Curso de gráficas

Información

Para la elaboración de las siguientes gráficas se utilizó la información de INEGI de la Encuesta de Ocupación y Empleo disponible en el siguiente [link] (https://www.inegi.org.mx/programas/enoe/15ymas/)

Metodología

Para la generación de las gráficas se realizó un tratamiento de la información. Para esto se seleccionó la siguiente información:

  1. Se seleccionaron los residentes de las viviendas.
  2. Se seleccionó a la población de 15 a 98 años.
  3. Se utilizó la información de la población ocupada.
#1. Cargar librerias

paquetes=c("scales","survey","ggsurvey","forcats","haven","readxl","readxl","fastDummies","readr", "dplyr", "foreign", "tidyr", "ggplot2", "writexl","openxlsx","gridExtra")
for (i in paquetes) {if (!require(i, character.only = TRUE)) {install.packages(i);library(i, character.only = TRUE)} else {library(i, character.only = TRUE)}}

library(scales)


#2.  Directorio de trabajo

setwd("D:/Curso R/Curso R")

enoe=read_dta("ENOE_SDEMT423.dta")

enoe <- enoe %>%
  mutate(f = r_def == 0 & (c_res == 1 | c_res == 3) & eda >= 15 & eda <= 98)

enoe=enoe %>% filter(f==1)

#3.1 Etiquetas 

enoe$clase2=as.numeric(enoe$clase2)

ocupados=enoe%>%filter(clase2==1)

ocupados <- ocupados %>%
  mutate(sex = fct_recode(factor(sex),
                          Hombre = "1",
                          Mujer = "2"))
ocupados <- ocupados %>%
  mutate(pos_ocu = fct_recode(factor(pos_ocu),
                              "No Aplica" = "0",
                              "Subordinado/a" = "1",
                              "Empleadores/as" = "2",
                              "Cuenta propia" = "3",
                              "Sin pago" = "4"))

g1<-ggplot(ocupados) + aes(pos_ocu)            # Base de datos y variable

# Opción 1: Pantalla dividida
g1+geom_bar(fill="yellowgreen")+
  facet_wrap(~ sex)+                          # facet_wrap divide a la pantalla
  ggtitle("Ocupacion por sexo")+
  xlab("Posicion de la ocupacion")+
  ylab("Personas")

# agregar más detalles

g1+geom_bar(fill="yellowgreen")+
  facet_wrap(~ sex)+                          # facet_wrap divide a la pantalla
  ggtitle("Ocupacion por sexo")+
  xlab("Posicion de la ocupacion")+
  ylab("Personas")+
  geom_text(aes(label=..count..), stat='count',  
            position=position_dodge(0.5), 
            vjust=-0.5, 
            size=3.5) 

# Opción 2: Separa las barras


g2<-ggplot(ocupados,aes(x=pos_ocu,fill=sex))   # Base de datos y variable

g2+geom_bar(position = "dodge")+
  ggtitle("Ocupacion por sexo")+              # position ajusta la posicion de las barras
  xlab("Posicion de la ocupacion")+
  ylab("Personas")+
  scale_fill_brewer(palette = "Blues")+
  scale_y_continuous(labels = scales::comma)

# agregar más detalles

g2+geom_bar(position = "dodge", stat = "count") +  # Barras con posición dodge y contando las ocurrencias
  geom_text(aes(label = scales::comma(..count..)), stat = "count", position = position_dodge(width = 0.9), vjust = -0.5, size = 2.5) +  # Añade etiquetas numeradas con comas
  ggtitle("Ocupación por Sexo") +  # Título del gráfico
  xlab("Posición de la Ocupación") +  # Etiqueta del eje X
  ylab("Personas") +  # Etiqueta del eje Y
  scale_fill_brewer(palette = "Blues", name = "Sexo") +  # Define la paleta de colores y titula la leyenda como "Sexo"
  scale_y_continuous(labels = scales::comma)

# Opción 3: Apila los elementos uno encima del otro


# Preparación de los datos para calcular los porcentajes correctos
ocupados_r <- ocupados %>%
  group_by(pos_ocu, sex) %>%
  summarise(count = n(), .groups = 'drop') %>%
  group_by(pos_ocu) %>%
  mutate(percent = count / sum(count) * 100)

# Creación del gráfico con los datos preparados
g3 <- ggplot(ocupados_r, aes(x = pos_ocu, y = percent, fill = sex)) 

g3+geom_bar(stat = "identity", position = "dodge") +  # Usar barras con posición dodge
  geom_text(aes(label = scales::percent(percent / 100)), position = position_dodge(width = 0.9), vjust = -0.5, size = 2.5) +
  ggtitle("Ocupación por Sexo") +
  xlab("Posición de la Ocupación") +
  ylab("Porcentaje") +
  scale_fill_brewer(palette = "Blues", name = "Sexo") +
  scale_y_continuous(labels = percent_format(scale = 1))

# Creación del gráfico con las cifras divididas entre 100
g3+geom_bar(stat = "identity", position = "fill") +  # Usar barras con posición fill para apilar los porcentajes en una barra
  geom_text(aes(label = scales::percent(percent / 100, accuracy = 0.1)), position = position_fill(vjust = 0.5), size = 3.5) +
  ggtitle("Ocupación por Sexo") +
  xlab("Posición de la Ocupación") +
  ylab("Porcentaje de Personas") +
  scale_fill_brewer(palette = "Blues", name = "Sexo") +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1)) +  # Formatear el eje Y como porcentaje
  theme_minimal() +
  theme(plot.title = element_text(hjust = 0.5))

#4.3 Con 1 variable continua


class(ocupados$eda)                            
## [1] "numeric"
ocupados$eda<-as.numeric(ocupados$eda)
class(ocupados$eda)
## [1] "numeric"
# eda=Edad

g4<-ggplot(ocupados) + aes(eda)                 # Base de datos y variable


g4+geom_area(stat="bin")

g4+geom_freqpoly()

g4+geom_histogram(binwidth = 5)

#4.4 Con 2 variables continuas

ggplot(ocupados, aes(x = eda, y = ing_x_hrs)) +
  geom_point(alpha = 0.5, color = "green") +  # Utiliza puntos azules con cierta transparencia para manejar la sobreposición
  ggtitle("Relación entre edad e ingresos por Hora") +  # Título del gráfico
  xlab("Edad (años)") +  # Etiqueta del eje X
  ylab("Ingresos por hora") +  # Etiqueta del eje Y
  theme_minimal()  # Aplica un tema minimalista para un diseño limpio