Por_racismo_2019)Racismo=Racismo[,-c(2)]Racismo$Departamentos[Racismo$Departamentos =="Lima Metropolitana"] = "Lima"Racismo$Departamentos[Racismo$Departamentos =="Prov. Const. del Callao"] = "Callao"library(dplyr)
Racismo=Racismo%>%
group_by(Departamentos) %>%
summarise(Por_racismo_2019= mean(Por_racismo_2019))Racismo$Departamentos=tolower(Racismo$Departamentos)library(stringi)
Racismo$Departamentos=stri_trans_general(Racismo$Departamentos,"Latin-ASCII")NBI
library(readxl)
NBI<- read_xlsx("NBI.xlsx",
sheet = 1,
col_names = TRUE)## New names:
## • `` -> `...1`
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
## • `` -> `...8`NBI= na.omit(NBI)NBI=NBI[-c(1:9),-c(1,2,4,5,8)]names(NBI)=c("Departamentos","Pob_total","Pob_almenosuna_NBI")NBI$Pob_total=as.numeric(NBI$Pob_total)
NBI$Pob_almenosuna_NBI=as.numeric(NBI$Pob_almenosuna_NBI)library(dplyr)
NBI=NBI %>%
group_by(Departamentos) %>%
summarise(Pob_total = sum(Pob_total),
Pob_almenosuna_NBI = sum(Pob_almenosuna_NBI))NBI$Porc_almenosuna_NBI=(NBI$Pob_almenosuna_NBI/NBI$Pob_total)*100NBI=NBI[,-c(2,3)]NBI$Departamentos[NBI$Departamentos =="Madre De Dios"] = "Madre de Dios"NBI$Departamentos=tolower(NBI$Departamentos)library(stringi)
NBI$Departamentos=stri_trans_general(NBI$Departamentos,"Latin-ASCII")Base consolidada
data_madre=merge(CEM_2020,data, by.x="id", by.y="Region")data_madre=merge(data_madre,Racismo,by.x="name", by.y="Departamentos")data_madre=merge(data_madre,NBI,by.x="name", by.y="Departamentos")data_madre=merge(data_madre,Puntos_culturavf,by.x="name", by.y="Departamentos")data_madre=merge(data_madre,Sitios_arqueologicos,by.x="name", by.y="Departamentos",all.x = TRUE)data_madre=merge(data_madre,Museosvf,by.x="name", by.y="Departamentos",all.x = TRUE)data_madre=merge(data_madre,Expresiones_declaradas,by.x="name", by.y="Departamentos",all.x = TRUE)
row.names(data_madre)=data_madre$name
data_madre[is.na(data_madre)] = 0Análisis de componentes principales (SERVICIOS CULTURALES)
subdata = data_madre[,c(10:13)]
library(PerformanceAnalytics)## Loading required package: xts## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numeric##
## Attaching package: 'xts'## The following objects are masked from 'package:dplyr':
##
## first, last##
## Attaching package: 'PerformanceAnalytics'## The following object is masked from 'package:graphics':
##
## legendchart.Correlation(subdata)## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
En tanto no planteamos un estructura subyacente que explique las covarianzas entre las variables, utilizamos el Análisis de Componentes Principales para explorar si es posible reducir nuestra cantidad de variables en indicadores que expliquen un adecuado porcentaje de la varianza. Al hacer la prueba de KMO con toda la base de datos, se reportó que, si bien pasa la prueba, la variable TASA_MAS80 no muestra una correlación significativa con las demás variables. La retiramos para continuar con el análisis.
Obtenemos un Overall MSA de .57. Así, continuamos con el test de Barlett
library(psych)
KMO(subdata)## Kaiser-Meyer-Olkin factor adequacy
## Call: KMO(r = subdata)
## Overall MSA = 0.57
## MSA for each item =
## Num_Puntos_Culturales Cantidad_Sitios_arqueologicos
## 0.53 0.71
## Cantidad_Museos Cantidad_Expresiones_declaradas
## 0.60 0.40Con un p-value igual a 0, rechazamos la hipotesis nula, que plantea que la matriz de correlaciones es una matriz de identidad:
matrixcor = cor(subdata)
cortest.bartlett(matrixcor,n=dim(subdata)[1])## $chisq
## [1] 46.91536
##
## $p.value
## [1] 1.945292e-08
##
## $df
## [1] 6La prueba sugiere 1 componente. Aplicamos la técnica de componentes principales:
fa.parallel(subdata,fa="pc") 
## Parallel analysis suggests that the number of factors = NA and the number of components = 1Los resultados muestran que los dos primeros componentes acumulan una varianza explicada del 86%:
pc = prcomp(x=subdata,scale=TRUE, center=TRUE)
summary(pc)## Importance of components:
## PC1 PC2 PC3 PC4
## Standard deviation 1.6148 0.9240 0.6414 0.35686
## Proportion of Variance 0.6519 0.2134 0.1028 0.03184
## Cumulative Proportion 0.6519 0.8653 0.9682 1.00000pc$rotation## PC1 PC2 PC3 PC4
## Num_Puntos_Culturales 0.5386589 -0.44939041 0.1492196 0.6968704
## Cantidad_Sitios_arqueologicos 0.5251554 -0.02366537 -0.8140666 -0.2468751
## Cantidad_Museos 0.5609295 -0.09343233 0.5500515 -0.6116141
## Cantidad_Expresiones_declaradas 0.3455668 0.88812083 0.1116799 0.2816959library(dplyr)
data_madre = select(data_madre,c(1,2,7:9,14))
data_madre = data_madre |> rename (Servicio_cultural=pc1)
rownames(data_madre) = data_madre$nameexport(data_madre,"data_vf.csv")
rm(list = ls())Análisis
df = import("data_vf.csv")
rownames(df) = df$nameAnalisis univariado
mapDEP1=merge(mapDEP,df,by.x='OBJECTID',by.y='id', all.x = T)library(ggplot2)##
## Attaching package: 'ggplot2'## The following objects are masked from 'package:psych':
##
## %+%, alphacustom_limits = c(0, 25)
mapa1 = ggplot(mapDEP1) + geom_sf(data=mapDEP1,
aes(fill=Porcentaje_violencia), color = "black") + coord_sf() +
scale_fill_gradient(low = "#FAEFD1", high = "#550307", breaks=seq(from=0, to=25, by=5), limits=custom_limits) + theme_void() +
theme(axis.title = element_blank(), axis.text = element_blank(), legend.position = c(1.1,0.55)) + labs(fill=" ") +
labs(title = "Porcentaje de mujeres víctimas de violencia, 2020",caption = "Fuente: Encuesta Demográfica y de Salud Familiar (ENDES) 2020\nElaboración: Unidad de Estudios Economicos - MC") +
theme( plot.title = element_text(color="black", size=12, face="bold"), plot.caption = element_text(color = "black", size=8))
mapa1
custom_limits = c(0, 25)
mapa2= ggplot(mapDEP1)+ geom_sf() + geom_sf(data=mapDEP1, aes(fill=Por_racismo_2019),color = "black") + coord_sf() +
scale_fill_gradient(low = "#FAEFD1", high = "#550307", breaks=seq(from=0, to=100, by=5), limits=custom_limits) + theme_void() +
theme(axis.title = element_blank(), axis.text = element_blank(), legend.position = c(1.3,0.50)) + labs(fill=" ") + theme(legend.text = element_text(size = 13)) +
labs(title = "Porcentaje de racismo en el 2019",caption = "Fuente: Encuesta Nacional de Hogares (ENAHO) 2019\nElaborado por: Unidad de Estudios Economicos-MC") +
theme(plot.title = element_text(color="black", size=12, face="bold"), plot.caption = element_text(color = "black", size=8))
mapa2
custom_limits = c(0, 75)
mapa3= ggplot(mapDEP1)+ geom_sf() + geom_sf(data=mapDEP1, aes(fill=Porc_almenosuna_NBI),color = "black") +
coord_sf() + scale_fill_gradient(low = "#FAEFD1", high = "#550307", breaks=seq(from=0, to=100, by=25), limits=custom_limits) + theme_void() +
theme(axis.title = element_blank(), axis.text = element_blank(), legend.position = c(1.3,0.50)) + labs(fill=" ") + theme(legend.text = element_text(size = 13)) +
labs(title = "Porcentaje de poblacion con al menos una NBI",caption = "Fuente: INEI 2017\nElaborado por: Unidad de Estudios Economicos-MC") +
theme(plot.title = element_text(color="black", size=12, face="bold"), plot.caption = element_text(color = "black", size=8))
mapa3
custom_limits = c(-1.5, 6.5)
mapa4= ggplot(mapDEP1)+ geom_sf() + geom_sf(data=mapDEP1, aes(fill=Servicio_cultural),color = "black") +
coord_sf() + scale_fill_gradient(low = "#FAEFD1", high = "#550307", breaks=seq(from=-1.5, to=6.5, by=1.5), limits=custom_limits) + theme_void() +
theme(axis.title = element_blank(), axis.text = element_blank(), legend.position = c(1.3,0.50)) + labs(fill=" ") + theme(legend.text = element_text(size = 13)) +
labs(title = "Servicios culturales al 2023",caption = "Fuente: Datos abiertos MC\nElaborado por: Unidad de Estudios Economicos-MC") +
theme(plot.title = element_text(color="black", size=12, face="bold"), plot.caption = element_text(color = "black", size=8))
mapa4
Correlaciones
Exploración total
df0 =select(df, c(3:6))
library(PerformanceAnalytics)
chart.Correlation(df0, histogram = TRUE, method = "spearman")## Warning in cor.test.default(as.numeric(x), as.numeric(y), method = method):
## Cannot compute exact p-value with ties## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter## Warning in cor.test.default(as.numeric(x), as.numeric(y), method = method):
## Cannot compute exact p-value with ties## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter## Warning in cor.test.default(as.numeric(x), as.numeric(y), method = method):
## Cannot compute exact p-value with ties## Warning in par(usr): argument 1 does not name a graphical parameter
## Warning in par(usr): argument 1 does not name a graphical parameter
Clusterización de NBI y servicios culturales
library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──## ✔ tibble 3.1.7 ✔ purrr 0.3.4
## ✔ tidyr 1.2.0 ✔ forcats 0.5.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ ggplot2::%+%() masks psych::%+%()
## ✖ ggplot2::alpha() masks psych::alpha()
## ✖ dplyr::filter() masks stats::filter()
## ✖ xts::first() masks dplyr::first()
## ✖ dplyr::lag() masks stats::lag()
## ✖ xts::last() masks dplyr::last()library(cluster)
library(factoextra)## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBalibrary(NbClust)df1 =select(df0, c(3,4))fviz_nbclust(df1, kmeans, method = "silhouette")
## cluster size ave.sil.width
## 1 1 5 0.58
## 2 2 12 0.53
## 3 3 8 0.56
Ningún departamentos reporta un width negativo
## [1] 0df1 %>%
group_by(particion) %>%
summarise(
NBI = mean(Porc_almenosuna_NBI),
Servicios_cult = mean(Servicio_cultural)
)## # A tibble: 3 × 3
## particion NBI Servicios_cult
## <int> <dbl> <dbl>
## 1 1 48.3 -1.17
## 2 2 32.1 0.119
## 3 3 18.4 0.553df1$name = rownames(df1)
df1$particion = factor(df1$particion)
levels(df1$particion) = c("Alto NBI - Bajo SC", "Medio NBI - Medio SC", "Bajo NBI - Alto SC")
df1$name=toupper(df1$name)mapDEP1=merge(mapDEP,df1,by.x='NOMBDEP',by.y='name', all.x = T)library(wesanderson)
mapa5 = ggplot(mapDEP1)+ geom_sf() + theme_light() + geom_sf(data=mapDEP1, aes(fill=particion),color = "gray") +
coord_sf() + scale_fill_manual(values=wes_palette(n=3, name="Darjeeling2")) + theme_void() +
theme(axis.title = element_blank(), axis.text = element_blank(), legend.position = c(1.1,0.55)) + labs(fill=" ") + theme(legend.text = element_text(size = 13)) +
labs(title = "Necesidades Básicas Insatisfechas (NBI) vs Servicios Culturales (SC)",caption = "Fuente: Datos abiertos MC\nElaborado por: Unidad de Estudios Economicos-MC") + theme(plot.title = element_text(color="black", size=15, face="bold"), plot.caption = element_text(color = "black", size=10))
mapa5
Clusterización de Violencia contra la mujer y servicios culturales
df2 =select(df0, c(1,4))fviz_nbclust(df2, kmeans, method = "silhouette")
## cluster size ave.sil.width
## 1 1 9 0.62
## 2 2 16 0.42
Solo un departamentos reportan un width negativo.
## [1] 1df2 %>%
group_by(particion) %>%
summarise(
Violencia = mean(Porcentaje_violencia),
Servicios_cult = mean(Servicio_cultural)
)## # A tibble: 2 × 3
## particion Violencia Servicios_cult
## <int> <dbl> <dbl>
## 1 1 11.4 -0.379
## 2 2 16.8 0.213df2$name = rownames(df2)
df2$particion = factor(df2$particion)
levels(df2$particion) = c("Bajo Violencia - Bajo SC", "Alto Violencia - Alto SC")
df2$name=toupper(df2$name)mapDEP1=merge(mapDEP,df2,by.x='NOMBDEP',by.y='name', all.x = T)library(wesanderson)
mapa6 = ggplot(mapDEP1)+ geom_sf() + theme_light() + geom_sf(data=mapDEP1, aes(fill=particion),color = "gray") +
coord_sf() + scale_fill_manual(values=wes_palette(n=3, name="Darjeeling2")) + theme_void() +
theme(axis.title = element_blank(), axis.text = element_blank(), legend.position = c(1.1,0.55)) + labs(fill=" ") + theme(legend.text = element_text(size = 13)) +
labs(title = "Violencia contra la mujer vs Servicios Culturales (SC)",caption = "Fuente: Datos abiertos MC\nElaborado por: Unidad de Estudios Economicos-MC") + theme(plot.title = element_text(color="black", size=15, face="bold"), plot.caption = element_text(color = "black", size=10))
mapa6
Clusterización de Racismo y servicios culturales
df3 =select(df0, c(2,4))fviz_nbclust(df3, kmeans, method = "silhouette")
## cluster size ave.sil.width
## 1 1 18 0.61
## 2 2 7 0.50
Solo 2 departamentos reportan un width negativo.
## [1] 0df3 %>%
group_by(particion) %>%
summarise(
Racismo = mean(Por_racismo_2019),
Servicios_cult = mean(Servicio_cultural)
)## # A tibble: 2 × 3
## particion Racismo Servicios_cult
## <int> <dbl> <dbl>
## 1 1 8.01 -0.290
## 2 2 18.2 0.746df3$name = rownames(df3)
df3$particion = factor(df3$particion)
levels(df3$particion) = c("Bajo Racismo - Bajo SC", "Alto Racismo - Alto SC")
df3$name=toupper(df3$name)mapDEP1=merge(mapDEP,df3,by.x='NOMBDEP',by.y='name', all.x = T)library(wesanderson)
mapa7 = ggplot(mapDEP1)+ geom_sf() + theme_light() + geom_sf(data=mapDEP1, aes(fill=particion),color = "gray") +
coord_sf() + scale_fill_manual(values=wes_palette(n=3, name="Darjeeling2")) + theme_void() +
theme(axis.title = element_blank(), axis.text = element_blank(), legend.position = c(1.1,0.55)) + labs(fill=" ") + theme(legend.text = element_text(size = 13)) +
labs(title = "Racismo vs Servicios Culturales (SC)",caption = "Fuente: Datos abiertos MC\nElaborado por: Unidad de Estudios Economicos-MC") + theme(plot.title = element_text(color="black", size=15, face="bold"), plot.caption = element_text(color = "black", size=10))
mapa7