library(paqueteMODELOS)
## Loading required package: boot
## Loading required package: broom
## Warning: package 'broom' was built under R version 4.3.2
## Loading required package: GGally
## Loading required package: ggplot2
## Warning: package 'ggplot2' was built under R version 4.3.2
## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2
## Loading required package: gridExtra
## Warning: package 'gridExtra' was built under R version 4.3.2
## Loading required package: knitr
## Warning: package 'knitr' was built under R version 4.3.2
## Loading required package: summarytools
data(vivenda)
## Warning in data(vivenda): data set 'vivenda' not found
str(vivienda)
## spc_tbl_ [8,322 × 13] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ id : num [1:8322] 1147 1169 1350 5992 1212 ...
## $ zona : chr [1:8322] "Zona Oriente" "Zona Oriente" "Zona Oriente" "Zona Sur" ...
## $ piso : chr [1:8322] NA NA NA "02" ...
## $ estrato : num [1:8322] 3 3 3 4 5 5 4 5 5 5 ...
## $ preciom : num [1:8322] 250 320 350 400 260 240 220 310 320 780 ...
## $ areaconst : num [1:8322] 70 120 220 280 90 87 52 137 150 380 ...
## $ parqueaderos: num [1:8322] 1 1 2 3 1 1 2 2 2 2 ...
## $ banios : num [1:8322] 3 2 2 5 2 3 2 3 4 3 ...
## $ habitaciones: num [1:8322] 6 3 4 3 3 3 3 4 6 3 ...
## $ tipo : chr [1:8322] "Casa" "Casa" "Casa" "Casa" ...
## $ barrio : chr [1:8322] "20 de julio" "20 de julio" "20 de julio" "3 de julio" ...
## $ longitud : num [1:8322] -76.5 -76.5 -76.5 -76.5 -76.5 ...
## $ latitud : num [1:8322] 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>
Análisis de Componentes Principales:
Reducir la dimensionalidad del conjunto de datos y visualizar la estructura de las variables en componentes principales para identificar características clave que influyen en la variación de precios y oferta del mercado.
datos_para_pca <- vivienda[, c("estrato", "preciom", "areaconst", "parqueaderos", "banios", "habitaciones", "longitud", "latitud")]
datos_para_pca <- na.omit(datos_para_pca)
# Escalar los datos
datos_escalados <- scale(datos_para_pca)
# Realizar el PCA
pca_resultado <- prcomp(datos_escalados, center = TRUE, scale. = TRUE)
#la varianza explicada por cada componente principal
var_explicada <- pca_resultado$sdev^2 / sum(pca_resultado$sdev^2)
print(var_explicada)
## [1] 0.45156060 0.18064789 0.11701122 0.09324433 0.05894533 0.04460984 0.03051539
## [8] 0.02346542
# Visualizar los componentes principales
if (!require(ggplot2)) install.packages("ggplot2")
library(ggplot2)
pca_data <- as.data.frame(pca_resultado$x)
ggplot(pca_data, aes(x = PC1, y = PC2)) +
geom_point() +
theme_minimal() +
labs(title = "PCA - Primeros dos componentes principales",
x = "Componente Principal 1",
y = "Componente Principal 2")
Análisis de Conglomerados:
Agrupar las propiedades residenciales en segmentos homogéneos con características similares para entender las dinámicas de las ofertas específicas en diferentes partes de la ciudad y en diferentes estratos socioeconómicos.
# Eliminar filas con valores NA
vivienda_limpia <- na.omit(vivienda)
# Escalar los datos antes de realizar el clustering
datos_escalados <- scale(vivienda_limpia[, c("estrato", "preciom", "areaconst", "parqueaderos", "banios", "habitaciones", "longitud", "latitud")])
# Aplicar el método K-means. El número de clústeres (k) debe ser definido.
set.seed(123) # Establecer una semilla para reproducibilidad
kmeans_resultado <- kmeans(datos_escalados, centers = 3)
# Añadir la asignación de clústeres al data frame limpio
vivienda_limpia$cluster <- kmeans_resultado$cluster
# Realizar PCA para visualizar los clústeres
pca_resultado <- prcomp(datos_escalados)
pca_data <- as.data.frame(pca_resultado$x)
pca_data$cluster <- as.factor(kmeans_resultado$cluster)
if (!require(ggplot2)) install.packages("ggplot2")
library(ggplot2)
ggplot(pca_data, aes(x = PC1, y = PC2, color = cluster)) +
geom_point() +
theme_minimal() +
labs(title = "Clústeres de propiedades residenciales",
x = "Componente Principal 1",
y = "Componente Principal 2") +
scale_color_discrete(name = "Clúster")
Análisis de Conglomerados
Agrupar las propiedades residenciales en segmentos homogéneos con características similares para entender las dinámicas de las ofertas específicas en diferentes partes de la ciudad y en diferentes estratos socioeconómicos.
Visualización de resultados
Presentar gráficos, mapas y otros recursos visuales para comunicar los hallazgos de manera clara y efectiva a la dirección de la empresa.
ggplot(pca_data, aes(x = PC1, y = PC2)) +
geom_point() +
theme_minimal() +
labs(title = "PCA de Propiedades Inmobiliarias",
x = "Primer Componente Principal",
y = "Segundo Componente Principal")
ggplot(pca_data, aes(x = PC1, y = PC2, color = factor(cluster))) +
geom_point() +
theme_minimal() +
labs(title = "Clústeres de Propiedades Inmobiliarias",
x = "Primer Componente Principal",
y = "Segundo Componente Principal",
color = "Clúster")