Evidencia1_Mineria_A01709578_A01708675
Daniel Nájera, Daniel Bravo
17/10/2023
library(readr)
library(openxlsx)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.2 ✔ purrr 1.0.1
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.2 ✔ tibble 3.2.1
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorslibrary(factoextra)## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBalibrary(cowplot)##
## Attaching package: 'cowplot'
##
## The following object is masked from 'package:lubridate':
##
## stamplibrary(ggpubr)##
## Attaching package: 'ggpubr'
##
## The following object is masked from 'package:cowplot':
##
## get_legendlibrary(cluster)
library(purrr)
library(dplyr)
library(readxl)
#install.packages("rsconnect")#file.choose()
#ev1 <- read_excel("/Users/danielnajera/Desktop/Evidencia1/atus_00.xlsx", col_names = TRUE)
ev1 <- read.xlsx("C:\\Users\\danbr\\OneDrive\\Desktop\\Mineria de Datos\\Evidencia 1\\atus_00.xlsx")
#view(ev1)Evidencia 1: Estadística multivariante
1.- Primer Análisis: Clustering BD Delitos
1.1.- Introducción
La siguiente base de datos nos muestra los delitos ocurridos, delitos sin carpeta de investigación y delitos en los cuáles no se especifica si se denunció o se abrió carpeta de investigación (cifras negras) por entidad federativa de México.
ev1 <- ev1 %>%
column_to_rownames(var = "Entidad_federativa")
#view(ev1)1.2.- Estandarización de los datos
evidencia1 = scale(ev1, center = TRUE, scale = TRUE)
#summary(evi1)
delitos = as.data.frame(evidencia1)
entidad=rownames(evidencia1)
#view(evidencia1)1.3.- Clustering
- Aquí buscamos cuál es el mejor número de clusters para el análisis.
total_within = function(n_clusters, data, iter.max=1000, nstart=50){
cluster_means = kmeans(data,centers = n_clusters,
iter.max = iter.max,
nstart = nstart)
return(cluster_means$tot.withinss)
}
total_withinss <- map_dbl(.x = 1:15,
.f = total_within,
data = delitos)
total_withinss## [1] 93.0000000 42.6586334 20.5760164 12.6719182 8.9899054 6.2907432
## [7] 4.8270774 3.6765619 2.6516236 2.1371952 1.6949681 1.1243269
## [13] 0.9377229 0.7762072 0.6883012data.frame(n_clusters = 1:15, suma_cuadrados_internos = total_withinss) %>%
ggplot(aes(x = n_clusters, y = suma_cuadrados_internos)) +
geom_line() +
geom_point() +
scale_x_continuous(breaks = 1:15) +
labs(title = "Suma total de cuadrados intra-cluster") +
theme_bw()
- Aqui se seleccionaron 3 clusters, ya que en la gráfica anterior la tendencia terminó en el 3.
kmcluster = kmeans(delitos,centers=3,nstart = 50)
kmcluster## K-means clustering with 3 clusters of sizes 24, 7, 1
##
## Cluster means:
## Delitos_ocurridos1 Delitos_sin_carpeta_de_investigación Cifra_negra2
## 1 -0.2760414 -0.2578792 0.4120830
## 2 0.2474897 0.1763185 -1.4884843
## 3 4.8925653 4.9548704 0.5293988
##
## Clustering vector:
## Aguascalientes Baja California
## 1 2
## Baja California Sur Campeche
## 1 1
## Coahuila de Zaragoza Colima
## 1 1
## Chiapas Chihuahua
## 1 1
## Ciudad de México Durango
## 3 1
## Guanajuato Guerrero
## 2 1
## Hidalgo Jalisco
## 1 2
## Estado de México Michoacán de Ocampo
## 2 1
## Morelos Nayarit
## 1 1
## Nuevo León Oaxaca
## 2 1
## Puebla Querétaro
## 1 1
## Quintana Roo San Luis Potosí
## 1 1
## Sinaloa Sonora
## 1 1
## Tabasco Tamaulipas
## 2 1
## Tlaxcala Veracruz de Ignacio de la Llave
## 1 2
## Yucatán Zacatecas
## 1 1
##
## Within cluster sum of squares by cluster:
## [1] 9.23665 11.33937 0.00000
## (between_SS / total_SS = 77.9 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"- Se seleccionaron los delitos ocurridos y los delitos sin carpeta de investigación en México ya que son las de mayor interés
delitos = delitos %>% mutate(cluster = kmcluster$cluster)
(g1=ggplot(delitos, aes(x = Delitos_sin_carpeta_de_investigación, y = Delitos_ocurridos1)) +
geom_point(aes(color=as.factor(cluster)), size=10)+
geom_text(aes(label = cluster), size = 5) +
theme_bw() +
theme(legend.position = "none")+
labs(title = "Delitos ocurridos sin carpeta de investigación")
)
- La gráfica se dividen en cuáles son las entidades con mayor delito y las que tienen mayor número de delitos sin carpeta de investigación. Podemos ver que la Ciudad de México se enceuntra en un punto muy aparte, debido a que es la entidad con mayor caso de delitos y con mayor número de delitos sin carpeta de investigación, por otro lado, las demas entidades
fviz_cluster(kmcluster, delitos)+
theme_minimal()
rownames(delitos)=entidad
fviz_cluster(kmcluster, delitos, show.clust.cent = T,
ellipse.type = "euclid", star.plot = T, repel = T) +
labs(title = "Resultados clustering K-means") +
theme_bw()## Too few points to calculate an ellipse
2.- Segundo Análisis: Clustering Sin CDMX
2.1.- Eliminamos ‘’Ciudad de México’’
En este caso eliminamos la “Ciudad de México”, ya que al tener una gran población también tenía una gran cantidad de delitos, por lo que no nos permitía analizar los demás.
evidencia1_2 <- ev1[-9, ]
#view(evidencia1_2)delitos_2 = as.data.frame(evidencia1_2)
entidad_2 = rownames(evidencia1_2)
#view(evidencia1_2)2.2.- Clustering
- Aquí buscamos cuál es el mejor número de clusters para el análisis de la bd sin cdmx
total_within_2 = function(n_clusters, data, iter.max=1000, nstart=50){
cluster_means_2 = kmeans(data,centers = n_clusters,
iter.max = iter.max,
nstart = nstart)
return(cluster_means_2$tot.withinss)
}
total_withinss_2 <- map_dbl(.x = 1:15,
.f = total_within_2,
data = delitos_2)
total_withinss_2## [1] 132600126147 46294653754 18792579675 11144595912 5331747760
## [6] 2736574936 1969901867 1396691733 1202600476 1007590109
## [11] 667399134 521149445 494220960 396437796 561409542data.frame(n_clusters = 1:15, suma_cuadrados_internos = total_withinss_2) %>%
ggplot(aes(x = n_clusters, y = suma_cuadrados_internos)) +
geom_line() +
geom_point() +
scale_x_continuous(breaks = 1:15) +
labs(title = "Suma total de cuadrados intra-cluster") +
theme_bw()
- Aqui se seleccionaron 4 clusters, ya que en la gráfica anterior la tendencia terminó en el 4.
kmcluster_2 = kmeans(delitos_2,centers=4,nstart = 50)
kmcluster_2## K-means clustering with 4 clusters of sizes 7, 17, 6, 1
##
## Cluster means:
## Delitos_ocurridos1 Delitos_sin_carpeta_de_investigación Cifra_negra2
## 1 79260.17 72401.67 91.14473
## 2 39372.31 36704.65 93.14687
## 3 129511.85 115126.06 88.81502
## 4 246216.69 219113.10 88.99198
##
## Clustering vector:
## Aguascalientes Baja California
## 2 1
## Baja California Sur Campeche
## 2 2
## Coahuila de Zaragoza Colima
## 2 2
## Chiapas Chihuahua
## 2 2
## Durango Guanajuato
## 1 3
## Guerrero Hidalgo
## 2 2
## Jalisco Estado de México
## 3 4
## Michoacán de Ocampo Morelos
## 1 2
## Nayarit Nuevo León
## 2 1
## Oaxaca Puebla
## 3 3
## Querétaro Quintana Roo
## 3 2
## San Luis Potosí Sinaloa
## 1 1
## Sonora Tabasco
## 1 2
## Tamaulipas Tlaxcala
## 2 2
## Veracruz de Ignacio de la Llave Yucatán
## 3 2
## Zacatecas
## 2
##
## Within cluster sum of squares by cluster:
## [1] 920768100 3740269950 6483557862 0
## (between_SS / total_SS = 91.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"delitos_2 = delitos_2 %>% mutate(cluster = kmcluster_2$cluster)
(g1=ggplot(delitos_2, aes(x = Delitos_sin_carpeta_de_investigación, y = Delitos_ocurridos1)) +
geom_point(aes(color=as.factor(cluster)), size=10)+
geom_text(aes(label = cluster), size = 5) +
theme_bw() +
theme(legend.position = "none")+
labs(title = "Delitos ocurridos sin carpeta de investigación sin CDMX")
)
- Igual que el clustering anterior, esta gráfica se divide en cuáles son las entidades con mayor delito y las que tienen mayor número de delitos sin carpeta de investigación. En este caso, el Estado de México es el que tiene la mayoría de delitos y la mayoría de delitos sin carpeta de investigación, este evita un poco el visual de los demás estados, pero podemos ver como Estado de México destaca debido a la gran población que tiene.
rownames(delitos_2)=entidad_2
fviz_cluster(kmcluster_2, delitos_2, show.clust.cent = T,
ellipse.type = "euclid", star.plot = T, repel = T) +
labs(title = "Resultados clustering K-means") +
theme_bw()## Too few points to calculate an ellipse
3.- Tercer Análisis: Clustering sin Edo Mex
3.1.- Eliminamos ‘’Edo de México’’
En este caso eliminamos el “Estado de México”, ya que debido a su gran población tiene una gran cantidad de delitos, por lo que nos dificulta la vista de las demás entidades, de esta forma podemos hacer un análisis más detallado de esas entidades.
evidencia1_3 <- evidencia1_2[-14, ]
view(evidencia1_3)delitos_3 = as.data.frame(evidencia1_3)
entidad_3 = rownames(evidencia1_3)
#view(evidencia1_3)3.2.- Clustering
- Aquí buscamos cuál es el mejor número de clusters para el análisis de la bd sin cdmx y edomex
total_within_3 = function(n_clusters, data, iter.max=1000, nstart=50){
cluster_means_3 = kmeans(data,centers = n_clusters,
iter.max = iter.max,
nstart = nstart)
return(cluster_means_3$tot.withinss)
}
total_withinss_3 <- map_dbl(.x = 1:15,
.f = total_within_2,
data = delitos_2)
total_withinss_3## [1] 132600126164 46294653760 18792579686 10340627324 5331747764
## [6] 2736574940 1969901870 1396691733 1170135253 1012022263
## [11] 814109238 647319492 582907066 411167702 253282782data.frame(n_clusters = 1:15, suma_cuadrados_internos = total_withinss_3) %>%
ggplot(aes(x = n_clusters, y = suma_cuadrados_internos)) +
geom_line() +
geom_point() +
scale_x_continuous(breaks = 1:15) +
labs(title = "Suma total de cuadrados intra-cluster") +
theme_bw()
- Aqui se seleccionaron 3 clusters, ya que en la gráfica anterior la tendencia terminó en el 3.
kmcluster_3 = kmeans(delitos_3,centers=3,nstart = 50)
kmcluster_3## K-means clustering with 3 clusters of sizes 17, 10, 3
##
## Cluster means:
## Delitos_ocurridos1 Delitos_sin_carpeta_de_investigación Cifra_negra2
## 1 39372.31 36704.65 93.14687
## 2 88621.57 79807.93 90.27120
## 3 148558.87 133162.90 89.39707
##
## Clustering vector:
## Aguascalientes Baja California
## 1 2
## Baja California Sur Campeche
## 1 1
## Coahuila de Zaragoza Colima
## 1 1
## Chiapas Chihuahua
## 1 1
## Durango Guanajuato
## 2 3
## Guerrero Hidalgo
## 1 1
## Jalisco Michoacán de Ocampo
## 2 2
## Morelos Nayarit
## 1 1
## Nuevo León Oaxaca
## 2 2
## Puebla Querétaro
## 3 2
## Quintana Roo San Luis Potosí
## 1 2
## Sinaloa Sonora
## 2 2
## Tabasco Tamaulipas
## 1 1
## Tlaxcala Veracruz de Ignacio de la Llave
## 1 3
## Yucatán Zacatecas
## 1 1
##
## Within cluster sum of squares by cluster:
## [1] 3740269950 4428639091 2171718275
## (between_SS / total_SS = 86.6 %)
##
## Available components:
##
## [1] "cluster" "centers" "totss" "withinss" "tot.withinss"
## [6] "betweenss" "size" "iter" "ifault"delitos_3 = delitos_3 %>% mutate(cluster = kmcluster_3$cluster)
g1 <- ggplot(delitos_3, aes(x = Delitos_sin_carpeta_de_investigación, y = Delitos_ocurridos1)) +
geom_point(aes(color = as.factor(cluster)), size = 3) +
geom_text(aes(label = cluster), size = 3, vjust = -0.5) +
theme_minimal() +
labs(title = "Delitos ocurridos sin carpeta de investigación sin CDMX y EdoMx")
g1
rownames(delitos_3)=entidad_3
fviz_cluster(kmcluster_3, delitos_3, show.clust.cent = T,
ellipse.type = "euclid", star.plot = T, repel = T) +
labs(title = "Resultados clustering K-means") +
theme_bw()## Too few points to calculate an ellipse
fviz_cluster(kmcluster_3, delitos_3)+
theme_minimal()
- Igual que en los clustering anteriores, esta gráfica se divide en cuáles son las entidades con mayor delito y las que tienen mayor número de delitos sin carpeta de investigación. En este caso, las entidades se encuentran divididas por grupos, pero unos se encuentran más en la zona de otros, pero podemos ver que las entidades más seguras son las verdes que son tabasco, Coahuila, etc. Después los azules y los rojos se encuentran esparcidos por las 3 zonas.
4.- Conclusión
Al final pudimos ver qué entidades son las más seguras y al mismo tiempo cuáles las más inseguras, por otro lado, cuáles son las que tienen más delitos sin carpeta de investigación, lo cual puede hablar mal de la entidad, ya que lo que la gente busca es que haya con justicia.