# library(fastDummies)
# librerias a utilizar
pacman::p_load(tidyverse,openxlsx,visdat,fastDummies,caret,knitr,FactoMineR,factoextra,scatterplot3d)Descubrimiento de Patrones para datos Mixtos
Analisis No Supervisado
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:
# 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_varEscoger 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')