###Limpieza de data
###Data 1: Censo 2017
library(rio)
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unioncenso = import("data_censo.xlsx")## New names:
## • `` -> `...2`
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
## • `` -> `...8`
## • `` -> `...9`
## • `` -> `...10`
## • `` -> `...11`
## • `` -> `...12`
## • `` -> `...13`
## • `` -> `...14`
## • `` -> `...15`
## • `` -> `...16`
## • `` -> `...17`
## • `` -> `...18`
## • `` -> `...19`
## • `` -> `...20`
## • `` -> `...21`
## • `` -> `...22`
## • `` -> `...23`
## • `` -> `...24`
## • `` -> `...25`
## • `` -> `...26`
## • `` -> `...27`
## • `` -> `...28`
## • `` -> `...29`
## • `` -> `...30`
## • `` -> `...31`
## • `` -> `...32`
## • `` -> `...33`
## • `` -> `...34`
## • `` -> `...35`
## • `` -> `...36`
## • `` -> `...37`
## • `` -> `...38`
## • `` -> `...39`
## • `` -> `...40`
## • `` -> `...41`
## • `` -> `...42`
## • `` -> `...43`names(censo)=censo[5,]
head(censo,10)%>%
rmarkdown::paged_table()censo=censo[-c(1:5),]
head(censo,10)%>%
rmarkdown::paged_table()censo <- censo[, -1]censo$Provincia_fija <- sub(".*: ", "", censo$Provincia)censo$Departamento <- sapply(strsplit(censo$Provincia, ",\\s*"), function(x) x[1])censo <- censo[, c(1:2, 43:44, 3:42:ncol(censo))]## Warning in 3:42:ncol(censo): numerical expression has 40 elements: only the
## first usedcenso <- subset(censo, select = -c(45, 46))censo=censo[-c(197:199),]names(censo)## [1] "Código"
## [2] "Provincia"
## [3] "Provincia_fija"
## [4] "Departamento"
## [5] "Ladrillo o bloque de cemento"
## [6] "Piedra o sillar con cal o cemento"
## [7] "Adobe"
## [8] "Tapia"
## [9] "Quincha (caña con barro)"
## [10] "Piedra con barro"
## [11] "Madera (pona, tornillo etc.)"
## [12] "Triplay / calamina / estera"
## [13] "Otro material"
## [14] "Total"
## [15] "Concreto armado"
## [16] "Madera"
## [17] "Tejas"
## [18] "Planchas de calamina, fibra de cemento o similares"
## [19] "Caña o estera con torta de barro o cemento"
## [20] "Triplay / estera / carrizo"
## [21] "Paja, hoja de palmera y similares"
## [22] "Otro material.1"
## [23] "Total.1"
## [24] "Parquet o madera pulida"
## [25] "Láminas asfálticas, vinílicos o similares"
## [26] "Losetas, terrazos, cerámicos o similares"
## [27] "Madera (pona, tornillo, etc.)"
## [28] "Cemento"
## [29] "Tierra"
## [30] "Otro material.2"
## [31] "Total.2"
## [32] "Red pública dentro de la vivienda"
## [33] "Red pública fuera de la vivienda, pero dentro de la edificación"
## [34] "Pilón o pileta de uso público"
## [35] "Camión - cisterna u otro similar"
## [36] "Pozo (agua subterránea)"
## [37] "Manantial o puquio"
## [38] "Río, acequia, lago, laguna"
## [39] "Otro"
## [40] "Vecino"
## [41] "Total.3"
## [42] "Sí tiene alumbrado eléctrico"
## [43] "No tiene alumbrado eléctrico"
## [44] "Total.4"nombres_columnas <- names(censo)
# Modificar los nombres de las columnas según las categorías
for (i in 5:14) {
nombres_columnas[i] <- paste0("pa.", nombres_columnas[i])
}
for (i in 15:23) {
nombres_columnas[i] <- paste0("te.", nombres_columnas[i])
}
for (i in 24:31) {
nombres_columnas[i] <- paste0("pi.", nombres_columnas[i])
}
for (i in 32:41) {
nombres_columnas[i] <- paste0("a.", nombres_columnas[i])
}
for (i in 42:44) {
nombres_columnas[i] <- paste0("luz.", nombres_columnas[i])
}
# Asignar los nuevos nombres al dataframe
names(censo) <- nombres_columnasstr(censo)## 'data.frame': 196 obs. of 44 variables:
## $ Código : chr "101" "102" "103" "104" ...
## $ Provincia : chr "Amazonas, provincia: Chachapoyas" "Amazonas, provincia: Bagua" "Amazonas, provincia: Bongara" "Amazonas, provincia: Condorcanqui" ...
## $ Provincia_fija : chr "Chachapoyas" "Bagua" "Bongara" "Condorcanqui" ...
## $ Departamento : chr "Amazonas" "Amazonas" "Amazonas" "Amazonas" ...
## $ pa.Ladrillo o bloque de cemento : chr "3782" "4633" "1602" "291" ...
## $ pa.Piedra o sillar con cal o cemento : chr "22" "46" "9" "7" ...
## $ pa.Adobe : chr "5881" "6639" "2729" "672" ...
## $ pa.Tapia : chr "2476" "222" "240" "8" ...
## $ pa.Quincha (caña con barro) : chr "309" "2518" "157" "386" ...
## $ pa.Piedra con barro : chr "168" "127" "36" "7" ...
## $ pa.Madera (pona, tornillo etc.) : chr "1270" "4484" "2505" "8145" ...
## $ pa.Triplay / calamina / estera : chr "91" "851" "30" "200" ...
## $ pa.Otro material : chr "0" "0" "0" "0" ...
## $ pa.Total : chr "13999" "19520" "7308" "9716" ...
## $ te.Concreto armado : chr "2262" "2187" "692" "56" ...
## $ te.Madera : chr "160" "294" "75" "188" ...
## $ te.Tejas : chr "3393" "179" "382" "177" ...
## $ te.Planchas de calamina, fibra de cemento o similares : chr "8005" "13186" "6084" "2036" ...
## $ te.Caña o estera con torta de barro o cemento : chr "50" "160" "38" "15" ...
## $ te.Triplay / estera / carrizo : chr "14" "106" "5" "10" ...
## $ te.Paja, hoja de palmera y similares : chr "115" "3408" "32" "7234" ...
## $ te.Otro material.1 : chr "0" "0" "0" "0" ...
## $ te.Total.1 : chr "13999" "19520" "7308" "9716" ...
## $ pi.Parquet o madera pulida : chr "23" "6" "5" "2" ...
## $ pi.Láminas asfálticas, vinílicos o similares : chr "36" "19" "2" "0" ...
## $ pi.Losetas, terrazos, cerámicos o similares : chr "1077" "647" "165" "20" ...
## $ pi.Madera (pona, tornillo, etc.) : chr "240" "157" "132" "1523" ...
## $ pi.Cemento : chr "6189" "7121" "2917" "943" ...
## $ pi.Tierra : chr "6434" "11569" "4087" "7228" ...
## $ pi.Otro material.2 : chr "0" "1" "0" "0" ...
## $ pi.Total.2 : chr "13999" "19520" "7308" "9716" ...
## $ a.Red pública dentro de la vivienda : chr "10647" "9429" "4569" "1307" ...
## $ a.Red pública fuera de la vivienda, pero dentro de la edificación: chr "1619" "4392" "1497" "867" ...
## $ a.Pilón o pileta de uso público : chr "184" "793" "215" "1003" ...
## $ a.Camión - cisterna u otro similar : chr "49" "59" "0" "2" ...
## $ a.Pozo (agua subterránea) : chr "876" "1792" "474" "2564" ...
## $ a.Manantial o puquio : chr "92" "270" "67" "431" ...
## $ a.Río, acequia, lago, laguna : chr "488" "2648" "388" "3428" ...
## $ a.Otro : chr "24" "56" "61" "80" ...
## $ a.Vecino : chr "20" "81" "37" "34" ...
## $ a.Total.3 : chr "13999" "19520" "7308" "9716" ...
## $ luz.Sí tiene alumbrado eléctrico : chr "12248" "13204" "6025" "1792" ...
## $ luz.No tiene alumbrado eléctrico : chr "1751" "6316" "1283" "7924" ...
## $ luz.Total.4 : chr "13999" "19520" "7308" "9716" ...censo <- censo %>%
mutate_at(vars("pa.Ladrillo o bloque de cemento":"luz.Total.4"), as.numeric)str(censo)## 'data.frame': 196 obs. of 44 variables:
## $ Código : chr "101" "102" "103" "104" ...
## $ Provincia : chr "Amazonas, provincia: Chachapoyas" "Amazonas, provincia: Bagua" "Amazonas, provincia: Bongara" "Amazonas, provincia: Condorcanqui" ...
## $ Provincia_fija : chr "Chachapoyas" "Bagua" "Bongara" "Condorcanqui" ...
## $ Departamento : chr "Amazonas" "Amazonas" "Amazonas" "Amazonas" ...
## $ pa.Ladrillo o bloque de cemento : num 3782 4633 1602 291 430 ...
## $ pa.Piedra o sillar con cal o cemento : num 22 46 9 7 7 7 35 40 1 0 ...
## $ pa.Adobe : num 5881 6639 2729 672 5217 ...
## $ pa.Tapia : num 2476 222 240 8 6052 ...
## $ pa.Quincha (caña con barro) : num 309 2518 157 386 346 ...
## $ pa.Piedra con barro : num 168 127 36 7 54 28 518 106 65 7 ...
## $ pa.Madera (pona, tornillo etc.) : num 1270 4484 2505 8145 606 ...
## $ pa.Triplay / calamina / estera : num 91 851 30 200 45 24 210 340 18 0 ...
## $ pa.Otro material : num 0 0 0 0 0 0 0 0 0 0 ...
## $ pa.Total : num 13999 19520 7308 9716 12757 ...
## $ te.Concreto armado : num 2262 2187 692 56 187 ...
## $ te.Madera : num 160 294 75 188 43 48 340 515 57 12 ...
## $ te.Tejas : num 3393 179 382 177 3071 ...
## $ te.Planchas de calamina, fibra de cemento o similares : num 8005 13186 6084 2036 9343 ...
## $ te.Caña o estera con torta de barro o cemento : num 50 160 38 15 26 15 196 326 10 8 ...
## $ te.Triplay / estera / carrizo : num 14 106 5 10 12 5 62 312 17 4 ...
## $ te.Paja, hoja de palmera y similares : num 115 3408 32 7234 75 ...
## $ te.Otro material.1 : num 0 0 0 0 0 0 0 0 0 0 ...
## $ te.Total.1 : num 13999 19520 7308 9716 12757 ...
## $ pi.Parquet o madera pulida : num 23 6 5 2 4 3 20 585 0 0 ...
## $ pi.Láminas asfálticas, vinílicos o similares : num 36 19 2 0 0 4 32 323 0 0 ...
## $ pi.Losetas, terrazos, cerámicos o similares : num 1077 647 165 20 46 ...
## $ pi.Madera (pona, tornillo, etc.) : num 240 157 132 1523 295 ...
## $ pi.Cemento : num 6189 7121 2917 943 1911 ...
## $ pi.Tierra : num 6434 11569 4087 7228 10501 ...
## $ pi.Otro material.2 : num 0 1 0 0 0 0 0 0 0 0 ...
## $ pi.Total.2 : num 13999 19520 7308 9716 12757 ...
## $ a.Red pública dentro de la vivienda : num 10647 9429 4569 1307 7172 ...
## $ a.Red pública fuera de la vivienda, pero dentro de la edificación: num 1619 4392 1497 867 3097 ...
## $ a.Pilón o pileta de uso público : num 184 793 215 1003 1112 ...
## $ a.Camión - cisterna u otro similar : num 49 59 0 2 0 0 117 40 0 0 ...
## $ a.Pozo (agua subterránea) : num 876 1792 474 2564 819 ...
## $ a.Manantial o puquio : num 92 270 67 431 132 211 471 286 121 61 ...
## $ a.Río, acequia, lago, laguna : num 488 2648 388 3428 369 ...
## $ a.Otro : num 24 56 61 80 9 29 104 72 2 1 ...
## $ a.Vecino : num 20 81 37 34 47 8 177 121 9 4 ...
## $ a.Total.3 : num 13999 19520 7308 9716 12757 ...
## $ luz.Sí tiene alumbrado eléctrico : num 12248 13204 6025 1792 10886 ...
## $ luz.No tiene alumbrado eléctrico : num 1751 6316 1283 7924 1871 ...
## $ luz.Total.4 : num 13999 19520 7308 9716 12757 ...names(censo)[2]='GENERAL'
names(censo)[3]='PROVINCIA'
names(censo)[4]='DEPARTAMENTO'quitar_tildes <- function(x) {
chartr("áéíóúÁÉÍÓÚüÜñÑ", "aeiouAEIOUuUnN", x)
}
censo <- censo %>%
mutate_all(funs(toupper(quitar_tildes(.))))## Warning: `funs()` was deprecated in dplyr 0.8.0.
## ℹ Please use a list of either functions or lambdas:
##
## # Simple named list: list(mean = mean, median = median)
##
## # Auto named with `tibble::lst()`: tibble::lst(mean, median)
##
## # Using lambdas list(~ mean(., trim = .2), ~ median(., na.rm = TRUE))
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.###Data 2: Elecciones
elecciones = import("elecciones_resultados.csv")## Warning in (function (input = "", file = NULL, text = NULL, cmd = NULL, :
## Detected 15 column names but the data has 16 columns (i.e. invalid file). Added
## 1 extra default column name for the first column which is guessed to be row
## names or an index. Use setnames() afterwards if this guess is not correct, or
## fix the file write command that created the file to create a valid file.names(elecciones)[1] <- ""
# Obtener los nombres de las columnas
column_elecciones <- names(elecciones)
# Desplazar los nombres de las variables hacia la izquierda
for (i in 2:length(column_elecciones)) {
names(elecciones)[i - 1] <- column_elecciones[i]
}elecciones <- elecciones[, -16]elec <- names(elecciones)
# Modificar los nombres de las columnas según las categorías
for (i in 5:15) {
elec[i] <- paste0("ELEC.", elec[i])
}
names(elecciones) <- elecstr(elecciones)## 'data.frame': 86488 obs. of 15 variables:
## $ UBIGEO : int 10101 10101 10101 10101 10101 10201 10101 10107 10112 10112 ...
## $ DEPARTAMENTO : chr "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
## $ PROVINCIA : chr "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" ...
## $ DISTRITO : chr "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" ...
## $ ELEC.TIPO_ELECCION : chr "PRESIDENCIAL" "PRESIDENCIAL" "PRESIDENCIAL" "PRESIDENCIAL" ...
## $ ELEC.MESA_DE_VOTACION : int 13 26 30 36 40 148 59 90 117 119 ...
## $ ELEC.DESCRIP_ESTADO_ACTA: chr "CONTABILIZADA" "CONTABILIZADA" "CONTABILIZADA" "CONTABILIZADA" ...
## $ ELEC.TIPO_OBSERVACION : logi NA NA NA NA NA NA ...
## $ ELEC.N_CVAS : int 220 144 129 202 228 171 220 138 178 185 ...
## $ ELEC.N_ELEC_HABIL : int 300 300 300 252 300 300 300 213 240 240 ...
## $ ELEC.VOTOS_P1 : int 115 71 71 66 125 112 90 93 113 116 ...
## $ ELEC.VOTOS_P2 : int 87 58 50 105 87 51 101 34 54 58 ...
## $ ELEC.VOTOS_VB : int NA NA NA 5 NA 4 7 3 3 3 ...
## $ ELEC.VOTOS_VN : int 18 15 8 26 16 4 22 8 8 8 ...
## $ ELEC.VOTOS_VI : int NA NA NA NA NA NA NA NA NA NA ...###Data 3: Positivo por covid
positivos = import("data_positivos_covid.csv")str(positivos)## 'data.frame': 4585360 obs. of 10 variables:
## $ FECHA_CORTE : int 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 ...
## $ DEPARTAMENTO : chr "TUMBES" "LIMA" "SAN MARTIN" "AREQUIPA" ...
## $ PROVINCIA : chr "TUMBES" "LIMA" "MOYOBAMBA" "CAYLLOMA" ...
## $ DISTRITO : chr "TUMBES" "JESUS MARIA" "MOYOBAMBA" "COPORAQUE" ...
## $ METODODX : chr "AG" "AG" "AG" "AG" ...
## $ EDAD : int 46 69 55 50 58 21 49 72 45 52 ...
## $ SEXO : chr "FEMENINO" "FEMENINO" "FEMENINO" "MASCULINO" ...
## $ FECHA_RESULTADO: int 20221207 20230822 20240108 20230824 20221217 20220111 20221207 20231010 20221216 20201229 ...
## $ UBIGEO : int 240101 150113 220101 40506 150113 40101 220910 200601 230101 240302 ...
## $ id_persona : int 203499 221397 295651 851625 287786 222704 240360 853074 206939 233066 ...positivos$FECHA_RESULTADO <- as.numeric(positivos$FECHA_RESULTADO)str(positivos)## 'data.frame': 4585360 obs. of 10 variables:
## $ FECHA_CORTE : int 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 ...
## $ DEPARTAMENTO : chr "TUMBES" "LIMA" "SAN MARTIN" "AREQUIPA" ...
## $ PROVINCIA : chr "TUMBES" "LIMA" "MOYOBAMBA" "CAYLLOMA" ...
## $ DISTRITO : chr "TUMBES" "JESUS MARIA" "MOYOBAMBA" "COPORAQUE" ...
## $ METODODX : chr "AG" "AG" "AG" "AG" ...
## $ EDAD : int 46 69 55 50 58 21 49 72 45 52 ...
## $ SEXO : chr "FEMENINO" "FEMENINO" "FEMENINO" "MASCULINO" ...
## $ FECHA_RESULTADO: num 20221207 20230822 20240108 20230824 20221217 ...
## $ UBIGEO : int 240101 150113 220101 40506 150113 40101 220910 200601 230101 240302 ...
## $ id_persona : int 203499 221397 295651 851625 287786 222704 240360 853074 206939 233066 ...positivos_filtrado <- subset(positivos, FECHA_RESULTADO > 20199999 & FECHA_RESULTADO < 20210000)str(positivos_filtrado)## 'data.frame': 1022620 obs. of 10 variables:
## $ FECHA_CORTE : int 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 20241203 ...
## $ DEPARTAMENTO : chr "TUMBES" "TUMBES" "SAN MARTIN" "PIURA" ...
## $ PROVINCIA : chr "ZARUMILLA" "ZARUMILLA" "SAN MARTIN" "SULLANA" ...
## $ DISTRITO : chr "AGUAS VERDES" "ZARUMILLA" "TARAPOTO" "IGNACIO ESCUDERO" ...
## $ METODODX : chr "AG" "AG" "AG" "AG" ...
## $ EDAD : int 52 42 48 43 42 83 47 55 51 57 ...
## $ SEXO : chr "MASCULINO" "FEMENINO" "MASCULINO" "FEMENINO" ...
## $ FECHA_RESULTADO: num 20201229 20201229 20201230 20201216 20201230 ...
## $ UBIGEO : int 240302 240301 220901 200603 200603 220901 200603 200801 200603 230101 ...
## $ id_persona : int 233066 307679 301845 1063754 909317 524671 924272 716456 775082 126119 ...posi <- names(positivos_filtrado)
# Modificar los nombres de las columnas según las categorías
for (i in 5:10) {
posi[i] <- paste0("posi.", posi[i])
}
names(positivos_filtrado) <- posi###Data 4: Fallecidos
fallecidos = import("data_fallecidos_covid.csv")str(fallecidos)## 'data.frame': 220918 obs. of 10 variables:
## $ FECHA_CORTE : int 20240317 20240317 20240317 20240317 20240317 20240317 20240317 20240317 20240317 20240317 ...
## $ FECHA_FALLECIMIENTO: int 20220219 20210529 20210623 20210824 20210627 20210423 20210401 20220914 20210409 20211030 ...
## $ EDAD_DECLARADA : int 63 74 72 85 46 58 73 92 66 64 ...
## $ SEXO : chr "MASCULINO" "MASCULINO" "FEMENINO" "MASCULINO" ...
## $ CLASIFICACION_DEF : chr "Criterio virológico" "Criterio virológico" "Criterio SINADEF" "Criterio investigación Epidemiológica" ...
## $ DEPARTAMENTO : chr "TUMBES" "TUMBES" "TACNA" "TUMBES" ...
## $ PROVINCIA : chr "TUMBES" "TUMBES" "TACNA" "TUMBES" ...
## $ DISTRITO : chr "TUMBES" "TUMBES" "ALTO DE LA ALIANZA" "TUMBES" ...
## $ UBIGEO : int 240101 240101 230102 240101 230102 240301 240301 240102 200104 210901 ...
## $ UUID : int 203506 203532 203584 212541 203665 221184 221211 229901 846032 846152 ...fallecidos_filtrado <- subset(fallecidos, FECHA_FALLECIMIENTO > 20199999 & FECHA_FALLECIMIENTO < 20210000)falle <- names(fallecidos_filtrado)
# Modificar los nombres de las columnas según las categorías
for (i in 1:5) {
falle[i] <- paste0("falle.", falle[i])
}
names(fallecidos_filtrado) <- falle#MERGE
###Comparación previa
sort(setdiff(censo$PROVINCIA,elecciones$PROVINCIA))## [1] "ANTONIO RAYMONDI" "CANETE"
## [3] "DATEM DEL MARANON" "FERRENAFE"
## [5] "MADRE DE DIOS PROV. DE MANU" "MADRE DE DIOS PROV. DE TAHUAMANU"
## [7] "MADRE DE DIOS PROV. DE TAMBOPATA" "MARANON"
## [9] "NAZCA" "PROVINCIA CONSTITUCIONAL DEL CALLAO"censo[censo$PROVINCIA=='ANTONIO RAYMONDI','PROVINCIA']='ANTONIO RAIMONDI'
censo[censo$PROVINCIA=='CANETE','PROVINCIA']='CAÑETE'
censo[censo$PROVINCIA=='DATEM DEL MARANON','PROVINCIA']='DATEM MARAÑON'
censo[censo$PROVINCIA=='FERRENAFE','PROVINCIA']='FERREÑAFE'
censo[censo$PROVINCIA=='MADRE DE DIOS PROV. DE MANU','PROVINCIA']='MANU'
censo[censo$PROVINCIA=='MADRE DE DIOS PROV. DE TAHUAMANU','PROVINCIA']='TAHUAMANU'
censo[censo$PROVINCIA=='MADRE DE DIOS PROV. DE TAMBOPATA','PROVINCIA']='TAMBOPATA'
censo[censo$PROVINCIA=='MARANON','PROVINCIA']='MARAÑON'
censo[censo$PROVINCIA=='PROVINCIA CONSTITUCIONAL DEL CALLAO','PROVINCIA']='CALLAO'sort(setdiff(elecciones$PROVINCIA,censo$PROVINCIA))## [1] "CA\xbf\xbfETE" "FERRE\xbf\xbfAFE"
## [3] "DATEM DEL MARA\xbf\xbfON" "GRAN BRETA\xbf\xbfA"
## [5] "ESPA\xbf\xbfA" "MARA\xbf\xbfON"
## [7] "ALEMANIA" "ANTILLAS HOLANDESAS"
## [9] "ARABIA SAUDITA" "ARGELIA"
## [11] "ARGENTINA" "AUSTRALIA"
## [13] "AUSTRIA" "BELGICA"
## [15] "BIELORRUSIA" "BOLIVIA"
## [17] "BRASIL" "CANADA"
## [19] "CHILE" "COLOMBIA"
## [21] "COSTA RICA" "CROACIA"
## [23] "CUBA" "DINAMARCA"
## [25] "ECUADOR" "EL SALVADOR"
## [27] "EMIRATOS ARABES UNIDOS" "ESTADOS UNIDOS DE AMERICA"
## [29] "FILIPINAS" "FINLANDIA"
## [31] "FRANCIA" "GRAN DUCADO DE LUXEMBURGO"
## [33] "GRECIA" "GUATEMALA"
## [35] "GUAYANA FRANCESA" "HAITI"
## [37] "HOLANDA" "HONDURAS"
## [39] "HUNGRIA" "INDIA"
## [41] "INDONESIA" "IRAN"
## [43] "IRLANDA" "ISRAEL"
## [45] "ITALIA" "JAPON"
## [47] "JORDANIA" "KUWAIT"
## [49] "LIBANO" "MACEDONIA DEL NORTE"
## [51] "MALASIA" "MARRUECOS"
## [53] "MEXICO" "NASCA"
## [55] "NICARAGUA" "NORUEGA"
## [57] "NUEVA ZELANDA" "PANAMA"
## [59] "PARAGUAY" "POLONIA"
## [61] "PORTUGAL" "PRINCIPADO DE ANDORRA"
## [63] "PUERTO RICO" "QATAR"
## [65] "REPUBLICA ARABE DE EGIPTO" "REPUBLICA CHECA"
## [67] "REPUBLICA DE COREA DEL SUR" "REPUBLICA DOMINICANA"
## [69] "REPUBLICA POPULAR CHINA" "RUMANIA"
## [71] "RUSIA" "SINGAPUR"
## [73] "SUDAFRICA" "SUECIA"
## [75] "SUIZA" "TAILANDIA"
## [77] "TRINIDAD TOBAGO" "TURQUIA"
## [79] "UCRANIA" "URUGUAY"
## [81] "VENEZUELA" "VIETNAM"elecciones[elecciones$PROVINCIA=='CA\xbf\xbfETE','PROVINCIA']='CAÑETE'
elecciones[elecciones$PROVINCIA=='FERRE\xbf\xbfAFE','PROVINCIA']='FERREÑAFE'
elecciones[elecciones$PROVINCIA=='DATEM DEL MARA\xbf\xbfON','PROVINCIA']='DATEM MARAÑON'
elecciones[elecciones$PROVINCIA=='MARA\xbf\xbfON','PROVINCIA']='MARAÑON'sort(setdiff(positivos_filtrado$PROVINCIA,censo$PROVINCIA))## [1] "DATEM DEL MARAÑON" "EN INVESTIGACIÓN"positivos_filtrado[positivos_filtrado$PROVINCIA=='DATEM DEL MARAÑON','PROVINCIA']='DATEM MARAÑON'sort(setdiff(fallecidos_filtrado$PROVINCIA,censo$PROVINCIA))## [1] "" "DATEM DEL MARAÑON"fallecidos_filtrado[fallecidos_filtrado$PROVINCIA=='DATEM DEL MARAÑON','PROVINCIA']='DATEM MARAÑON'###Descargamos las bases de datos
write.csv(censo,"censo_final.csv",row.names = F)
write.csv(elecciones,"elecciones_final.csv",row.names = F)
write.csv(fallecidos_filtrado,"fallecidos_final.csv",row.names = F)
write.csv(positivos_filtrado,"positivos_final.csv",row.names = F)