Contexto

La segmentación o clusters es un conjunto de técnicas cuyo propósito es formar grupos a partir de un conjunto de elementos.

Más información: [R for Data Science (2ed)] (https://r4ds.hadley.nz/)

Paso 1. Instalar paquetes y llamar librerías.

  #install.packages("cluster")
  library(cluster)
  #install.package("ggplot2")
  library(ggplot2)
  #install.packages("data.table")
  library(data.table)
  #install.packages("factoextra")
  library(factoextra)
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

Paso 2. Obtener los datos.

df<- data.frame (x=c(2,2,8,5,7,6,1,4), y=c(10,5,4,8,5,4,2,9))

Paso 3. Cantidad de grupos.

grupos <- 3

Paso 4. Generar los segmentos (clusters).

segmentos<- kmeans(df, grupos)
segmentos
## K-means clustering with 3 clusters of sizes 3, 3, 2
## 
## Cluster means:
##          x        y
## 1 7.000000 4.333333
## 2 3.666667 9.000000
## 3 1.500000 3.500000
## 
## Clustering vector:
## [1] 2 3 1 2 1 1 3 2
## 
## Within cluster sum of squares by cluster:
## [1] 2.666667 6.666667 5.000000
##  (between_SS / total_SS =  85.8 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

Paso 5. Asignar el grupo al que pertenece cada observación.

asignacion<-cbind(df, cluster = segmentos$cluster)
asignacion
##   x  y cluster
## 1 2 10       2
## 2 2  5       3
## 3 8  4       1
## 4 5  8       2
## 5 7  5       1
## 6 6  4       1
## 7 1  2       3
## 8 4  9       2

Paso 6. Graficar los clusters

  fviz_cluster(segmentos, data=df)

Paso 7. Optimizar la cantidad de grupos

  # La cantidad óptima de grupos corresponde al punto más alto 
  # de la siguiente gráfica:
  set.seed(123)
  optimizacion<- clusGap(df, FUN=kmeans, nstart=1, K.max = 7)
  plot(optimizacion, xlab="Número de clusters k")

Conclusión

La segmentación o clusters es un algorítmo útil para las empresas que desean clasificar sus clientes y dirigir campañas de marketing más enfocadas y especializadas.

Actividad USArrest

Contexto Actividad

La base de datos “USArrest” contiene etadísticas en arrestos por cada 100,000 residentes por agresión, asesinatos y violación en cada uno de los 50 estados de EE.UU. en 1973. A continuación se presenta un proceso de clustering (segmentación) con el fin de obtener información relevante para el departamento de seguridad de EE.UU.

Pasos de la Actividad

Paso 1. Inatalar paquetes y llamar librerías

#install.packages("cluster")
library(cluster)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("data.table")
library(data.table)
#install.packages("factoextra")
library(factoextra)
#install.packages("maps")
library(maps)
## 
## Attaching package: 'maps'
## The following object is masked from 'package:cluster':
## 
##     votes.repub
#install.packages("tidyverse")
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ lubridate 1.9.3     ✔ tibble    3.2.1
## ✔ purrr     1.0.2     ✔ tidyr     1.3.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::between()     masks data.table::between()
## ✖ dplyr::filter()      masks stats::filter()
## ✖ dplyr::first()       masks data.table::first()
## ✖ lubridate::hour()    masks data.table::hour()
## ✖ lubridate::isoweek() masks data.table::isoweek()
## ✖ dplyr::lag()         masks stats::lag()
## ✖ dplyr::last()        masks data.table::last()
## ✖ purrr::map()         masks maps::map()
## ✖ lubridate::mday()    masks data.table::mday()
## ✖ lubridate::minute()  masks data.table::minute()
## ✖ lubridate::month()   masks data.table::month()
## ✖ lubridate::quarter() masks data.table::quarter()
## ✖ lubridate::second()  masks data.table::second()
## ✖ purrr::transpose()   masks data.table::transpose()
## ✖ lubridate::wday()    masks data.table::wday()
## ✖ lubridate::week()    masks data.table::week()
## ✖ lubridate::yday()    masks data.table::yday()
## ✖ lubridate::year()    masks data.table::year()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
#install.packages("tibble")
library(tibble)
#install.packages("dplyr")
library(dplyr)

Paso 2. Obtener los datos

USArrests
##                Murder Assault UrbanPop Rape
## Alabama          13.2     236       58 21.2
## Alaska           10.0     263       48 44.5
## Arizona           8.1     294       80 31.0
## Arkansas          8.8     190       50 19.5
## California        9.0     276       91 40.6
## Colorado          7.9     204       78 38.7
## Connecticut       3.3     110       77 11.1
## Delaware          5.9     238       72 15.8
## Florida          15.4     335       80 31.9
## Georgia          17.4     211       60 25.8
## Hawaii            5.3      46       83 20.2
## Idaho             2.6     120       54 14.2
## Illinois         10.4     249       83 24.0
## Indiana           7.2     113       65 21.0
## Iowa              2.2      56       57 11.3
## Kansas            6.0     115       66 18.0
## Kentucky          9.7     109       52 16.3
## Louisiana        15.4     249       66 22.2
## Maine             2.1      83       51  7.8
## Maryland         11.3     300       67 27.8
## Massachusetts     4.4     149       85 16.3
## Michigan         12.1     255       74 35.1
## Minnesota         2.7      72       66 14.9
## Mississippi      16.1     259       44 17.1
## Missouri          9.0     178       70 28.2
## Montana           6.0     109       53 16.4
## Nebraska          4.3     102       62 16.5
## Nevada           12.2     252       81 46.0
## New Hampshire     2.1      57       56  9.5
## New Jersey        7.4     159       89 18.8
## New Mexico       11.4     285       70 32.1
## New York         11.1     254       86 26.1
## North Carolina   13.0     337       45 16.1
## North Dakota      0.8      45       44  7.3
## Ohio              7.3     120       75 21.4
## Oklahoma          6.6     151       68 20.0
## Oregon            4.9     159       67 29.3
## Pennsylvania      6.3     106       72 14.9
## Rhode Island      3.4     174       87  8.3
## South Carolina   14.4     279       48 22.5
## South Dakota      3.8      86       45 12.8
## Tennessee        13.2     188       59 26.9
## Texas            12.7     201       80 25.5
## Utah              3.2     120       80 22.9
## Vermont           2.2      48       32 11.2
## Virginia          8.5     156       63 20.7
## Washington        4.0     145       73 26.2
## West Virginia     5.7      81       39  9.3
## Wisconsin         2.6      53       66 10.8
## Wyoming           6.8     161       60 15.6
df_act<- USArrests
head(df_act)  
##            Murder Assault UrbanPop Rape
## Alabama      13.2     236       58 21.2
## Alaska       10.0     263       48 44.5
## Arizona       8.1     294       80 31.0
## Arkansas      8.8     190       50 19.5
## California    9.0     276       91 40.6
## Colorado      7.9     204       78 38.7
summary(df_act)
##      Murder          Assault         UrbanPop          Rape      
##  Min.   : 0.800   Min.   : 45.0   Min.   :32.00   Min.   : 7.30  
##  1st Qu.: 4.075   1st Qu.:109.0   1st Qu.:54.50   1st Qu.:15.07  
##  Median : 7.250   Median :159.0   Median :66.00   Median :20.10  
##  Mean   : 7.788   Mean   :170.8   Mean   :65.54   Mean   :21.23  
##  3rd Qu.:11.250   3rd Qu.:249.0   3rd Qu.:77.75   3rd Qu.:26.18  
##  Max.   :17.400   Max.   :337.0   Max.   :91.00   Max.   :46.00
df_scale_act <- scale(df_act)  

Paso 3. Optimizarr la cantidad de grupos

set.seed(123)
optimizacion <- clusGap(df_act, FUN= kmeans, nstart=1, K.max = 8)
plot(optimizacion, xlab="Número de clusters k")

Paso 4. Cantidad de grupos

grupos_act <- 4

Paso 5. Generar los segmentos

segmentos_act <- kmeans(df_act, grupos_act)
segmentos_act
## K-means clustering with 4 clusters of sizes 18, 12, 13, 7
## 
## Cluster means:
##      Murder   Assault UrbanPop     Rape
## 1  4.161111  83.94444 57.77778 13.52778
## 2 12.033333 239.25000 69.16667 28.50000
## 3  6.730769 157.69231 71.23077 21.08462
## 4 11.800000 300.85714 68.71429 28.85714
## 
## Clustering vector:
##        Alabama         Alaska        Arizona       Arkansas     California 
##              2              2              4              3              4 
##       Colorado    Connecticut       Delaware        Florida        Georgia 
##              2              1              2              4              2 
##         Hawaii          Idaho       Illinois        Indiana           Iowa 
##              1              1              2              1              1 
##         Kansas       Kentucky      Louisiana          Maine       Maryland 
##              1              1              2              1              4 
##  Massachusetts       Michigan      Minnesota    Mississippi       Missouri 
##              3              2              1              2              3 
##        Montana       Nebraska         Nevada  New Hampshire     New Jersey 
##              1              1              2              1              3 
##     New Mexico       New York North Carolina   North Dakota           Ohio 
##              4              2              4              1              3 
##       Oklahoma         Oregon   Pennsylvania   Rhode Island South Carolina 
##              3              3              1              3              4 
##   South Dakota      Tennessee          Texas           Utah        Vermont 
##              1              3              2              3              1 
##       Virginia     Washington  West Virginia      Wisconsin        Wyoming 
##              3              3              1              1              3 
## 
## Within cluster sum of squares by cluster:
## [1] 16065.634  8687.183  7955.062  6023.923
##  (between_SS / total_SS =  89.1 %)
## 
## Available components:
## 
## [1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
## [6] "betweenss"    "size"         "iter"         "ifault"

Paso 6. Asignar el grupo a cluster

asignacion_act <- cbind(cluster = segmentos_act$cluster, df_act)
head(asignacion_act)
##            cluster Murder Assault UrbanPop Rape
## Alabama          2   13.2     236       58 21.2
## Alaska           2   10.0     263       48 44.5
## Arizona          4    8.1     294       80 31.0
## Arkansas         3    8.8     190       50 19.5
## California       4    9.0     276       91 40.6
## Colorado         2    7.9     204       78 38.7

Paso 7. Graficar cluster

fviz_cluster(segmentos_act, data = df_act)

Paso 8. Comparar segmeentos

prom_act <- aggregate(asignacion_act, by= list(asignacion_act$cluster), FUN=mean)
head(prom_act)
##   Group.1 cluster    Murder   Assault UrbanPop     Rape
## 1       1       1  4.161111  83.94444 57.77778 13.52778
## 2       2       2 12.033333 239.25000 69.16667 28.50000
## 3       3       3  6.730769 157.69231 71.23077 21.08462
## 4       4       4 11.800000 300.85714 68.71429 28.85714

Paso 9. Colorear el mapa

USArrests_act <- rownames_to_column(asignacion_act, "State")
head(USArrests_act)
##        State cluster Murder Assault UrbanPop Rape
## 1    Alabama       2   13.2     236       58 21.2
## 2     Alaska       2   10.0     263       48 44.5
## 3    Arizona       4    8.1     294       80 31.0
## 4   Arkansas       3    8.8     190       50 19.5
## 5 California       4    9.0     276       91 40.6
## 6   Colorado       2    7.9     204       78 38.7
asignacion_act <- cbind(cluster = segmentos_act$cluster, df_act)
head(asignacion_act)
##            cluster Murder Assault UrbanPop Rape
## Alabama          2   13.2     236       58 21.2
## Alaska           2   10.0     263       48 44.5
## Arizona          4    8.1     294       80 31.0
## Arkansas         3    8.8     190       50 19.5
## California       4    9.0     276       91 40.6
## Colorado         2    7.9     204       78 38.7
library(tibble)
library(maps)
library(mapproj)
library(tidyverse)
#asignacion_act <- rownames_to_column(asignacion_act, var = "region")
#asignacion_act$region <- tolower(asignacion_act$region)
head(asignacion_act)
##            cluster Murder Assault UrbanPop Rape
## Alabama          2   13.2     236       58 21.2
## Alaska           2   10.0     263       48 44.5
## Arizona          4    8.1     294       80 31.0
## Arkansas         3    8.8     190       50 19.5
## California       4    9.0     276       91 40.6
## Colorado         2    7.9     204       78 38.7
#Obtener la data de los estados y nuestros grupos de arrestos
estados <- map_data("state")
arrestos <- asignacion_act
#Ajustarlos para que coincidan
names(arrestos) <- tolower(names(arrestos))
arrestos$region <- tolower(rownames(asignacion_act))
head(estados)
##        long      lat group order  region subregion
## 1 -87.46201 30.38968     1     1 alabama      <NA>
## 2 -87.48493 30.37249     1     2 alabama      <NA>
## 3 -87.52503 30.37249     1     3 alabama      <NA>
## 4 -87.53076 30.33239     1     4 alabama      <NA>
## 5 -87.57087 30.32665     1     5 alabama      <NA>
## 6 -87.58806 30.32665     1     6 alabama      <NA>
head(arrestos)
##            cluster murder assault urbanpop rape     region
## Alabama          2   13.2     236       58 21.2    alabama
## Alaska           2   10.0     263       48 44.5     alaska
## Arizona          4    8.1     294       80 31.0    arizona
## Arkansas         3    8.8     190       50 19.5   arkansas
## California       4    9.0     276       91 40.6 california
## Colorado         2    7.9     204       78 38.7   colorado
#Merge y ordenamos 
arrests.geo <- merge(arrestos,estados, sort=FALSE, by="region")
arrests.geo <- arrests.geo[order(arrests.geo$order),]
head(arrests.geo)
##    region cluster murder assault urbanpop rape      long      lat group order
## 1 alabama       2   13.2     236       58 21.2 -87.46201 30.38968     1     1
## 2 alabama       2   13.2     236       58 21.2 -87.48493 30.37249     1     2
## 6 alabama       2   13.2     236       58 21.2 -87.52503 30.37249     1     3
## 7 alabama       2   13.2     236       58 21.2 -87.53076 30.33239     1     4
## 8 alabama       2   13.2     236       58 21.2 -87.57087 30.32665     1     5
## 9 alabama       2   13.2     236       58 21.2 -87.58806 30.32665     1     6
##   subregion
## 1      <NA>
## 2      <NA>
## 6      <NA>
## 7      <NA>
## 8      <NA>
## 9      <NA>
arrests.geo$cluster <- as.factor(arrests.geo$cluster)
head(arrests.geo)
##    region cluster murder assault urbanpop rape      long      lat group order
## 1 alabama       2   13.2     236       58 21.2 -87.46201 30.38968     1     1
## 2 alabama       2   13.2     236       58 21.2 -87.48493 30.37249     1     2
## 6 alabama       2   13.2     236       58 21.2 -87.52503 30.37249     1     3
## 7 alabama       2   13.2     236       58 21.2 -87.53076 30.33239     1     4
## 8 alabama       2   13.2     236       58 21.2 -87.57087 30.32665     1     5
## 9 alabama       2   13.2     236       58 21.2 -87.58806 30.32665     1     6
##   subregion
## 1      <NA>
## 2      <NA>
## 6      <NA>
## 7      <NA>
## 8      <NA>
## 9      <NA>
#plot
ggplot(arrests.geo, aes(long, lat)) +
  geom_polygon(aes(group = group, fill = cluster)) +
  coord_map() +
  scale_fill_manual(values = c("1" = "green", "2" = "yellow", "3" = "orange", "4" = "red"),
                    labels = c("Más Seguros", "Mayormente Seguros", "Mayormente Inseguros", "Más Inseguros"))

Conclusión

Después de analizar los datos de los diferentes clusters de arrestos en los estados de EE. UU., se observa lo siguiente:

Cluster 1 (Más Seguros): Este grupo muestra estados con tasas relativamente bajas de asesinatos, asaltos y violaciones. Tienen una población urbana moderada y una tasa de violación más baja en comparación con los otros clusters. Incluye estados como Maine, Iowa, y Vermont.

Cluster 2 (Mayormente Seguros): Los estados en este grupo tienen tasas más altas de asaltos y violaciones en comparación con el Cluster 1, pero aún muestran tasas relativamente bajas de asesinatos. Incluye estados como Hawaii, Idaho y Minnesota.

Cluster 3 (Mayormente Inseguros): Este cluster presenta estados con tasas más altas de asesinatos, asaltos y violaciones en comparación con los dos clusters anteriores. Tienen una población urbana moderada a alta. Incluye estados como Michigan, Ohio y Washington.

Cluster 4 (Más Inseguros): Este grupo muestra los estados con las tasas más altas de asesinatos, asaltos y violaciones. También tienen la población urbana más alta en comparación con los otros clusters. Incluye estados como Florida, Maryland y California.

Esta segmentación proporciona información valiosa sobre cómo se distribuyen las tasas de criminalidad en los diferentes estados de USA, lo que puede ser útil para implementar políticas y estrategias de seguridad pública a nivel estatal y federal.

Información sobre la creación del mapa: Video de Youtube

---
title: "USArrests"
author: "Flor Martínez - A01411732, Luis David Sánchez - A01275655, Diego Pérez - A01275561"
date: "2024-02-19"
output: 
  html_document:
    toc: TRUE
    toc_float: true
    code_download: true
---


![](/Users/flormtz/Desktop/Concentración LIT/modulo 2/5T4c.gif)

# Contexto 
  La **segmentación** o *clusters* es un conjunto de técnicas cuyo propósito 
  es formar grupos a partir de un conjunto de elementos.
  
  Más información: 
  [R for Data Science (2ed)] (https://r4ds.hadley.nz/)

# Paso 1. Instalar paquetes y llamar librerías.
```{r}
  #install.packages("cluster")
  library(cluster)
  #install.package("ggplot2")
  library(ggplot2)
  #install.packages("data.table")
  library(data.table)
  #install.packages("factoextra")
  library(factoextra)
```

# Paso 2. Obtener los datos.
```{r}
df<- data.frame (x=c(2,2,8,5,7,6,1,4), y=c(10,5,4,8,5,4,2,9))
```

# Paso 3. Cantidad de grupos.
```{r}
grupos <- 3
```

# Paso 4. Generar los segmentos  (clusters).
```{r}
segmentos<- kmeans(df, grupos)
segmentos
```

# Paso 5. Asignar el grupo al que pertenece cada observación.
```{r}
asignacion<-cbind(df, cluster = segmentos$cluster)
asignacion
```

# Paso 6. Graficar los clusters
```{r}
  fviz_cluster(segmentos, data=df)
```

# Paso 7. Optimizar la cantidad de grupos
```{r}
  # La cantidad óptima de grupos corresponde al punto más alto 
  # de la siguiente gráfica:
  set.seed(123)
  optimizacion<- clusGap(df, FUN=kmeans, nstart=1, K.max = 7)
  plot(optimizacion, xlab="Número de clusters k")
```


# Conclusión
  La segmentación o clusters es un algorítmo útil para las empresas que desean clasificar sus clientes y dirigir campañas de marketing más enfocadas y especializadas.
  
# Actividad USArrest

# Contexto Actividad
La base de datos "USArrest" contiene etadísticas en arrestos por cada 100,000 residentes por agresión, asesinatos y violación en cada uno de los 50 estados de EE.UU. en 1973. A continuación se presenta un proceso de clustering (segmentación) con el fin de obtener información relevante para el departamento de seguridad de EE.UU.
  
# Pasos de la Actividad

## Paso 1. Inatalar paquetes y llamar librerías
```{r}
#install.packages("cluster")
library(cluster)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("data.table")
library(data.table)
#install.packages("factoextra")
library(factoextra)
#install.packages("maps")
library(maps)
#install.packages("tidyverse")
library(tidyverse)
#install.packages("tibble")
library(tibble)
#install.packages("dplyr")
library(dplyr)
```


## Paso 2. Obtener los datos
```{r}
USArrests
df_act<- USArrests
head(df_act)  
summary(df_act)
df_scale_act <- scale(df_act)  
```



## Paso 3. Optimizarr la cantidad de grupos
```{r}
set.seed(123)
optimizacion <- clusGap(df_act, FUN= kmeans, nstart=1, K.max = 8)
plot(optimizacion, xlab="Número de clusters k")
```


## Paso 4. Cantidad de grupos
```{r}
grupos_act <- 4
```

## Paso 5. Generar los segmentos
```{r}
segmentos_act <- kmeans(df_act, grupos_act)
segmentos_act
```

## Paso 6. Asignar el grupo a cluster
```{r}
asignacion_act <- cbind(cluster = segmentos_act$cluster, df_act)
head(asignacion_act)
```


## Paso 7. Graficar cluster
```{r}
fviz_cluster(segmentos_act, data = df_act)
```

## Paso 8. Comparar segmeentos
```{r}
prom_act <- aggregate(asignacion_act, by= list(asignacion_act$cluster), FUN=mean)
head(prom_act)
```


## Paso 9. Colorear el mapa
```{r}
USArrests_act <- rownames_to_column(asignacion_act, "State")
head(USArrests_act)
```

```{r}
asignacion_act <- cbind(cluster = segmentos_act$cluster, df_act)
head(asignacion_act)
```

```{r}
library(tibble)
library(maps)
library(mapproj)
library(tidyverse)
#asignacion_act <- rownames_to_column(asignacion_act, var = "region")
#asignacion_act$region <- tolower(asignacion_act$region)
head(asignacion_act)
```


```{r}
#Obtener la data de los estados y nuestros grupos de arrestos
estados <- map_data("state")
arrestos <- asignacion_act
```

```{r}
#Ajustarlos para que coincidan
names(arrestos) <- tolower(names(arrestos))
arrestos$region <- tolower(rownames(asignacion_act))

```

```{r}
head(estados)
head(arrestos)
```


```{r}
#Merge y ordenamos 
arrests.geo <- merge(arrestos,estados, sort=FALSE, by="region")
arrests.geo <- arrests.geo[order(arrests.geo$order),]
head(arrests.geo)
```

```{r}
arrests.geo$cluster <- as.factor(arrests.geo$cluster)
head(arrests.geo)
```


```{r}
#plot
ggplot(arrests.geo, aes(long, lat)) +
  geom_polygon(aes(group = group, fill = cluster)) +
  coord_map() +
  scale_fill_manual(values = c("1" = "green", "2" = "yellow", "3" = "orange", "4" = "red"),
                    labels = c("Más Seguros", "Mayormente Seguros", "Mayormente Inseguros", "Más Inseguros"))
```



# Conclusión

Después de analizar los datos de los diferentes clusters de arrestos en los estados de EE. UU., se observa lo siguiente:

**Cluster 1 (Más Seguros)**: Este grupo muestra estados con *tasas relativamente bajas de asesinatos, asaltos y violaciones*. Tienen una *población urbana moderada* y una *tasa de violación más baja en comparación con los otros clusters*. Incluye estados como Maine, Iowa, y Vermont.

**Cluster 2 (Mayormente Seguros)**: Los estados en este grupo tienen *tasas más altas de asaltos y violaciones en comparación con el Cluster 1*, pero aún muestran *tasas relativamente bajas de asesinatos*. Incluye estados como Hawaii, Idaho y Minnesota.

**Cluster 3 (Mayormente Inseguros)**: Este cluster presenta estados con *tasas más altas de asesinatos, asaltos y violaciones en comparación con los dos clusters anteriores*. Tienen una *población urbana moderada a alta*. Incluye estados como Michigan, Ohio y Washington.

**Cluster 4 (Más Inseguros)**: Este grupo muestra los estados con las *tasas más altas de asesinatos, asaltos y violaciones*. También tienen la *población urbana más alta en comparación con los otros clusters*. Incluye estados como Florida, Maryland y California.

Esta segmentación proporciona información valiosa sobre cómo se distribuyen las tasas de criminalidad en los diferentes estados de USA, lo que puede ser útil para implementar políticas y estrategias de seguridad pública a nivel estatal y federal.


Información sobre la creación del mapa:
  [Video de Youtube](https://www.youtube.com/watch?v=BwRwjAbXSSU)

