rm(list = ls())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, unionpositivos <- import("positivos_covid.csv")
fallecidos <- import("fallecidos_covid.csv")
resultados <- import("resultados-2vuelta.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.reportex= import("reportex.xlsx")## New names:
## • `Otro material` -> `Otro material...12`
## • `Otro material` -> `Otro material...21`
## • `Otro material` -> `Otro material...29`str(reportex)## 'data.frame': 196 obs. of 43 variables:
## $ Código : num 101 102 103 104 105 106 107 201 202 203 ...
## $ DEPARTAMENT0 : chr "Amazonas" "Amazonas" "Amazonas" "Amazonas" ...
## $ PROVINCIA : chr "Chachapoyas" "Bagua" "Bongara" "Condorcanqui" ...
## $ Ladrillo o bloque de cemento : num 3782 4633 1602 291 430 ...
## $ Piedra o sillar con cal o cemento : num 22 46 9 7 7 7 35 40 1 0 ...
## $ Adobe : num 5881 6639 2729 672 5217 ...
## $ Tapia : num 2476 222 240 8 6052 ...
## $ Quincha (caña con barro) : num 309 2518 157 386 346 ...
## $ Piedra con barro : num 168 127 36 7 54 28 518 106 65 7 ...
## $ Madera (pona, tornillo etc.) : num 1270 4484 2505 8145 606 ...
## $ Triplay / calamina / estera : num 91 851 30 200 45 24 210 340 18 0 ...
## $ Otro material...12 : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Total1 : num 13999 19520 7308 9716 12757 ...
## $ Concreto armado : num 2262 2187 692 56 187 ...
## $ Madera : num 160 294 75 188 43 48 340 515 57 12 ...
## $ Tejas : num 3393 179 382 177 3071 ...
## $ Planchas de calamina, fibra de cemento o similares : num 8005 13186 6084 2036 9343 ...
## $ Caña o estera con torta de barro o cemento : num 50 160 38 15 26 15 196 326 10 8 ...
## $ Triplay / estera / carrizo : num 14 106 5 10 12 5 62 312 17 4 ...
## $ Paja, hoja de palmera y similares : num 115 3408 32 7234 75 ...
## $ Otro material...21 : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Total2 : num 13999 19520 7308 9716 12757 ...
## $ Parquet o madera pulida : num 23 6 5 2 4 3 20 585 0 0 ...
## $ Láminas asfálticas, vinílicos o similares : num 36 19 2 0 0 4 32 323 0 0 ...
## $ Losetas, terrazos, cerámicos o similares : num 1077 647 165 20 46 ...
## $ Madera (pona, tornillo, etc.) : num 240 157 132 1523 295 ...
## $ Cemento : num 6189 7121 2917 943 1911 ...
## $ Tierra : num 6434 11569 4087 7228 10501 ...
## $ Otro material...29 : num 0 1 0 0 0 0 0 0 0 0 ...
## $ Total3 : num 13999 19520 7308 9716 12757 ...
## $ Red pública dentro de la vivienda : num 10647 9429 4569 1307 7172 ...
## $ Red pública fuera de la vivienda, pero dentro de la edificación: num 1619 4392 1497 867 3097 ...
## $ Pilón o pileta de uso público : num 184 793 215 1003 1112 ...
## $ Camión - cisterna u otro similar : num 49 59 0 2 0 0 117 40 0 0 ...
## $ Pozo (agua subterránea) : num 876 1792 474 2564 819 ...
## $ Manantial o puquio : num 92 270 67 431 132 211 471 286 121 61 ...
## $ Río, acequia, lago, laguna : num 488 2648 388 3428 369 ...
## $ Otro : num 24 56 61 80 9 29 104 72 2 1 ...
## $ Vecino : num 20 81 37 34 47 8 177 121 9 4 ...
## $ Total4 : num 13999 19520 7308 9716 12757 ...
## $ Sí tiene alumbrado eléctrico : num 12248 13204 6025 1792 10886 ...
## $ No tiene alumbrado eléctrico : num 1751 6316 1283 7924 1871 ...
## $ Total5 : num 13999 19520 7308 9716 12757 ...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 ...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 ...str(resultados)## 'data.frame': 86488 obs. of 16 variables:
## $ V1 : int 10101 10101 10101 10101 10101 10201 10101 10107 10112 10112 ...
## $ UBIGEO : chr "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
## $ DEPARTAMENTO : chr "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" ...
## $ PROVINCIA : chr "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" ...
## $ DISTRITO : chr "PRESIDENCIAL" "PRESIDENCIAL" "PRESIDENCIAL" "PRESIDENCIAL" ...
## $ TIPO_ELECCION : int 13 26 30 36 40 148 59 90 117 119 ...
## $ MESA_DE_VOTACION : chr "CONTABILIZADA" "CONTABILIZADA" "CONTABILIZADA" "CONTABILIZADA" ...
## $ DESCRIP_ESTADO_ACTA: logi NA NA NA NA NA NA ...
## $ TIPO_OBSERVACION : int 220 144 129 202 228 171 220 138 178 185 ...
## $ N_CVAS : int 300 300 300 252 300 300 300 213 240 240 ...
## $ N_ELEC_HABIL : int 115 71 71 66 125 112 90 93 113 116 ...
## $ VOTOS_P1 : int 87 58 50 105 87 51 101 34 54 58 ...
## $ VOTOS_P2 : int NA NA NA 5 NA 4 7 3 3 3 ...
## $ VOTOS_VB : int 18 15 8 26 16 4 22 8 8 8 ...
## $ VOTOS_VN : int NA NA NA NA NA NA NA NA NA NA ...
## $ VOTOS_VI : logi NA NA NA NA NA NA ...fallecidos <- filter(fallecidos, fallecidos$FECHA_FALLECIMIENTO > 20200000 & FECHA_FALLECIMIENTO < 20210000)str(fallecidos)## 'data.frame': 95331 obs. of 10 variables:
## $ FECHA_CORTE : int 20240317 20240317 20240317 20240317 20240317 20240317 20240317 20240317 20240317 20240317 ...
## $ FECHA_FALLECIMIENTO: int 20200711 20200505 20200803 20200622 20200626 20200829 20200531 20200605 20200707 20200519 ...
## $ EDAD_DECLARADA : int 64 50 92 56 85 72 92 85 69 81 ...
## $ SEXO : chr "MASCULINO" "MASCULINO" "FEMENINO" "MASCULINO" ...
## $ CLASIFICACION_DEF : chr "Criterio SINADEF" "Criterio investigación Epidemiológica" "Criterio SINADEF" "Criterio investigación Epidemiológica" ...
## $ DEPARTAMENTO : chr "LIMA" "LORETO" "MADRE DE DIOS" "SAN MARTIN" ...
## $ PROVINCIA : chr "LIMA" "MARISCAL RAMON CASTILLA" "TAMBOPATA" "BELLAVISTA" ...
## $ DISTRITO : chr "LOS OLIVOS" "YAVARI" "INAMBARI" "BELLAVISTA" ...
## $ UBIGEO : int 150117 160403 170102 220201 220901 200401 150117 220201 170101 240203 ...
## $ UUID : int 846252 278625 846841 204560 297348 1016628 1060380 226494 853580 216926 ...positivos <- filter(positivos, positivos$FECHA_RESULTADO > 20200000 & FECHA_RESULTADO < 20210000)str(positivos)## '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: int 20201229 20201229 20201230 20201216 20201230 20201230 20201218 20201212 20201230 20201229 ...
## $ 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 ...names(fallecidos)[names(fallecidos) == 'EDAD_DECLARADA'] <- 'EDAD_DECLARADA_FALLECIMIENTO'
names(fallecidos)[names(fallecidos) == 'SEXO'] <- 'SEXO_FALLECIMIENTO'
names(fallecidos)[names(fallecidos)== 'CLASIFICACION_DEF']<- 'CLAS_DEF_FALLECIMIENTO'
names(fallecidos)[names(fallecidos)== 'DEPARTAMENTO']<- 'DEPARTAMENTO_FALLECIMIENTO'
names(fallecidos)[names(fallecidos)== 'PROVINCIA']<- 'PROVINCIA_FALLECIMIENTO'
names(fallecidos)[names(fallecidos)== 'DISTRITO']<- 'DISTRITO_FALLECIMIENTO'
names(fallecidos)[names(fallecidos)== 'UUID']<- 'UUID_FALLECIMIENTO'fallecidos <- fallecidos[, !names(fallecidos) %in% 'UBIGEO']positivos <- positivos[, !names(positivos) %in% 'UBIGEO']str(positivos)## 'data.frame': 1022620 obs. of 9 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: int 20201229 20201229 20201230 20201216 20201230 20201230 20201218 20201212 20201230 20201229 ...
## $ id_persona : int 233066 307679 301845 1063754 909317 524671 924272 716456 775082 126119 ...names(positivos)[names(positivos) == 'DEPARTAMENTO'] <- 'DEPARTAMENTO_POSITIVO'
names(positivos)[names(positivos) == 'PROVINCIA'] <- 'PROVINCIA_POSITIVO'
names(positivos)[names(positivos) == 'DISTRITO'] <- 'DISTRITO_POSITIVO'
names(positivos)[names(positivos) == 'METODODX'] <- 'METODODX_POSITIVO'
names(positivos)[names(positivos) == 'EDAD'] <- 'EDAD_POSITIVO'
names(positivos)[names(positivos) == 'SEXO'] <- 'SEXO_POSITIVO'
names(positivos)[names(positivos) == 'FECHA_RESULTADO'] <-
'FECHA_RESULTADO_POSITIVO'
names(positivos)[names(positivos) == 'id_persona'] <- 'ID_PERSONA_POSITIVO'str(resultados)## 'data.frame': 86488 obs. of 16 variables:
## $ V1 : int 10101 10101 10101 10101 10101 10201 10101 10107 10112 10112 ...
## $ UBIGEO : chr "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
## $ DEPARTAMENTO : chr "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" ...
## $ PROVINCIA : chr "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" "CHACHAPOYAS" ...
## $ DISTRITO : chr "PRESIDENCIAL" "PRESIDENCIAL" "PRESIDENCIAL" "PRESIDENCIAL" ...
## $ TIPO_ELECCION : int 13 26 30 36 40 148 59 90 117 119 ...
## $ MESA_DE_VOTACION : chr "CONTABILIZADA" "CONTABILIZADA" "CONTABILIZADA" "CONTABILIZADA" ...
## $ DESCRIP_ESTADO_ACTA: logi NA NA NA NA NA NA ...
## $ TIPO_OBSERVACION : int 220 144 129 202 228 171 220 138 178 185 ...
## $ N_CVAS : int 300 300 300 252 300 300 300 213 240 240 ...
## $ N_ELEC_HABIL : int 115 71 71 66 125 112 90 93 113 116 ...
## $ VOTOS_P1 : int 87 58 50 105 87 51 101 34 54 58 ...
## $ VOTOS_P2 : int NA NA NA 5 NA 4 7 3 3 3 ...
## $ VOTOS_VB : int 18 15 8 26 16 4 22 8 8 8 ...
## $ VOTOS_VN : int NA NA NA NA NA NA NA NA NA NA ...
## $ VOTOS_VI : logi NA NA NA NA NA NA ...names(resultados)[names(resultados) == 'V1'] <- 'UBIGEO_RESULTADO'
names(resultados)[names(resultados) == 'UBIGEO'] <- 'DEPARTAMENTO_RESULTADO'
names(resultados)[names(resultados) == 'DEPARTAMENTO'] <- 'PROVINCIA_RESULTADO'
names(resultados)[names(resultados) == 'PROVINCIA'] <- 'DISTRITO_RESULTADO'
names(resultados)[names(resultados) == 'DISTRITO'] <- 'RESIDENCIAL_RESULTADO'
names(resultados)[names(resultados) == 'TIPO_ELECCION'] <- 'TIPO_ELECCION_RESULTADO'
names(resultados)[names(resultados) == 'DESCRIP_ESTADO_ACTA'] <- 'DESCRIP_ESTADO_ACTA_RESULTADO'
names(resultados)[names(resultados) == 'TIPO_OBSERVACION'] <- 'TIPO_OBSERVACION_RESULTADO'resultados <- resultados[, !names(resultados) %in% 'UBIGEO_RESULTADO']str(reportex)## 'data.frame': 196 obs. of 43 variables:
## $ Código : num 101 102 103 104 105 106 107 201 202 203 ...
## $ DEPARTAMENT0 : chr "Amazonas" "Amazonas" "Amazonas" "Amazonas" ...
## $ PROVINCIA : chr "Chachapoyas" "Bagua" "Bongara" "Condorcanqui" ...
## $ Ladrillo o bloque de cemento : num 3782 4633 1602 291 430 ...
## $ Piedra o sillar con cal o cemento : num 22 46 9 7 7 7 35 40 1 0 ...
## $ Adobe : num 5881 6639 2729 672 5217 ...
## $ Tapia : num 2476 222 240 8 6052 ...
## $ Quincha (caña con barro) : num 309 2518 157 386 346 ...
## $ Piedra con barro : num 168 127 36 7 54 28 518 106 65 7 ...
## $ Madera (pona, tornillo etc.) : num 1270 4484 2505 8145 606 ...
## $ Triplay / calamina / estera : num 91 851 30 200 45 24 210 340 18 0 ...
## $ Otro material...12 : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Total1 : num 13999 19520 7308 9716 12757 ...
## $ Concreto armado : num 2262 2187 692 56 187 ...
## $ Madera : num 160 294 75 188 43 48 340 515 57 12 ...
## $ Tejas : num 3393 179 382 177 3071 ...
## $ Planchas de calamina, fibra de cemento o similares : num 8005 13186 6084 2036 9343 ...
## $ Caña o estera con torta de barro o cemento : num 50 160 38 15 26 15 196 326 10 8 ...
## $ Triplay / estera / carrizo : num 14 106 5 10 12 5 62 312 17 4 ...
## $ Paja, hoja de palmera y similares : num 115 3408 32 7234 75 ...
## $ Otro material...21 : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Total2 : num 13999 19520 7308 9716 12757 ...
## $ Parquet o madera pulida : num 23 6 5 2 4 3 20 585 0 0 ...
## $ Láminas asfálticas, vinílicos o similares : num 36 19 2 0 0 4 32 323 0 0 ...
## $ Losetas, terrazos, cerámicos o similares : num 1077 647 165 20 46 ...
## $ Madera (pona, tornillo, etc.) : num 240 157 132 1523 295 ...
## $ Cemento : num 6189 7121 2917 943 1911 ...
## $ Tierra : num 6434 11569 4087 7228 10501 ...
## $ Otro material...29 : num 0 1 0 0 0 0 0 0 0 0 ...
## $ Total3 : num 13999 19520 7308 9716 12757 ...
## $ Red pública dentro de la vivienda : num 10647 9429 4569 1307 7172 ...
## $ Red pública fuera de la vivienda, pero dentro de la edificación: num 1619 4392 1497 867 3097 ...
## $ Pilón o pileta de uso público : num 184 793 215 1003 1112 ...
## $ Camión - cisterna u otro similar : num 49 59 0 2 0 0 117 40 0 0 ...
## $ Pozo (agua subterránea) : num 876 1792 474 2564 819 ...
## $ Manantial o puquio : num 92 270 67 431 132 211 471 286 121 61 ...
## $ Río, acequia, lago, laguna : num 488 2648 388 3428 369 ...
## $ Otro : num 24 56 61 80 9 29 104 72 2 1 ...
## $ Vecino : num 20 81 37 34 47 8 177 121 9 4 ...
## $ Total4 : num 13999 19520 7308 9716 12757 ...
## $ Sí tiene alumbrado eléctrico : num 12248 13204 6025 1792 10886 ...
## $ No tiene alumbrado eléctrico : num 1751 6316 1283 7924 1871 ...
## $ Total5 : num 13999 19520 7308 9716 12757 ...if(!require(stringi)) {
install.packages("stringi")
library(stringi)
}## Loading required package: stringi#convertir el nombre de las variables a mayusculas sin tildes y con espacios reemplazados por “guion bajo”
convertir_nombres <- function(nombre) {
nombre <- toupper(nombre) # Convertir a mayúsculas
nombre <- stri_trans_general(nombre, "Latin-ASCII") # Eliminar tildes
nombre <- gsub(" ", "_", nombre) # Reemplazar espacios por guiones bajos
nombre <- gsub("[.,/]", "", nombre) # Eliminar puntos, comas y barras
return(nombre)
}names(reportex) <- sapply(names(reportex), convertir_nombres)names(reportex)## [1] "CODIGO"
## [2] "DEPARTAMENT0"
## [3] "PROVINCIA"
## [4] "LADRILLO_O_BLOQUE_DE_CEMENTO"
## [5] "PIEDRA_O_SILLAR_CON_CAL_O_CEMENTO"
## [6] "ADOBE"
## [7] "TAPIA"
## [8] "QUINCHA_(CANA_CON_BARRO)"
## [9] "PIEDRA_CON_BARRO"
## [10] "MADERA_(PONA_TORNILLO_ETC)"
## [11] "TRIPLAY__CALAMINA__ESTERA"
## [12] "OTRO_MATERIAL12"
## [13] "TOTAL1"
## [14] "CONCRETO_ARMADO"
## [15] "MADERA"
## [16] "TEJAS"
## [17] "PLANCHAS_DE_CALAMINA_FIBRA_DE_CEMENTO_O_SIMILARES"
## [18] "CANA_O_ESTERA_CON_TORTA_DE_BARRO_O_CEMENTO"
## [19] "TRIPLAY__ESTERA__CARRIZO"
## [20] "PAJA_HOJA_DE_PALMERA_Y_SIMILARES"
## [21] "OTRO_MATERIAL21"
## [22] "TOTAL2"
## [23] "PARQUET_O_MADERA_PULIDA"
## [24] "LAMINAS_ASFALTICAS_VINILICOS_O_SIMILARES"
## [25] "LOSETAS_TERRAZOS_CERAMICOS_O_SIMILARES"
## [26] "MADERA_(PONA_TORNILLO_ETC)"
## [27] "CEMENTO"
## [28] "TIERRA"
## [29] "OTRO_MATERIAL29"
## [30] "TOTAL3"
## [31] "RED_PUBLICA_DENTRO_DE_LA_VIVIENDA"
## [32] "RED_PUBLICA_FUERA_DE_LA_VIVIENDA_PERO_DENTRO_DE_LA_EDIFICACION"
## [33] "PILON_O_PILETA_DE_USO_PUBLICO"
## [34] "CAMION_-_CISTERNA_U_OTRO_SIMILAR"
## [35] "POZO_(AGUA_SUBTERRANEA)"
## [36] "MANANTIAL_O_PUQUIO"
## [37] "RIO_ACEQUIA_LAGO_LAGUNA"
## [38] "OTRO"
## [39] "VECINO"
## [40] "TOTAL4"
## [41] "SI_TIENE_ALUMBRADO_ELECTRICO"
## [42] "NO_TIENE_ALUMBRADO_ELECTRICO"
## [43] "TOTAL5"names(reportex)[names(reportex) == 'DEPARTAMENT0'] <- 'DEPARTAMENTO_VIVIENDA'
names(reportex)[names(reportex) == 'PROVINCIA'] <- 'PROVINCIA_VIVIENDA'reportex <- reportex[, !names(reportex) %in% 'CODIGO']library(dplyr)library(openxlsx)write.csv(positivos, file = "positivos.csv", row.names = FALSE)cat("La base de datos 'positivos' se ha guardado correctamente en positivos.csv\n")## La base de datos 'positivos' se ha guardado correctamente en positivos.csvwrite.csv(fallecidos, file = "fallecidos.csv", row.names = FALSE)cat("La base de datos 'fallecidos' se ha guardado correctamente en fallecidos.csv\n")## La base de datos 'fallecidos' se ha guardado correctamente en fallecidos.csvwrite.csv(reportex, file = "vivienda.csv", row.names = FALSE)cat("La base de datos 'reportex' se ha guardado correctamente en vivienda.csv\n")## La base de datos 'reportex' se ha guardado correctamente en vivienda.csvwrite.csv(resultados, file = "resultados.csv", row.names = FALSE)cat("La base de datos 'resultados' se ha guardado correctamente en resultados.csv\n")## La base de datos 'resultados' se ha guardado correctamente en resultados.csv