Data Wrangling

1. Recopilación de datos

En esta fase, recopilamos los datos necesarios, para este caso, hemos cargado la base de datos LAIS del BID (IDB).

2. Descubrimiento

El descubrimiento de datos es el proceso mediante el cual nos familiarizamos con los datos, identificando características como patrones, valores faltantes o problemas que deben ser corregidos, lo que será abordado en las siguientes fases.

                                          Descriptions       Value
1                                   Sample size (nrow)       66716
2                              No. of variables (ncol)          38
3                    No. of numeric/interger variables          35
4                              No. of factor variables           0
5                                No. of text variables           3
6                             No. of logical variables           0
7                          No. of identifier variables           0
8                                No. of date variables           0
9             No. of zero variance variables (uniform)           0
10               %. of variables having complete cases  13.16% (5)
11   %. of variables having >0% and <50% missing cases  23.68% (9)
12 %. of variables having >=50% and <90% missing cases 39.47% (15)
13          %. of variables having >=90% missing cases  23.68% (9)

Tabla resumen

df_LAIS

Dimensiones: 66716 x 38
Duplicados: 0

1

firm_id [numeric]

Media (d-s) : 683213757 (3607054483)
min ≤ mediana ≤ max:
1 ≤ 367087 ≤ 46745218172
RI (CV) : 832275.2 (5.3)

30425 valores distintos

0 (0.0%)

2

country [character]

1. Argentina
2. Chile
3. Colombia
4. Dominican Republic
5. Ecuador
6. El_Salvador
7. Panama
8. Paraguay
9. Peru
10. Uruguay

7635	(	11.4%	)
5931	(	8.9%	)
42245	(	63.3%	)
150	(	0.2%	)
2810	(	4.2%	)
572	(	0.9%	)
368	(	0.6%	)
878	(	1.3%	)
2576	(	3.9%	)
3551	(	5.3%	)

0 (0.0%)

3

year [integer]

Media (d-s) : 2013.3 (2.7)
min ≤ mediana ≤ max:
2007 ≤ 2013 ≤ 2017
RI (CV) : 4 (0)

2007	:	839	(	1.3%	)
2009	:	9282	(	13.9%	)
2010	:	1074	(	1.6%	)
2011	:	9548	(	14.3%	)
2012	:	1124	(	1.7%	)
2013	:	17061	(	25.6%	)
2014	:	95	(	0.1%	)
2015	:	13265	(	19.9%	)
2016	:	1443	(	2.2%	)
2017	:	12985	(	19.5%	)

0 (0.0%)

4

year1 [integer]

Media (d-s) : 2011 (2.7)
min ≤ mediana ≤ max:
2004 ≤ 2011 ≤ 2015
RI (CV) : 4 (0)

2004	:	839	(	1.3%	)
2006	:	273	(	0.4%	)
2007	:	10083	(	15.1%	)
2009	:	11863	(	17.8%	)
2010	:	5486	(	8.2%	)
2011	:	10479	(	15.7%	)
2012	:	3071	(	4.6%	)
2013	:	11637	(	17.4%	)
2014	:	3944	(	5.9%	)
2015	:	9041	(	13.6%	)

0 (0.0%)

5

year2 [integer]

Media (d-s) : 2012 (2.7)
min ≤ mediana ≤ max:
2005 ≤ 2012 ≤ 2016
RI (CV) : 4 (0)

2005	:	839	(	1.3%	)
2007	:	273	(	0.4%	)
2008	:	10083	(	15.1%	)
2010	:	11863	(	17.8%	)
2011	:	5486	(	8.2%	)
2012	:	10479	(	15.7%	)
2013	:	3071	(	4.6%	)
2014	:	11637	(	17.4%	)
2015	:	3944	(	5.9%	)
2016	:	9041	(	13.6%	)

0 (0.0%)

6

year3 [integer]

Media (d-s) : 2012.8 (2.6)
min ≤ mediana ≤ max:
2006 ≤ 2012 ≤ 2016
RI (CV) : 3 (0)

2006	:	839	(	4.5%	)
2008	:	273	(	1.5%	)
2009	:	1074	(	5.8%	)
2011	:	2315	(	12.5%	)
2012	:	5486	(	29.6%	)
2013	:	95	(	0.5%	)
2014	:	3071	(	16.6%	)
2015	:	1443	(	7.8%	)
2016	:	3944	(	21.3%	)

48176 (72.2%)

7

isic4_1d [character]

1. (Cadena vacía)
2. Manufacturing

39197	(	58.8%	)
27519	(	41.2%	)

0 (0.0%)

8

isic3_1d [character]

1. (Cadena vacía)
2. Manufacturing

18684	(	28.0%	)
48032	(	72.0%	)

0 (0.0%)

9

yr_firm [integer]

Media (d-s) : 1988 (19.2)
min ≤ mediana ≤ max:
1743 ≤ 1993 ≤ 2014
RI (CV) : 21 (0)

140 valores distintos

49917 (74.8%)

10

dexport [integer]

Min : 0
Media : 0.3
Max : 1

0	:	34573	(	68.8%	)
1	:	15667	(	31.2%	)

16476 (24.7%)

11

sales_us_Y1 [numeric]

Media (d-s) : 21429945 (248980730)
min ≤ mediana ≤ max:
0 ≤ 1625117 ≤ 29247549440
RI (CV) : 6641095 (11.6)

27390 valores distintos

36793 (55.1%)

12

sales_us_Y2 [numeric]

Media (d-s) : 19526030 (250059083)
min ≤ mediana ≤ max:
0 ≤ 1383502 ≤ 29020473344
RI (CV) : 5352617 (12.8)

42316 valores distintos

20509 (30.7%)

13

sales_us_Y3 [numeric]

Media (d-s) : 18827517 (181205133)
min ≤ mediana ≤ max:
0 ≤ 2128633 ≤ 15069356032
RI (CV) : 8035880 (9.6)

16578 valores distintos

48539 (72.8%)

14

empl_Y1 [numeric]

Media (d-s) : 104.2 (299.5)
min ≤ mediana ≤ max:
0 ≤ 28 ≤ 15463
RI (CV) : 67 (2.9)

1475 valores distintos

2354 (3.5%)

15

empl_Y2 [numeric]

Media (d-s) : 99.3 (273.6)
min ≤ mediana ≤ max:
0 ≤ 28 ≤ 15915
RI (CV) : 64 (2.8)

1366 valores distintos

6366 (9.5%)

16

empl_Y3 [numeric]

Media (d-s) : 120.7 (349.1)
min ≤ mediana ≤ max:
0 ≤ 34 ≤ 11316
RI (CV) : 82 (2.9)

1024 valores distintos

48392 (72.5%)

17

dnewgd [integer]

Min : 0
Media : 0.2
Max : 1

0	:	5348	(	78.2%	)
1	:	1488	(	21.8%	)

59880 (89.8%)

18

dnewserv [integer]

Min : 0
Media : 0
Max : 1

0	:	6503	(	95.1%	)
1	:	333	(	4.9%	)

59880 (89.8%)

19

dnewpd [integer]

Min : 0
Media : 0.2
Max : 1

0	:	47076	(	83.1%	)
1	:	9601	(	16.9%	)

10039 (15.0%)

20

dinnorgpc [integer]

Min : 0
Media : 0.2
Max : 1

0	:	8316	(	83.2%	)
1	:	1675	(	16.8%	)

56725 (85.0%)

21

dinnorgresp [integer]

Min : 0
Media : 0.2
Max : 1

0	:	7904	(	79.1%	)
1	:	2087	(	20.9%	)

56725 (85.0%)

22

dinnorgext [integer]

Min : 0
Media : 0.1
Max : 1

0	:	10465	(	92.5%	)
1	:	852	(	7.5%	)

55399 (83.0%)

23

dinndist [integer]

Min : 0
Media : 0.1
Max : 1

0	:	10316	(	90.0%	)
1	:	1151	(	10.0%	)

55249 (82.8%)

24

dinnprice [integer]

Min : 0
Media : 0.1
Max : 1

0	:	9138	(	90.1%	)
1	:	1003	(	9.9%	)

56575 (84.8%)

25

newgd [integer]

Media (d-s) : 13.1 (58.7)
min ≤ mediana ≤ max:
1 ≤ 2 ≤ 750
RI (CV) : 4 (4.5)

45 valores distintos

66291 (99.4%)

26

newserv [integer]

Media (d-s) : 3.3 (8.2)
min ≤ mediana ≤ max:
1 ≤ 1 ≤ 60
RI (CV) : 1 (2.5)

11 valores distintos

66601 (99.8%)

27

newpd [integer]

Media (d-s) : 1 (19.1)
min ≤ mediana ≤ max:
0 ≤ 0 ≤ 1799
RI (CV) : 0 (18.3)

123 valores distintos

22543 (33.8%)

28

newpc [integer]

Media (d-s) : 1.2 (3)
min ≤ mediana ≤ max:
0 ≤ 0 ≤ 37
RI (CV) : 1 (2.6)

24 valores distintos

65192 (97.7%)

29

dimpgd [integer]

Min : 0
Media : 0.3
Max : 1

0	:	5063	(	74.1%	)
1	:	1773	(	25.9%	)

59880 (89.8%)

30

dimpserv [integer]

Min : 0
Media : 0.1
Max : 1

0	:	6420	(	93.9%	)
1	:	416	(	6.1%	)

59880 (89.8%)

31

dimppd [integer]

Min : 0
Media : 0.2
Max : 1

0	:	47522	(	83.8%	)
1	:	9155	(	16.2%	)

10039 (15.0%)

32

dinnmethod [integer]

Min : 0
Media : 0.2
Max : 1

0	:	4853	(	78.2%	)
1	:	1354	(	21.8%	)

60509 (90.7%)

33

dinnlogist [integer]

Min : 0
Media : 0.1
Max : 1

0	:	5569	(	89.7%	)
1	:	638	(	10.3%	)

60509 (90.7%)

34

dinnsupport [integer]

Min : 0
Media : 0.2
Max : 1

0	:	5197	(	83.7%	)
1	:	1010	(	16.3%	)

60509 (90.7%)

35

impgd [integer]

Media (d-s) : 11.6 (72.9)
min ≤ mediana ≤ max:
1 ≤ 2 ≤ 1403
RI (CV) : 3 (6.3)

33 valores distintos

66241 (99.3%)

36

impserv [integer]

Media (d-s) : 2.2 (2.2)
min ≤ mediana ≤ max:
1 ≤ 1 ≤ 17
RI (CV) : 1 (1)

1	:	76	(	54.3%	)
2	:	30	(	21.4%	)
3	:	18	(	12.9%	)
4	:	4	(	2.9%	)
5	:	5	(	3.6%	)
6	:	1	(	0.7%	)
8	:	1	(	0.7%	)
10	:	4	(	2.9%	)
17	:	1	(	0.7%	)

66576 (99.8%)

37

imppd [integer]

Media (d-s) : 0.7 (13)
min ≤ mediana ≤ max:
0 ≤ 0 ≤ 1403
RI (CV) : 0 (18.3)

94 valores distintos

22543 (33.8%)

38

imppc [integer]

Media (d-s) : 1 (3)
min ≤ mediana ≤ max:
0 ≤ 0 ≤ 50
RI (CV) : 1 (2.9)

22 valores distintos

65143 (97.6%)

Generado por summarytools 1.0.1 (R versión 4.4.1)
2024-09-16

Distribución de Firmas

La tabla y el gráfico de calor representa la evolución en el número de firmas registradas en diversos países durante el período comprendido entre los años 2007 y 2017. Cada celda en el gráfico refleja la cantidad de empresas por año y país, utilizando una gradación de colores para representar las distintas magnitudes. Los tonos más oscuros indican un mayor número de firmas, mientras que los tonos más claros representan una menor cantidad. La ausencia de color en algunas celdas sugiere que no se encontraron datos para ese año y país específicos.

Cantidad de Firmas por País y Año
	Años											Total
País	2007	2008	2009	2010	2011	2012	2013	2014	2015	2016	2017	Total
Argentina							3691				3944	7635
Chile			1326		905		1247		1359		1094	5931
Colombia			7683		8643		9137		8835		7947	42245
Dominican Republic				150								150
Ecuador							1191		1619			2810
El_Salvador							572					572
Panama			273					95				368
Paraguay							402			476		878
Peru						1124			1452			2576
Uruguay	839			924			821			967		3551
Totales	839		9282	1074	9548	1124	17061	95	13265	1443	12985	66716

Tamaño de las Firmas

Este gráfico de barras apiladas clasifica las empresas de acuerdo con su tamaño, medido por el número de empleados, y distribuye los datos por país y año. Se utilizan cuatro categorías de tamaño de firmas: [10-20], [20-50], [50-250] y [250+] empleados. Los colores diferenciados en tonos de azul facilitan la interpretación visual de las proporciones de empresas en cada categoría.

Distribución de Firmas Exportadoras

Se representa la proporción de empresas que participan en actividades de exportación frente a aquellas que no lo hacen, desglosadas por país y año. Cada barra apilada muestra el porcentaje de empresas exportadoras (color azul oscuro) y no exportadoras (color azul claro).

Edad de las Firmas

Este gráfico de barras apiladas presenta la distribución de la edad de las empresas, agrupadas en las siguientes categorías: [0-5 años], [6-10 años], [11-25 años] y [>25 años]. Las barras reflejan el porcentaje de empresas dentro de cada rango de edad por país y año. Los tonos de azul facilitan la comparación entre las diferentes cohortes etarias empresariales.

3. Estructuración

La estructuración de datos implica organizar los datos en formatos que faciliten el análisis. En este paso, transformamos los datos crudos, reordenamos variables y preparamos el dataset para su posterior uso.

4. Limpieza

La limpieza de datos consiste en eliminar errores, valores atípicos o información incorrecta que podría distorsionar el análisis. Este proceso incluye:

Eliminación de celdas o filas vacías. Estandarización de las entradas. Corrección de valores fuera de rango.

5. Enriquecimiento

Si los datos actuales no son suficientes para el análisis, podemos proceder a un enriquecimiento de datos, que consiste en incorporar valores adicionales de otras fuentes.

6. Validación

El proceso de validación nos permite asegurarnos de que los datos son consistentes y de calidad suficiente para ser analizados. Este proceso generalmente se automatiza, detectando posibles errores que deben ser corregidos.

7. Publicación

Finalmente, después de validar los datos, estos pueden ser publicados o compartidos en un formato apropiado.