Importación de datos

La función a emplear, de la paquetería readr es read_csv(). Dicha función suele ser empleada tras la descarga de las tablas al ordenador, con la cual se tiene una dirección de almacenamiento que será referida como argumento para la lectura del archivo; sin embargo, también es posible asignar una ruta de acceso remoto por medio del enlace de la fuente de datos. Debido a que se requiere conservar y manipular las tablas importadas, la función está asignada a un objeto distinguible para cada tabla importada. El siguiente recuadro muestra el ejemplo para la importación y almacenamiento de las tablas en los objetos nombrados estatalxxxx con la función e indicación de la ruta de acceso correspondiente (dirección).

estatal2023 = read_csv("La_direccion_de_almacenamiento_del_archivo_con_la_extension.csv")
estatal2022 = read_csv("direccion_2.csv")
estatal2021 = read_csv("direccion_3.csv")
estatal2020 = read_csv("direccion_4.csv")
estatal2019 = read_csv("direccion_5.csv")
estatal2018 = read_csv("direccion_6.csv")
estatal2017 = read_csv("direccion_7.csv")
# ...
estatal1989 = read_csv("direccion_i.csv")

Una vez importados de manera efectiva se podrá observar el objeto o los objetos asignados en la sección “ambiente” de RStudio, así como la espera en la consola por la siguiente tarea. Al costado derecho de los objetos se podrá ver el número de observaciones (obs.) y de variables en cada objeto (tablas, en este caso). El símbolo del costado izquierdo en forma de “play” en un círculo azul permitirá abrir y visualizar un resumen de las variables del la tabla; mientras que el hacer clic sobre el objeto facilitará la función View(Objeto) en la consola.

Revisión del contenido

Una vez importadas las tablas al entorno de trabajo es necesario verificar los contenidos. Ello permitirá implementar funciones específicas y correctas para cada tipo de variable, corregir errores o implementar otras modificaciones provechosas para el proyecto. Como se mencionó en el apartado de librerías, dplyr contiene funciones útiles para este propósito.

Para ejemplificar el uso de las funciones head(), tail() y sample(), se aplicarán en 4 tablas distintas; sin embargo, es importante revisar cada una de las tablas importadas para comprender la forma en que se operará con su contenido. Dichas funciones permiten visualizar partes correspondientes de las tablas. Sus argumentos e implementaciones son muy similares entre; así, los argumentos en la función son: el objeto sobre el cuál operará la función y el número de observaciones que se mostrará en la salida, se parados por una coma.

head(estatal1989,3)

La función head(Objeto, i) proporciona una salida en la cual se observan las primeras i observaciones de la tabla (objeto) referida.

tail(estatal2021,3)

La función tail(Objeto, i) muestra las últimas i observaciones de la tabla.

sample_n(estatal2022,3)

La función sample_n(Objeto, i) da por salida otra tabla con un muestreo “aleatorio” de las i observaciones referidas como argumento. Otra forma de implementar cualquiera de las tres funciones anteriores es por medio de las tuberías (o pipes en inglés) [%/%] que forman parte de la librería dplyr; en cuyo caso, la sintaxis es colocar en primer lugar el objeto al cuál será implementada la función posterior a la tubería.

estatal2023 %>% 
  sample_n(3)

Se puede observar que, en estos casos, los objetos no fueron almacenados en otros objetos. Es posible realizarlo mediante la asignación de un nombre, sin embargo no representa una ventaja ya que no se realizará ninguna otra acción con estas fracciones de tablas.

Otra manera complementaria de analizar el contenido de las tablas es identificar el tipo de datos almacenados por variable. Para ello, las funciones summary(), str(), entre otras definidas en otras paqueterías, son comúnmente utilizadas

La función str() puede aplicarse a la tabla completa (nombrando el objeto asignado) con la limitación de obtener un número limitado de definiciones y características de las variables. Ello puede ser solucionado mediante la asignación puntual de cada variable, sustituyendo Objeto por Objeto$Variable como el argumento de aplicación de la función. Ésto no resulta muy práctico cuando el número de variables a trabajar es grande.

Por otro lado, la función summary() devuelve listados de las variables contenidas. En dichos listados se muestran las características y/o resúmenes de las variables de la tabla asignada. A continuación se muestra esta función aplicada a dos tablas: estatal2020 y estatal2021.

estatal2020 %>% 
  summary()

estatal2020 %>% 
  summary()

Al observar las salidas de las fuciones implementadas se puede notar que tenemos una predominancia de variables con el formato character. Ello indica que dichas variables almacenan datos en formato alfanumérico; mientras que las variables que exhiben Mínimos, Máximos, Medianas, Medias y Cuartiles son variables cuantitativas. Es, por tanto, conveniente identificar la conveniencia al utilizar las primeras funciones de visualización (head(), tail() y sample_n()) donde se aprecia que el contenido de dichas variables son, probablemente, factores y requerirán la modificación pertinente.

Modificación del contenido

De las tablas visualizadas anteriormente, así como de la exploración de las 30 tablas restantes (que no son exhibidos en este documento) se identificó que las tablas comparten una estructura similar. Así mismo, el contenido de requiere el mismo tratamiento y que, además, la disposición de las columnas y la información que en ellas se registra tiene un orden común. Esta coincidencia es casi exclusiva para el manejo de estas tablas y realizar la unión de su contenido será provechoso para simplificar el trabajo subsecuente.; es decir, trabajar con el contenido de una única tabla, en vez de las 34 facilitará el procesamiento posterior del contenido.

De acuerdo con la salida del código de la función que se muestra en el cuadro siguiente, la suma de las filas de todas las tablas es de 238592. Ello indica que la tabla que agrupe todas las observaciones de las tablas deberá tener una dimensión de 238592 por 9, es decir, 238592 observaciones con 9 columnas.

sum(nrow(estatal1989),nrow(estatal1990),nrow(estatal1991),nrow(estatal1992),
    nrow(estatal1993),nrow(estatal1994),nrow(estatal1995),nrow(estatal1996),
    nrow(estatal1997),nrow(estatal1998),nrow(estatal1999),nrow(estatal2000),
    nrow(estatal2001),nrow(estatal2002),nrow(estatal2003),nrow(estatal2004),
    nrow(estatal2005),nrow(estatal2006),nrow(estatal2007),nrow(estatal2008),
    nrow(estatal2009),nrow(estatal2010),nrow(estatal2011),nrow(estatal2012),
    nrow(estatal2013),nrow(estatal2014),nrow(estatal2015),nrow(estatal2016),
    nrow(estatal2017),nrow(estatal2018),nrow(estatal2019),nrow(estatal2020),
    nrow(estatal2021),nrow(estatal2022),nrow(estatal2023))

## [1] 238592

Para unión de las tablas de este caso particular se utiliza la función rbind(). Esta función está incorporada en R, directamente, y permite unir las filas de las tablas en una único objeto. Por otro lado, la función dim() da por salida la dimensión del objeto en el argumento.

estatal_89_23 = 
  rbind(estatal1989,estatal1990,estatal1991,estatal1992,
        estatal1993,estatal1994,estatal1995,estatal1996,
        estatal1997,estatal1998,estatal1999,estatal2000,
        estatal2001,estatal2002,estatal2003,estatal2004,
        estatal2005,estatal2006,estatal2007,estatal2008,
        estatal2009,estatal2010,estatal2011,estatal2012,
        estatal2013,estatal2014,estatal2015,estatal2016,
        estatal2017,estatal2018,estatal2019,estatal2020,
        estatal2021,estatal2022,estatal2023)

dim(estatal_89_23)

## [1] 238592      9

De tal manera, se tiene así una confirmación por correspondencia de las dimensiones señaladas anteriormente.

Según lo visto en clase, para la transformación de las variables se implementará la función as.factor() para transformar las variables con contenido alfanumérico a factores. Esta es otra función predefinida en R; sin embargo existen paqueterías alternas que realizan la misma función. Así mismo, según sea conveniente, también se pueden transformar las variables con códigos similares como as.character(), as.numeric(), as.double(), as.integer(), as.data.frame(), as.table(), entre otros. Sin embargo, antes de proceder con su uso, se empleará la función clean_names() aplicado en la tabla y se guardará sobre el mismo objeto para reescribir la información modificada como se muestra en el siguiente recuadro.

estatal_89_23 = estatal_89_23 %>% 
                      clean_names()

Al aplicar nuevamente una función para visualizar una fracción del contenido de la tabla como sample_n(), se observa que los nombres asignados a cada columna cambiaron en su totalidad a minúsculas, los espacios fueron sustituidos por guiones bajos y, en caso de haber caracteres de difícil interpretación, estos también son sustituidos o eliminados. Ello puede apreciarse en el siguiente recuadro y su salida gráfica.

estatal_89_23 %>% 
  sample_n(4)

A partir de este punto se realizan las modificaciones a la tabla para posteriormente realizar una descripción más certera del contenido. Las variables identificadas a ser modificadas de tipo character a factor son:

• prod_est

• cobertura

• id_entidad

• tema

• categoria

• descripcion_categoria

• estatus

En el siguiente recuadro se muestra una forma para realizar dichos cambios. No se debe olvidar que es necesario sobreescribir los cambios realizados (o implementarlos en nuevas variables) en el objeto para que las modificaciones puedan ser aprovechadas posteriormente.

estatal_89_23$prod_est = 
  estatal_89_23$prod_est %>% 
    as.factor()

estatal_89_23$cobertura = 
  estatal_89_23$cobertura %>% as.factor()

estatal_89_23$id_entidad = estatal_89_23$id_entidad %>% as.factor()

estatal_89_23$tema = estatal_89_23$tema %>% as.factor()

estatal_89_23$categoria = estatal_89_23$categoria %>% as.factor()

estatal_89_23$descripcion_categoria = estatal_89_23$descripcion_categoria %>% as.factor()

estatal_89_23$estatus = estatal_89_23$estatus %>% as.factor()

Para observar los cambios se refiere nuevamente la función summary() en la tabla modificada.

summary(estatal_89_23)

En esta última tabla de resumen puede observarse un preconteo de las categorías de las variables modificadas. De tal manera, es posible inferir que es posible trabajar, de manera conjunta otras tablas proporcionadas por el Subsistema de Información Económica del INEGI, así como que, para este primer ejercicio, las primeras dos columnas, no serán útiles para ejercicios posteriores al tener un único tipo de registro.

Una última modificación posible es el cambio de los niveles mostrados en entidad ya que éstos se encuentran codificados y no en su forma explícita de la entidad correspondiente. Más adelante se verá la cómo realizar dicho cambio.

Gráficos

A continuación se muestran algunos ejemplos de códigos útiles para representación gráfica de los datos analizados a través del paquete ggplot2. Estos gráficos fueron analizados y explicados en el taller. En otro momento se plasmará de manera escrita este tema.

estatal_89_23 %>% 
  ggplot() +
  aes(x = valor) +
  geom_histogram(bins = 100L, fill = "#070947") +
  labs(y = "n", title = "Histograma de \"valor\"") +
  ggthemes::theme_stata() +
  theme(
    axis.text.y = element_text(face = "italic"),
    legend.title = element_text(face = "bold",
    size = 17L)
  )

estatal_89_23 %>% 
  ggplot() +
  aes(x = valor) +
  geom_density(fill = "#659960") +
  labs(y = "n", title = "Diagrama de densidad de valor") +
  ggtech::theme_tech() +
  theme(
    axis.text.y = element_text(face = "italic"),
    legend.title = element_text(face = "bold",
    size = 12L)
  )

estatal_89_23 %>%
  filter(valor >= 500 & valor <= 100000000) %>%
  ggplot(aes(x = valor)) +  
  geom_density(fill = "#963293", alpha = 0.7) +  # Establece el color de relleno aquí
  labs(y = "n", title = "No facet") +
  ggtech::theme_tech() +  
  theme(legend.position = "none")

estatal_89_23 %>%
 filter(valor >= 500 & valor <= 200000000) %>%
 ggplot() +
  aes(x = valor, fill = estatus) +
  geom_density() +
  scale_fill_hue(direction = 1) +
  labs(y = "n", title = "Facet") +
  ggthemes::theme_economist() +
  theme(axis.text.y = element_text(face = "italic")) +
  facet_wrap(vars(estatus))

ggplot(estatal_89_23) +
  aes(x = id_entidad) +
  geom_bar(fill = "#864296") +
  labs(
    title = "Un histograma",
    subtitle = "Un subtítulo antifa",
    x = "Entidad",
    y = "Conteo (n)"
  ) +
  coord_flip() +
  theme_classic()

Una paquetería de gran utilidad para la exploración gráfica es GGally(Schloerke et al., 2024). Dicha paquetería contiene la función ggpairs() la cual da por salida una matriz de las variables, identificando automáticamente el tipo de datos referido y mostrando por salida una representación adecuada para el mismo. La diagonal de la matriz muestra representaciones univariadas de los datos, mientras que en las celdas de intersección de distintas columnas y filas muestra medidas o gráficos de dicho cruce de variables.

En el caso dela información presentada en este análisis de realizó el descarte de algunas variables. Dicho descarte se realizó debido a la poca información que aportaban las variables para el análisis.

library(GGally)
estat = estatal_89_23 %>% 
  dplyr::select(-prod_est,-cobertura,-id_entidad,
         -descripcion_categoria)

estat %>% ggpairs()

Mapas

Los mapas y los cartogramas son algunas de las salidas gráficas de mayor interés. Existen librerías específicas para el manejo de datos geográficos; sin embargo, para los objetivos del taller se hará solamente muestra de las representaciones con el paquete maps(Becker et al., 2023).

library(maps)

world = map_data("world")

ggplot(world, 
       aes(x = long, y = lat, group = group)) + 
  geom_polygon()

map("world",fill = TRUE)

map("world", fill=TRUE, col="#548762", xlim=c(-135,-75), ylim=c(14,33))

map()

map(wrap = c(0,360), fill = TRUE, col = 2) # pacific-centered map of the world

map('world', proj = 'bonne', param = 45) # Bonne equal-area projection of states

map("world", interior = FALSE)

map("world", interior = FALSE)
map("world", boundary = FALSE, lty = 2, add = TRUE)

map("world")
map.axes(cex.axis=0.8)

map("world", "Mexico")
map.cities(country = "Mexico", capitals = 1)

map("world", "Mexico")
map.cities(country = "Mexico", capitals = 0)

map("world", "Mexico")
map.scale()

map.text("world","Mexico")

# filled map showing Republican vote in 1900
# (figure 6 in the reference)
data(state, package = "datasets")
data(votes.repub)
state.to.map <- match.map("state", state.name)
x <- votes.repub[state.to.map, "1900"]
gray.colors <- function(n) gray(rev(0:(n - 1))/n)
color <- gray.colors(100)[floor(x)]
map("state", fill = TRUE, col = color); map("state", add = TRUE)

# compare to the example for match.map
data(state, package = "datasets")
data(votes.repub)
z = votes.repub[, "1900"]
m = map("state", fill = TRUE, plot = FALSE)
# use a small span to fill in, but not smooth, the data
# increase the resolution to get better results
fit = smooth.map(m, z, span = 1/100, merge = TRUE, ave = TRUE)
mat = tapply(fit$z, fit[1:2], mean)
gray.colors <- function(n) gray(rev(0:(n - 1))/n)
par(bg = "blue")
filled.contour(mat, color.palette = gray.colors, nlev = 32, asp = 1)

# another way to visualize:
image(mat, col = gray.colors(100))

# for a higher degree of smoothing:
# fit = smooth.map(m, z, merge = TRUE, ave = TRUE)
# interpolation, state averages are preserved:
# fit = smooth.map(m, z, merge = TRUE, ave = TRUE, type = "interp")

map('world', fill = TRUE, col = palette.colors())

map('state.carto', fill = TRUE, col = palette.colors())

map('world2', xlim = c(000, 350))
map.axes()