Una empresa inmobiliaria líder en una gran ciudad está buscando comprender en profundidad el mercado de viviendas urbanas para tomar decisiones estratégicas más informadas. La empresa posee una base de datos extensa que contiene información detallada sobre diversas propiedades residenciales disponibles en el mercado. A continuación se realiza una descripción de esta data:
str(vivienda)
## Classes 'spec_tbl_df', 'tbl_df', 'tbl' and 'data.frame': 8322 obs. of 13 variables:
## $ id : num 1147 1169 1350 5992 1212 ...
## $ zona : chr "Zona Oriente" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
## $ piso : chr NA NA NA "02" ...
## $ estrato : num 3 3 3 4 5 5 4 5 5 5 ...
## $ preciom : num 250 320 350 400 260 240 220 310 320 780 ...
## $ areaconst : num 70 120 220 280 90 87 52 137 150 380 ...
## $ parqueaderos: num 1 1 2 3 1 1 2 2 2 2 ...
## $ banios : num 3 2 2 5 2 3 2 3 4 3 ...
## $ habitaciones: num 6 3 4 3 3 3 3 4 6 3 ...
## $ tipo : chr "Casa" "Casa" "Casa" "Casa" ...
## $ barrio : chr "20 de julio" "20 de julio" "20 de julio" "3 de julio" ...
## $ longitud : num -76.5 -76.5 -76.5 -76.5 -76.5 ...
## $ latitud : num 3.43 3.43 3.44 3.44 3.46 ...
## - attr(*, "spec")=List of 3
## ..$ cols :List of 13
## .. ..$ id : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ zona : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ piso : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ estrato : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ preciom : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ areaconst : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ parqueaderos: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ banios : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ habitaciones: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ tipo : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ barrio : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ longitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ latitud : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr [1:2] "collector_guess" "collector"
## ..$ delim : chr ";"
## ..- attr(*, "class")= chr "col_spec"
## - attr(*, "problems")=<externalptr>
La base de datos consta de 13 variables y 8322 observaciones. De estas 13 variables, 4 son de naturaleza cualitativa, mientras que las restantes son de carácter cuantitativo. A continuación, se presenta un resumen estadístico fundamental de la información contenida en la base de datos.
summary(vivienda)
## id zona piso estrato
## Min. : 1 Length:8322 Length:8322 Min. :3.000
## 1st Qu.:2080 Class :character Class :character 1st Qu.:4.000
## Median :4160 Mode :character Mode :character Median :5.000
## Mean :4160 Mean :4.634
## 3rd Qu.:6240 3rd Qu.:5.000
## Max. :8319 Max. :6.000
## NA's :3 NA's :3
## preciom areaconst parqueaderos banios
## Min. : 58.0 Min. : 30.0 Min. : 1.000 Min. : 0.000
## 1st Qu.: 220.0 1st Qu.: 80.0 1st Qu.: 1.000 1st Qu.: 2.000
## Median : 330.0 Median : 123.0 Median : 2.000 Median : 3.000
## Mean : 433.9 Mean : 174.9 Mean : 1.835 Mean : 3.111
## 3rd Qu.: 540.0 3rd Qu.: 229.0 3rd Qu.: 2.000 3rd Qu.: 4.000
## Max. :1999.0 Max. :1745.0 Max. :10.000 Max. :10.000
## NA's :2 NA's :3 NA's :1605 NA's :3
## habitaciones tipo barrio longitud
## Min. : 0.000 Length:8322 Length:8322 Min. :-76.59
## 1st Qu.: 3.000 Class :character Class :character 1st Qu.:-76.54
## Median : 3.000 Mode :character Mode :character Median :-76.53
## Mean : 3.605 Mean :-76.53
## 3rd Qu.: 4.000 3rd Qu.:-76.52
## Max. :10.000 Max. :-76.46
## NA's :3 NA's :3
## latitud
## Min. :3.333
## 1st Qu.:3.381
## Median :3.416
## Mean :3.418
## 3rd Qu.:3.452
## Max. :3.498
## NA's :3
Realizar un análisis integral y multidimensional de la base de datos para obtener una comprensión del mercado inmobiliario urbano. Se requiere aplicar diversas técnicas de análisis de datos.
Dentro de estas técnicas vamos a empezar realizando un
El análisis de componentes principales (PCA) es una técnica útil para reducir la dimensionalidad de un conjunto de datos. Esto puede ser útil para visualizar los datos y identificar patrones y relaciones que podrían no ser evidentes en el conjunto de datos original.
Para reducir la dimensionalidad de los datos y comprender las características clave que influyen en la variación de precios y preferencias del mercado inmobiliario urbano.
Limpieza y Preprocesamiento de Datos:
md.pattern(vivienda)
## preciom id zona estrato areaconst banios habitaciones tipo barrio longitud
## 4808 1 1 1 1 1 1 1 1 1 1
## 1909 1 1 1 1 1 1 1 1 1 1
## 876 1 1 1 1 1 1 1 1 1 1
## 726 1 1 1 1 1 1 1 1 1 1
## 1 1 0 0 0 0 0 0 0 0 0
## 2 0 0 0 0 0 0 0 0 0 0
## 2 3 3 3 3 3 3 3 3 3
## latitud parqueaderos piso
## 4808 1 1 1 0
## 1909 1 1 0 1
## 876 1 0 1 1
## 726 1 0 0 2
## 1 0 0 0 12
## 2 0 0 0 13
## 3 1605 2638 4275
Debido a que el conjunto de datos tenía datos faltantes en todas las variables como se puede observar al ejecutar la función md.pattern, se decidió eliminar aquellos registros con valores vacios. Esto se hizo con el fin de evitar sesgos en los resultados de los análisis.
vivienda2 = na.omit(vivienda)
md.pattern(vivienda2)
## /\ /\
## { `---' }
## { O O }
## ==> V <== No need for mice. This data set is completely observed.
## \ \|/ /
## `-----'
## id zona piso estrato preciom areaconst parqueaderos banios habitaciones
## 4808 1 1 1 1 1 1 1 1 1
## 0 0 0 0 0 0 0 0 0
## tipo barrio longitud latitud
## 4808 1 1 1 1 0
## 0 0 0 0 0
Como se puede observar en los datos, la variable piso se encuentra como cualitativa sin embargo, la podemos transformar en una variable cuantitativa de la siguiente manera:
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.2 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.3 ✔ tibble 3.2.1
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks mice::filter(), stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
vivienda2$piso = as.numeric(vivienda2$piso)
#Por ultimo nos vamos a quedar con las variables cualitativas: piso, estrato, precio, area,
#parqueaderos, baños y cantidad de habitaciones.
viviendax = vivienda2[3:9]
print(viviendax)
## # A tibble: 4,808 × 7
## piso estrato preciom areaconst parqueaderos banios habitaciones
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2 4 400 280 3 5 3
## 2 1 5 260 90 1 2 3
## 3 1 5 240 87 1 3 3
## 4 1 4 220 52 2 2 3
## 5 1 5 310 137 2 3 4
## 6 2 5 320 150 2 4 6
## 7 2 5 780 380 2 3 3
## 8 2 4 625 355 3 5 5
## 9 2 5 750 237 2 6 6
## 10 2 6 520 98 2 2 2
## # ℹ 4,798 more rows
Antes de realizar un PCA, es una práctica común estandarizar los datos para que todas las variables tengan la misma escala, posterior a ello realizarmos el PCA y por ultimo vamos a utilizar gráficos para su visualización.
library(factoextra)
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
library(ggplot2)
library(rlang)
##
## Attaching package: 'rlang'
## The following objects are masked from 'package:purrr':
##
## %@%, flatten, flatten_chr, flatten_dbl, flatten_int, flatten_lgl,
## flatten_raw, invoke, splice
viviendax_estandarizado = scale(viviendax)
resultado_pca = prcomp(viviendax_estandarizado)
plot(resultado_pca)
summary(resultado_pca)
## Importance of components:
## PC1 PC2 PC3 PC4 PC5 PC6 PC7
## Standard deviation 1.8934 1.1661 0.8997 0.69087 0.5850 0.49468 0.42590
## Proportion of Variance 0.5121 0.1943 0.1157 0.06819 0.0489 0.03496 0.02591
## Cumulative Proportion 0.5121 0.7064 0.8220 0.89023 0.9391 0.97409 1.00000
fviz_pca_var(resultado_pca, col.var = "contrib", gradient.cols = c("#FF7F00", "#034D94"), repel = TRUE)
fviz_pca(resultado_pca, label = "var", col.var = "contrib", gradient.cols = c("#FF7F00", "#034D94"))
El primer componente principal explica el 51,2 % de la variabilidad contenida en la base de datos. Los tres primeros componentes principales, en conjunto, explican el 82,2 % de la variabilidad de los datos.
En el plano de componentes principales, el primer componente principal está asociado a la variable piso, el segundo componente principal esta asociado con las variables parqueaderos, precio y estrato y el tercer componente principal está asociado a características de la infraestructura, como baños, área y habitaciones.
El análisis de conglomerados es una técnica estadística que se utiliza para agrupar objetos similares entre sí. En R, existen varios métodos de análisis de conglomerados disponibles, entre los que se incluyen:
k-means: Este método divide los datos en k grupos de tamaño igual, minimizando la suma de las distancias entre cada objeto y el centroide de su grupo.
install.packages("cluster")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)
install.packages("stats")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)
## Warning: package 'stats' is a base package, and should not be updated
install.packages("silhoutte")
## Installing package into '/cloud/lib/x86_64-pc-linux-gnu-library/4.3'
## (as 'lib' is unspecified)
## Warning: package 'silhoutte' is not available for this version of R
##
## A version of this package for your version of R might be available elsewhere,
## see the ideas at
## https://cran.r-project.org/doc/manuals/r-patched/R-admin.html#Installing-packages
library(cluster)
library(stats)
# Estimar el número de grupos
wss = (nrow(viviendax_estandarizado) - 1) * sum(apply(viviendax_estandarizado, 2, var))
for (i in 2:10) {
wss[i] = sum(kmeans(viviendax_estandarizado, centers = i)$withinss)
}
# Graficar el análisis del codo
plot(1:10, wss, type = "b", xlab = "Número de grupos", ylab = "Suma de las distancias intragrupos")
# Realizar el análisis de conglomerados
kmeans_resultado = kmeans(viviendax_estandarizado, centers = 4)
# Realizar el análisis de conglomerados por Metodo Jerarquico
hclust_resultado = hclust(dist(viviendax_estandarizado), method = "complete")
# Visualizar los resultados
fviz_cluster(kmeans_resultado, data = viviendax_estandarizado)
# Determinar a donde pertenece cada observación
cluster = cutree(hclust_resultado, k = 4)
# Calcular el coeficiente de silhoutte
silhouette = silhouette(cluster, dist(viviendax_estandarizado))
# Promedio del coeficiente de silhoutte
silhouette_promedio = mean(silhouette[, "sil_width"])
# Visualizar los resultados
plot(hclust_resultado, labels = vivienda$N, hang = -1)
## Warning: Unknown or uninitialised column: `N`.
# Imprimir los resultados
cat("Número de grupos óptimo:", which.min(wss), "\n")
## Número de grupos óptimo: 10
cat("Número de grupos identificados:", length(unique(cluster)), "\n")
## Número de grupos identificados: 4
cat("Coeficiente de silhoutte promedio:", silhouette_promedio, "\n")
## Coeficiente de silhoutte promedio: 0.3594099
# Calcular el coeficiente de silhouette para cada observación
#silhouette_resultado <- silhouette(kmeans_resultado$cluster, dist(viviendax_estandarizado))
# Calcular el coeficiente de silhouette promedio
#silhouette_promedio <- mean(silhouette_resultado[, "sil_width"])
# Mostrar el coeficiente de silhouette promedio
#cat("Coeficiente de Silhouette Promedio:", silhouette_promedio, "\n")
# Realizar el análisis de conglomerados
#kmeans_resultado = kmeans(viviendax_estandarizado, centers = 2)
# Visualizar los resultados
#fviz_cluster(kmeans_resultado, data = viviendax_estandarizado)
# Calcular el coeficiente de silhouette para cada observación
#silhouette(kmeans_resultado$cluster, dist(viviendax_estandarizado))
# Calcular el coeficiente de silhouette promedio
#silhouette_promedio <- mean(silhouette_resultado[, "sil_width"])
# Mostrar el coeficiente de silhouette promedio
#cat("Coeficiente de Silhouette Promedio:", silhouette_promedio, "\n")
El análisis de correspondencia es una técnica que se utiliza principalmente para analizar tablas de contingencia o tablas de frecuencia que involucran variables categóricas.
Se debe crear una tabla de contingencia, primero necesitamos datos categóricos o variables que puedan ser tabuladas para formar la tabla. Vamos a realizar esta tabla con los datos de
library(ca)
# Tabular las dos variables para crear una tabla de contingencia
tabla_contingencia = table(vivienda2$zona, vivienda2$estrato)
chisq.test(tabla_contingencia)
## Warning in chisq.test(tabla_contingencia): Chi-squared approximation may be
## incorrect
##
## Pearson's Chi-squared test
##
## data: tabla_contingencia
## X-squared = 2172.8, df = 12, p-value < 2.2e-16
# Mostrar la tabla de contingencia
print(tabla_contingencia)
##
## 3 4 5 6
## Zona Centro 33 3 0 0
## Zona Norte 141 184 482 79
## Zona Oeste 19 51 181 502
## Zona Oriente 94 2 1 0
## Zona Sur 147 973 1195 721
resultado_ca = ca(tabla_contingencia)
# Visualiza los resultados
summary(resultado_ca)
##
## Principal inertias (eigenvalues):
##
## dim value % cum% scree plot
## 1 0.295269 65.3 65.3 ****************
## 2 0.139191 30.8 96.1 ********
## 3 0.017448 3.9 100.0 *
## -------- -----
## Total: 0.451908 100.0
##
##
## Rows:
## name mass qlt inr k=1 cor ctr k=2 cor ctr
## 1 | ZnCn | 7 991 138 | -2794 936 198 | 675 55 25 |
## 2 | ZnNr | 184 751 100 | -334 454 70 | -271 297 97 |
## 3 | ZnOs | 157 994 283 | 441 238 103 | 785 755 693 |
## 4 | ZnOr | 20 997 420 | -2964 934 600 | 767 63 85 |
## 5 | ZnSr | 631 843 59 | 116 320 29 | -148 523 100 |
##
## Columns:
## name mass qlt inr k=1 cor ctr k=2 cor ctr
## 1 | 3 | 90 1000 572 | -1665 967 847 | 305 32 60 |
## 2 | 4 | 252 761 87 | 90 52 7 | -332 708 200 |
## 3 | 5 | 387 744 68 | 54 36 4 | -238 707 157 |
## 4 | 6 | 271 999 273 | 394 341 142 | 547 658 583 |
plot(resultado_ca)
fviz_screeplot(resultado_ca, addlabels = TRUE, ylim = c(0, 80))+ggtitle("")+
ylab("Porcentaje de varianza explicado") + xlab("Ejes")