Este análisis se realiza en el contexto del módulo “Ciencia de Datos I” del curso de FLACSO “Big Data e Inteligencia Territorial”. La idea es explorar los resultados de las elecciones generales del año 2023 para entender cómo se dió la dinámica del corte de boleta entre los cargos provinciales y nacionales con sus particularidades territoriales.
En particular, las preguntas que orientan brevísimo texto son: ¿Hubo corte de boleta entre quienes eligieron gobernador y presidente en las últimas elecciones generales? ¿Qué partido tuvo mayor proporción de votos fugados y en qué dirección? ¿Cómo se distribuye geográficamente ese corte de boleta?
Comenzamos cargando las librerías que vamos a usar.
Cargamos los datos de los resultados electorales disponibles en https://www.argentina.gob.ar/dine/resultados-electorales/elecciones-2023.
En este caso, nos enfrentamos a una base muy pesada que no vamos a usar en su totalidad, por lo que vamos a utilizar una función especial que realiza la carga por partes (chunks) filtrando los casos donde el distrito es “Buenos Aires” y los cargos son ejecutivos.
path <- "bases/2023_Generales/ResultadosElectorales_2023.csv"
cargos <- c("GOBERNADOR Y VICE","PRESIDENTE Y VICE","INTENDENTE")
f <- function(x, pos){
filter(x, (distrito_nombre=="Buenos Aires"),
(cargo_nombre %in% cargos))
}
g2023 <- read_csv_chunked(path, DataFrameCallback$new(f), chunk_size=10000)Luego, vamos a realizar ciertas transformaciones en algunas de sus variables (sección y circuito electoral) para poder después unir los resultados al archivo geográfico que nos permitirá desplegar los resultados en un mapa de la Provincia de Buenos Aires. Por último, ejecutamos algunas funciones para dar un vistazo general a la base que estamos trabajando.
g2023 <- g2023 %>%
mutate(dpto_clean = stringi::stri_trans_general(seccion_nombre,"Latin-ASCII"),
dpto_clean = case_when(dpto_clean == "General La Madrid"~"General Lamadrid",
dpto_clean == "Canuelas"~"Ca?uelas",
dpto_clean == "Adolfo Gonzales Chaves"~"A. Gonzales Chaves",
dpto_clean == "Coronel de Marina L. Rosales"~"Cnel. de Marina L.Rosales",
TRUE ~ as.character(dpto_clean)),
agrupacion_nombre = ifelse(agrupacion_nombre == "FRENTE DE IZQUIERDA Y DE TRABAJADORES - UNIDAD", "FIT-UNIDAD", agrupacion_nombre))
print("Vemos filas y columnas de la base: ")[1] "Vemos filas y columnas de la base: "dim(g2023)[1] 1103831 24print("Resumen de la base: ")[1] "Resumen de la base: "glimpse(g2023) Rows: 1,103,831
Columns: 24
$ año <dbl> 2023, 2023, 2023, 2023, 2023, 2023, 2023, 202…
$ eleccion_tipo <chr> "GENERAL", "GENERAL", "GENERAL", "GENERAL", "…
$ recuento_tipo <chr> "PROVISORIO", "PROVISORIO", "PROVISORIO", "PR…
$ padron_tipo <chr> "NORMAL", "NORMAL", "NORMAL", "NORMAL", "NORM…
$ distrito_id <dbl> 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, …
$ distrito_nombre <chr> "Buenos Aires", "Buenos Aires", "Buenos Aires…
$ seccionprovincial_id <dbl> 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, …
$ seccionprovincial_nombre <chr> "Sección Tercera", "Sección Tercera", "Secció…
$ seccion_id <dbl> 61, 61, 61, 61, 61, 61, 61, 61, 61, 61, 61, 6…
$ seccion_nombre <chr> "La Matanza", "La Matanza", "La Matanza", "La…
$ circuito_id <chr> "0635B", "0635B", "0635B", "0635B", "0635B", …
$ circuito_nombre <chr> "0635B", "0635B", "0635B", "0635B", "0635B", …
$ mesa_id <dbl> 2405, 2405, 2406, 2406, 2406, 2406, 2406, 240…
$ mesa_tipo <chr> "NATIVOS", "NATIVOS", "NATIVOS", "NATIVOS", "…
$ mesa_electores <dbl> 350, 350, 354, 354, 354, 354, 354, 354, 354, …
$ cargo_id <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, …
$ cargo_nombre <chr> "PRESIDENTE Y VICE", "PRESIDENTE Y VICE", "PR…
$ agrupacion_id <dbl> 0, 0, 134, 135, 132, 136, 133, 0, 0, 0, 0, 0,…
$ agrupacion_nombre <chr> NA, NA, "UNION POR LA PATRIA", "LA LIBERTAD A…
$ lista_numero <dbl> 0, 0, NA, NA, NA, NA, NA, 0, 0, 0, 0, 0, NA, …
$ lista_nombre <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, N…
$ votos_tipo <chr> "RECURRIDO", "COMANDO", "POSITIVO", "POSITIVO…
$ votos_cantidad <dbl> 0, 0, 164, 66, 33, 13, 5, 7, 2, 0, 0, 0, 155,…
$ dpto_clean <chr> "La Matanza", "La Matanza", "La Matanza", "La…Hacemos un pequeño gráfico para ver qué categorías tenemos para las variables de sección provincial y cargo nombre. Además, vemos si hay grandes diferencias entre la cantidad de votos para cada categoría en las distintas secciones.
g2023 %>%
#sample_n(10000) %>% # usamos sample_n para probar que el gráfico funcione bien, antes de utilizar la totalidad de la base que suele tardar
ggplot(aes(y=seccionprovincial_nombre, x=votos_cantidad, fill=cargo_nombre)) +
geom_col(position="fill")+
labs(title="Votos por cargo por sección",
subtitle='Elecciones G2023',
caption='*Datos provisorios')+
xlab('Votos')+
ylab('Sección provincial')+
theme_minimal()+
scale_fill_brewer(palette="Pastel1") 
Construimos una tabla agregada a nivel de sección provincial (una agrupación particular de secciones electorales o municipios) de votos afirmativos por partido. Excluímos a Hacemos por Nuestro País por no llevar un candidato a gobernador en la Provincia de Buenos Aires. También excluímos la categoría de voto a intendente porque deberíamos hacer una limpieza de nombres de partidos para homogeneizarlo con los partidos provinciales y nacionales.
tabla_agg <- g2023 %>%
filter(cargo_nombre %in% cargos[1:2], # nos quedamos sólo con gobernador y presidente porque las intendencias tienen nombres propios que deben ser estandarizados
agrupacion_nombre != 'HACEMOS POR NUESTRO PAIS') %>% # sacamos el partido Hacemos por Nuestro País porque no llevaba boleta a gobernador de la PBA
drop_na(agrupacion_nombre) %>% # eliminamos los votos negativos (blanco, nulo, etc.)
group_by(seccionprovincial_nombre, cargo_nombre, agrupacion_nombre) %>%
summarise(votos = sum(votos_cantidad)) %>%
mutate(porcentaje = votos / sum(votos) * 100) %>%
ungroup() `summarise()` has grouped output by 'seccionprovincial_nombre', 'cargo_nombre'.
You can override using the `.groups` argument.knitr::kable(head(tabla_agg))| seccionprovincial_nombre | cargo_nombre | agrupacion_nombre | votos | porcentaje |
|---|---|---|---|---|
| Sección Capital | GOBERNADOR Y VICE | FIT-UNIDAD | 18514 | 4.319666 |
| Sección Capital | GOBERNADOR Y VICE | JUNTOS POR EL CAMBIO | 140137 | 32.696606 |
| Sección Capital | GOBERNADOR Y VICE | LA LIBERTAD AVANZA | 88716 | 20.699117 |
| Sección Capital | GOBERNADOR Y VICE | UNION POR LA PATRIA | 181231 | 42.284612 |
| Sección Capital | PRESIDENTE Y VICE | FIT-UNIDAD | 16797 | 4.051473 |
| Sección Capital | PRESIDENTE Y VICE | JUNTOS POR EL CAMBIO | 129295 | 31.186232 |
Graficamos la cantidad de votos por sección por partido.
orden_seccion <- c("Sección Primera",'Sección Segunda','Sección Tercera',
'Sección Cuarta', 'Sección Quinta', 'Sección Sexta',
'Sección Séptima', 'Sección Capital')
tabla_agg %>%
ggplot(aes(x = agrupacion_nombre,
y = votos,
fill = cargo_nombre,
label=round(votos/1e3,0))) + # agregamos datos
geom_bar(stat = "identity", position = "dodge") + # graficamos barra
geom_text(position = position_dodge(width = 1),
hjust=0.8, vjust = 0.5, size = 3, color = "black")+ #graficamos etiquetas
coord_flip()+
labs(title = "Votos afirmativos por partido por sección",
subtitle='Elecciones G2023',
x = "", y = "en miles de votos", fill="",
caption='*Datos provisorios') +
facet_wrap(~factor(seccionprovincial_nombre,orden_seccion),
ncol=4, scales='free_x')+
theme_minimal()+
guides(fill = guide_legend(reverse = TRUE))+
theme(axis.line = element_line(color='black'),
plot.background = element_blank(),
panel.grid.major = element_blank(),
panel.grid.minor = element_blank(),
panel.border = element_blank(),
legend.position="bottom",
axis.text.x=element_blank())+ # limpiamos el gráfico
scale_fill_brewer(palette="Pastel1") 
Vemos la diferencia absoluta y en porcentaje para cada agrupación en cada sección provincial. Vamos a realizar dos gráficos, invirtiendo el orden de las variables agrupación y sección para ver con más claridad la relación inter-partidos e intra-partidos.
tabla_dif <- tabla_agg %>%
select(-porcentaje) %>%
pivot_wider(names_from=cargo_nombre, values_from=votos) %>%
janitor::clean_names() %>%
mutate(diferencia_abs = presidente_y_vice - gobernador_y_vice,
diferencia_per = diferencia_abs / gobernador_y_vice)
knitr::kable(head(tabla_dif))| seccionprovincial_nombre | agrupacion_nombre | gobernador_y_vice | presidente_y_vice | diferencia_abs | diferencia_per |
|---|---|---|---|---|---|
| Sección Capital | FIT-UNIDAD | 18514 | 16797 | -1717 | -0.0927406 |
| Sección Capital | JUNTOS POR EL CAMBIO | 140137 | 129295 | -10842 | -0.0773671 |
| Sección Capital | LA LIBERTAD AVANZA | 88716 | 97324 | 8608 | 0.0970287 |
| Sección Capital | UNION POR LA PATRIA | 181231 | 171174 | -10057 | -0.0554927 |
| Sección Cuarta | FIT-UNIDAD | 6266 | 7488 | 1222 | 0.1950207 |
| Sección Cuarta | JUNTOS POR EL CAMBIO | 129568 | 119572 | -9996 | -0.0771487 |
orden_agrup <- c("UNION POR LA PATRIA","LA LIBERTAD AVANZA",
'JUNTOS POR EL CAMBIO','FIT-UNIDAD')
tabla_dif %>%
ggplot(aes(x = factor(agrupacion_nombre, orden_agrup),
y = diferencia_per,
label=round(diferencia_per*100)))+
geom_col(width = 0.05)+
geom_point(size=2)+
geom_hline(yintercept=0)+
facet_wrap(~factor(seccionprovincial_nombre, orden_seccion),
ncol=4)+
coord_flip(ylim=c(-0.25,0.25))+
labs(title='Diferencia % entre voto a presidente y gobernador',
subtitle='Valores positivos indican mayor voto a presidente que a gobernador, valores negativos indican la situación inversa.',
y='Diferencia (%)', x='')+
theme_minimal()+
theme(axis.text.x=element_blank())
tabla_dif %>%
ggplot(aes(x = factor(seccionprovincial_nombre, orden_seccion),
y = diferencia_per,
label=round(diferencia_per*100)))+
geom_col(width = 0.05)+
geom_point(size=2)+
geom_hline(yintercept=0)+
facet_wrap(~factor(agrupacion_nombre, orden_agrup),
ncol=4)+
coord_flip(ylim=c(-0.25,0.25))+
labs(title='Diferencia % entre voto a presidente y gobernador',
subtitle='Valores positivos indican mayor voto a presidente que a gobernador, valores negativos indican la situación inversa.',
y='Diferencia (%)', x='')+
theme_minimal()+
theme(axis.text.x=element_blank())
Con ambos gráficos vemos qué:
Unión por la Patria tiene poco corte de boleta en general; el valor más alto lo tiene en la Sección Capital en favor del gobernador.
La Libertad Avanza tiene mucho corte de boleta en favor del presidente; destaca la Sección Cuarta.
Juntos por el Cambio tiene mucho corte de boleta en favor del gobernador.
FIT-Unidad tiene un comportamiento disímil: en la Sección Primera, Tercera y Capital tiene corte en favor del gobernador; en el resto en favor del presidente.
Cargo circuitos electorales disponibles en el portal de datos abiertos de la Provincia de Buenos Aires: https://catalogo.datos.gba.gob.ar/tr/dataset/circuitos-electorales. Transformamos el circuito y la sección para unir con los resultados electorales.
path <- "bases/circuitos-electorales/circuitos-electorales.geojson"
circ <- read_sf(path) %>%
mutate(circuito_id = str_pad(circuito, 5, "0", side="left"),
dpto_clean = stringi::stri_trans_general(departamen,"Latin-ASCII"))
circ %>%
ggplot()+
geom_sf(aes(fill=circuito_id),color=NA)+
theme_void()+
labs(title='Circuitos electorales',
subtitle='Provincia de Buenos Aires')+
theme(legend.position = "none")
Construimos tabla de resultados agregada a nivel circuito, departamento y a nivel sección provincial.
print('Circuito: ')[1] "Circuito: "tabla_circ <- g2023 %>%
filter(cargo_nombre %in% cargos[1:2],
agrupacion_nombre != 'HACEMOS POR NUESTRO PAIS') %>%
drop_na(agrupacion_nombre) %>%
group_by(distrito_id, distrito_nombre, seccionprovincial_id, seccionprovincial_nombre, seccion_id, seccion_nombre, dpto_clean, circuito_id, cargo_nombre, agrupacion_nombre) %>%
summarise(votos = sum(votos_cantidad)) %>%
mutate(cargo_nombre = case_when(cargo_nombre=="PRESIDENTE Y VICE"~"PRE",
cargo_nombre=="GOBERNADOR Y VICE"~"GOB")) %>%
ungroup() %>%
pivot_wider(names_from=c("cargo_nombre","agrupacion_nombre"), values_from='votos') %>%
janitor::clean_names()
knitr::kable(head(tabla_circ))| distrito_id | distrito_nombre | seccionprovincial_id | seccionprovincial_nombre | seccion_id | seccion_nombre | dpto_clean | circuito_id | gob_fit_unidad | gob_juntos_por_el_cambio | gob_la_libertad_avanza | gob_union_por_la_patria | pre_fit_unidad | pre_juntos_por_el_cambio | pre_la_libertad_avanza | pre_union_por_la_patria |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2 | Buenos Aires | 1 | Sección Primera | 16 | Campana | Campana | 00155 | 456 | 6156 | 3130 | 4637 | 466 | 5629 | 3789 | 5178 |
| 2 | Buenos Aires | 1 | Sección Primera | 16 | Campana | Campana | 00156 | 334 | 3148 | 2471 | 4499 | 377 | 2844 | 3182 | 5313 |
| 2 | Buenos Aires | 1 | Sección Primera | 16 | Campana | Campana | 0155A | 473 | 5958 | 3158 | 4135 | 481 | 4989 | 3514 | 4234 |
| 2 | Buenos Aires | 1 | Sección Primera | 16 | Campana | Campana | 0156A | 496 | 4649 | 3602 | 4636 | 510 | 4174 | 4314 | 5168 |
| 2 | Buenos Aires | 1 | Sección Primera | 16 | Campana | Campana | 0156B | 268 | 2402 | 1938 | 3336 | 272 | 2184 | 2400 | 4017 |
| 2 | Buenos Aires | 1 | Sección Primera | 35 | Escobar | Escobar | 00773 | 871 | 4431 | 7737 | 9298 | 844 | 4356 | 8095 | 8814 |
print('Departamento: ')[1] "Departamento: "tabla_dpto <- g2023 %>%
filter(cargo_nombre %in% cargos[1:2],
agrupacion_nombre != 'HACEMOS POR NUESTRO PAIS') %>%
drop_na(agrupacion_nombre) %>%
group_by(distrito_id, distrito_nombre, seccionprovincial_id, seccionprovincial_nombre, seccion_id, seccion_nombre, dpto_clean, cargo_nombre, agrupacion_nombre) %>%
summarise(votos = sum(votos_cantidad)) %>%
mutate(cargo_nombre = case_when(cargo_nombre=="PRESIDENTE Y VICE"~"PRE",
cargo_nombre=="GOBERNADOR Y VICE"~"GOB")) %>%
ungroup() %>%
pivot_wider(names_from=c("cargo_nombre","agrupacion_nombre"), values_from='votos') %>%
janitor::clean_names()
knitr::kable(head(tabla_dpto))| distrito_id | distrito_nombre | seccionprovincial_id | seccionprovincial_nombre | seccion_id | seccion_nombre | dpto_clean | gob_fit_unidad | gob_juntos_por_el_cambio | gob_la_libertad_avanza | gob_union_por_la_patria | pre_fit_unidad | pre_juntos_por_el_cambio | pre_la_libertad_avanza | pre_union_por_la_patria |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2 | Buenos Aires | 1 | Sección Primera | 16 | Campana | Campana | 2027 | 22313 | 14299 | 21243 | 2106 | 19820 | 17199 | 23910 |
| 2 | Buenos Aires | 1 | Sección Primera | 35 | Escobar | Escobar | 5307 | 29981 | 42106 | 63560 | 5274 | 29676 | 44742 | 63308 |
| 2 | Buenos Aires | 1 | Sección Primera | 45 | General Las Heras | General Las Heras | 253 | 3042 | 2375 | 4764 | 275 | 2924 | 2822 | 4694 |
| 2 | Buenos Aires | 1 | Sección Primera | 51 | General Rodríguez | General Rodriguez | 2101 | 13063 | 17633 | 32504 | 2153 | 12543 | 19316 | 31331 |
| 2 | Buenos Aires | 1 | Sección Primera | 52 | General San Martín | General San Martin | 11062 | 66508 | 61314 | 114463 | 10200 | 62941 | 63294 | 113590 |
| 2 | Buenos Aires | 1 | Sección Primera | 53 | San Miguel | San Miguel | 7385 | 54877 | 43448 | 71799 | 7081 | 49453 | 48338 | 75578 |
print('Sección provincial: ')[1] "Sección provincial: "tabla_seccp <- g2023 %>%
filter(cargo_nombre %in% cargos[1:2],
agrupacion_nombre != 'HACEMOS POR NUESTRO PAIS') %>%
drop_na(agrupacion_nombre) %>%
group_by(distrito_id, distrito_nombre, seccionprovincial_id, seccionprovincial_nombre, cargo_nombre, agrupacion_nombre) %>%
summarise(votos = sum(votos_cantidad)) %>%
mutate(cargo_nombre = case_when(cargo_nombre=="PRESIDENTE Y VICE"~"PRE",
cargo_nombre=="GOBERNADOR Y VICE"~"GOB")) %>%
ungroup() %>%
pivot_wider(names_from=c("cargo_nombre","agrupacion_nombre"), values_from='votos') %>%
janitor::clean_names()
knitr::kable(head(tabla_seccp))| distrito_id | distrito_nombre | seccionprovincial_id | seccionprovincial_nombre | gob_fit_unidad | gob_juntos_por_el_cambio | gob_la_libertad_avanza | gob_union_por_la_patria | pre_fit_unidad | pre_juntos_por_el_cambio | pre_la_libertad_avanza | pre_union_por_la_patria |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 2 | Buenos Aires | 1 | Sección Primera | 139903 | 885788 | 828607 | 1490895 | 131805 | 839484 | 884650 | 1507235 |
| 2 | Buenos Aires | 2 | Sección Segunda | 10266 | 137229 | 122830 | 165092 | 10635 | 129476 | 142656 | 170051 |
| 2 | Buenos Aires | 3 | Sección Tercera | 147989 | 716515 | 766781 | 1744787 | 140134 | 679505 | 803778 | 1729564 |
| 2 | Buenos Aires | 4 | Sección Cuarta | 6266 | 129568 | 96047 | 136655 | 7488 | 119572 | 119435 | 135114 |
| 2 | Buenos Aires | 5 | Sección Quinta | 27060 | 294917 | 228045 | 306639 | 27723 | 276082 | 265801 | 306537 |
| 2 | Buenos Aires | 6 | Sección Sexta | 12391 | 142893 | 134436 | 139141 | 13414 | 139636 | 156316 | 137433 |
Construimos la tabla de circuitos agregada a nivel departamento y sección provincial.
equi_seccp <- g2023 %>%
select(dpto_clean, seccionprovincial_nombre) %>%
distinct()
geo_dpto <- circ %>%
group_by(dpto_clean) %>%
summarise(geometry=st_union(geometry))Warning: Returning more (or less) than 1 row per `summarise()` group was deprecated in
dplyr 1.1.0.
ℹ Please use `reframe()` instead.
ℹ When switching from `summarise()` to `reframe()`, remember that `reframe()`
always returns an ungrouped data frame and adjust accordingly.geo_seccp <- circ %>%
left_join(equi_seccp, by="dpto_clean") %>%
group_by(seccionprovincial_nombre) %>%
summarise(geometry=st_union(geometry))
ggplot()+
labs(title='Distintos niveles geográficos')+
geom_sf(data=circ, fill=NA)+
geom_sf(data=geo_dpto, color='blue', fill=NA)+
geom_sf(data=geo_seccp, color='red', fill=NA)+
theme_void()
Teniendo las tablas, unimos con los archivos geográficos.
df_seccp <- left_join(geo_seccp, tabla_seccp, by="seccionprovincial_nombre")%>%
mutate(dif_fit_unidad = (pre_fit_unidad - gob_fit_unidad)/gob_fit_unidad,
dif_juntos_por_el_cambio = (pre_juntos_por_el_cambio - gob_juntos_por_el_cambio)/gob_juntos_por_el_cambio,
dif_la_libertad_avanza = (pre_la_libertad_avanza - gob_la_libertad_avanza)/gob_la_libertad_avanza,
dif_union_por_la_patria = (pre_union_por_la_patria - gob_union_por_la_patria)/gob_union_por_la_patria,
gob_afirmativos = gob_fit_unidad+gob_juntos_por_el_cambio+gob_la_libertad_avanza+gob_union_por_la_patria,
pre_afirmativos = pre_fit_unidad+gob_juntos_por_el_cambio+pre_la_libertad_avanza+pre_union_por_la_patria) %>%
st_as_sf(wkt='geometry')
df_dpto <- left_join(geo_dpto, tabla_dpto, by="dpto_clean")%>%
mutate(dif_fit_unidad = (pre_fit_unidad - gob_fit_unidad)/gob_fit_unidad,
dif_juntos_por_el_cambio = (pre_juntos_por_el_cambio - gob_juntos_por_el_cambio)/gob_juntos_por_el_cambio,
dif_la_libertad_avanza = (pre_la_libertad_avanza - gob_la_libertad_avanza)/gob_la_libertad_avanza,
dif_union_por_la_patria = (pre_union_por_la_patria - gob_union_por_la_patria)/gob_union_por_la_patria,
gob_afirmativos = gob_fit_unidad+gob_juntos_por_el_cambio+gob_la_libertad_avanza+gob_union_por_la_patria,
pre_afirmativos = pre_fit_unidad+gob_juntos_por_el_cambio+pre_la_libertad_avanza+pre_union_por_la_patria) %>%
st_as_sf(wkt='geometry')
df_circ <- left_join(circ, tabla_circ, by="circuito_id")%>%
mutate(dif_fit_unidad = (pre_fit_unidad - gob_fit_unidad)/gob_fit_unidad,
dif_juntos_por_el_cambio = (pre_juntos_por_el_cambio - gob_juntos_por_el_cambio)/gob_juntos_por_el_cambio,
dif_la_libertad_avanza = (pre_la_libertad_avanza - gob_la_libertad_avanza)/gob_la_libertad_avanza,
dif_union_por_la_patria = (pre_union_por_la_patria - gob_union_por_la_patria)/gob_union_por_la_patria,
gob_afirmativos = gob_fit_unidad+gob_juntos_por_el_cambio+gob_la_libertad_avanza+gob_union_por_la_patria,
pre_afirmativos = pre_fit_unidad+gob_juntos_por_el_cambio+pre_la_libertad_avanza+pre_union_por_la_patria) %>%
st_as_sf(wkt='geometry')Vamos a ver los resultados anteriores en los distintos mapas.
df_seccp %>%
select(starts_with("dif"), seccionprovincial_nombre) %>%
pivot_longer(starts_with("dif"), names_to="agrup", values_to='dif_per') %>%
mutate(agrup = str_to_title(str_replace_all(str_remove(agrup, "dif_"), "_"," "))) %>%
#mutate(min=min(dif_per), max=max(dif_per))
ggplot()+
geom_sf(aes(fill=dif_per),color=NA)+
facet_wrap(~agrup)+
theme_void()+
labs(title='Corte de boleta por sección provincial',
subtitle='Elección G2023',
fill='Diferencia (%)')+
scale_fill_distiller(palette='RdYlGn', na.value="white",
limits=c(-0.25,0.25))+
guides(fill=guide_colorbar(ticks.colour=NA))
Para realizar los mapas a nivel departamento vamos a construirlo como mapas aparte porque no quedan bien las escalas al pintar los distintos polígonos.
temp <- df_dpto %>%
select(starts_with("dif"), dpto_clean) %>%
pivot_longer(starts_with("dif"), names_to="agrup", values_to='dif_per') %>%
mutate(agrup = str_to_title(str_replace_all(str_remove(agrup, "dif_"), "_"," ")))
limits <- temp %>% group_by(agrup) %>% summarise(min=min(dif_per), max=max(dif_per))
agrups <- unique(temp$agrup)
temp %>%
filter(agrup=="Union Por La Patria") %>%
ggplot()+
geom_sf(aes(fill=dif_per))+ # color=NA me da un error que no logro solucionar
theme_void()+
labs(title='Corte de boleta por departamento',
subtitle='Elección G2023: Union Por La Patria',
fill='Diferencia (%)') +
scale_fill_distiller(palette='RdYlGn', na.value="white",
limits=c(-0.2, 0.2))+
guides(fill=guide_colorbar(ticks.colour=NA)) 
temp %>%
filter(agrup=="La Libertad Avanza") %>%
ggplot()+
geom_sf(aes(fill=dif_per))+ # color=NA me da un error que no logro solucionar
theme_void()+
labs(title='Corte de boleta por departamento',
subtitle='Elección G2023: La Libertad Avanza',
fill='Diferencia (%)') +
scale_fill_distiller(palette='RdYlGn', na.value="white",
limits=c(-0.8, 0.8))+
guides(fill=guide_colorbar(ticks.colour=NA)) 
temp %>%
filter(agrup=="Juntos Por El Cambio") %>%
ggplot()+
geom_sf(aes(fill=dif_per))+ # color=NA me da un error que no logro solucionar
theme_void()+
labs(title='Corte de boleta por departamento',
subtitle='Elección G2023: Juntos Por El Cambio',
fill='Diferencia (%)') +
scale_fill_distiller(palette='RdYlGn', na.value="white",
limits=c(-0.21, 0.21))+
guides(fill=guide_colorbar(ticks.colour=NA)) 
temp %>%
filter(agrup=="Fit Unidad") %>%
ggplot()+
geom_sf(aes(fill=dif_per))+ # color=NA me da un error que no logro solucionar
theme_void()+
labs(title='Corte de boleta por departamento',
subtitle='Elección G2023: Fit Unidad',
fill='Diferencia (%)') +
scale_fill_distiller(palette='RdYlGn', na.value="white",
limits=c(-1.7, 1.7))+
guides(fill=guide_colorbar(ticks.colour=NA)) 