Uniandes
Tomás Villescas
2023-03-31
Análisis electoral en Colombia (2018-2022)
Librería tidyverse para manejo de datos.
library(tidyverse)## Warning: package 'tidyverse' was built under R version 4.2.3## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.0 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.1 ✔ tibble 3.1.8
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the ]8;;http://conflicted.r-lib.org/conflicted package]8;; to force all conflicts to become errorsImportamos la base de datos:
Elecciones <- read.csv("C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\VOT_BOG_GEO.csv")
str(Elecciones)## 'data.frame': 104666 obs. of 27 variables:
## $ depto : int 16 16 16 16 16 16 16 16 16 16 ...
## $ depto_municipio : chr "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." ...
## $ comuna : chr "1 USAQUÉN" "1 USAQUÉN" "1 USAQUÉN" "1 USAQUÉN" ...
## $ zona : int 1 1 1 1 1 1 1 1 1 1 ...
## $ eleccion : chr "Alcaldia 2019" "Alcaldia 2019" "Alcaldia 2019" "Alcaldia 2019" ...
## $ cod_eleccion : int 3 3 3 3 3 3 3 3 3 3 ...
## $ codpuesto : chr "22" "22" "22" "22" ...
## $ grupuesto : int 22 22 22 22 22 22 22 28 28 28 ...
## $ puesto : chr "ALESSANDRO VOLTA" "ALESSANDRO VOLTA" "ALESSANDRO VOLTA" "ALESSANDRO VOLTA" ...
## $ posicion : chr "CENTRO" "CENTRO" "IZQUIERDA" "DERECHA" ...
## $ codpetro : int 0 0 0 0 0 0 0 0 0 0 ...
## $ candidato_o_partido: chr "CARLOS FERNANDO GALAN PACHON" "CLAUDIA NAYIBE LOPEZ HERNANDEZ" "HOLLMAN MORRIS" "MIGUEL URIBE TURBAY" ...
## $ v_can_pp_ele : int 1056 645 112 434 61 8 6 630 692 190 ...
## $ porc_v_can_pp_ele : num 45.48 27.78 4.82 18.69 2.63 ...
## $ tot_v_pp_ele : int 2322 2322 2322 2322 2322 2322 2322 1894 1894 1894 ...
## $ v_can_pp : int 1056 645 112 434 756 79 57 630 692 190 ...
## $ porc_v_can_pp : num 4.238 2.588 0.449 1.742 3.034 ...
## $ tot_v_pp : int 24918 24918 24918 24918 24918 24918 24918 19488 19488 19488 ...
## $ v_can_zona_ele : int 105245 75455 13733 45830 8145 899 1266 105245 75455 13733 ...
## $ porc_v_can_zona_ele: num 42 30.11 5.48 18.29 3.25 ...
## $ tot_v_zona_ele : int 250573 250573 250573 250573 250573 250573 250573 250573 250573 250573 ...
## $ v_can_zona : int 105245 75455 13733 45830 94181 10266 11341 105245 75455 13733 ...
## $ porc_v_can_zona : num 4.346 3.116 0.567 1.892 3.889 ...
## $ tot_v_zona : int 2421742 2421742 2421742 2421742 2421742 2421742 2421742 2421742 2421742 2421742 ...
## $ direccion : chr "CALLE 119 # 4-79" "CALLE 119 # 4-79" "CALLE 119 # 4-79" "CALLE 119 # 4-79" ...
## $ POINT_X : num -74 -74 -74 -74 -74 ...
## $ POINT_Y : num 4.69 4.69 4.69 4.69 4.69 ...summary(Elecciones)## depto depto_municipio comuna zona
## Min. :16 Length:104666 Length:104666 Min. : 1.00
## 1st Qu.:16 Class :character Class :character 1st Qu.: 7.00
## Median :16 Mode :character Mode :character Median :10.00
## Mean :16 Mean :10.22
## 3rd Qu.:16 3rd Qu.:13.00
## Max. :16 Max. :98.00
##
## eleccion cod_eleccion codpuesto grupuesto
## Length:104666 Min. :1.000 Length:104666 Min. : 1.0
## Class :character 1st Qu.:4.000 Class :character 1st Qu.:230.0
## Mode :character Median :6.000 Mode :character Median :442.0
## Mean :5.623 Mean :444.3
## 3rd Qu.:7.000 3rd Qu.:667.0
## Max. :9.000 Max. :898.0
## NA's :1709
## puesto posicion codpetro candidato_o_partido
## Length:104666 Length:104666 Min. :0.00000 Length:104666
## Class :character Class :character 1st Qu.:0.00000 Class :character
## Mode :character Mode :character Median :0.00000 Mode :character
## Mean :0.02936
## 3rd Qu.:0.00000
## Max. :1.00000
##
## v_can_pp_ele porc_v_can_pp_ele tot_v_pp_ele v_can_pp
## Min. : 1.0 Min. : 0.0030 Min. : 13 Min. : 1.0
## 1st Qu.: 4.0 1st Qu.: 0.1812 1st Qu.: 1408 1st Qu.: 6.0
## Median : 31.0 Median : 1.9684 Median : 3474 Median : 78.0
## Mean : 289.3 Mean : 6.9844 Mean : 4141 Mean : 764.3
## 3rd Qu.: 215.8 3rd Qu.: 6.9242 3rd Qu.: 5941 3rd Qu.: 573.0
## Max. :47119.0 Max. :98.8971 Max. :95018 Max. :138420.0
##
## porc_v_can_pp tot_v_pp v_can_zona_ele porc_v_can_zona_ele
## Min. : 0.00022 Min. : 25 Min. : 1 Min. : 0.00042
## 1st Qu.: 0.03080 1st Qu.: 12065 1st Qu.: 277 1st Qu.: 0.17350
## Median : 0.53064 Median : 33083 Median : 3434 Median : 2.17057
## Mean : 2.22350 Mean : 38729 Mean : 16557 Mean : 6.95938
## 3rd Qu.: 2.37803 3rd Qu.: 56555 3rd Qu.: 14972 3rd Qu.: 6.97578
## Max. :70.99768 Max. :458474 Max. :299349 Max. :82.60870
##
## tot_v_zona_ele v_can_zona porc_v_can_zona tot_v_zona
## Min. : 366 Min. : 1 Min. : 0.00004 Min. : 5327
## 1st Qu.:114412 1st Qu.: 493 1st Qu.: 0.02614 1st Qu.:1196281
## Median :198233 Median : 8915 Median : 0.57936 Median :2054084
## Mean :227859 Mean : 44346 Mean : 2.07733 Mean :2184563
## 3rd Qu.:355499 3rd Qu.: 39766 3rd Qu.: 2.43619 3rd Qu.:3377184
## Max. :562680 Max. :930456 Max. :36.54965 Max. :4317729
##
## direccion POINT_X POINT_Y
## Length:104666 Min. :-74.36 Min. :3.986
## Class :character 1st Qu.:-74.14 1st Qu.:4.584
## Mode :character Median :-74.11 Median :4.622
## Mean :-74.11 Mean :4.631
## 3rd Qu.:-74.08 3rd Qu.:4.683
## Max. :-74.02 Max. :4.819
## NA's :1967 NA's :1967Distribuión de votos en el espectro electoral cronológicamente
Análisis de cómo se distribuyen los votos entre las distintas posiciones ideológicas en Colombia dentro de la variabale //posiciones//. Para ello primiero hay que ordenar la variable cronológicamente.
eleccion_orden <- c("Presi 1 v 2018", "Presi 2 v 2018", "Alcaldia 2019", "Concejo 2019", "JAL 2019", "Camara 2022", "Senado 2022", "Presi 1 v 2022", "Presi 2 v 2022")
Elecciones$eleccion <- factor(Elecciones$eleccion, levels = eleccion_orden)Gráfica de barras con las elecciones como eje x y la distribución de votos como eje y en donde se muestre el cambio acumulado de las posiciones ideológicas entre cada elección.
ggplot(Elecciones, aes(x = eleccion, y = v_can_pp_ele, fill = posicion)) +
geom_bar(stat = "identity", position = "fill") +
scale_fill_manual(values = c("darkblue", "darkgreen", "red", "purple", "yellow", "brown","gray"),
labels = c("DERECHA", "CENTRO", "INDEPENDIENTE", "IZQUIERDA",
"MINORIA", "TRADICIONAL", "N/V")) +
labs(x = "Elecciones en Colombia", y = "Distribución de votos",
title = "Cambio en la distribución de votos en el espectro político Colombiano",
fill = "Posición política") +
theme_bw(base_size = 16) +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.title = element_text(face = "bold"),
legend.text = element_text(face = "italic"),
legend.position = "bottom",
axis.title.x = element_text(face = "bold"),
axis.title.y = element_text(face = "bold"),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
panel.background = element_blank())
Este gráfico de barras explica cómo va a cambiando la distribución de cada elección, pero al apilar las posiciones se pierde la capacidad de comparar los porcentajes de votos y hacer seguimiento a cada posición en partícular. Para esto se puede hacer un gráfico de línea con cada posición.
Primero se debe crear una nueva tabla que resuma los votos de cada posición en cada una de las elecciones. Cada posición debe ser tratada como una variable categórica. Se agrupan los datos de los puestos por elección y por posición política para sumar los votos de cada posición y crear una nueva variable con su porcentaje.
Elecciones$eleccion <- as.factor(Elecciones$eleccion)
eleccion_posicion <- Elecciones %>%
group_by(eleccion, posicion) %>%
summarize(votos = sum(v_can_pp_ele),
porcentaje = sum(v_can_pp_ele) / sum(tot_v_pp_ele) * 100)## `summarise()` has grouped output by 'eleccion'. You can override using the
## `.groups` argument.Ahora se puede graficar el cambio del porcentaje de votos por
posición en cada una de las elecciones. Se define a
elección para el eje “x”, y porcentaje para el
eje “y”. Para dividir por posición se le asigna el color. A
continuación, se utiliza geom_line para graficar las líneas de cada
posición política, utilizando aes(group = posicion) para indicar que se
deben conectar las observaciones correspondientes a cada posición. El
argumento linewidth se utiliza para aumentar el grosor de
las líneas.
ggplot(eleccion_posicion, aes(x = eleccion, y = porcentaje, color = posicion)) +
geom_line(aes(group = posicion), linewidth = 1.2) +
scale_color_manual(values = c("darkblue", "darkgreen", "red", "purple", "yellow", "brown", "gray")) +
labs(x = "Elecciones en Colombia y Bogotá", y = "Porcentaje de votos",
title = "Evolución de la preferencia política en Bogotá",
color = "Posición política") +
theme_bw(base_size = 16) +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.title = element_text(face = "bold"),
legend.text = element_text(face = "italic"),
legend.position = "bottom",
axis.title.x = element_text(face = "bold"),
axis.title.y = element_text(face = "bold"),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
panel.background = element_blank())
Cambio en el porcentaje de cada partido para cada localidad
Para dividir los datos por las localidades, volvemos a agrupar la
base de datos principal por cada elección y por las elecciones, pero
esta vez también por la variable comuna que indica la
localidad. Se crean dos nuevas variables con los votos totales de cada
localidad y el porcentaje de cada posición en la localidad.
eleccion_comuna_posicion <- Elecciones %>%
group_by(eleccion, comuna, posicion) %>%
summarize(votos = sum(v_can_zona_ele),
porcentaje = sum(v_can_zona_ele) / sum(tot_v_zona_ele) * 100)## `summarise()` has grouped output by 'eleccion', 'comuna'. You can override
## using the `.groups` argument.Con esta nueva base de datos se puede realizar la misma gráfica que
anteriormente, pero incluyendo el componente de
facet_wrap(~comuna) para que haga una gráfica por cada
localidad. El tamaño de la fuente es más pequeño para poder ver las 20
localidades.
ggplot(eleccion_comuna_posicion, aes(x = eleccion, y = porcentaje, color = posicion)) +
geom_line(aes(group = posicion), linewidth = 1.2) +
scale_color_manual(values = c("darkblue", "darkgreen", "red", "purple", "yellow", "brown", "gray"),
labels = c("DERECHA", "CENTRO", "INDEPENDIENTE", "IZQUIERDA", "MINORIA", "TRADICIONAL", "N/V")) +
labs(x = "Elecciones en Colombia", y = "Porcentaje de votos",
title = "Evolución de la preferencia política en Bogotá por localidad",
color = "Posición política") +
facet_wrap(~comuna, ncol = 4) +
theme_bw(base_size = 8) +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.title = element_text(face = "bold"),
legend.text = element_text(face = "italic"),
legend.position = "bottom",
legend.margin = margin(t = 0, r = 0, b = 0, l = 0),
axis.title.x = element_text(face = "bold"),
axis.title.y = element_text(face = "bold"))
Análisis de las elecciones territoriales de 2019 para concejales en cada localidad.
Para ver el comportamiento de cada localidad en las elecciones territoriales creamos una nueva base de datos que contenga la información de las elecciones, las localidades y los candidatos. Así como calculamos, el total de votos para cada candidato en la localidad y el porcentaje de votos en cada localidad.
Agrupamos los datos por cada elección, las localidads y los distintos partidos. Luego creamos una variable con el total de los votos en cada localidad, y su porcentaje. Finalmente, eliminamos los datos repetidos.
eleccion_comuna_partido <- Elecciones %>%
group_by(eleccion, comuna, candidato_o_partido) %>%
reframe(total_votos = sum(v_can_zona_ele),
porc_votos = sum(v_can_zona_ele)/sum(tot_v_zona_ele)*100) %>%
distinct() %>%
view()A continuación vamos a filtrar solo los datos para la elección del Concejo de 2019 y eliminamos la suma de todos los candidatos para que queden los partidos.
Can_localidad_concejo <- eleccion_comuna_partido %>%
subset(eleccion == "Concejo 2019" & candidato_o_partido != "CANDIDATOS TOTALES")
summary(Can_localidad_concejo)## eleccion comuna candidato_o_partido total_votos
## Concejo 2019 :320 Length:320 Length:320 Min. : 1
## Presi 1 v 2018: 0 Class :character Class :character 1st Qu.: 25472
## Presi 2 v 2018: 0 Mode :character Mode :character Median : 112074
## Alcaldia 2019 : 0 Mean : 422703
## JAL 2019 : 0 3rd Qu.: 382514
## Camara 2022 : 0 Max. :8146350
## (Other) : 0
## porc_votos
## Min. : 0.03719
## 1st Qu.: 0.73824
## Median : 3.01495
## Mean : 4.77214
## 3rd Qu.: 6.93415
## Max. :26.86111
## Hacemos una gráfica de barras con el total de votos de cada partido en cada localidad. El eje y es libre en cada gráfica para comparar mejor a las localidades independientemente del número de votos.
ggplot(Can_localidad_concejo, aes(x=candidato_o_partido, y=total_votos, fill=candidato_o_partido)) +
geom_bar(stat = "identity") +
scale_x_discrete(NULL, labels = NULL) +
labs(title = "Votación por partidos en las elecciones al Concejo 2019 por localidad",
fill= "Partidos políticos", x=NULL, y="Total de votos por partido") +
facet_wrap(~comuna, scales = "free_y")+
theme_bw(base_size = 8) +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.title = element_text(face = "bold"),
legend.text = element_text(face = "italic"),
legend.position = "bottom",
legend.margin = margin(t = 0, r = 0, b = 0, l = 0),
axis.title.x = element_text(face = "bold"),
axis.title.y = element_text(face = "bold"))
Repetimos la gráfica mostrando el contraste en el número de votos de cada localidad con un eje y fijo.
ggplot(Can_localidad_concejo, aes(x=candidato_o_partido, y=total_votos, fill=candidato_o_partido)) +
geom_bar(stat = "identity") +
scale_x_discrete(NULL, labels = NULL) +
labs(title = "Votación por partidos en las elecciones al Concejo 2019 por localidad",
fill= "Partidos políticos", x=NULL, y="Total de votos por partido") +
facet_wrap(~comuna)+
theme_bw(base_size = 8) +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.title = element_text(face = "bold"),
legend.text = element_text(face = "italic"),
legend.position = "bottom",
legend.margin = margin(t = 0, r = 0, b = 0, l = 0),
axis.title.x = element_text(face = "bold"),
axis.title.y = element_text(face = "bold"))
Para definir los 3 partidos más votados en cada localidad, ordenamos
la base de datos de manera descendiente por el total de votos de cada
partido y la agrupamos por localidad. Con la función
slice() podemos sacar los 3 primero partidos de cada
localidad. Para luego cartografiar los resultados, creamos una nueva
base solo con el partido más votado de cada localidad, separamos la
variable comuna en el código de la localidad y su nombre, así como
cambiamos los nombres de las localidades para que queden igual a la base
del shape.
Partidos_Concejo <- Can_localidad_concejo %>% arrange(desc(total_votos)) %>% group_by(comuna) %>% slice(1)
Partidos_Concejo <- separate(Partidos_Concejo, comuna, into = c("CodLoca", "Loca"), sep = " ", remove = FALSE, extra = "merge")
Partidos_Concejo$Loca <- sub("USAQUÉN", "USAQUEN", Partidos_Concejo$Loca)
Partidos_Concejo$Loca <- sub("URIBE", "URIBE URIBE", Partidos_Concejo$Loca)
Partidos_Concejo$Loca <- sub("MÁRTIRES", "LOS MARTIRES", Partidos_Concejo$Loca)
write.csv2(Partidos_Concejo,
file = "C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\Partidos_Concejo.csv")
view(Partidos_Concejo)Comparación con Ediles por localidad en 2019
Repetimos el proceso para ver los candidatos más votados en las
elecciones a la JAL 2019. Debido a que la coalición Colombia Humana se
lanzó con nombres diferentes en todas las localidades, usamos el código
sub() para reempazarlos por un solo nombre.
library(stringr)
Can_localidad_JAL <- eleccion_comuna_partido %>%
subset(eleccion == "JAL 2019" & candidato_o_partido != "CANDIDATOS TOTALES")
Can_localidad_JAL$candidato_o_partido = sub(".*HUMANA.*", "COALICIÓN COLOMBIA HUMANA", Can_localidad_JAL$candidato_o_partido)
view(Can_localidad_JAL)
ggplot(Can_localidad_JAL, aes(x=candidato_o_partido, y=total_votos, fill=candidato_o_partido)) +
geom_bar(stat = "identity") +
scale_x_discrete(NULL, labels = NULL) +
labs(title = "Votación por partidos en las elecciones al Concejo 2019 por localidad",
fill= "Partidos políticos", x=NULL, y="Total de votos por partido") +
facet_wrap(~comuna, scales = "free_y")+
theme_bw(base_size = 8) +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.title = element_text(face = "bold"),
legend.text = element_text(face = "italic"),
legend.position = "bottom",
legend.margin = margin(t = 0, r = 0, b = 0, l = 0),
axis.title.x = element_text(face = "bold"),
axis.title.y = element_text(face = "bold"))
A continuación una gráfica similar que muestre la diferencia en el número de votos:
ggplot(Can_localidad_JAL, aes(x=candidato_o_partido, y=total_votos, fill=candidato_o_partido)) +
geom_bar(stat = "identity") +
scale_x_discrete(NULL, labels = NULL) +
labs(title = "Votación por partidos en las elecciones al Concejo 2019 por localidad",
fill= "Partidos políticos", x=NULL, y="Total de votos por partido") +
facet_wrap(~comuna)+
theme_bw(base_size = 8) +
theme(plot.title = element_text(face = "bold", hjust = 0.5),
legend.title = element_text(face = "bold"),
legend.text = element_text(face = "italic"),
legend.position = "bottom",
legend.margin = margin(t = 0, r = 0, b = 0, l = 0),
axis.title.x = element_text(face = "bold"),
axis.title.y = element_text(face = "bold"))
Luego de tener la gráfica, grabamos el partido más votado en cada localidad en una base compatible con el shape de localidades en ArcGIS para cartografiarlo.
Partidos_JAL <- Can_localidad_JAL %>% arrange(desc(total_votos)) %>% group_by(comuna) %>% slice(1)
Partidos_JAL <- separate(Partidos_JAL, comuna, into = c("CodLoca", "Loca"), sep = " ", remove = FALSE, extra = "merge")
Partidos_JAL$Loca <- sub("USAQUÉN", "USAQUEN", Partidos_JAL$Loca)
Partidos_JAL$Loca <- sub("URIBE", "URIBE URIBE", Partidos_JAL$Loca)
Partidos_JAL$Loca <- sub("MÁRTIRES", "LOS MARTIRES", Partidos_JAL$Loca)
write.csv2(Partidos_JAL,
file = "C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\Partidos_JAL.csv")
view(Partidos_JAL)Análisis de Concejales en cada localidad
Cargamos la base de datos de las elecciones del 2019 con resultados por candidato y por puesto.
Concejo <- read_csv2("C:\\Users\\tomas\\OneDrive\\Documents\\UniAndes\\Bogota_2019\\Bogota_2019_Concejo_candidatos.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 61082 Columns: 16
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (7): depto, municipio, nombrepuesto, corporacionocargo, nombrepartidogsc...
## dbl (9): cod_can_pp, codig, codcan, v_pp_can, cod, zona, puesto, codigo, votos
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.str(Concejo)## spc_tbl_ [61,082 × 16] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ cod_can_pp : num [1:61082] 1 2 3 4 5 6 7 8 9 10 ...
## $ codig : num [1:61082] 0 0 0 1 1 1 1 1 1 1 ...
## $ codcan : num [1:61082] 996 997 998 0 1 2 3 4 5 6 ...
## $ v_pp_can : num [1:61082] 11643 2627 3432 836 717 ...
## $ cod : num [1:61082] 1 1 1 1 1 1 1 1 1 1 ...
## $ zona : num [1:61082] 5 5 5 5 5 5 6 6 5 6 ...
## $ puesto : num [1:61082] 1 1 1 1 1 1 1 1 1 1 ...
## $ codigo : num [1:61082] 16 16 16 16 16 16 16 16 16 16 ...
## $ depto : chr [1:61082] "BOGOTA D.C." "BOGOTA D.C." "BOGOTA D.C." "BOGOTA D.C." ...
## $ municipio : chr [1:61082] "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." ...
## $ nombrepuesto : chr [1:61082] "CLASS" "FONTIBON" "BOSA" "CLASS" ...
## $ corporacionocargo : chr [1:61082] "CONCEJO" "CONCEJO" "CONCEJO" "CONCEJO" ...
## $ nombrepartidogscocoalicion: chr [1:61082] "CANDIDATOS TOTALES" "CANDIDATOS TOTALES" "CANDIDATOS TOTALES" "CANDIDATOS TOTALES" ...
## $ candidato : chr [1:61082] "VOTOS EN BLANCO" "VOTOS EN BLANCO" "VOTOS EN BLANCO" "VOTOS EN BLANCO" ...
## $ votos : num [1:61082] 2 10 32 22 7 27 34 43 36 12 ...
## $ _merge : chr [1:61082] "Matched (3)" "Matched (3)" "Matched (3)" "Matched (3)" ...
## - attr(*, "spec")=
## .. cols(
## .. cod_can_pp = col_double(),
## .. codig = col_double(),
## .. codcan = col_double(),
## .. v_pp_can = col_double(),
## .. cod = col_double(),
## .. zona = col_double(),
## .. puesto = col_double(),
## .. codigo = col_double(),
## .. depto = col_character(),
## .. municipio = col_character(),
## .. nombrepuesto = col_character(),
## .. corporacionocargo = col_character(),
## .. nombrepartidogscocoalicion = col_character(),
## .. candidato = col_character(),
## .. votos = col_double(),
## .. `_merge` = col_character()
## .. )
## - attr(*, "problems")=<externalptr>Las localidades tienen el código zona pero no tienen el
nombre, por lo que debemos asignarlo manualmente. Los nombres deben ser
compatibles con el shape de Localidades en ArcGIS para hacer la unión
espacial más adelante.
cod_localidades <- tibble(CodLoca = c(1:20, 90, 98), Loca = c("USAQUEN", "CHAPINERO", "SANTA FE", "SAN CRISTOBAL", "USME", "TUNJUELITO", "BOSA", "KENNEDY", "FONTIBON", "ENGATIVA", "SUBA", "BARRIOS UNIDOS", "TEUSAQUILLO", "LOS MARTIRES", "ANTONIO NARIÑO", "PUENTE ARANDA", "CANDELARIA", "RAFAEL URIBE URIBE", "CIUDAD BOLIVAR", "SUMAPAZ", "PUESTO CENSO", "CARCELES"))
cod_localidades## # A tibble: 22 × 2
## CodLoca Loca
## <dbl> <chr>
## 1 1 USAQUEN
## 2 2 CHAPINERO
## 3 3 SANTA FE
## 4 4 SAN CRISTOBAL
## 5 5 USME
## 6 6 TUNJUELITO
## 7 7 BOSA
## 8 8 KENNEDY
## 9 9 FONTIBON
## 10 10 ENGATIVA
## # … with 12 more rowsCon los códigos, podemos unir las dos bases de datos para poner una
nueva variable con los nombres de las localidades. La variable
zona en el Concejo se une con la variable
CodLoca en la base de datos que acabamos de crear.
Concejo <- left_join(Concejo, cod_localidades, by = join_by("zona"=="CodLoca"))
str(Concejo)## spc_tbl_ [61,082 × 17] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ cod_can_pp : num [1:61082] 1 2 3 4 5 6 7 8 9 10 ...
## $ codig : num [1:61082] 0 0 0 1 1 1 1 1 1 1 ...
## $ codcan : num [1:61082] 996 997 998 0 1 2 3 4 5 6 ...
## $ v_pp_can : num [1:61082] 11643 2627 3432 836 717 ...
## $ cod : num [1:61082] 1 1 1 1 1 1 1 1 1 1 ...
## $ zona : num [1:61082] 5 5 5 5 5 5 6 6 5 6 ...
## $ puesto : num [1:61082] 1 1 1 1 1 1 1 1 1 1 ...
## $ codigo : num [1:61082] 16 16 16 16 16 16 16 16 16 16 ...
## $ depto : chr [1:61082] "BOGOTA D.C." "BOGOTA D.C." "BOGOTA D.C." "BOGOTA D.C." ...
## $ municipio : chr [1:61082] "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." ...
## $ nombrepuesto : chr [1:61082] "CLASS" "FONTIBON" "BOSA" "CLASS" ...
## $ corporacionocargo : chr [1:61082] "CONCEJO" "CONCEJO" "CONCEJO" "CONCEJO" ...
## $ nombrepartidogscocoalicion: chr [1:61082] "CANDIDATOS TOTALES" "CANDIDATOS TOTALES" "CANDIDATOS TOTALES" "CANDIDATOS TOTALES" ...
## $ candidato : chr [1:61082] "VOTOS EN BLANCO" "VOTOS EN BLANCO" "VOTOS EN BLANCO" "VOTOS EN BLANCO" ...
## $ votos : num [1:61082] 2 10 32 22 7 27 34 43 36 12 ...
## $ _merge : chr [1:61082] "Matched (3)" "Matched (3)" "Matched (3)" "Matched (3)" ...
## $ Loca : chr [1:61082] "USME" "USME" "USME" "USME" ...
## - attr(*, "spec")=
## .. cols(
## .. cod_can_pp = col_double(),
## .. codig = col_double(),
## .. codcan = col_double(),
## .. v_pp_can = col_double(),
## .. cod = col_double(),
## .. zona = col_double(),
## .. puesto = col_double(),
## .. codigo = col_double(),
## .. depto = col_character(),
## .. municipio = col_character(),
## .. nombrepuesto = col_character(),
## .. corporacionocargo = col_character(),
## .. nombrepartidogscocoalicion = col_character(),
## .. candidato = col_character(),
## .. votos = col_double(),
## .. `_merge` = col_character()
## .. )
## - attr(*, "problems")=<externalptr>Ahora creamos una base para agrupar los votos de cada candidato por
localidad. En el proceso podemos limpiar la base de datos al eliminar
“CANDIDATOS TOTALES” que es la suma de todos los candidatos en la
localidad y “. . .” que son observaciones vacías. Luego cambiamos los
caracteres especiales de “Ñ” que no se leyeron correctamente al importar
el archivo .csv:
Concejo_localidad_candidato <- Concejo %>%
subset(candidato != "CANDIDATOS TOTALES" | candidato != ". . .") %>%
group_by(Loca, candidato, nombrepartidogscocoalicion) %>%
reframe(votos = sum(v_pp_can)) %>%
view()
Concejo_localidad_candidato$candidato <- str_replace_all(Concejo_localidad_candidato$candidato, "�", "Ñ")Con la base de datos limpia solo contiene la localidad, el candidato, el nombre de la coalición o partido y los votos del candidato en esa localidad, podemos extraer los candidatos más votados de cada localidad. Para esto primero organizamos los datos de los votos de manera descendente y luego agrupamos por localidad para extraer la observación con más votos de cada localidad. Esta nueva base la exportamos para unirla con el shape de localidades en ArcGIS.
Candidatos_Concejo <- Concejo_localidad_candidato %>% arrange(desc(votos)) %>% group_by(Loca) %>% slice(1)
Candidatos_Concejo## # A tibble: 23 × 4
## # Groups: Loca [23]
## Loca candidato nombreparti…¹ votos
## <chr> <chr> <chr> <dbl>
## 1 ANTONIO NARIÑO FLOR ELVA CARDENAS VELANDIA G.S.C. BOGOT… 10374
## 2 BARRIOS UNIDOS MARIA FERNANDA ROJAS MANTILLA PARTIDO ALIA… 4433
## 3 BOSA JUAN CARLOS TRIANA RUBIANO PARTIDO ALIA… 9310
## 4 CANDELARIA JOSIAS FIESCO AGUDELO PARTIDO CENT… 681
## 5 CARCELES GERMAN AUGUSTO GARCIA MAYA PARTIDO LIBE… 1
## 6 CHAPINERO JORGE DURAN SILVA PARTIDO LIBE… 946
## 7 CIUDAD BOLIVAR ARMANDO DE LOS MILAGROS GUTIERREZ GONZALEZ PARTIDO LIBE… 120
## 8 ENGATIVA DIEGO ANDRES CANCINO MARTINEZ PARTIDO ALIA… 481
## 9 FONTIBON CLAUDIA XIMENA MARIA CARRILLO SANTOS PARTIDO ALIA… 54
## 10 KENNEDY MANUEL JOSE SARMIENTO ARGUELLO PARTIDO POLO… 6075
## # … with 13 more rows, and abbreviated variable name
## # ¹nombrepartidogscocoalicionwrite.csv2(Candidatos_Concejo,
file = "C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\Candidatos_Concejo.csv")Análisis por candidatos a la JAL en 2019
Para importar la base de datos a R, primero debemos limpiarla en
Stata. La base de datos original tiene las observaciones por mesa
electoral en cada puesto, por lo que primero hay que colapsarla creando
un código para cada candidato en su puesto. egen crea una
nueva variable y =group hace que la variable sea única para
cada puesto, localidad y candidato.
Stata JAL 2019
El código es:
Luego calculamos los votos de cada candidato por el puesto:
Ahora podemos colapsar la base de datos para que cada observación sea
un candidato por puesto y no por mesa, al colapsar podemos introducir
todas las variables numéricas con su promedio, y colapsamos por la nueva
variable del código del candidato por puesto. Finalmente, guardamos
provisionalmente la información en formato .dta:
Para recuperar las variables no numéricas, como el nombre del
candidato, del puesto y del partido. Hacemos un merge con otra base de
datos que incluya la variable cod_can_pp. Para esto
repetimos los primeros dos pasos y guardamos la base como
to_merge.dta:
Ahora traemos la primera base para hacer el merge uno a uno por observaciones.
Result Number of obs
-----------------------------------------
Not matched 772,765
from master 0 (_merge==1)
from using 772,765 (_merge==2)
Matched 76,103 (_merge==3)
-----------------------------------------En el resultado vemos que hay unas observaciones que no tienen un match, por lo que las podemos eliminar.
Finalmente guardamos y exportamos a excel con las primeras filas como variables.
Desde excel podemos guardar el archivo como .csv y
traerlo a R.
R Jal 2019
Ahora importamos el archivo R con las elecciones a la JAL 2019 por candidato y por puesto electoral. Para agregar la columna con el nombre de las localidades, repetimos el proceso de la base de Concejo con el código de cada localidad.
JAL <- read_csv2("C:\\Users\\tomas\\OneDrive\\Documents\\UniAndes\\Bogota_2019\\Bogota_2019_JAL_candidatos.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 76103 Columns: 16
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (7): depto, municipio, nombrepuesto, corporacionocargo, nombrepartidogsc...
## dbl (9): cod_can_pp, zona, puesto, codig, codcan, v_can_pp, codigo, cod, votos
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.str(JAL)## spc_tbl_ [76,103 × 16] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ cod_can_pp : num [1:76103] 1 2 3 4 5 6 7 8 9 10 ...
## $ zona : num [1:76103] 1 1 1 1 1 1 1 1 1 1 ...
## $ puesto : num [1:76103] 1 1 1 1 1 1 1 1 1 1 ...
## $ codig : num [1:76103] 1 1 1 1 1 1 1 1 1 1 ...
## $ codcan : num [1:76103] 0 81 82 83 84 85 86 87 88 89 ...
## $ v_can_pp : num [1:76103] 135764 135764 135764 135764 135764 ...
## $ codigo : num [1:76103] 16 16 16 16 16 16 16 16 16 16 ...
## $ depto : chr [1:76103] "BOGOTA D.C." "BOGOTA D.C." "BOGOTA D.C." "BOGOTA D.C." ...
## $ cod : num [1:76103] 1 1 1 1 1 1 1 1 1 1 ...
## $ municipio : chr [1:76103] "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." ...
## $ nombrepuesto : chr [1:76103] "USAQUEN" "USAQUEN" "USAQUEN" "USAQUEN" ...
## $ corporacionocargo : chr [1:76103] "JAL" "JAL" "JAL" "JAL" ...
## $ nombrepartidogscocoalicion: chr [1:76103] "PARTIDO LIBERAL COLOMBIANO" "PARTIDO LIBERAL COLOMBIANO" "PARTIDO LIBERAL COLOMBIANO" "PARTIDO LIBERAL COLOMBIANO" ...
## $ candidato : chr [1:76103] "PARTIDO LIBERAL COLOMBIANO" "NICOLAS GUTIERREZ BERMUDEZ" "GERARDO SARMIENTO CHACON" "CARLOS ALBERTO CRESPO CARRILLO" ...
## $ votos : num [1:76103] 2 3 1 3 3 1 1 1 1 2 ...
## $ _merge : chr [1:76103] "Matched (3)" "Matched (3)" "Matched (3)" "Matched (3)" ...
## - attr(*, "spec")=
## .. cols(
## .. cod_can_pp = col_double(),
## .. zona = col_double(),
## .. puesto = col_double(),
## .. codig = col_double(),
## .. codcan = col_double(),
## .. v_can_pp = col_double(),
## .. codigo = col_double(),
## .. depto = col_character(),
## .. cod = col_double(),
## .. municipio = col_character(),
## .. nombrepuesto = col_character(),
## .. corporacionocargo = col_character(),
## .. nombrepartidogscocoalicion = col_character(),
## .. candidato = col_character(),
## .. votos = col_double(),
## .. `_merge` = col_character()
## .. )
## - attr(*, "problems")=<externalptr>JAL <- left_join(JAL, cod_localidades, by = join_by("zona"=="CodLoca"))Limpiamos la base de datos para obtener los votos por localidad, arreglamos caracteres especiales y extraemos candidatos más votados para exportar.
JAL_localidad_candidato <- JAL %>%
subset(candidato != "CANDIDATOS TOTALES" & candidato != "VOTOS EN BLANCO ." & candidato != "PARTIDO ALIANZA VERDE" & candidato != "PARTIDO CENTRO DEMOCRATICO" & candidato != "PARTIDO COLOMBIA JUSTA LIBRES" & candidato != "VOTOS NULOS ." & candidato != "VOTOS NO MARCADOS ." & candidato != "PARTIDO LIBERAL COLOMBIANO" & candidato != "PARTIDO CAMBIO RADICAL" & candidato != "COALICION COLOMBIA HUMANA USAQUEN" & candidato != "G.S.C. BOGOTA PARA LA GENTE") %>%
group_by(Loca, candidato, nombrepartidogscocoalicion) %>%
reframe(votos = sum(v_can_pp)) %>%
view()
JAL_localidad_candidato$candidato <- str_replace_all(JAL_localidad_candidato$candidato, "�", "Ñ")
Candidatos_JAL <- JAL_localidad_candidato %>% arrange(desc(votos)) %>% group_by(Loca) %>% slice(1)
Candidatos_JAL## # A tibble: 20 × 4
## # Groups: Loca [20]
## Loca candidato nombrepartidogscocoa…¹ votos
## <chr> <chr> <chr> <dbl>
## 1 ANTONIO NARIÑO JOSE FRANCISCO TENJO TENJO PARTIDO ALIANZA VERDE 1.67e6
## 2 BARRIOS UNIDOS JOSE NORBERTO BELTRAN URREGO PARTIDO ALIANZA VERDE 2.63e6
## 3 BOSA JULIAN USCATEGUI PASTRANA PARTIDO CENTRO DEMOCR… 5.10e6
## 4 CANDELARIA JESUS MARIA VIVAS MOSQUERA PARTIDO CENTRO DEMOCR… 1.47e6
## 5 CHAPINERO JOSE NORBERTO BELTRAN URREGO PARTIDO ALIANZA VERDE 2.23e6
## 6 CIUDAD BOLIVAR NICOLAS GUTIERREZ BERMUDEZ PARTIDO LIBERAL COLOM… 4.82e6
## 7 ENGATIVA JOSE NORBERTO BELTRAN URREGO PARTIDO ALIANZA VERDE 5.69e6
## 8 FONTIBON NICOLAS GUTIERREZ BERMUDEZ PARTIDO LIBERAL COLOM… 3.72e6
## 9 KENNEDY JOSE NORBERTO BELTRAN URREGO PARTIDO ALIANZA VERDE 6.31e6
## 10 LOS MARTIRES JESUS DAVID ARAQUE MEJIA G.S.C. BOGOTA PARA LA… 2.81e6
## 11 PUENTE ARANDA EDUARDO TORRES NARANJO PARTIDO LIBERAL COLOM… 4.81e6
## 12 RAFAEL URIBE URIBE JOSE NORBERTO BELTRAN URREGO PARTIDO ALIANZA VERDE 4.93e6
## 13 SAN CRISTOBAL JESUS MARIA VIVAS MOSQUERA PARTIDO CENTRO DEMOCR… 5.76e6
## 14 SANTA FE JESUS DAVID ARAQUE MEJIA G.S.C. BOGOTA PARA LA… 2.07e6
## 15 SUBA JOSE NORBERTO BELTRAN URREGO PARTIDO ALIANZA VERDE 5.37e6
## 16 SUMAPAZ SANDRA MONICA BARRERA BERNAL PARTIDO CONSERVADOR C… 5.93e5
## 17 TEUSAQUILLO JESUS MARIA VIVAS MOSQUERA PARTIDO CENTRO DEMOCR… 3.77e6
## 18 TUNJUELITO JOSE NORBERTO BELTRAN URREGO PARTIDO ALIANZA VERDE 2.98e6
## 19 USAQUEN JESUS MARIA VIVAS MOSQUERA PARTIDO CENTRO DEMOCR… 5.30e6
## 20 USME JOSE NORBERTO BELTRAN URREGO PARTIDO ALIANZA VERDE 4.14e6
## # … with abbreviated variable name ¹nombrepartidogscocoalicionwrite.csv2(Candidatos_JAL,
file = "C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\Candidatos_JAL.csv")Análisis electoral a nivel UPZ.
Importamos una base de datos resultado de la unión espacial de la base de datos original con el shape de Unidades de Planeamiento Zonal de Bogotá.
Elecciones_upz <- read_csv2("C:\\Users\\tomas\\OneDrive\\Documents\\UniAndes\\Puestos por UPZ.csv")## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 962 Columns: 26
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (11): pp, departamen, municipio, puesto, comuna, direccion, NOMBRE_UPZ, ...
## dbl (15): TARGET_FID, zz, mujeres, hombres, total, mesas, POINT_X, POINT_Y, ...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.str(Elecciones_upz)## spc_tbl_ [962 × 26] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ TARGET_FID: num [1:962] 0 1 2 3 4 5 6 7 8 9 ...
## $ zz : num [1:962] 1 1 1 1 1 1 1 1 1 1 ...
## $ pp : chr [1:962] "1" "2" "3" "4" ...
## $ departamen: chr [1:962] "BOGOTA D.C." "BOGOTA D.C." "BOGOTA D.C." "BOGOTA D.C." ...
## $ municipio : chr [1:962] "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." "BOGOTA. D.C." ...
## $ puesto : chr [1:962] "USAQU\xc9N" "SERVITA" "CALAZANS" "COLEGIO AQUILEO PARRA SEDE BACHILLERATO" ...
## $ mujeres : num [1:962] 13950 13625 5437 8200 6244 ...
## $ hombres : num [1:962] 16060 11010 4653 6855 5472 ...
## $ total : num [1:962] 30010 24635 10090 15055 11716 ...
## $ mesas : num [1:962] 88 72 30 44 35 35 37 62 48 47 ...
## $ comuna : chr [1:962] "01LOCALIDAD 1 USAQUEN" "01LOCALIDAD 1 USAQUEN" "01LOCALIDAD 1 USAQUEN" "01LOCALIDAD 1 USAQUEN" ...
## $ direccion : chr [1:962] "CARRERA 6A ENTRE CALLE 119 Y 120A VIA PUBLICA" "CALLE 165 # 7-38/52" "CARRERA 20A #173A-10 ENTRADA AL PARQUEADERO" "CARRERA 18A #187-75 Y CARRERA 18A # 187-97" ...
## $ POINT_X : num [1:962] -74 -74 -74 -74 -74 ...
## $ POINT_Y : num [1:962] 4.7 4.74 4.75 4.77 4.77 ...
## $ NUMERO : num [1:962] 14 10 10 9 9 9 13 13 14 15 ...
## $ NOMBRE_UPZ: chr [1:962] "USAQUEN" "LA URIBE" "LA URIBE" "VERBENAL" ...
## $ CLASIFICAC: chr [1:962] "e" "h" "h" "a" ...
## $ TIPO_UPZ : num [1:962] 5 8 8 1 1 1 3 3 5 8 ...
## $ DESC_TIPO : chr [1:962] "CON CENTRALIDAD URBANA" "PREDOMINANTEMENTE DOTACIONAL" "PREDOMINANTEMENTE DOTACIONAL" "RESIDENCIAL DE URBANIZACION INCOMPLETA" ...
## $ NLOCALIDAD: num [1:962] 1 1 1 1 1 1 1 1 1 1 ...
## $ LOCALIDAD : chr [1:962] "USAQUEN" "USAQUEN" "USAQUEN" "USAQUEN" ...
## $ ESTRATOS : chr [1:962] "ESTRATOS VARIOS" "ESTRATOS VARIOS" "ESTRATOS VARIOS" "ESTRATOS VARIOS" ...
## $ COD_ESTRAT: num [1:962] 123456 1234 1234 12345 12345 ...
## $ AREA : num [1:962] 4942586 3518400 3518400 3485822 3485822 ...
## $ PERIMETER : num [1:962] 14761 10714 10714 8745 8745 ...
## $ HECTARES : num [1:962] 494 352 352 349 349 ...
## - attr(*, "spec")=
## .. cols(
## .. TARGET_FID = col_double(),
## .. zz = col_double(),
## .. pp = col_character(),
## .. departamen = col_character(),
## .. municipio = col_character(),
## .. puesto = col_character(),
## .. mujeres = col_double(),
## .. hombres = col_double(),
## .. total = col_double(),
## .. mesas = col_double(),
## .. comuna = col_character(),
## .. direccion = col_character(),
## .. POINT_X = col_double(),
## .. POINT_Y = col_double(),
## .. NUMERO = col_double(),
## .. NOMBRE_UPZ = col_character(),
## .. CLASIFICAC = col_character(),
## .. TIPO_UPZ = col_double(),
## .. DESC_TIPO = col_character(),
## .. NLOCALIDAD = col_double(),
## .. LOCALIDAD = col_character(),
## .. ESTRATOS = col_character(),
## .. COD_ESTRAT = col_double(),
## .. AREA = col_double(),
## .. PERIMETER = col_double(),
## .. HECTARES = col_double()
## .. )
## - attr(*, "problems")=<externalptr>Ahora procedemos a unirla con la base de elecciones según el puesto electoral y la UPZ en la que se ubica el puesto. La información se consiguió al importar la base de elecciones a ArcGIS y hacer una unión espacial con el shape de UPZs.
Elecciones_upz <- left_join(Elecciones, Elecciones_upz, by = join_by("puesto" == "puesto"))## Warning in left_join(Elecciones, Elecciones_upz, by = join_by("puesto" == : Each row in `x` is expected to match at most 1 row in `y`.
## ℹ Row 19416 of `x` matches multiple rows.
## ℹ If multiple matches are expected, set `multiple = "all"` to silence this
## warning.summary(Elecciones_upz)## depto depto_municipio comuna.x zona
## Min. :16 Length:105299 Length:105299 Min. : 1.00
## 1st Qu.:16 Class :character Class :character 1st Qu.: 7.00
## Median :16 Mode :character Mode :character Median :10.00
## Mean :16 Mean :10.22
## 3rd Qu.:16 3rd Qu.:13.00
## Max. :16 Max. :98.00
##
## eleccion cod_eleccion codpuesto grupuesto
## Camara 2022 :31872 Min. :1.000 Length:105299 Min. : 1.0
## Senado 2022 :19809 1st Qu.:4.000 Class :character 1st Qu.:231.0
## Concejo 2019 :13607 Median :6.000 Mode :character Median :443.0
## JAL 2019 :11585 Mean :5.622 Mean :444.6
## Presi 1 v 2022: 8864 3rd Qu.:7.000 3rd Qu.:667.0
## Presi 1 v 2018: 6753 Max. :9.000 Max. :898.0
## (Other) :12809 NA's :1709
## puesto posicion codpetro candidato_o_partido
## Length:105299 Length:105299 Min. :0.00000 Length:105299
## Class :character Class :character 1st Qu.:0.00000 Class :character
## Mode :character Mode :character Median :0.00000 Mode :character
## Mean :0.02937
## 3rd Qu.:0.00000
## Max. :1.00000
##
## v_can_pp_ele porc_v_can_pp_ele tot_v_pp_ele v_can_pp
## Min. : 1 Min. : 0.0030 Min. : 13 Min. : 1.0
## 1st Qu.: 4 1st Qu.: 0.1812 1st Qu.: 1401 1st Qu.: 6.0
## Median : 31 Median : 1.9694 Median : 3473 Median : 78.0
## Mean : 290 Mean : 6.9864 Mean : 4152 Mean : 767.8
## 3rd Qu.: 216 3rd Qu.: 6.9336 3rd Qu.: 5952 3rd Qu.: 573.0
## Max. :47119 Max. :98.8971 Max. :95018 Max. :138420.0
##
## porc_v_can_pp tot_v_pp v_can_zona_ele porc_v_can_zona_ele
## Min. : 0.00022 Min. : 25 Min. : 1 Min. : 0.00042
## 1st Qu.: 0.03080 1st Qu.: 11987 1st Qu.: 277 1st Qu.: 0.17490
## Median : 0.53040 Median : 33083 Median : 3434 Median : 2.17528
## Mean : 2.22352 Mean : 38915 Mean : 16588 Mean : 6.96131
## 3rd Qu.: 2.37858 3rd Qu.: 56832 3rd Qu.: 15132 3rd Qu.: 6.97578
## Max. :70.99768 Max. :458474 Max. :299349 Max. :82.60870
##
## tot_v_zona_ele v_can_zona porc_v_can_zona tot_v_zona
## Min. : 366 Min. : 1 Min. : 0.00004 Min. : 5327
## 1st Qu.:114412 1st Qu.: 496 1st Qu.: 0.02614 1st Qu.:1196281
## Median :198233 Median : 8918 Median : 0.57989 Median :2054084
## Mean :228139 Mean : 44431 Mean : 2.07798 Mean :2187055
## 3rd Qu.:355499 3rd Qu.: 39766 3rd Qu.: 2.43619 3rd Qu.:3377184
## Max. :562680 Max. :930456 Max. :36.54965 Max. :4317729
##
## direccion.x POINT_X.x POINT_Y.x TARGET_FID
## Length:105299 Min. :-74.36 Min. :3.986 Min. : 1.0
## Class :character 1st Qu.:-74.14 1st Qu.:4.584 1st Qu.:255.0
## Mode :character Median :-74.11 Median :4.622 Median :476.0
## Mean :-74.11 Mean :4.631 Mean :488.1
## 3rd Qu.:-74.08 3rd Qu.:4.683 3rd Qu.:739.0
## Max. :-74.02 Max. :4.819 Max. :961.0
## NA's :1967 NA's :1967 NA's :17934
## zz pp departamen municipio
## Min. : 1.00 Length:105299 Length:105299 Length:105299
## 1st Qu.: 7.00 Class :character Class :character Class :character
## Median :10.00 Mode :character Mode :character Mode :character
## Mean :10.64
## 3rd Qu.:14.00
## Max. :98.00
## NA's :17934
## mujeres hombres total mesas
## Min. : 0 Min. : 0 Min. : 0 Min. : 0.00
## 1st Qu.: 1478 1st Qu.: 1310 1st Qu.: 2813 1st Qu.: 9.00
## Median : 3346 Median : 2975 Median : 6414 Median : 19.00
## Mean : 3988 Mean : 3574 Mean : 7562 Mean : 21.32
## 3rd Qu.: 5317 3rd Qu.: 4695 3rd Qu.: 10006 3rd Qu.: 30.00
## Max. :159623 Max. :175834 Max. :335457 Max. :281.00
## NA's :17934 NA's :17934 NA's :17934 NA's :17934
## comuna.y direccion.y POINT_X.y POINT_Y.y
## Length:105299 Length:105299 Min. :-74.36 Min. :0.000
## Class :character Class :character 1st Qu.:-74.15 1st Qu.:4.578
## Mode :character Mode :character Median :-74.11 Median :4.617
## Mean :-73.90 Mean :4.608
## 3rd Qu.:-74.09 3rd Qu.:4.673
## Max. : 0.00 Max. :4.819
## NA's :17934 NA's :17934
## NUMERO NOMBRE_UPZ CLASIFICAC TIPO_UPZ
## Min. : 0.00 Length:105299 Length:105299 Min. :0.000
## 1st Qu.: 38.00 Class :character Class :character 1st Qu.:1.000
## Median : 57.00 Mode :character Mode :character Median :2.000
## Mean : 59.64 Mean :2.483
## 3rd Qu.: 84.00 3rd Qu.:3.000
## Max. :115.00 Max. :8.000
## NA's :17934 NA's :17934
## DESC_TIPO NLOCALIDAD LOCALIDAD ESTRATOS
## Length:105299 Min. : 0.000 Length:105299 Length:105299
## Class :character 1st Qu.: 7.000 Class :character Class :character
## Mode :character Median :10.000 Mode :character Mode :character
## Mean : 9.975
## 3rd Qu.:14.000
## Max. :19.000
## NA's :17934
## COD_ESTRAT AREA PERIMETER HECTARES
## Min. : 0.0 Min. : 0 Min. : 0 Min. : 0.0
## 1st Qu.: 3.0 1st Qu.:2665529 1st Qu.: 7767 1st Qu.:266.6
## Median : 23.0 Median :3851606 Median : 9477 Median :385.2
## Mean : 728.8 Mean :3913097 Mean :10215 Mean :391.3
## 3rd Qu.: 34.0 3rd Qu.:4832222 3rd Qu.:13180 3rd Qu.:483.2
## Max. :123456.0 Max. :9923308 Max. :22563 Max. :992.3
## NA's :17934 NA's :17934 NA's :17934 NA's :17934Con lal informaición de la UPZ de cada puesto, los votos por puesto y sus partidos, podemos hacer el mismo proceso de antes:
# Creamos una base que elimine los datos vacíos, agrupe las observaciones según la upz, y calcule el número de votos y el promedio de cada candidato en sus UPZ.
eleccion_upz_partido <- Elecciones_upz %>%
drop_na() %>%
group_by(eleccion, NOMBRE_UPZ, candidato_o_partido) %>%
reframe(total_votos = sum(v_can_zona_ele),
porc_votos = sum(v_can_zona_ele)/sum(tot_v_zona_ele)*100) %>%
distinct() %>%
view()
# Esta nueva base la filtramos para solo obtener datos de la elección a las JAL y limpiamos para que solo aparezcan partidos y con el mismo nombre en todas las localidades.
Can_upz_JAL <- eleccion_upz_partido %>%
subset(eleccion == "JAL 2019" & candidato_o_partido != "CANDIDATOS TOTALES")
Can_upz_JAL$candidato_o_partido = sub(".*HUMANA.*", "COALICIÓN COLOMBIA HUMANA", Can_upz_JAL$candidato_o_partido)
# La base limpia ahora se puede ordenar en función de los votos para sacar el partido más votado de cada UPZ.
Partidos_JAL_upz <- Can_upz_JAL %>%
subset(candidato_o_partido!= "VOTOS EN BLANCO") %>%
arrange(desc(total_votos)) %>%
group_by(NOMBRE_UPZ) %>%
slice(1)
# Se exporta para hacer la unión con el shape de UPZ en ArcGIS
write.csv2(Partidos_JAL_upz,
file = "C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\Partidos_JAL_upz.csv")
view(Partidos_JAL_upz)Análisis por UPZ de elecciones al Concejo 2019
El proceso es igual desde la creación de una base que solo incluya votos al Concejo de Bogotá.
Can_upz_concejo <- eleccion_upz_partido %>%
subset(eleccion == "Concejo 2019" & candidato_o_partido != "CANDIDATOS TOTALES")
Can_upz_concejo$candidato_o_partido = sub(".*HUMANA.*", "COALICIÓN COLOMBIA HUMANA", Can_upz_concejo$candidato_o_partido)
Partidos_concejo_upz <- Can_upz_concejo %>%
arrange(desc(total_votos)) %>%
group_by(NOMBRE_UPZ) %>%
slice(1)
write.csv2(Partidos_concejo_upz,
file = "C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\Partidos_concejo_upz.csv")
view(Partidos_concejo_upz)Análisis por barrio
Con el shape de barrios en ArcGIS, podemos hacer una unión espacial con los puntos de los puestos de votación en Bogotá para obtener el barrio de cada puesto. Como son muchas observaciones por la cantidad de barrios, recortamos todas las columnas que no sean escenciales para poder usarlo en R.
Como ArcGIS tiene problemas para exportar la tabla de la unión al
excel, exportamos la tabla a .txt y la abrimos manualmente
con excel usando la coma como el delimitador. Limpiamos la base en
excel, eliminamos columnas no escenciales y la traemos a R.
El resultado es el mismo que anteriormente, con la única diferencia
de que por el tamaño de la base, el join divide algunas variables en
variable.x y variable.y. Por esto en elección
utilizamos eleccion.x que contiene la información sobre las
elecciones.
Comenzamos con las elecciones a la JAL.
Elecciones_barr <- read_csv2("C:\\Users\\tomas\\OneDrive\\Documents\\UniAndes\\Puestos por barrio.csv", locale=locale(encoding="latin1"))## ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.## Rows: 104666 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ";"
## chr (5): eleccion, puesto, posicion, candidato_, NOMB_BARR
## dbl (5): zona, cod_elecci, BARRIO_, BARRIO_ID, COD_BAR
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.str(Elecciones_barr)## spc_tbl_ [104,666 × 10] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ zona : num [1:104666] 1 1 1 1 1 1 1 1 1 1 ...
## $ eleccion : chr [1:104666] "Alcaldia 2019" "Alcaldia 2019" "Alcaldia 2019" "Alcaldia 2019" ...
## $ cod_elecci: num [1:104666] 3 3 3 3 3 3 3 3 3 3 ...
## $ puesto : chr [1:104666] "ALESSANDRO VOLTA" "ALESSANDRO VOLTA" "ALESSANDRO VOLTA" "ALESSANDRO VOLTA" ...
## $ posicion : chr [1:104666] "CENTRO" "CENTRO" "IZQUIERDA" "DERECHA" ...
## $ candidato_: chr [1:104666] "CARLOS FERNANDO GALAN PACHON" "CLAUDIA NAYIBE LOPEZ HERNANDEZ" "HOLLMAN MORRIS" "MIGUEL URIBE TURBAY" ...
## $ BARRIO_ : num [1:104666] 181 181 181 181 181 181 181 84 84 84 ...
## $ BARRIO_ID : num [1:104666] 189 189 189 189 189 189 189 85 85 85 ...
## $ NOMB_BARR : chr [1:104666] "USAQUEN" "USAQUEN" "USAQUEN" "USAQUEN" ...
## $ COD_BAR : num [1:104666] 8407 8407 8407 8407 8407 ...
## - attr(*, "spec")=
## .. cols(
## .. zona = col_double(),
## .. eleccion = col_character(),
## .. cod_elecci = col_double(),
## .. puesto = col_character(),
## .. posicion = col_character(),
## .. candidato_ = col_character(),
## .. BARRIO_ = col_double(),
## .. BARRIO_ID = col_double(),
## .. NOMB_BARR = col_character(),
## .. COD_BAR = col_double()
## .. )
## - attr(*, "problems")=<externalptr>Elecciones_barr <- left_join(Elecciones, Elecciones_barr, by = join_by("puesto" == "puesto"))## Warning in left_join(Elecciones, Elecciones_barr, by = join_by("puesto" == : Each row in `x` is expected to match at most 1 row in `y`.
## ℹ Row 1 of `x` matches multiple rows.
## ℹ If multiple matches are expected, set `multiple = "all"` to silence this
## warning.summary(Elecciones_barr)## depto depto_municipio comuna zona.x
## Min. :16 Length:12821588 Length:12821588 Min. : 1.00
## 1st Qu.:16 Class :character Class :character 1st Qu.: 7.00
## Median :16 Mode :character Mode :character Median :10.00
## Mean :16 Mean :10.13
## 3rd Qu.:16 3rd Qu.:13.00
## Max. :16 Max. :98.00
##
## eleccion.x cod_eleccion codpuesto grupuesto
## Camara 2022 :3954932 Min. :1.000 Length:12821588 Min. : 1.0
## Senado 2022 :2366206 1st Qu.:4.000 Class :character 1st Qu.:233.0
## Concejo 2019 :1641037 Median :6.000 Mode :character Median :437.0
## JAL 2019 :1417195 Mean :5.604 Mean :439.8
## Presi 1 v 2022:1042101 3rd Qu.:7.000 3rd Qu.:661.0
## Presi 1 v 2018: 850957 Max. :9.000 Max. :898.0
## (Other) :1549160 NA's :101193
## puesto posicion.x codpetro candidato_o_partido
## Length:12821588 Length:12821588 Min. :0.00000 Length:12821588
## Class :character Class :character 1st Qu.:0.00000 Class :character
## Mode :character Mode :character Median :0.00000 Mode :character
## Mean :0.02866
## 3rd Qu.:0.00000
## Max. :1.00000
##
## v_can_pp_ele porc_v_can_pp_ele tot_v_pp_ele v_can_pp
## Min. : 1.0 Min. : 0.0030 Min. : 13 Min. : 1.0
## 1st Qu.: 4.0 1st Qu.: 0.1562 1st Qu.: 1953 1st Qu.: 7.0
## Median : 37.0 Median : 1.8126 Median : 3936 Median : 97.0
## Mean : 314.6 Mean : 6.7963 Mean : 4554 Mean : 842.1
## 3rd Qu.: 245.0 3rd Qu.: 6.6838 3rd Qu.: 6269 3rd Qu.: 669.0
## Max. :47119.0 Max. :98.8971 Max. :95018 Max. :138420.0
##
## porc_v_can_pp tot_v_pp v_can_zona_ele porc_v_can_zona_ele
## Min. : 0.00022 Min. : 25 Min. : 1 Min. : 0.00042
## 1st Qu.: 0.02555 1st Qu.: 18510 1st Qu.: 259 1st Qu.: 0.15385
## Median : 0.48637 Median : 38350 Median : 3214 Median : 2.00980
## Mean : 2.09423 Mean : 43290 Mean : 16320 Mean : 6.77982
## 3rd Qu.: 2.30550 3rd Qu.: 60380 3rd Qu.: 14535 3rd Qu.: 6.79282
## Max. :70.99768 Max. :458474 Max. :299349 Max. :82.60870
##
## tot_v_zona_ele v_can_zona porc_v_can_zona tot_v_zona
## Min. : 366 Min. : 1 Min. : 0.00004 Min. : 5327
## 1st Qu.:119698 1st Qu.: 439 1st Qu.: 0.02286 1st Qu.:1212462
## Median :202156 Median : 8009 Median : 0.52582 Median :2054084
## Mean :230112 Mean : 43771 Mean : 2.02584 Mean :2208152
## 3rd Qu.:355499 3rd Qu.: 39337 3rd Qu.: 2.32018 3rd Qu.:3377184
## Max. :562680 Max. :930456 Max. :36.54965 Max. :4317729
##
## direccion POINT_X POINT_Y zona.y
## Length:12821588 Min. :-74.36 Min. :3.99 Min. : 1.00
## Class :character 1st Qu.:-74.15 1st Qu.:4.58 1st Qu.: 7.00
## Mode :character Median :-74.11 Median :4.62 Median :10.00
## Mean :-74.11 Mean :4.63 Mean :10.13
## 3rd Qu.:-74.09 3rd Qu.:4.68 3rd Qu.:13.00
## Max. :-74.02 Max. :4.82 Max. :98.00
## NA's :124323 NA's :124323
## eleccion.y cod_elecci posicion.y candidato_
## Length:12821588 Min. :1.000 Length:12821588 Length:12821588
## Class :character 1st Qu.:4.000 Class :character Class :character
## Mode :character Median :6.000 Mode :character Mode :character
## Mean :5.604
## 3rd Qu.:7.000
## Max. :9.000
##
## BARRIO_ BARRIO_ID NOMB_BARR COD_BAR
## Min. : 0.0 Min. : 0.0 Length:12821588 Min. : 1102
## 1st Qu.:204.0 1st Qu.:209.0 Class :character 1st Qu.: 2552
## Median :437.0 Median :440.0 Mode :character Median : 5304
## Mean :416.3 Mean :422.5 Mean : 24085
## 3rd Qu.:617.0 3rd Qu.:624.0 3rd Qu.: 8503
## Max. :844.0 Max. :853.0 Max. :180403
## NA's :168407eleccion_barr_partido <- Elecciones_barr %>%
drop_na() %>%
group_by(eleccion.x, NOMB_BARR, BARRIO_ID, candidato_o_partido) %>%
reframe(total_votos = sum(v_can_zona_ele),
porc_votos = sum(v_can_zona_ele)/sum(tot_v_zona_ele)*100) %>%
distinct() %>%
view()
Can_barr_JAL <- eleccion_barr_partido %>%
subset(eleccion.x == "JAL 2019" & candidato_o_partido != "CANDIDATOS TOTALES")
Can_barr_JAL$candidato_o_partido = sub(".*HUMANA.*", "COALICIÓN COLOMBIA HUMANA", Can_barr_JAL$candidato_o_partido)
Partidos_JAL_barr <- Can_barr_JAL %>%
subset(candidato_o_partido!= "VOTOS EN BLANCO") %>%
arrange(desc(total_votos)) %>%
group_by(NOMB_BARR, BARRIO_ID) %>%
slice(1)
write.csv2(Partidos_JAL_barr,
file = "C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\Partidos_JAL_barr.csv")
view(Partidos_JAL_barr)Y finalizamos con las elecciones al Concejo.
Can_barr_concejo <- eleccion_barr_partido %>%
subset(eleccion.x == "Concejo 2019" & candidato_o_partido != "CANDIDATOS TOTALES")
Can_barr_concejo$candidato_o_partido = sub(".*HUMANA.*", "COALICIÓN COLOMBIA HUMANA", Can_barr_concejo$candidato_o_partido)
Partidos_concejo_barr <- Can_barr_concejo %>%
subset(candidato_o_partido!= "VOTOS EN BLANCO") %>%
arrange(desc(total_votos)) %>%
group_by(NOMB_BARR, BARRIO_ID) %>%
slice(1)
write.csv2(Partidos_concejo_barr,
file = "C:\\Users\\tomas\\OneDrive\\Desktop\\ArcGIS\\UniAndes\\Partidos_concejo_barr.csv")
view(Partidos_concejo_barr)