Descubrimiento de Patrones para datos Mixtos

Analisis No Supervisado

Authors

Cristhian Sumba

Alyson Sánchez

# library(fastDummies)
# librerias a utilizar
pacman::p_load(tidyverse,openxlsx,visdat,fastDummies,caret,knitr,FactoMineR,factoextra,scatterplot3d)

Cargar la base de datos con las puntuaciones guardadas del analisis factorial exploratorio (AFE)

library(readxl)
bdd <- readxl::read_excel('base_con_cluster_05.xlsx')
DT::datatable(bdd,options = list(pageLength = 5))
# bdd<- read.xlsx('bdd_afe_final.xlsx')
# bdd<- read.xlsx('base_con_cluster_05.xlsx')

Estructura de la base y limpieza de los datos

glimpse(bdd)
Rows: 418
Columns: 23
$ distraccion     <dbl> 3, 6, 6, 2, 3, 5, 1, 4, 6, 2, 4, 2, 2, 2, 4, 7, 3, 1, …
$ distancias      <dbl> 5.2, 16.5, 20.2, 9.6, 14.4, 6.1, 34.4, 16.5, 20.2, 1.4…
$ edad            <dbl> 19, 22, 19, 20, 22, 19, 20, 20, 24, 22, 20, 18, 21, 20…
$ nota_promedio   <dbl> 14.61, 14.00, 14.96, 15.03, 16.50, 15.45, 14.50, 14.40…
$ sexo            <chr> "Hombre", "Hombre", "Hombre", "Hombre", "Mujer", "Muje…
$ estado_civil    <chr> "Soltero/a", "Soltero/a", "Soltero/a", "Soltero/a", "S…
$ hijos           <chr> "Sin hijos", "Sin hijos", "Sin hijos", "Sin hijos", "S…
$ trabajo         <chr> "Con trabajo", "Sin trabajo", "Sin trabajo", "Sin trab…
$ sustento_econom <chr> "Padres", "Padres", "Padres", "Padres", "Padres", "Pad…
$ escol_madre     <chr> "Madre Educ Secundaria", "Madre Educ Secundaria", "Mad…
$ escol_padre     <chr> "Padre Educ Secundaria", "Padre Educ Secundaria", "Pad…
$ celular         <chr> "Con celular", "Con celular", "Con celular", "Con celu…
$ internet        <chr> "Si", "Si", "Si", "Si", "Si", "Si", "Si", "Si", "Si", …
$ ranking_post    <chr> "Otra opción", "Otra opción", "Otra opción", "Otra opc…
$ motivo_carrera  <chr> "No me alcanzó el puntaje para estudiar otra carrera",…
$ orientacion_voc <chr> "Sin orientación", "Sin orientación", "Sin orientación…
$ satis_academ    <chr> "Neutral", "Insatisfecho", "Neutral", "Neutral", "Insa…
$ hogar           <chr> "Nuclear", "Nuclear", "Extenso", "Uniparental", "Unipa…
$ nivel_procras   <chr> "nivel alto", "nivel bajo", "nivel alto", "nivel bajo"…
$ N1              <dbl> 0.63634383, 0.73223197, 0.67164376, 0.13192799, 0.3770…
$ N2              <dbl> 0.9379132, 0.8048091, 0.7947142, 0.2611151, 0.6457338,…
$ N3              <dbl> 0.66941944, 0.43309082, 0.61174052, 0.04810614, 0.2765…
$ Cluster         <dbl> 0, 0, 0, 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 0, 0, 0, 0, 1, …
# Convertir celdas vacias a NA
bdd <- bdd %>%
  mutate(across(where(is.character), ~na_if(., "")))
# Convertir variables de tipo caracter a factor
bdd <- bdd %>% mutate_if(is.character,as.factor)

Estandarizacion de las puntuaciones

Antes de empezar a realizar el Análisis factorial para datos Mixtos (FAMD) se deben normalizar las puntuaciones, con la siguiente fórmula:

Alt text # CLUSTER = Factor

## Normalizacion------------
bdd_normalized <- bdd # BORRAR
bdd_normalized$Cluster <- factor(bdd$Cluster, levels = c(0,1),
                                 labels = c("Estudiantes con alta procrastinacion", "Estudiantes con baja procrastinacion"))

# bdd_normalized <- bdd %>% mutate(N1=(PA1 - min(PA1))/(max(PA1)-min(PA1)),
#                             N2=(PA2 - min(PA2))/(max(PA2)-min(PA2)),
#                             N3=(PA3 - min(PA3))/(max(PA3)-min(PA3)),.keep = 'unused')
  • N1: Puntuaciones del factor 1 normalizados
  • N2: Puntuaciones del factor 2 normalizados
  • N3: Puntuaciones del factor 3 normalizados

Descartar variables con datos perdidos y seleccionar las variables a utilizar en el análisis.

## Analisis de datos perdidos-------------------
vis_dat(bdd_normalized, palette = "qual",warn_large_data = TRUE)

Se procede a eliminar todas las variables con datos perdidos

# Eliminar las variables con datos perdidos
bdd_normalized <- bdd_normalized[,colSums(is.na(bdd_normalized))==0]
dim(bdd_normalized)
[1] 418  23

Se cuenta con 418 registros y 52 variables.

Ahora se procrede a descartar algunas variables que no serán utilizadas para el análisis

# dplyr::select(bdd_normalized,c(1:6,8,9,11,19,25,'p1':'p18','fexp')) %>% names()
# bdd_normalized <- bdd_normalized %>% dplyr::select(-c(1:6,8,9,11,19,25,'p1':'p18','fexp'))

One hot encoding

Se procede a convertir a todas las varirables de tipo factor a variablas binarias para mostrar sus categorias en el FAMD y por cuestiones de analisis para ver la frecuencia de cada categoria en una variable categorica, con el fin de saber si puede ser considerado relevante en el FAMD.

[1] "-------- VARIABLES DE LA BDD ----------"
 [1] "distraccion"     "distancias"      "edad"            "nota_promedio"  
 [5] "sexo"            "estado_civil"    "hijos"           "trabajo"        
 [9] "sustento_econom" "escol_madre"     "escol_padre"     "celular"        
[13] "internet"        "ranking_post"    "motivo_carrera"  "orientacion_voc"
[17] "satis_academ"    "hogar"           "nivel_procras"   "N1"             
[21] "N2"              "N3"              "Cluster"        
[1] "-------- VARIABLES DE TIPO FACTOR ----------"
 [1] "sexo"            "estado_civil"    "hijos"           "trabajo"        
 [5] "sustento_econom" "escol_madre"     "escol_padre"     "celular"        
 [9] "internet"        "ranking_post"    "motivo_carrera"  "orientacion_voc"
[13] "satis_academ"    "hogar"           "nivel_procras"   "Cluster"        
[1] "-------- VARIABLES DE TIPO NUMERICO ----------"
[1] "distraccion"   "distancias"    "edad"          "nota_promedio"
[5] "N1"            "N2"            "N3"           
# bdd_normalized_selected <- dummy_cols(bdd_normalized, select_columns = var_factor, remove_selected_columns = T)
# DT::datatable(bdd_normalized_selected,options = list(pageLength = 5))

Analizar si existen algunas columnas con valor \(0\) en la base ‘bdd_normalized_selected’ en funcion del promedio de cada variable. OJO: El analizar un promedio con variables binarias no es recomendable para el análisis estadístico, esto solo se hizo con el fin de detectar un porcentaje de variables binarias con menor peso. # BORRAR

bdd_normalized_selected <- bdd_normalized # BORRAR
var_categorical <- names(bdd_normalized_selected)[sapply(bdd_normalized_selected, is.integer)]
# mean_round <- function(data){round(mean(data),3)}
# pesos_var <- apply(bdd_normalized_selected[var_categorical],2, FUN=mean_round)
# kable(t(pesos_var))
# pesos_var

Escoger las variables binarias con un peso mayor del 20%.

# data_pesos_var <- data.frame(pesos=as.data.frame(pesos_var))
# pesos_max <- data_pesos_var %>% filter(pesos_var<=0.20)
# pesos_bin <- names(t(pesos_max) %>% as.data.frame())
# paste('-----------variables con peso menor o igual al 20%:--------------')
# pesos_bin
# # Seleccionar solo las variables relevantes
# bdd_normalized_selected <- bdd_normalized_selected[, -which(names(bdd_normalized_selected) %in% pesos_bin)]
# DT::datatable(bdd_normalized_selected, options = list(pageLength = 5))

Transformar las variables de tipo entero a tipo factor

# bdd_normalized_selected <- bdd_normalized_selected %>% mutate_if(is.integer,as.factor)

Estandarizar y Normalizar las variables numéricas, sin seleccionar las puntuaciones previamente estandarizadas.

  • La estandarización transforma los datos para que tengan una media de 0 y una desviación estándar igual a 1. Se lo realiza restando su media y dividiendo por la desviación estándar de la variable.

\[Z = \frac{x-\mu}{\sigma} \]

  • La normalización escala los valores de una variable para que estén en un rango específico, como por ejemplo, entre 0 y 1. se lo realiza dividiendo cada valor por el máximo valor en la variable.

\[x_{escalada}= \frac{x-min(x)}{max(x)-min(x)} \]

[1] "------------- variables numéricas -------------"
[1] "distraccion"   "distancias"    "edad"          "nota_promedio"
[5] "N1"            "N2"            "N3"           

Datos sin estandarizar y normalizar

bdd_normalized_selected %>% dplyr::select(var_numericas) %>% 
  dplyr::select(-c('N1','N2','N3'))-> data_var_numerics
# BOXPLOT ----------------
boxplot(data_var_numerics)

Prepocesamiento para estandarizar y normalizar los datos

procesamiento<- preProcess(bdd_normalized_selected[names(data_var_numerics)], method = c("center", "scale"))
bdd_normalized_selected[names(data_var_numerics)] <- predict(procesamiento, bdd_normalized_selected[names(data_var_numerics)])
kable(head(bdd_normalized_selected),format = 'markdown')
distraccion distancias edad nota_promedio sexo estado_civil hijos trabajo sustento_econom escol_madre escol_padre celular internet ranking_post motivo_carrera orientacion_voc satis_academ hogar nivel_procras N1 N2 N3 Cluster
-0.3678111 -0.7305417 -1.2210914 -1.2238588 Hombre Soltero/a Sin hijos Con trabajo Padres Madre Educ Secundaria Padre Educ Secundaria Con celular Si Otra opción No me alcanzó el puntaje para estudiar otra carrera Sin orientación Neutral Nuclear nivel alto 0.6363438 0.9379132 0.6694194 Estudiantes con alta procrastinacion
0.8958467 0.1309554 -0.0918520 -1.9921566 Hombre Soltero/a Sin hijos Sin trabajo Padres Madre Educ Secundaria Padre Educ Secundaria Con celular Si Otra opción No me alcanzó el puntaje para estudiar otra carrera Sin orientación Insatisfecho Nuclear nivel bajo 0.7322320 0.8048091 0.4330908 Estudiantes con alta procrastinacion
0.8958467 0.4130386 -1.2210914 -0.7830322 Hombre Soltero/a Sin hijos Sin trabajo Padres Madre Educ Secundaria Padre Educ Secundaria Con celular Si Otra opción No me alcanzó el puntaje para estudiar otra carrera Sin orientación Neutral Extenso nivel alto 0.6716438 0.7947142 0.6117405 Estudiantes con alta procrastinacion
-0.7890304 -0.3950915 -0.8446783 -0.6948669 Hombre Soltero/a Sin hijos Sin trabajo Padres Madre Educ Secundaria Padre Educ Secundaria Con celular Si Otra opción No me alcanzó el puntaje para estudiar otra carrera Con orientación Neutral Uniparental nivel bajo 0.1319280 0.2611151 0.0481061 Estudiantes con baja procrastinacion
-0.3678111 -0.0291458 -0.0918520 1.1566049 Mujer Soltero/a Sin hijos Sin trabajo Padres Madre Educ Secundaria Padre Educ Básica Con celular Si Otra opción No me alcanzó el puntaje para estudiar otra carrera Con orientación Insatisfecho Uniparental nivel bajo 0.3770145 0.6457338 0.2765408 Estudiantes con baja procrastinacion
0.4746275 -0.6619269 -1.2210914 -0.1658749 Mujer Soltero/a Sin hijos Sin trabajo Padres Madre Educ Secundaria Padre Educ Secundaria Con celular Si Segunda opción No me alcanzó el puntaje para estudiar otra carrera Sin orientación Neutral Nuclear nivel bajo 0.6223872 0.6301394 0.6982392 Estudiantes con alta procrastinacion

Tratamiento de valores atípicos

z_scores_distraccion <- bdd_normalized_selected$distraccion %>% as.data.frame()
z_scores_distancias <- bdd_normalized_selected$distancias %>% as.data.frame()
z_scores_edad <- bdd_normalized_selected$edad %>% as.data.frame()
z_scores_nota_promedio <- bdd_normalized_selected$nota_promedio %>% as.data.frame()
filas_atipicas_distraccion <- rowSums(z_scores_distraccion > 3) > 0  # 7 atipicos
filas_atipicas_distancias <- rowSums(z_scores_distancias > 3) > 0  # 3 atipicos
filas_atipicas_edad <- rowSums(z_scores_edad > 3) > 0  # 4 atipicos
filas_atipicas_nota_promedio <- rowSums(z_scores_nota_promedio > 3) > 0  # 3 atipicos.

Reemplazar los valores atípicos con NA

# Reemplazar los valores atípicos con NA en la columna "distraccion"
bdd_normalized_selected$distraccion[filas_atipicas_distraccion] <- NA
bdd_normalized_selected$distancias[filas_atipicas_distancias] <- NA
bdd_normalized_selected$edad[filas_atipicas_edad] <- NA
bdd_normalized_selected$nota_promedio[filas_atipicas_nota_promedio] <- NA

sum(is.na(bdd_normalized_selected$nota_promedio))
[1] 3
# 17 registros atipicos que se van a eliminar en total de la base de datos
bdd_normalized_selected <- na.omit(bdd_normalized_selected)

Datos estandarizados y normalizados

boxplot(bdd_normalized_selected[names(data_var_numerics)])

ANALISIS FACTORIAL MIXTO (FAMD)

bdd_famd  <- bdd_normalized_selected %>% 
  mutate_if(is.integer, as.factor)

Estimacion del modelo

famd_pre_result<- FAMD(bdd_famd, graph = F)

Varianza explicada por cada componente

fviz_screeplot(famd_pre_result, addlabels=T, ncp=33)

Contribución de cada variable

fviz_contrib(famd_pre_result, "var", axes = 1,fill="olivedrab3",color="black",
             title="Contribuciones de la variables en la Dim2")

contribucion 2 dimension

fviz_contrib(famd_pre_result, "var", axes = 2,fill="olivedrab3",color="black",
             title="Contribuciones de la variables en la Dim2")

# Qualitative variables
fviz_famd_var(famd_pre_result, repel = TRUE)

# # fviz_famd_var(famd_pre_result, "quali.var", col.var = "black")
# fviz_famd_ind(famd_pre_result, col.ind = "cos2",
#              gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"),
#              repel = TRUE)
summary(famd_pre_result)

Call:
FAMD(base = bdd_famd, graph = F) 


Eigenvalues
                      Dim.1  Dim.2  Dim.3  Dim.4  Dim.5
Variance              3.506  2.118  1.954  1.621  1.533
% of var.            10.313  6.231  5.747  4.768  4.508
Cumulative % of var. 10.313 16.544 22.291 27.059 31.567

Individuals (the 10 first)
                  Dist    Dim.1    ctr   cos2    Dim.2    ctr   cos2    Dim.3
1             |  4.822 |  2.734  0.532  0.322 |  0.143  0.002  0.001 | -0.293
2             |  5.190 |  2.401  0.410  0.214 | -0.722  0.061  0.019 | -1.001
3             |  4.683 |  2.853  0.579  0.371 |  0.533  0.033  0.013 | -0.148
4             |  5.599 | -2.267  0.365  0.164 | -0.530  0.033  0.009 | -2.681
5             |  5.279 | -0.703  0.035  0.018 | -1.051  0.130  0.040 | -0.932
6             |  3.987 |  1.892  0.255  0.225 |  0.333  0.013  0.007 | -1.186
7             |  5.577 |  2.580  0.473  0.214 | -0.953  0.107  0.029 | -0.805
8             |  5.595 | -0.811  0.047  0.021 |  2.995  1.056  0.287 | -0.943
9             |  4.761 | -1.054  0.079  0.049 |  0.549  0.035  0.013 |  0.895
10            |  6.973 | -0.991  0.070  0.020 | -1.467  0.253  0.044 | -1.006
                 ctr   cos2  
1              0.011  0.004 |
2              0.128  0.037 |
3              0.003  0.001 |
4              0.917  0.229 |
5              0.111  0.031 |
6              0.180  0.089 |
7              0.083  0.021 |
8              0.114  0.028 |
9              0.102  0.035 |
10             0.129  0.021 |

Continuous variables
                 Dim.1    ctr   cos2    Dim.2    ctr   cos2    Dim.3    ctr
distraccion   |  0.228  1.483  0.052 |  0.372  6.531  0.138 |  0.012  0.008
distancias    |  0.124  0.436  0.015 | -0.250  2.953  0.063 | -0.153  1.192
edad          | -0.337  3.239  0.114 | -0.121  0.696  0.015 |  0.463 10.948
nota_promedio | -0.428  5.231  0.183 |  0.253  3.024  0.064 |  0.298  4.532
N1            |  0.776 17.187  0.603 |  0.262  3.238  0.069 |  0.285  4.165
N2            |  0.569  9.226  0.323 |  0.294  4.085  0.087 |  0.212  2.296
N3            |  0.707 14.240  0.499 |  0.175  1.438  0.030 |  0.274  3.833
                cos2  
distraccion    0.000 |
distancias     0.023 |
edad           0.214 |
nota_promedio  0.089 |
N1             0.081 |
N2             0.045 |
N3             0.075 |

Categories (the 10 first)
                  Dim.1     ctr    cos2  v.test     Dim.2     ctr    cos2
Hombre        |  -0.515   0.972   0.172  -4.985 |   0.295   0.878   0.057
Mujer         |   0.423   0.800   0.172   4.985 |  -0.243   0.722   0.057
Otro          |   0.065   0.001   0.000   0.086 |  -2.121   1.499   0.055
Soltero/a     |  -0.001   0.000   0.000  -0.086 |   0.032   0.023   0.055
Con hijos     |   0.431   0.068   0.007   0.998 |  -0.623   0.388   0.014
Sin hijos     |  -0.020   0.003   0.007  -0.998 |   0.029   0.018   0.014
Con trabajo   |  -0.599   0.669   0.083  -3.490 |  -0.498   1.268   0.057
Sin trabajo   |   0.178   0.199   0.083   3.490 |   0.148   0.377   0.057
Padres        |   0.147   0.151   0.099   3.968 |   0.131   0.328   0.078
Usted mismo   |  -1.236   1.022   0.100  -3.953 |  -1.293   3.064   0.110
               v.test     Dim.3     ctr    cos2  v.test  
Hombre          3.682 |   0.051   0.030   0.002   0.659 |
Mujer          -3.682 |  -0.042   0.025   0.002  -0.659 |
Otro           -3.591 |   5.211  10.642   0.332   9.189 |
Soltero/a       3.591 |  -0.079   0.162   0.332  -9.189 |
Con hijos      -1.855 |   3.587  15.128   0.473  11.126 |
Sin hijos       1.855 |  -0.169   0.711   0.473 -11.126 |
Con trabajo    -3.734 |   0.686   2.825   0.108   5.353 |
Sin trabajo     3.734 |  -0.204   0.841   0.108  -5.353 |
Padres          4.546 |  -0.309   2.163   0.439 -11.205 |
Usted mismo    -5.319 |   1.223   3.226   0.098   5.241 |
library(factoextra)
# Interpretar los resultados
summary(famd_pre_result)

Call:
FAMD(base = bdd_famd, graph = F) 


Eigenvalues
                      Dim.1  Dim.2  Dim.3  Dim.4  Dim.5
Variance              3.506  2.118  1.954  1.621  1.533
% of var.            10.313  6.231  5.747  4.768  4.508
Cumulative % of var. 10.313 16.544 22.291 27.059 31.567

Individuals (the 10 first)
                  Dist    Dim.1    ctr   cos2    Dim.2    ctr   cos2    Dim.3
1             |  4.822 |  2.734  0.532  0.322 |  0.143  0.002  0.001 | -0.293
2             |  5.190 |  2.401  0.410  0.214 | -0.722  0.061  0.019 | -1.001
3             |  4.683 |  2.853  0.579  0.371 |  0.533  0.033  0.013 | -0.148
4             |  5.599 | -2.267  0.365  0.164 | -0.530  0.033  0.009 | -2.681
5             |  5.279 | -0.703  0.035  0.018 | -1.051  0.130  0.040 | -0.932
6             |  3.987 |  1.892  0.255  0.225 |  0.333  0.013  0.007 | -1.186
7             |  5.577 |  2.580  0.473  0.214 | -0.953  0.107  0.029 | -0.805
8             |  5.595 | -0.811  0.047  0.021 |  2.995  1.056  0.287 | -0.943
9             |  4.761 | -1.054  0.079  0.049 |  0.549  0.035  0.013 |  0.895
10            |  6.973 | -0.991  0.070  0.020 | -1.467  0.253  0.044 | -1.006
                 ctr   cos2  
1              0.011  0.004 |
2              0.128  0.037 |
3              0.003  0.001 |
4              0.917  0.229 |
5              0.111  0.031 |
6              0.180  0.089 |
7              0.083  0.021 |
8              0.114  0.028 |
9              0.102  0.035 |
10             0.129  0.021 |

Continuous variables
                 Dim.1    ctr   cos2    Dim.2    ctr   cos2    Dim.3    ctr
distraccion   |  0.228  1.483  0.052 |  0.372  6.531  0.138 |  0.012  0.008
distancias    |  0.124  0.436  0.015 | -0.250  2.953  0.063 | -0.153  1.192
edad          | -0.337  3.239  0.114 | -0.121  0.696  0.015 |  0.463 10.948
nota_promedio | -0.428  5.231  0.183 |  0.253  3.024  0.064 |  0.298  4.532
N1            |  0.776 17.187  0.603 |  0.262  3.238  0.069 |  0.285  4.165
N2            |  0.569  9.226  0.323 |  0.294  4.085  0.087 |  0.212  2.296
N3            |  0.707 14.240  0.499 |  0.175  1.438  0.030 |  0.274  3.833
                cos2  
distraccion    0.000 |
distancias     0.023 |
edad           0.214 |
nota_promedio  0.089 |
N1             0.081 |
N2             0.045 |
N3             0.075 |

Categories (the 10 first)
                  Dim.1     ctr    cos2  v.test     Dim.2     ctr    cos2
Hombre        |  -0.515   0.972   0.172  -4.985 |   0.295   0.878   0.057
Mujer         |   0.423   0.800   0.172   4.985 |  -0.243   0.722   0.057
Otro          |   0.065   0.001   0.000   0.086 |  -2.121   1.499   0.055
Soltero/a     |  -0.001   0.000   0.000  -0.086 |   0.032   0.023   0.055
Con hijos     |   0.431   0.068   0.007   0.998 |  -0.623   0.388   0.014
Sin hijos     |  -0.020   0.003   0.007  -0.998 |   0.029   0.018   0.014
Con trabajo   |  -0.599   0.669   0.083  -3.490 |  -0.498   1.268   0.057
Sin trabajo   |   0.178   0.199   0.083   3.490 |   0.148   0.377   0.057
Padres        |   0.147   0.151   0.099   3.968 |   0.131   0.328   0.078
Usted mismo   |  -1.236   1.022   0.100  -3.953 |  -1.293   3.064   0.110
               v.test     Dim.3     ctr    cos2  v.test  
Hombre          3.682 |   0.051   0.030   0.002   0.659 |
Mujer          -3.682 |  -0.042   0.025   0.002  -0.659 |
Otro           -3.591 |   5.211  10.642   0.332   9.189 |
Soltero/a       3.591 |  -0.079   0.162   0.332  -9.189 |
Con hijos      -1.855 |   3.587  15.128   0.473  11.126 |
Sin hijos       1.855 |  -0.169   0.711   0.473 -11.126 |
Con trabajo    -3.734 |   0.686   2.825   0.108   5.353 |
Sin trabajo     3.734 |  -0.204   0.841   0.108  -5.353 |
Padres          4.546 |  -0.309   2.163   0.439 -11.205 |
Usted mismo    -5.319 |   1.223   3.226   0.098   5.241 |
fviz_eig(famd_pre_result)

# fviz_biplot(famd_pre_result, col.var = "black", col.ind = "red")
# factoextra::fviz_pca_biplot(famd_pre_result)
fviz_famd_var(famd_pre_result, "quali.var", col.var = "contrib",
              gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), 
              repel = T,)

fviz_famd_var(famd_pre_result, "quanti.var", col.var = "contrib",
              gradient.cols = c("#00AFBB", "#E7B800", "#FC4E07"), 
              repel = T,)

fviz_mfa_ind(famd_pre_result, 
             habillage = "Cluster",palette = c( "#EEAD0E", "#B4EEB4"),  repel = F) 

Quarto

Quarto enables you to weave together content and executable code into a finished document. To learn

# data_binaria <- bdd_normalized_selected %>% dplyr::select(-c(1:5))
write.xlsx(bdd_normalized_selected,'famd_recodificar.xlsx')