Tarea_4_desarrollo
John Gutiérrez ;
2024-09-09
#lectura de librerias
# Cargar librerías necesarias
library(ggplot2)
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, unionlibrary(readr)## Warning: package 'readr' was built under R version 4.2.3#john es donde esta mi data frame
df <- read_csv("master.csv")## Rows: 27820 Columns: 12
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): country, sex, age, country-year, generation
## dbl (6): year, suicides_no, population, suicides/100k pop, HDI for year, gdp...
## num (1): gdp_for_year ($)
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.master <- df#Para el uso de operadpr pipe
suppressWarnings(require(magrittr)) #Cargamos el paquete## Loading required package: magrittr##1.Edite y explore reglas para verificar que la base de datos no contenga posibles registros erróneos.
#Renomabramos HDI for year a IDH_ano; suicides/100k a sui_x_100; gdp_for year a PIB_x_ano; gdp_per_capita ($) a PIB_X_CAPITA
#john <- john %>%
#rename( IDH_ano =`HDI for year`)
#john <- john %>%
#rename( sui_x_100 =`suicides/100k pop`)
#john <- john %>%
#rename( PIB_x_ano =`gdp_for_year ($)`)
#john <- john %>%
#rename( PIB_x_capita =`gdp_per_capita ($)`)master %>% names #ver nombres de las variables## [1] "country" "year" "sex"
## [4] "age" "suicides_no" "population"
## [7] "suicides/100k pop" "country-year" "HDI for year"
## [10] "gdp_for_year ($)" "gdp_per_capita ($)" "generation"head(master)## # A tibble: 6 × 12
## country year sex age suicides_no population `suicides/100k pop`
## <chr> <dbl> <chr> <chr> <dbl> <dbl> <dbl>
## 1 Albania 1987 male 15-24 years 21 312900 6.71
## 2 Albania 1987 male 35-54 years 16 308000 5.19
## 3 Albania 1987 female 15-24 years 14 289700 4.83
## 4 Albania 1987 male 75+ years 1 21800 4.59
## 5 Albania 1987 male 25-34 years 9 274300 3.28
## 6 Albania 1987 female 75+ years 1 35600 2.81
## # ℹ 5 more variables: `country-year` <chr>, `HDI for year` <dbl>,
## # `gdp_for_year ($)` <dbl>, `gdp_per_capita ($)` <dbl>, generation <chr>#identificacion de los NaN
# Contar valores faltantes por columna
colSums(is.na(master))## country year sex age
## 0 0 0 0
## suicides_no population suicides/100k pop country-year
## 0 0 0 0
## HDI for year gdp_for_year ($) gdp_per_capita ($) generation
## 19456 0 0 0# Mostrar filas que contienen NAs
master[!complete.cases(master), ]## # A tibble: 19,456 × 12
## country year sex age suicides_no population `suicides/100k pop`
## <chr> <dbl> <chr> <chr> <dbl> <dbl> <dbl>
## 1 Albania 1987 male 15-24 years 21 312900 6.71
## 2 Albania 1987 male 35-54 years 16 308000 5.19
## 3 Albania 1987 female 15-24 years 14 289700 4.83
## 4 Albania 1987 male 75+ years 1 21800 4.59
## 5 Albania 1987 male 25-34 years 9 274300 3.28
## 6 Albania 1987 female 75+ years 1 35600 2.81
## 7 Albania 1987 female 35-54 years 6 278800 2.15
## 8 Albania 1987 female 25-34 years 4 257200 1.56
## 9 Albania 1987 male 55-74 years 1 137500 0.73
## 10 Albania 1987 female 5-14 years 0 311000 0
## # ℹ 19,446 more rows
## # ℹ 5 more variables: `country-year` <chr>, `HDI for year` <dbl>,
## # `gdp_for_year ($)` <dbl>, `gdp_per_capita ($)` <dbl>, generation <chr>renom <- master %>% names
master %<>% rename(pais=renom[1], ano=renom[2],
sexo=renom[3], edad=renom[4],
num_suic=renom[5], poblacion=renom[6],
suic_x_100k=renom[7], pais_anio=renom[8],
IDH_anio=renom[9], PIB_anio=renom[10],
PIB_xcap=renom[11], generacion=renom[12]
)
#Este código obtiene los nombres actuales de las columnas del data frame `master` y luego renombra cada columna usando estos nombres en un orden específico. Primero, guarda los nombres de las columnas en la variable `renom`, y luego usa estos nombres para asignar nuevos nombres más descriptivos a las columnas del data frame `master`, facilitando así la comprensión y el manejo de los datos.master %<>% mutate(pib_anio_mill=PIB_anio/1000000)
master %<>% mutate_if(is.character, as.factor)
master %>% glimpse## Rows: 27,820
## Columns: 13
## $ pais <fct> Albania, Albania, Albania, Albania, Albania, Albania, Al…
## $ ano <dbl> 1987, 1987, 1987, 1987, 1987, 1987, 1987, 1987, 1987, 19…
## $ sexo <fct> male, male, female, male, male, female, female, female, …
## $ edad <fct> 15-24 years, 35-54 years, 15-24 years, 75+ years, 25-34 …
## $ num_suic <dbl> 21, 16, 14, 1, 9, 1, 6, 4, 1, 0, 0, 0, 2, 17, 1, 14, 4, …
## $ poblacion <dbl> 312900, 308000, 289700, 21800, 274300, 35600, 278800, 25…
## $ suic_x_100k <dbl> 6.71, 5.19, 4.83, 4.59, 3.28, 2.81, 2.15, 1.56, 0.73, 0.…
## $ pais_anio <fct> Albania1987, Albania1987, Albania1987, Albania1987, Alba…
## $ IDH_anio <dbl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ PIB_anio <dbl> 2156624900, 2156624900, 2156624900, 2156624900, 21566249…
## $ PIB_xcap <dbl> 796, 796, 796, 796, 796, 796, 796, 796, 796, 796, 796, 7…
## $ generacion <fct> Generation X, Silent, Generation X, G.I. Generation, Boo…
## $ pib_anio_mill <dbl> 2156.625, 2156.625, 2156.625, 2156.625, 2156.625, 2156.6…#Este código agrega una nueva columna `pib_anio_mill` al data frame `master`, que representa el PIB en millones en lugar de unidades. Además, convierte todas las columnas de texto en factores para una mejor preparación de los datos para el análisis. Finalmente, utiliza `glimpse()` para mostrar una vista rápida de la estructura del data frame y verificar los cambios realizados.master$edad %>%levels## [1] "15-24 years" "25-34 years" "35-54 years" "5-14 years" "55-74 years"
## [6] "75+ years"# El código muestra los niveles únicos de la columna `edad` si es un factor.
master$generacion %>%levels## [1] "Boomers" "G.I. Generation" "Generation X" "Generation Z"
## [5] "Millenials" "Silent"# El código muestra los niveles únicos de la columna `generacion` si esta columna es un factor.master$edad %<>%factor(levels=c("5-14years","15-24years",
"25-34years","35-54years","55-74years","75+years"))
#Este código convierte la columna `edad` en un factor con niveles específicos: `"5-14years"`, `"15-24years"`, `"25-34years"`, `"35-54years"`, `"55-74years"`, y `"75+years"`. Esto asegura que la columna `edad` tenga una representación categórica con estos niveles definidos.
master$generacion %<>%factor(levels=c('G.I.Generation','Silent',
'Boomers','GenerationX',
'Millenials','GenerationZ'))
#Este código convierte la columna `generacion` en un factor con los niveles especificados: `'G.I.Generation'`, `'Silent'`, `'Boomers'`, `'GenerationX'`, `'Millenials'`, y `'GenerationZ'`. Esto organiza la columna `generacion` en categorías definidas para un análisis más estructurado.###2 Filtre los datos de Colombia y los de EEUU, generando dos bases de datos, llamadas master_col y master_eu.
#Filtramos para Colombia
master_col <- subset(master,subset=(pais=="Colombia"))
master_col %<>% droplevels
master_col %>% glimpse## Rows: 372
## Columns: 13
## $ pais <fct> Colombia, Colombia, Colombia, Colombia, Colombia, Colomb…
## $ ano <dbl> 1985, 1985, 1985, 1985, 1985, 1985, 1985, 1985, 1985, 19…
## $ sexo <fct> male, male, male, male, male, female, female, female, fe…
## $ edad <fct> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ num_suic <dbl> 21, 113, 193, 256, 188, 117, 45, 3, 31, 12, 12, 10, 13, …
## $ poblacion <dbl> 123400, 1015200, 2323700, 3190200, 2451100, 3140700, 227…
## $ suic_x_100k <dbl> 17.02, 11.13, 8.31, 8.02, 7.67, 3.73, 1.98, 1.72, 1.29, …
## $ pais_anio <fct> Colombia1985, Colombia1985, Colombia1985, Colombia1985, …
## $ IDH_anio <dbl> 0.573, 0.573, 0.573, 0.573, 0.573, 0.573, 0.573, 0.573, …
## $ PIB_anio <dbl> 34894411352, 34894411352, 34894411352, 34894411352, 3489…
## $ PIB_xcap <dbl> 1393, 1393, 1393, 1393, 1393, 1393, 1393, 1393, 1393, 13…
## $ generacion <fct> NA, NA, Boomers, NA, Silent, NA, Boomers, NA, Silent, NA…
## $ pib_anio_mill <dbl> 34894.41, 34894.41, 34894.41, 34894.41, 34894.41, 34894.… #Este código filtra el data frame master para conservar solo las filas donde la columna pais es igual a "Colombia", y guarda el resultado en master_col. Luego, droplevels elimina niveles de factores que ya no están presentes en el data frame después del filtrado. Finalmente, glimpse() muestra una vista rápida de la estructura de master_col.#Filtramos para Estados Unidos
master_eu <- subset(master,subset=(pais=="United States"))
master_eu %<>% droplevels
master_eu %>% glimpse## Rows: 372
## Columns: 13
## $ pais <fct> United States, United States, United States, United Stat…
## $ ano <dbl> 1985, 1985, 1985, 1985, 1985, 1985, 1985, 1985, 1985, 19…
## $ sexo <fct> male, male, male, male, male, female, female, female, fe…
## $ edad <fct> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
## $ num_suic <dbl> 2177, 5302, 5134, 6053, 4267, 2105, 1568, 466, 1242, 854…
## $ poblacion <dbl> 4064000, 17971000, 20986000, 26589000, 19962000, 2776300…
## $ suic_x_100k <dbl> 53.57, 29.50, 24.46, 22.77, 21.38, 7.58, 7.34, 6.24, 5.9…
## $ pais_anio <fct> United States1985, United States1985, United States1985,…
## $ IDH_anio <dbl> 0.841, 0.841, 0.841, 0.841, 0.841, 0.841, 0.841, 0.841, …
## $ PIB_anio <dbl> 4.346734e+12, 4.346734e+12, 4.346734e+12, 4.346734e+12, …
## $ PIB_xcap <dbl> 19693, 19693, 19693, 19693, 19693, 19693, 19693, 19693, …
## $ generacion <fct> NA, NA, Boomers, Silent, NA, Silent, NA, NA, Boomers, NA…
## $ pib_anio_mill <dbl> 4346734, 4346734, 4346734, 4346734, 4346734, 4346734, 43…#resumen colombia
resum_col<-master_col %>%group_by(ano) %>%
summarise(pib_anio_mill=mean(pib_anio_mill),
suic_x_100k =mean(suic_x_100k ),
IDH_anio = mean(IDH_anio))
resum_col %<>%select(ano,pib_anio_mill,suic_x_100k,IDH_anio)
resum_col## # A tibble: 31 × 4
## ano pib_anio_mill suic_x_100k IDH_anio
## <dbl> <dbl> <dbl> <dbl>
## 1 1985 34894. 5.21 0.573
## 2 1986 34942. 4.18 NA
## 3 1987 36373. 3.76 NA
## 4 1988 39213. 4.22 NA
## 5 1989 39540. 3.47 NA
## 6 1990 40274. 3.62 0.596
## 7 1991 41240. 3.63 NA
## 8 1992 49280. 4.12 NA
## 9 1993 55803. 4.10 NA
## 10 1994 81704. 4.66 NA
## # ℹ 21 more rows#Este código agrupa el data frame `master_col` por `anio` y calcula el promedio de `pib_anio_mill` y `suic_x100k` para cada año. Luego, selecciona y muestra solo las columnas `anio`, `pib_anio_mill` y `suic_x100k` en el data frame `resum_col_1`.#Resumen Estados Unidos
resum_eu<-master_eu %>%group_by(ano) %>%
summarise(pib_anio_mill=mean(pib_anio_mill),
suic_x_100k =mean(suic_x_100k ),
IDH_anio = mean(IDH_anio))
resum_eu %<>%select(ano,pib_anio_mill,suic_x_100k, IDH_anio )
resum_eu## # A tibble: 31 × 4
## ano pib_anio_mill suic_x_100k IDH_anio
## <dbl> <dbl> <dbl> <dbl>
## 1 1985 4346734 15.4 0.841
## 2 1986 4590155 16.0 NA
## 3 1987 4870217 16.0 NA
## 4 1988 5252629 15.6 NA
## 5 1989 5657693 15.2 NA
## 6 1990 5979589 15.6 0.859
## 7 1991 6174043 15.3 NA
## 8 1992 6539299 14.8 NA
## 9 1993 6878718 14.9 NA
## 10 1994 7308755 14.7 NA
## # ℹ 21 more rows###3 Realice un análisis de la evolución de los suicidios por cada 100.000 habitantes, del PIB per cápita y del IDH, a lo largo de los años en ambos países.
#suicidios por cada 100.000 habitantes
#intalamos libreria y la llamamos, creamos
library(ggplot2)
fig_1 <- ggplot(resum_col,aes(ano,suic_x_100k))+
geom_line(col="red")+
labs(title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en Colombia")
library(ggplot2)
fig_2 <- ggplot(resum_eu,aes(ano,suic_x_100k))+
geom_line(col="blue")+
labs(title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en EE.UU")
require(ggpubr)## Loading required package: ggpubr## Warning: package 'ggpubr' was built under R version 4.2.3ggarrange(fig_1,fig_2, labels= c("A","B"),
ncol=2,nrow=2)
####Podemos observar para ambos graficos que en los ultimos años han
aumentado los casos de suicidio. tambien se puede observar que en el año
los suicidios en colombia aumentaron significativamente mientras que en
ese mismo año par EE UU disminuyeron.
#PIB
#Colombia
fig_3 <- ggplot(resum_col,aes(ano,pib_anio_mill))+
geom_line(col="red") +
labs(title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en Colombia")
#Estados Unidos
fig_4 <- ggplot(resum_eu,aes(ano,pib_anio_mill))+
geom_line(col="blue") +
labs(title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en EE UU")
require(ggpubr)
ggarrange(fig_3,fig_4,labels= c("A","B"),
ncol=2,nrow=2)
####Vemos que ambas grafican muestran una tendencia creciente, pero para
colombia en los ultimos años comienza a disminuir el valor de PIB.
#IDH
#Colombia
fig_5 <- ggplot(resum_col,aes(ano,IDH_anio))+
geom_line(col="red") +
labs(title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en Colombia")
#Estados Unidos
fig_6 <- ggplot(resum_eu,aes(ano,IDH_anio))+
geom_line(col="blue") +
labs(title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en EE UU")
require(ggpubr)
ggarrange(fig_5,fig_6,labels= c("A","B"),
ncol=2,nrow=2)## Warning: Removed 1 row containing missing values (`geom_line()`).
## Removed 1 row containing missing values (`geom_line()`).
####Vemos en los graficos q probablemente por el metodo de imputacion
implementado no podemos observar una tendencia clara.
###Realice un análisis de la evolución de los suicidios por cada 100.000 habitantes, del PIB per cápita y del IDH, a lo largo de los años en ambos países por género.
#Colombia
resum_col_1<-master_col %>%group_by(ano,sexo) %>%
summarise(pib_anio_mill=mean(pib_anio_mill),
suic_x_100k=mean(suic_x_100k),
IDH_anio=mean(IDH_anio))## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.#Este código agrupa el data frame `master_col` por `anio` y `sexo`, y calcula el promedio de `pib_anio_mill` y `suic_x100k` para cada combinación de año y sexo. El resultado se guarda en el data frame `resum_col_2`.
#Estados Unidos
resum_eu_1<-master_eu %>%group_by(ano,sexo) %>%
summarise(pib_anio_mill=mean(pib_anio_mill),
suic_x_100k=mean(suic_x_100k),
IDH_anio=mean(IDH_anio))## `summarise()` has grouped output by 'ano'. You can override using the `.groups`
## argument.#Colombia
resum_col_1 %<>%select(sexo,ano,pib_anio_mill,
suic_x_100k, IDH_anio)
resum_col_1## # A tibble: 62 × 5
## # Groups: ano [31]
## sexo ano pib_anio_mill suic_x_100k IDH_anio
## <fct> <dbl> <dbl> <dbl> <dbl>
## 1 female 1985 34894. 1.68 0.573
## 2 male 1985 34894. 8.75 0.573
## 3 female 1986 34942. 1.38 NA
## 4 male 1986 34942. 6.97 NA
## 5 female 1987 36373. 1.22 NA
## 6 male 1987 36373. 6.31 NA
## 7 female 1988 39213. 1.27 NA
## 8 male 1988 39213. 7.17 NA
## 9 female 1989 39540. 1.18 NA
## 10 male 1989 39540. 5.77 NA
## # ℹ 52 more rows #EEUU
resum_eu_1 %<>%select(sexo,ano,pib_anio_mill,
suic_x_100k, IDH_anio)
resum_eu_1## # A tibble: 62 × 5
## # Groups: ano [31]
## sexo ano pib_anio_mill suic_x_100k IDH_anio
## <fct> <dbl> <dbl> <dbl> <dbl>
## 1 female 1985 4346734 5.31 0.841
## 2 male 1985 4346734 25.5 0.841
## 3 female 1986 4590155 5.56 NA
## 4 male 1986 4590155 26.4 NA
## 5 female 1987 4870217 5.35 NA
## 6 male 1987 4870217 26.6 NA
## 7 female 1988 5252629 5.18 NA
## 8 male 1988 5252629 26.1 NA
## 9 female 1989 5657693 4.95 NA
## 10 male 1989 5657693 25.5 NA
## # ℹ 52 more rows#Graficamos suicidios
ggplot(resum_col_1, aes(x = ano, y = suic_x_100k, color = sexo)) +
geom_line(cex = 1) +
labs(
title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en Colombia según Género",
x = "Año",
y = "Tasa de Suicidios por 100.000 Habitantes",
color = "Género"
)## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
#Suicidios
ggplot(resum_eu_1, aes(x = ano, y = suic_x_100k, color = sexo)) +
geom_line(cex = 1) +
labs(
title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en EE UU según Género",
x = "Año",
y = "Tasa de Suicidios por 100.000 Habitantes",
color = "Género"
)
#PIB Colombia
ggplot(resum_col_1, aes(x = ano, y = pib_anio_mill, color = sexo)) +
geom_line(cex = 1) +
labs(
title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en Colombia según Género",
x = "Año",
y = "Tasa de Suicidios por 100.000 Habitantes",
color = "Género"
)
#PIB EEUU
#PIB Colombia
ggplot(resum_eu_1, aes(x = ano, y = pib_anio_mill, color = sexo)) +
geom_line(cex = 1) +
labs(
title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en EE UU según Género",
x = "Año",
y = "Tasa de Suicidios por 100.000 Habitantes",
color = "Género"
)
#IDH Colombia
ggplot(resum_col_1, aes(x = ano, y = IDH_anio, color = sexo)) +
geom_line(cex = 1) +
labs(
title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en Colombia según Género",
x = "Año",
y = "Tasa de Suicidios por 100.000 Habitantes",
color = "Género"
)## Warning: Removed 2 rows containing missing values (`geom_line()`).
#IDH EE UU
ggplot(resum_eu_1, aes(x = ano, y = IDH_anio, color = sexo)) +
geom_line(cex = 1) +
labs(
title = "Evolución de la Tasa de Suicidios por 100.000 Habitantes en EE UU según Género",
x = "Año",
y = "Tasa de Suicidios por 100.000 Habitantes",
color = "Género"
)## Warning: Removed 2 rows containing missing values (`geom_line()`).
###5. Realice un análisis de la evolución de los suicidios por cada 100.000 habitantes, del PIB per cápita y del IDH, a lo largo de los años en ambos países por grupo de edad.
#Colombia
resum_col_2<-master_col %>%group_by(generacion,sexo) %>%
summarise(pib_anio_mill=sum(pib_anio_mill),
suic_x_100k=sum(suic_x_100k),
IDH_anio=sum(IDH_anio))## `summarise()` has grouped output by 'generacion'. You can override using the
## `.groups` argument.#EE UU
resum_eu_2<-master_eu %>%group_by(generacion,sexo) %>%
summarise(pib_anio_mill=sum(pib_anio_mill),
suic_x_100k=sum(suic_x_100k),
IDH_anio=sum(IDH_anio))## `summarise()` has grouped output by 'generacion'. You can override using the
## `.groups` argument.#Colombia
resum_col_2 %<>%select(generacion,sexo,pib_anio_mill,
suic_x_100k, IDH_anio)
resum_col_2## # A tibble: 8 × 5
## # Groups: generacion [4]
## generacion sexo pib_anio_mill suic_x_100k IDH_anio
## <fct> <fct> <dbl> <dbl> <dbl>
## 1 Silent female 6167671. 44.3 NA
## 2 Silent male 6167671. 517. NA
## 3 Boomers female 4419386. 52.2 NA
## 4 Boomers male 4419386. 284. NA
## 5 Millenials female 6725177. 99.2 NA
## 6 Millenials male 6725177. 241. NA
## 7 <NA> female 9558041. 137 NA
## 8 <NA> male 9558041. 635. NA#Este código selecciona las columnas `generacion`, `sexo` y `num_suic` del data frame `resum_col_3`, asegurando que solo estas columnas estén presentes en el resultado final.
#EE UU
resum_eu_2 %<>%select(generacion,sexo,pib_anio_mill,
suic_x_100k, IDH_anio)
resum_eu_2## # A tibble: 8 × 5
## # Groups: generacion [4]
## generacion sexo pib_anio_mill suic_x_100k IDH_anio
## <fct> <fct> <dbl> <dbl> <dbl>
## 1 Silent female 456745956 213. NA
## 2 Silent male 456745956 1185. NA
## 3 Boomers female 337768521 229. NA
## 4 Boomers male 337768521 842. NA
## 5 Millenials female 451382632 93.2 NA
## 6 Millenials male 451382632 389. NA
## 7 <NA> female 709095359 334. NA
## 8 <NA> male 709095359 1855. NA#Suicidios
#Colombia
ggplot(resum_col_2, aes(x = generacion, y = suic_x_100k, fill = sexo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = suic_x_100k),
position = position_stack(vjust = 0.5),
color = "white") +
labs(
title = "Número de Suicidios por Generación y Género en Colombia",
x = "Generación",
y = "suic_x_100k",
fill = "Género"
)
#EE UU
ggplot(resum_eu_2, aes(x = generacion, y = suic_x_100k, fill = sexo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = suic_x_100k),
position = position_stack(vjust = 0.5),
color = "white") +
labs(
title = "Número de Suicidios por Generación y Género en EE UU",
x = "Generación",
y = "suic_x_100k",
fill = "Género"
)
#Pib
#Colombia
ggplot(resum_col_2, aes(x = generacion, y = pib_anio_mill, fill = sexo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = pib_anio_mill),
position = position_stack(vjust = 0.5),
color = "white") +
labs(
title = "Número de Suicidios por Generación y Género en Colombia",
x = "Generación",
y = "pib_anio_mill",
fill = "Género"
)
#EE UU
ggplot(resum_eu_2, aes(x = generacion, y = pib_anio_mill, fill = sexo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = pib_anio_mill),
position = position_stack(vjust = 0.5),
color = "white") +
labs(
title = "Número de Suicidios por Generación y Género en EE UU",
x = "Generación",
y = "pib_anio_mill",
fill = "Género"
)
#IDH
#Colombia
ggplot(resum_col_2, aes(x = generacion, y = IDH_anio, fill = sexo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = IDH_anio),
position = position_stack(vjust = 0.5),
color = "white") +
labs(
title = "Número de Suicidios por Generación y Género en Colombia",
x = "Generación",
y = "IDH_anio",
fill = "Género"
)## Warning: Removed 8 rows containing missing values (`position_stack()`).
## Removed 8 rows containing missing values (`position_stack()`).
#EE UU
ggplot(resum_eu_2, aes(x = generacion, y = IDH_anio, fill = sexo)) +
geom_bar(stat = "identity") +
geom_text(aes(label = IDH_anio),
position = position_stack(vjust = 0.5),
color = "white") +
labs(
title = "Número de Suicidios por Generación y Género en EE UU",
x = "Generación",
y = "IDH_anio",
fill = "Género"
)## Warning: Removed 8 rows containing missing values (`position_stack()`).
## Removed 8 rows containing missing values (`position_stack()`).