Sesión 2 - Manejo y visualización de datos
Mario Cortés Vásquez
2024-03-20
Objetivos de la clase
Conocer las herramientas básicas que tenemos a nuestra disposición para dos de las fases clave en el análisis de datos: manejo y visualización.
¿Qué vamos a ver?
Qué es Tidyverse
Manejo de datos con dplyr
Funciones básicas de dplyr
Introducción a la visualización de datos con ggplot
Primeros gráficos con ggplot
1. Introducción a tidyverse
El paquete tidyverse en R es una colección de paquetes
diseñados para trabajar de manera conjunta y ofrecer una experiencia
consistente y coherente en el análisis de datos. Está compuesto por
varios paquetes que abordan diferentes aspectos del análisis de datos,
como manipulación de datos, visualización, modelado estadístico y
programación.
Los paquetes principales que conforman tidyverse
incluyen:
ggplot2: Para visualización de datos, permite crear gráficos elegantes y personalizables.
dplyr: Para manipulación de datos, proporciona funciones para filtrar, seleccionar, ordenar y resumir conjuntos de datos de manera eficiente.
tidyr: Ayuda a convertir datos desordenados (wide) en ordenados (long) y viceversa, facilitando así el proceso de análisis y visualización.
readr: Ofrece funciones para importar datos de diferentes formatos de archivo (como CSV, TSV, etc.) en R de manera rápida y eficiente.
tibble: Proporciona una clase de datos (
tibble) que mejora la visualización y manipulación de datos en comparación con los data frames tradicionales.purrr: Es una alternativa más consistente y eficiente a las funciones de iteración base de R, útil para trabajar con listas y aplicar funciones de manera más flexible.
stringr: Ofrece funciones para manipular cadenas de texto de una manera más intuitiva y fácil de usar que las funciones base de R.
La filosofía subyacente de tidyverse se centra en la
facilidad de uso, la consistencia y la eficiencia en el flujo de trabajo
de análisis de datos, lo que lo convierte en una opción popular entre
los científicos de datos y los analistas.
Como les indiqué antes de la clase, para instalar tidyverse debemos utilizar el siguiente código:
Una vez instalado, esto bastará para tener acceso al amplio cátalogo de herramientas que nos ofrece tidyverse. En esta sesión nos enfocaremos particularmente en dos de sus herramientas, dplyr y ggplot.
## Warning: package 'ggplot2' was built under R version 4.3.2## Warning: package 'tidyr' was built under R version 4.3.2## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ purrr 1.0.2
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors2.Manejo de datos con dplyr
2.1.Bases de datos
Las bases de datos tabulares son la manera más común de almacenar datos en campos como las ciencias sociales. Su utilidad radica en su capacidad para registrar múltiples aspectos de información para cada observación relevante. Es probable que hayas interactuado con este tipo de datos a través de herramientas como Microsoft Excel o Google Sheets. En estas tablas, la primera fila suele contener los nombres de las variables, indicando qué tipo de información está registrada en cada columna. Por otro lado, la primera columna se reserva para identificar las observaciones individuales.
Por ejemplo, pensemos en una encuesta que tenga diferentes variables de interes para nosotros, como los ingresos de la persona, caracterisiticas sociodemográficas y preferencias políticas.En el ejemplo, cada fila se refiere a una observación (es decir una persona encuestada) y cada columna a una caracteristica de esa persona.
## id_observación sexo edad ingresos_miles milita_partido
## 1 persona_1 M 27 500 No
## 2 persona_2 F 45 700 Sí
## 3 persona_3 F 33 900 No2.2.Operaciones básicas con dplyr
El paquete dplyr es una parte fundamental del
tidyverse en R y se utiliza principalmente para la
manipulación eficiente de datos. Ofrece un conjunto coherente de
funciones que permiten realizar operaciones comunes de manera intuitiva
y eficiente en conjuntos de datos.
Las principales funciones de dplyr incluyen:
filter(): Permite seleccionar filas de un conjunto de datos que cumplan con ciertas condiciones.
select(): Facilita la selección de columnas específicas de un conjunto de datos.
mutate(): Agrega nuevas columnas a un conjunto de datos basadas en operaciones realizadas en columnas existentes.
arrange(): Ordena las filas de un conjunto de datos según los valores de una o más columnas.
summarize() / summarise(): Resumen de datos mediante la aplicación de funciones de agregación (como sum(), mean(), etc.) a columnas específicas.
group_by(): Agrupa los datos según los valores únicos de una o más columnas, lo que permite realizar operaciones por grupos.
Estas funciones son muy poderosas y flexibles, y se pueden combinar
fácilmente para realizar análisis de datos complejos de manera sencilla.
Además, dplyr es conocido por su capacidad para manejar
grandes volúmenes de datos de forma eficiente, lo que lo convierte en
una herramienta invaluable para científicos de datos y analistas.
En esta sección iremos viendo cada una de estas herramientas en detalle.
Para utilizar las funciones del paquete dplyr, debemos llamarlo con
la función library():
2.3.Preparando nuestro entorno de trabajo
Uno de los pasos más importantes antes de iniciar nuestro análisis, es tener claro en donde están alojados nuestros datos y en que carpetas que vamos a trabajar. Para esto es clave haber seguido los pasos que les indiqué antes de iniciar la clase.
Una vez hecho esto, vamos a nuestra caperta de trabajo y vamos a seleccionarla como nuestro directorio de trabajo
## [1] "/Users/maco1304/Documents/curso_basicoR/Sesión 2 - manejo y visualización"Esto nos falicitará trabajar con nuestro conjuntos de datos. Ahora abrimos nuestra base de datos, utilizando la función readxl (recordemos que debemos llamar la librería antes de llamar la función)
library(readxl)
datos <- read_excel("/Users/maco1304/Documents/curso_basicoR/Sesión 2 - manejo y visualización/inputs/datos_cantonales.xlsx")
datos## # A tibble: 82 × 30
## Nombre PC PIB_cantonales `PIB Percápita` PIB_porce IDH IBM IEV IC
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 SAN J… 101 9166134 26.4 0.251 0.758 0.642 0.876 0.775
## 2 ESCAZU 102 1013017 14.5 0.0278 0.867 0.852 0.905 0.846
## 3 DESAM… 103 852321 3.48 0.0234 0.743 0.604 0.860 0.789
## 4 PURIS… 104 117680 3.10 0.00322 0.755 0.600 0.941 0.761
## 5 TARRA… 105 72520 3.91 0.00199 0.668 0.517 0.839 0.687
## 6 ASERRI 106 140419 2.21 0.00385 0.737 0.600 0.816 0.818
## 7 MORA 107 121794 4.02 0.00334 0.801 0.747 0.858 0.800
## 8 GOICO… 108 878093 6.34 0.0241 0.758 0.623 0.880 0.796
## 9 SANTA… 109 770611 12.7 0.0211 0.871 0.852 0.935 0.828
## 10 ALAJU… 110 239551 2.53 0.00656 0.712 0.546 0.842 0.786
## # ℹ 72 more rows
## # ℹ 21 more variables: SalarioPE <dbl>, Poblacin <dbl>, Patentes2020 <dbl>,
## # ICN21 <dbl>, IPS <chr>,
## # `Índice de Gestión de Servicios Municipales 2021 (IGSM)` <chr>,
## # ClasificacionPIB <chr>, IDH_Ajustado <dbl>, IDH_Ajustadoplus <dbl>,
## # IDH_Ajustadopluso <dbl>, PIBz <dbl>, SalarioPEz <lgl>,
## # `Trabajadores Seguro Salud (CCSS)` <dbl>, `Patronos (CCSS)` <dbl>, …Este conjunto de datos es una recopilación de información cantonal
como el IDH y servicios municipales hasta el último año disponible. Si
utilizamos la función ncol()obtenemos el número de columnas
y nrow el número de filas (observaciones).
## [1] 30## [1] 82## tibble [82 × 30] (S3: tbl_df/tbl/data.frame)
## $ Nombre : chr [1:82] "SAN JOSÉ" "ESCAZU" "DESAMPARADOS" "PURISCAL" ...
## $ PC : num [1:82] 101 102 103 104 105 106 107 108 109 110 ...
## $ PIB_cantonales : num [1:82] 9166134 1013017 852321 117680 72520 ...
## $ PIB Percápita : num [1:82] 26.39 14.46 3.48 3.1 3.91 ...
## $ PIB_porce : num [1:82] 0.25116 0.02776 0.02335 0.00322 0.00199 ...
## $ IDH : num [1:82] 0.758 0.867 0.743 0.755 0.668 ...
## $ IBM : num [1:82] 0.642 0.852 0.604 0.6 0.517 ...
## $ IEV : num [1:82] 0.876 0.905 0.86 0.941 0.839 ...
## $ IC : num [1:82] 0.775 0.846 0.789 0.761 0.687 ...
## $ SalarioPE : num [1:82] 342630 642091 305576 301931 235289 ...
## $ Poblacin : num [1:82] 347398 70054 245208 37983 18535 ...
## $ Patentes2020 : num [1:82] 16261 3151 4921 871 871 ...
## $ ICN21 : num [1:82] 63.4 68.3 59.2 55.6 61.5 54.5 62.7 60.1 63.8 51.2 ...
## $ IPS : chr [1:82] "69.104687339864327" "74.571508779680684" "70.74943004350142" "68.3400563011797" ...
## $ Índice de Gestión de Servicios Municipales 2021 (IGSM): chr [1:82] "Básico" "Básico" "Intermedio" "Intermedio" ...
## $ ClasificacionPIB : chr [1:82] "Muy Alto" "Muy Alto" "Alto" "Alto" ...
## $ IDH_Ajustado : num [1:82] 0.868 0.844 0.629 0.62 0.614 ...
## $ IDH_Ajustadoplus : num [1:82] 0.786 0.818 0.47 0.447 0.455 ...
## $ IDH_Ajustadopluso : num [1:82] 0.811 0.856 0.683 0.684 0.64 ...
## $ PIBz : num [1:82] 0.962 0.785 0.366 0.332 0.401 ...
## $ SalarioPEz : logi [1:82] NA NA NA NA NA NA ...
## $ Trabajadores Seguro Salud (CCSS) : num [1:82] 454668 47369 37845 7009 6478 ...
## $ Patronos (CCSS) : num [1:82] 14709 4846 1852 369 277 ...
## $ UJ_2019 (BCCR) : num [1:82] 19825 7682 3210 554 484 ...
## $ Trabajadores_2019 (BCCR) : num [1:82] 64811 18993 8017 1077 618 ...
## $ TrabaCCx1000hab : num [1:82] 1308.8 67.6 15.4 18.5 35 ...
## $ Patrox1000Hab : num [1:82] 42.34 69.18 7.55 9.71 14.94 ...
## $ UJ2019x1000hab : num [1:82] 57.1 109.7 13.1 14.6 26.1 ...
## $ Trabax1000Hab : num [1:82] 186.6 271.1 32.7 28.4 33.3 ...
## $ Patentesx1000hab : num [1:82] 46.8 45 20.1 22.9 47 ...2.4.Seleccionar columnas
Al trabajar con largos conjuntos de datos es común que nos
encontramos con variables que no son de nuestro interés y queramos
seleccionar solo aquellas que vamos a analizar. Para esto existe la
función select(). En el conjunto de datos que ya tenemos
cargados, como vimos hay 30 variables en total almacenadas como
columnas,digamos que despúes de explorar nuestro datos nos damos cuenta
que solo 5 de estas nos funcionan para nuestro análisis, estas son: PIB
cantonal, IDH, Salario promedio, población y calificación servicios
municipales. Obviamente tambien queremos seleccionar la columna que
identifica los datos por cada cantón.
## # A tibble: 82 × 6
## Nombre PC PIB_cantonales IDH SalarioPE Poblacin
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 SAN JOSÉ 101 9166134 0.758 342630. 347398
## 2 ESCAZU 102 1013017 0.867 642091. 70054
## 3 DESAMPARADOS 103 852321 0.743 305576. 245208
## 4 PURISCAL 104 117680 0.755 301931. 37983
## 5 TARRAZU 105 72520 0.668 235289. 18535
## 6 ASERRI 106 140419 0.737 301823. 63529
## 7 MORA 107 121794 0.801 468699. 30318
## 8 GOICOECHEA 108 878093 0.758 323370. 138525
## 9 SANTA ANA 109 770611 0.871 642091. 60453
## 10 ALAJUELITA 110 239551 0.712 256963. 94548
## # ℹ 72 more rowsComo ven la función no es muy compleja y sigue una sintaxis clara y simple (base de datos, variable1, variable2). Esta seguirá siendo la estructura básica para el uso de dplyr.
Noten que aunque la función nos retornó un resultado, no podemos hacer operaciones con estos datos, ya que no aplicamos la función a ningún objeto. Como recomendación general, nunca nunca (en serio nunca) modifiquen sus datos originales, no sabemos cuando sea necesario regresar a ellos. Ahora sí, queremos crear un nuevo objeto con las variables que nos resultan de interes.
datos2 <- select(datos, Nombre, PC, PIB_cantonales, IDH, SalarioPE, Poblacin,`Índice de Gestión de Servicios Municipales 2021 (IGSM)`)
datos2## # A tibble: 82 × 7
## Nombre PC PIB_cantonales IDH SalarioPE Poblacin Índice de Gestión de…¹
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 SAN JOSÉ 101 9166134 0.758 342630. 347398 Básico
## 2 ESCAZU 102 1013017 0.867 642091. 70054 Básico
## 3 DESAMPA… 103 852321 0.743 305576. 245208 Intermedio
## 4 PURISCAL 104 117680 0.755 301931. 37983 Intermedio
## 5 TARRAZU 105 72520 0.668 235289. 18535 Básico
## 6 ASERRI 106 140419 0.737 301823. 63529 Intermedio
## 7 MORA 107 121794 0.801 468699. 30318 Intermedio
## 8 GOICOEC… 108 878093 0.758 323370. 138525 Básico
## 9 SANTA A… 109 770611 0.871 642091. 60453 Básico
## 10 ALAJUEL… 110 239551 0.712 256963. 94548 Intermedio
## # ℹ 72 more rows
## # ℹ abbreviated name: ¹`Índice de Gestión de Servicios Municipales 2021 (IGSM)`Existen otras formas de seleccionar nuestras columnas. Supongamos que queremos las primeras cinco variables de nuestra base
## # A tibble: 82 × 5
## Nombre PC PIB_cantonales `PIB Percápita` PIB_porce
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 SAN JOSÉ 101 9166134 26.4 0.251
## 2 ESCAZU 102 1013017 14.5 0.0278
## 3 DESAMPARADOS 103 852321 3.48 0.0234
## 4 PURISCAL 104 117680 3.10 0.00322
## 5 TARRAZU 105 72520 3.91 0.00199
## 6 ASERRI 106 140419 2.21 0.00385
## 7 MORA 107 121794 4.02 0.00334
## 8 GOICOECHEA 108 878093 6.34 0.0241
## 9 SANTA ANA 109 770611 12.7 0.0211
## 10 ALAJUELITA 110 239551 2.53 0.00656
## # ℹ 72 more rows## # A tibble: 82 × 5
## Nombre PC PIB_cantonales `PIB Percápita` PIB_porce
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 SAN JOSÉ 101 9166134 26.4 0.251
## 2 ESCAZU 102 1013017 14.5 0.0278
## 3 DESAMPARADOS 103 852321 3.48 0.0234
## 4 PURISCAL 104 117680 3.10 0.00322
## 5 TARRAZU 105 72520 3.91 0.00199
## 6 ASERRI 106 140419 2.21 0.00385
## 7 MORA 107 121794 4.02 0.00334
## 8 GOICOECHEA 108 878093 6.34 0.0241
## 9 SANTA ANA 109 770611 12.7 0.0211
## 10 ALAJUELITA 110 239551 2.53 0.00656
## # ℹ 72 more rowsLa función select tambien nos ayuda a reordenar nuestras columnas,
con solo seleccionar las variables en el orden que deseamos. Sin embargo
esto es tedioso para largos conjuntos de datos, la función
everything() nos ayuda a hacer esto más fácil. Digamos que
solo queremos cambiar el orden del código geográfico y el nombre del
cantón:
## # A tibble: 82 × 30
## PC Nombre PIB_cantonales `PIB Percápita` PIB_porce IDH IBM IEV IC
## <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 101 SAN J… 9166134 26.4 0.251 0.758 0.642 0.876 0.775
## 2 102 ESCAZU 1013017 14.5 0.0278 0.867 0.852 0.905 0.846
## 3 103 DESAM… 852321 3.48 0.0234 0.743 0.604 0.860 0.789
## 4 104 PURIS… 117680 3.10 0.00322 0.755 0.600 0.941 0.761
## 5 105 TARRA… 72520 3.91 0.00199 0.668 0.517 0.839 0.687
## 6 106 ASERRI 140419 2.21 0.00385 0.737 0.600 0.816 0.818
## 7 107 MORA 121794 4.02 0.00334 0.801 0.747 0.858 0.800
## 8 108 GOICO… 878093 6.34 0.0241 0.758 0.623 0.880 0.796
## 9 109 SANTA… 770611 12.7 0.0211 0.871 0.852 0.935 0.828
## 10 110 ALAJU… 239551 2.53 0.00656 0.712 0.546 0.842 0.786
## # ℹ 72 more rows
## # ℹ 21 more variables: SalarioPE <dbl>, Poblacin <dbl>, Patentes2020 <dbl>,
## # ICN21 <dbl>, IPS <chr>,
## # `Índice de Gestión de Servicios Municipales 2021 (IGSM)` <chr>,
## # ClasificacionPIB <chr>, IDH_Ajustado <dbl>, IDH_Ajustadoplus <dbl>,
## # IDH_Ajustadopluso <dbl>, PIBz <dbl>, SalarioPEz <lgl>,
## # `Trabajadores Seguro Salud (CCSS)` <dbl>, `Patronos (CCSS)` <dbl>, …2.5.Renombrar variables
Algunas de nuestras variables son tediosas de digitar o tal vez
puedan ser muy largas para escribir nuestro código, facilmente la
función rename nos ayuda con esto:
datos2 <- rename(datos2,
"canton" = Nombre,
"codigo" = PC,
"pib_c" = PIB_cantonales,
"idh" = IDH,
"salario" = SalarioPE,
"poblacion" = Poblacin,
"igsm" = `Índice de Gestión de Servicios Municipales 2021 (IGSM)`
)
datos2## # A tibble: 82 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 SAN JOSÉ 101 9166134 0.758 342630. 347398 Básico
## 2 ESCAZU 102 1013017 0.867 642091. 70054 Básico
## 3 DESAMPARADOS 103 852321 0.743 305576. 245208 Intermedio
## 4 PURISCAL 104 117680 0.755 301931. 37983 Intermedio
## 5 TARRAZU 105 72520 0.668 235289. 18535 Básico
## 6 ASERRI 106 140419 0.737 301823. 63529 Intermedio
## 7 MORA 107 121794 0.801 468699. 30318 Intermedio
## 8 GOICOECHEA 108 878093 0.758 323370. 138525 Básico
## 9 SANTA ANA 109 770611 0.871 642091. 60453 Básico
## 10 ALAJUELITA 110 239551 0.712 256963. 94548 Intermedio
## # ℹ 72 more rows2.6.Filtrar filas
Es común que algunas ocasiones queramos mantener solo cierto grupo de observaciones, o realizar operaciones con algunas de ellas basadas en sus caracteristicas. Antes de usar la función filter, es importantes familiarizarnos con los operadores lógicos de R:
Por ejemplo, despúes de realizar nuestro análisis, queremos solo
prestar atención en aquellos cantones con un IDH bajo o muy bajo, para
esto usamos la función filter() con el operador lógico que
evalua la condición:
## # A tibble: 27 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 TARRAZU 105 72520 0.668 235289. 18535 Básico
## 2 DOTA 117 32379 0.660 217992. 7948 Básico
## 3 LEON CORTES 120 75193 0.690 212233. 13769 Intermedio
## 4 SAN MATEO 204 36158 0.675 164544. 7141 Intermedio
## 5 UPALA 213 156532 0.678 226815. 54055 Intermedio
## 6 LOS CHILES 214 107667 0.640 190043. 33689 Básico
## 7 SARAPIQUI 410 294717 0.688 244963. 83015 Intermedio
## 8 SANTA CRUZ 503 273947 0.693 274244. 68939 Básico
## 9 BAGACES 504 176973 0.687 240917. 24130 Básico
## 10 CARRILLO 505 196899 0.689 267271. 45939 Intermedio
## # ℹ 17 more rowsTambien podemos aplicar filtros más complejos, digamos ahora que queremos no solo el idh menor a 0.70 y servicios municipales básico e intermedio
## # A tibble: 12 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 LEON CORTES 120 75193 0.690 212233. 13769 Intermedio
## 2 SAN MATEO 204 36158 0.675 164544. 7141 Intermedio
## 3 UPALA 213 156532 0.678 226815. 54055 Intermedio
## 4 SARAPIQUI 410 294717 0.688 244963. 83015 Intermedio
## 5 CARRILLO 505 196899 0.689 267271. 45939 Intermedio
## 6 NANDAYURE 509 36681 0.687 201765. 11787 Intermedio
## 7 AGUIRRE 606 174604 0.680 239212. 33069 Intermedio
## 8 COTO BRUS 608 120214 0.683 229550. 44308 Intermedio
## 9 PARRITA 609 72701 0.685 226395. 20199 Intermedio
## 10 POCOCI 702 620573 0.700 243635. 150664 Intermedio
## 11 TALAMANCA 704 114182 0.601 211063. 43153 Intermedio
## 12 GUACIMO 706 187311 0.676 207824. 55128 IntermedioPodemos pedirle solo aquellas observaciones con servicios básicos e intermedios:
## # A tibble: 73 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 SAN JOSÉ 101 9166134 0.758 342630. 347398 Básico
## 2 ESCAZU 102 1013017 0.867 642091. 70054 Básico
## 3 DESAMPARADOS 103 852321 0.743 305576. 245208 Intermedio
## 4 PURISCAL 104 117680 0.755 301931. 37983 Intermedio
## 5 TARRAZU 105 72520 0.668 235289. 18535 Básico
## 6 ASERRI 106 140419 0.737 301823. 63529 Intermedio
## 7 MORA 107 121794 0.801 468699. 30318 Intermedio
## 8 GOICOECHEA 108 878093 0.758 323370. 138525 Básico
## 9 SANTA ANA 109 770611 0.871 642091. 60453 Básico
## 10 ALAJUELITA 110 239551 0.712 256963. 94548 Intermedio
## # ℹ 63 more rowsEste resultado tambien lo podemos obtener si le pedimos que filtre todo lo que sea diferente de servicios municipales avanzados e iniciales
## # A tibble: 75 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 SAN JOSÉ 101 9166134 0.758 342630. 347398 Básico
## 2 ESCAZU 102 1013017 0.867 642091. 70054 Básico
## 3 DESAMPARADOS 103 852321 0.743 305576. 245208 Intermedio
## 4 PURISCAL 104 117680 0.755 301931. 37983 Intermedio
## 5 TARRAZU 105 72520 0.668 235289. 18535 Básico
## 6 ASERRI 106 140419 0.737 301823. 63529 Intermedio
## 7 MORA 107 121794 0.801 468699. 30318 Intermedio
## 8 GOICOECHEA 108 878093 0.758 323370. 138525 Básico
## 9 SANTA ANA 109 770611 0.871 642091. 60453 Básico
## 10 ALAJUELITA 110 239551 0.712 256963. 94548 Intermedio
## # ℹ 65 more rowsUna muy poderesa herramienta es filtrar según ciertas operaciones básicas que el sistema nos permite utilizar, digamos que queremos aquellas observaciones que sean mayores al promedio del IDH cantonal:
## # A tibble: 41 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 SAN JOSÉ 101 9166134 0.758 342630. 347398 Básico
## 2 ESCAZU 102 1013017 0.867 642091. 70054 Básico
## 3 DESAMPARADOS 103 852321 0.743 305576. 245208 Intermedio
## 4 PURISCAL 104 117680 0.755 301931. 37983 Intermedio
## 5 ASERRI 106 140419 0.737 301823. 63529 Intermedio
## 6 MORA 107 121794 0.801 468699. 30318 Intermedio
## 7 GOICOECHEA 108 878093 0.758 323370. 138525 Básico
## 8 SANTA ANA 109 770611 0.871 642091. 60453 Básico
## 9 CORONADO 111 327391 0.801 383994. 71663 Básico
## 10 TIBAS 113 368041 0.766 280816. 84873 Intermedio
## # ℹ 31 more rows2.7. Encadenamiento de código y el operador pipe
Antes de seguir con las funciones que nos faltan, es un buen momento
para presentarles a su nuevo mejor amigo, el operador pipe
%<% o |>. El operador pipe es una
función que nos permite concatenar código, ¿que quiere decir esto? esto
quiere decir que en lugar de es escribir linea por linea varias
operaciones que queramos realizar, podemos resumir todo en una misma
acción. Como norma general, siempre vamos a querer que nuestro script
sea lo más concreto posible, en esto el operador pipe es muy útil.
Para utilizar el operador pipe solo será necesario utilizar la siguiente combinación de teclas: shift + control + m (shift + command + m en Macbook).
Por ejemplo, no era necesario seleccionar nuestras columnas y filtrar los datos en operaciones de código seperada, todo lo que hemos hecho anteriormente lo podemos hacer en una misma acción:
# Vamos a seleccionar y filtrar los datos en una misma acción
datos |>
select(Nombre, PC, PIB_cantonales, IDH, SalarioPE, Poblacin,`Índice de Gestión de Servicios Municipales 2021 (IGSM)`) |>
filter(IDH <= 0.70)## # A tibble: 27 × 7
## Nombre PC PIB_cantonales IDH SalarioPE Poblacin Índice de Gestión de…¹
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 TARRAZU 105 72520 0.668 235289. 18535 Básico
## 2 DOTA 117 32379 0.660 217992. 7948 Básico
## 3 LEON CO… 120 75193 0.690 212233. 13769 Intermedio
## 4 SAN MAT… 204 36158 0.675 164544. 7141 Intermedio
## 5 UPALA 213 156532 0.678 226815. 54055 Intermedio
## 6 LOS CHI… 214 107667 0.640 190043. 33689 Básico
## 7 SARAPIQ… 410 294717 0.688 244963. 83015 Intermedio
## 8 SANTA C… 503 273947 0.693 274244. 68939 Básico
## 9 BAGACES 504 176973 0.687 240917. 24130 Básico
## 10 CARRILLO 505 196899 0.689 267271. 45939 Intermedio
## # ℹ 17 more rows
## # ℹ abbreviated name: ¹`Índice de Gestión de Servicios Municipales 2021 (IGSM)`Incluso podemos renombrar las variables solo agregando una linea de código más que ejecutamos previamente:
datos |>
select(Nombre, PC, PIB_cantonales, IDH, SalarioPE, Poblacin,`Índice de Gestión de Servicios Municipales 2021 (IGSM)`) |>
filter(IDH <= 0.70) |>
rename(
"canton" = Nombre,
"codigo" = PC,
"pib_c" = PIB_cantonales,
"idh" = IDH,
"salario" = SalarioPE,
"poblacion" = Poblacin,
"igsm" = `Índice de Gestión de Servicios Municipales 2021 (IGSM)`
)## # A tibble: 27 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 TARRAZU 105 72520 0.668 235289. 18535 Básico
## 2 DOTA 117 32379 0.660 217992. 7948 Básico
## 3 LEON CORTES 120 75193 0.690 212233. 13769 Intermedio
## 4 SAN MATEO 204 36158 0.675 164544. 7141 Intermedio
## 5 UPALA 213 156532 0.678 226815. 54055 Intermedio
## 6 LOS CHILES 214 107667 0.640 190043. 33689 Básico
## 7 SARAPIQUI 410 294717 0.688 244963. 83015 Intermedio
## 8 SANTA CRUZ 503 273947 0.693 274244. 68939 Básico
## 9 BAGACES 504 176973 0.687 240917. 24130 Básico
## 10 CARRILLO 505 196899 0.689 267271. 45939 Intermedio
## # ℹ 17 more rowsNoten por favor que el nombre de nuestra base de datos ya no se indica dentro de la función, sino fuera de ella.
Ahora digamos que quisieramos acomodar nuestros datos según el idh,
la función arrange() nos permite acomodar las observaciones
sin ningún problema.
datos |>
select(Nombre, PC, PIB_cantonales, IDH, SalarioPE, Poblacin,`Índice de Gestión de Servicios Municipales 2021 (IGSM)`) |>
filter(IDH <= 0.70) |>
rename(
"canton" = Nombre,
"codigo" = PC,
"pib_c" = PIB_cantonales,
"idh" = IDH,
"salario" = SalarioPE,
"poblacion" = Poblacin,
"igsm" = `Índice de Gestión de Servicios Municipales 2021 (IGSM)`
) |>
arrange(idh)## # A tibble: 27 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 MATINA 705 213096 0.579 166655. 46379 Básico
## 2 LA CRUZ 510 66252 0.596 150528. 27090 Básico
## 3 TALAMANCA 704 114182 0.601 211063. 43153 Intermedio
## 4 BUENOS AIRES 603 138837 0.620 178861. 53436 Avanzado
## 5 HOJANCHA 511 20651 0.638 175531. 7998 Avanzado
## 6 LOS CHILES 214 107667 0.640 190043. 33689 Básico
## 7 DOTA 117 32379 0.660 217992. 7948 Básico
## 8 TARRAZU 105 72520 0.668 235289. 18535 Básico
## 9 SAN MATEO 204 36158 0.675 164544. 7141 Intermedio
## 10 GUACIMO 706 187311 0.676 207824. 55128 Intermedio
## # ℹ 17 more rowspor default la función ordena de menor a mayor, para ordenar en el sentido contrario podemos usar el “-” para indicar que queremos el orden inverso.
datos |>
select(Nombre, PC, PIB_cantonales, IDH, SalarioPE, Poblacin,`Índice de Gestión de Servicios Municipales 2021 (IGSM)`) |>
filter(IDH <= 0.70) |>
rename(
"canton" = Nombre,
"codigo" = PC,
"pib_c" = PIB_cantonales,
"idh" = IDH,
"salario" = SalarioPE,
"poblacion" = Poblacin,
"igsm" = `Índice de Gestión de Servicios Municipales 2021 (IGSM)`
) |>
arrange(-idh)## # A tibble: 27 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 POCOCI 702 620573 0.700 243635. 150664 Intermedio
## 2 TILARAN 508 161856 0.696 231013. 21749 Avanzado
## 3 CAÑAS 506 155507 0.695 232806. 32685 Inicial
## 4 SANTA CRUZ 503 273947 0.693 274244. 68939 Básico
## 5 PUNTARENAS 601 632077 0.692 244636. 140102 Avanzado
## 6 GARABITO 611 130816 0.691 251251. 26028 Básico
## 7 CORREDORES 610 160718 0.691 266683. 52419 Básico
## 8 LEON CORTES 120 75193 0.690 212233. 13769 Intermedio
## 9 CARRILLO 505 196899 0.689 267271. 45939 Intermedio
## 10 LIMON 701 485556 0.688 265554. 99836 Básico
## # ℹ 17 more rowsNuevamente, no hemos aplicado ninguna de estas funciones a un objeto, por lo tanto no se guardan en la memoria de R. Digamos que de nuestro proceso de análisis concluimos que estos son los datos que utilizaremos para el resto de nuestro análisis, entonces aplicamos la función a un objeto
datos2 <- datos |>
select(Nombre, PC, PIB_cantonales, IDH, SalarioPE, Poblacin,`Índice de Gestión de Servicios Municipales 2021 (IGSM)`) |>
filter(IDH <= 0.70) |>
rename(
"canton" = Nombre,
"codigo" = PC,
"pib_c" = PIB_cantonales,
"idh" = IDH,
"salario" = SalarioPE,
"poblacion" = Poblacin,
"igsm" = `Índice de Gestión de Servicios Municipales 2021 (IGSM)`
) |>
arrange(-idh)
datos2## # A tibble: 27 × 7
## canton codigo pib_c idh salario poblacion igsm
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 POCOCI 702 620573 0.700 243635. 150664 Intermedio
## 2 TILARAN 508 161856 0.696 231013. 21749 Avanzado
## 3 CAÑAS 506 155507 0.695 232806. 32685 Inicial
## 4 SANTA CRUZ 503 273947 0.693 274244. 68939 Básico
## 5 PUNTARENAS 601 632077 0.692 244636. 140102 Avanzado
## 6 GARABITO 611 130816 0.691 251251. 26028 Básico
## 7 CORREDORES 610 160718 0.691 266683. 52419 Básico
## 8 LEON CORTES 120 75193 0.690 212233. 13769 Intermedio
## 9 CARRILLO 505 196899 0.689 267271. 45939 Intermedio
## 10 LIMON 701 485556 0.688 265554. 99836 Básico
## # ℹ 17 more rows2.8.Crear y transformar variables
La mayor parte del tiempo vamos a querer crear y transformar variables a partir de las que ya tenemos, en nuestro conjuto de datos originales tenemos el porcentaje del aporte del PIB por cantón, sin embargo está en decimales, digamos que quisieramos transformamos la variables mulplicandola por 100.
## # A tibble: 82 × 30
## Nombre PC PIB_cantonales `PIB Percápita` PIB_porce IDH IBM IEV IC
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 SAN J… 101 9166134 26.4 25.1 0.758 0.642 0.876 0.775
## 2 ESCAZU 102 1013017 14.5 2.78 0.867 0.852 0.905 0.846
## 3 DESAM… 103 852321 3.48 2.34 0.743 0.604 0.860 0.789
## 4 PURIS… 104 117680 3.10 0.322 0.755 0.600 0.941 0.761
## 5 TARRA… 105 72520 3.91 0.199 0.668 0.517 0.839 0.687
## 6 ASERRI 106 140419 2.21 0.385 0.737 0.600 0.816 0.818
## 7 MORA 107 121794 4.02 0.334 0.801 0.747 0.858 0.800
## 8 GOICO… 108 878093 6.34 2.41 0.758 0.623 0.880 0.796
## 9 SANTA… 109 770611 12.7 2.11 0.871 0.852 0.935 0.828
## 10 ALAJU… 110 239551 2.53 0.656 0.712 0.546 0.842 0.786
## # ℹ 72 more rows
## # ℹ 21 more variables: SalarioPE <dbl>, Poblacin <dbl>, Patentes2020 <dbl>,
## # ICN21 <dbl>, IPS <chr>,
## # `Índice de Gestión de Servicios Municipales 2021 (IGSM)` <chr>,
## # ClasificacionPIB <chr>, IDH_Ajustado <dbl>, IDH_Ajustadoplus <dbl>,
## # IDH_Ajustadopluso <dbl>, PIBz <dbl>, SalarioPEz <lgl>,
## # `Trabajadores Seguro Salud (CCSS)` <dbl>, `Patronos (CCSS)` <dbl>, …La función mutate() nos permite hacer multiples y
variadas transformaciones a nuestros datos. Tambien podemos crear nuevas
variables. En este caso, queremos transformar la variable PIB en una
escala logarítmica.
## # A tibble: 82 × 31
## Nombre PC pib_log PIB_cantonales `PIB Percápita` PIB_porce IDH IBM
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 SAN JOSÉ 101 16.0 9166134 26.4 0.251 0.758 0.642
## 2 ESCAZU 102 13.8 1013017 14.5 0.0278 0.867 0.852
## 3 DESAMPARA… 103 13.7 852321 3.48 0.0234 0.743 0.604
## 4 PURISCAL 104 11.7 117680 3.10 0.00322 0.755 0.600
## 5 TARRAZU 105 11.2 72520 3.91 0.00199 0.668 0.517
## 6 ASERRI 106 11.9 140419 2.21 0.00385 0.737 0.600
## 7 MORA 107 11.7 121794 4.02 0.00334 0.801 0.747
## 8 GOICOECHEA 108 13.7 878093 6.34 0.0241 0.758 0.623
## 9 SANTA ANA 109 13.6 770611 12.7 0.0211 0.871 0.852
## 10 ALAJUELITA 110 12.4 239551 2.53 0.00656 0.712 0.546
## # ℹ 72 more rows
## # ℹ 23 more variables: IEV <dbl>, IC <dbl>, SalarioPE <dbl>, Poblacin <dbl>,
## # Patentes2020 <dbl>, ICN21 <dbl>, IPS <chr>,
## # `Índice de Gestión de Servicios Municipales 2021 (IGSM)` <chr>,
## # ClasificacionPIB <chr>, IDH_Ajustado <dbl>, IDH_Ajustadoplus <dbl>,
## # IDH_Ajustadopluso <dbl>, PIBz <dbl>, SalarioPEz <lgl>,
## # `Trabajadores Seguro Salud (CCSS)` <dbl>, `Patronos (CCSS)` <dbl>, …Tambien podemos hacer operaciones entre variables, digamos que queremos hacer un indicador más robusto para los datos cantonales que incluya el IDH, el PIB y el salario. Vamos a crear una nueva variable que sea un promedio entre las 3 anteriores:
datos |>
mutate(indice_cantonal = IDH + PIB_cantonales + SalarioPE/3) |>
select(Nombre, PC, indice_cantonal, everything())## # A tibble: 82 × 31
## Nombre PC indice_cantonal PIB_cantonales `PIB Percápita` PIB_porce IDH
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 SAN JOSÉ 101 9280345. 9166134 26.4 0.251 0.758
## 2 ESCAZU 102 1227048. 1013017 14.5 0.0278 0.867
## 3 DESAMPA… 103 954180. 852321 3.48 0.0234 0.743
## 4 PURISCAL 104 218325. 117680 3.10 0.00322 0.755
## 5 TARRAZU 105 150950. 72520 3.91 0.00199 0.668
## 6 ASERRI 106 241027. 140419 2.21 0.00385 0.737
## 7 MORA 107 278028. 121794 4.02 0.00334 0.801
## 8 GOICOEC… 108 985884. 878093 6.34 0.0241 0.758
## 9 SANTA A… 109 984642. 770611 12.7 0.0211 0.871
## 10 ALAJUEL… 110 325206. 239551 2.53 0.00656 0.712
## # ℹ 72 more rows
## # ℹ 24 more variables: IBM <dbl>, IEV <dbl>, IC <dbl>, SalarioPE <dbl>,
## # Poblacin <dbl>, Patentes2020 <dbl>, ICN21 <dbl>, IPS <chr>,
## # `Índice de Gestión de Servicios Municipales 2021 (IGSM)` <chr>,
## # ClasificacionPIB <chr>, IDH_Ajustado <dbl>, IDH_Ajustadoplus <dbl>,
## # IDH_Ajustadopluso <dbl>, PIBz <dbl>, SalarioPEz <lgl>,
## # `Trabajadores Seguro Salud (CCSS)` <dbl>, `Patronos (CCSS)` <dbl>, …Ejercicio
Supogamos que la base de datos no incluye los datos del pib per capita por cantón y nos interesa crear esta nueva variable para nuestro análisis, escriba un código para crear un nuevo conjunto de datos, calcule el pib per capita cantonal y seleccione solo como variable el cantón, su código y la nueva variable:
2.9. la función summarize
La función summarize() nos permite realizar un proceso
que a menudo lo llamamos colapso de datos. El proceso consiste en
“resumir” nuestras filas en una sola fila a partir de alguna operación
que se le aplique, supongamos que queremos calcular el promedio de IDH,
PIB y Salario
datos |>
summarize(promedio_idh = mean(IDH),
promedio_PIB = mean(PIB_cantonales),
promedio_sal = mean(SalarioPE))## # A tibble: 1 × 3
## promedio_idh promedio_PIB promedio_sal
## <dbl> <dbl> <dbl>
## 1 0.737 445064. 317099.La función nos hizo un resumen de los datos a partir del calculo del promedio de cada una de las variables que solicitamos.
Resumenes por grupos
¡Esta es una de mis funciones favoritas! el proceso consiste
nuevamente en colapsar nuestras filas de datos, pero agrupando según
grupos que tengamos en nuestra base. Vamos a usar la función
group_by().
Digamos que nos interesa conocer el promedio del IDH por cantón según el indice de gestión de servicios municipales (igsm). Recuerden que en datos2 ya tenemos estas variables renombradas para facilitar su escritura en el código, vamos a volver a usar datos2.
## # A tibble: 4 × 2
## igsm promedio_pib
## <chr> <dbl>
## 1 Inicial 155507
## 2 Básico 171992.
## 3 Intermedio 173814.
## 4 Avanzado 238355.2.10.Recodificar variables
Un ejercicio común en la gestión de bases de datos es la generación
de variables (o la edición de las ya existentes) basadas en ciertas
condiciones lógicas. Ya construimos condiciones lógicas antes de usar
filter(), así que la sintaxis general debería ser
familiar.
Supongamos ahora que nos interesa realizar para nuestro análisis
cierta tipología de cantones según su IDH. La combinación entre la
función mutate() y case_when nos resuelve el
problema de manera sencilla. Vamos a crear nuestros grupos siguiendo los
siguientes criterios:
- IDH alto mayor a 0.90
- IDH medio menor a 0.80 pero mayor a 0.70
- IDH bajo menor a 0.70
Notemos que estos mismos criterios se pueden “traducir” a R usando las condiciones lógicas:
datos |>
mutate(idh_grupos = case_when(
IDH >= 0.90 ~ "Alto",
IDH < 0.90 & IDH >= 0.80 ~ "Medio",
IDH < .80 & IDH >= 0.70 ~ "Medio bajo",
IDH < 0.70 ~ "Bajo",
TRUE ~ NA
)) |>
select(Nombre, IDH, idh_grupos, everything())## # A tibble: 82 × 31
## Nombre IDH idh_grupos PC PIB_cantonales `PIB Percápita` PIB_porce IBM
## <chr> <dbl> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 SAN JO… 0.758 Medio bajo 101 9166134 26.4 0.251 0.642
## 2 ESCAZU 0.867 Medio 102 1013017 14.5 0.0278 0.852
## 3 DESAMP… 0.743 Medio bajo 103 852321 3.48 0.0234 0.604
## 4 PURISC… 0.755 Medio bajo 104 117680 3.10 0.00322 0.600
## 5 TARRAZU 0.668 Bajo 105 72520 3.91 0.00199 0.517
## 6 ASERRI 0.737 Medio bajo 106 140419 2.21 0.00385 0.600
## 7 MORA 0.801 Medio 107 121794 4.02 0.00334 0.747
## 8 GOICOE… 0.758 Medio bajo 108 878093 6.34 0.0241 0.623
## 9 SANTA … 0.871 Medio 109 770611 12.7 0.0211 0.852
## 10 ALAJUE… 0.712 Medio bajo 110 239551 2.53 0.00656 0.546
## # ℹ 72 more rows
## # ℹ 23 more variables: IEV <dbl>, IC <dbl>, SalarioPE <dbl>, Poblacin <dbl>,
## # Patentes2020 <dbl>, ICN21 <dbl>, IPS <chr>,
## # `Índice de Gestión de Servicios Municipales 2021 (IGSM)` <chr>,
## # ClasificacionPIB <chr>, IDH_Ajustado <dbl>, IDH_Ajustadoplus <dbl>,
## # IDH_Ajustadopluso <dbl>, PIBz <dbl>, SalarioPEz <lgl>,
## # `Trabajadores Seguro Salud (CCSS)` <dbl>, `Patronos (CCSS)` <dbl>, …Ejercicio
Agrupe según las siguientes condiciones:
- Salario menor a 241597 = bajo
- Salario mayor o igual 241597 pero menor a 294553 = medio bajo
- Salario mayor o igual a 294553 pero menor a 383844 = medio alto
- Salario mayor o igual a 383844 pero menor o igual a 642095 = alto
Con estos datos calcule el promedio según cada grupo:
3.Introducción a ggplot2
R cuenta con un gráficador base, que se llama plot, es muy útil para sacarnos de un apuro si queremos realizar gráficos rapidamente. Sin embargo, como la mayoría de funciones bases de R este tiene muchas limitaciones. El universo de tidyverse, pone a nuestra disposición el paquete ggplot2, el maravilloso gráficador que nos permite crear visualizaciones elegantes y con mucha personalidad con solo un par de lineas de código.
Ggplot parte de una filosofía, que denominaremos “la grámatica de los gráficos (the grammar of graphics)” , según esto cualquier tipo de gráfico puede ser programado a partir de ciertos elementos comunes bajo una misma estructura de código.
Según la grámatica un gráfico estadístico es un mapeo de datos a atributos estéticos (color, forma, tamaño) de objetos geométricos (puntos, líneas, barras). El gráfico también puede contener transformaciones estadísticas de los datos y se dibuja en un sistema de coordenadas específico. El facetado puede utilizarse para generar el mismo gráfico para distintos subconjuntos del conjunto de datos. La combinación de estos componentes independientes es lo que constituye un gráfico (Wickham, 2011)
Cada uno de estos elementos tambien le llamaremos “capas”, elaborar un gráfico con ggplot no es más que sumar nuevas capas a nuestra visualización que aportan un elemento nuevo.
Sistema de capas en ggplot
Si lo queremos ver de otro modo, ggplot es como hornear un pastel
Primeros pasos para armar un gráfico con ggplot
Por esta vez vamos a utilizar para prácticar, los datos de a Agencia de Protección Ambiental de Estados Unidos que contiene datos de diferentes autos entre 1999 a 2008
## tibble [234 × 11] (S3: tbl_df/tbl/data.frame)
## $ manufacturer: chr [1:234] "audi" "audi" "audi" "audi" ...
## $ model : chr [1:234] "a4" "a4" "a4" "a4" ...
## $ displ : num [1:234] 1.8 1.8 2 2 2.8 2.8 3.1 1.8 1.8 2 ...
## $ year : int [1:234] 1999 1999 2008 2008 1999 1999 2008 1999 1999 2008 ...
## $ cyl : int [1:234] 4 4 4 4 6 6 6 4 4 4 ...
## $ trans : chr [1:234] "auto(l5)" "manual(m5)" "manual(m6)" "auto(av)" ...
## $ drv : chr [1:234] "f" "f" "f" "f" ...
## $ cty : int [1:234] 18 21 20 21 16 18 18 18 16 20 ...
## $ hwy : int [1:234] 29 29 31 30 26 26 27 26 25 28 ...
## $ fl : chr [1:234] "p" "p" "p" "p" ...
## $ class : chr [1:234] "compact" "compact" "compact" "compact" ...El primer paso es agregar las primeras dos capas a nuestro gráfico:
Los objetos geometricos en ggplot se refieren al tipo de gráfico que queremos hacer de acuerdo a la naturaleza de nuestros datos:
Otros objetos geometricos usuales:
geom_line: Gráfico de lineas
geom_bar: Gráfico de barras
geom_boxplot: gráfico de barras y bigotes
geom_histogram: Histograma de frecuencias
Elementos esteticos: Formas, colores y tamaños
Con solo esos dos elementos, datos y mapeo estetico, podemos armar un gráfico más o menos decente que nos saque de un apuro. Sin embargo, conforme añadimos capas podemos agregar más personalidad a nuestro gráfico.
Las funciones shape, color, fill y size nos ayudan a dar mayor personalidad a nuestro gráfico
ggplot(datos_cars, aes(x = displ, y = hwy, color = manufacturer,size = class ,
shape = drv)) +
geom_point()
Ya para este momento, la gráfica tiene tantas capas que se ve demasiado saturada. Pero esta biblioteca da una infinidad de posibilidades.
Asimismo, ggplot2 también permite cambiar el color, tamaño y forma manualmente (sin que representen una variable). Lo único diferente que hay que hacer es definir esas variables fuera del comando aes()
Gráficos de barras
Vamos a cargar la base alcaldias de nuestra carpeta:
alcaldias <- read_excel("/Users/maco1304/Documents/curso_basicoR/Sesión 2 - manejo y visualización/inputs/Alcaldias.xlsx")Los datos contienen las alcaldias ganadas por partidos políticos que han estado en el gobiero desde el 2002, vamos a hacer un gráfico de barras con estos datos, recordemos lo primero que tenemos que hacer es añadir las primeras dos capas, datos y mapeo estetico.
mmmm de ante mano pareciera que algo no salió bien verdad ?, lo que
sucede es que no específicamos al programa que hay una tercera variable
a considerar, llamada partido. Estos lo específicamos con el argumento
fill =.
Un poco mejor, sin embargo sigue sin convencerme que esta sea la mejor forma de visualizar el gráfico. Podemos seleccionar entre barras apiladas y agrupadas:
ggplot(alcaldias, aes(x = anio, y = total, fill = partido)) +
geom_bar(stat = "identity", position = "dodge")
Va mejor, pero aún puede, mejorar. La función scale_fill_manual nos permite colorear a volutad con nuestra propia paleta de colores. Además en algunos casos es conveniente convertir la variable año a tipo factor, para evitar saltos dispares en la continuidad del eje x:
ggplot(alcaldias, aes(x = factor(anio), y = total, fill = partido)) +
geom_bar(stat = "identity", position = "dodge") +
scale_fill_manual(values = c("#624887","#fbd020", "#39aa47", "#0b4a8e"))
Podemos ajustar los titulos de los ejes y el titulo, subtitulo del gráfico
ggplot(alcaldias, aes(x = factor(anio), y = total, fill = partido)) +
geom_bar(stat = "identity", position = "dodge") +
scale_fill_manual(values = c("#624887","#fbd020", "#39aa47", "#0b4a8e")) +
labs(x = "Año", y = "Alcaldias", title = "Gráfico 1.",
subtitle = "Municipalidades ganadas por año según partido político (2002-2020)")
Gráficos de lineas
Abrimos un nuevo conjuto de datos
datos_parti <- read_excel("/Users/maco1304/Documents/curso_basicoR/Sesión 2 - manejo y visualización/inputs/datos_parti.xlsx")A partir del conjunto de datos, hacemos nuestro nuevo gráfico
# Gráfico de lineas
plot <- ggplot(datos_parti,aes(x = anio, y = porcentaje)) +
geom_line(aes(group = eleccion_tipo, color = eleccion_tipo), linewidth = 1.5) +
geom_point(size = 2, color = "grey33") +
scale_y_continuous(labels = scales::percent_format()) +
scale_color_manual(values = c("#1380A1", "#ce5217")) +
labs(x = "Años de elección",y = "Porcentaje")
plot
Tarea para despúes de semana santa :)
Exploren datos cantonales y electorales de su cantón de empadronamiento y piensen en formas de manejar y visualizar esos datos.
Sugerencias: Participación por año, votos por distrito, votos del partido ganador, conformación partidaria del Consejo Municipal, etc.
La idea del ejercicio es explorar un poco más lo que hemos visto y desarrollar intuitivamente como aplicar las herramientas que tenemos. Si tienen alguna dificultas lo vemos despúes de semana santa, yo ya lo tengo hecho para mi caso entonces vamos a ver sugerencias de cómo entrarle a esto en la siguiente clase.