Vignettes are long form documentation commonly included in packages.
Because they are part of the distribution of the package, they need to
be as compact as possible. The html_pretty output format in
package prettydoc
, an alternative to html_document and
html_vignette contained in the rmarkdown
package, is able to generate small and nice HTML pages.
Paqueria o liberias
#Para procesar los chunks debo tejerlos con knit superior en medio y con eso se procesa a word
También está la opción de escribir el documento aquí, sin chunk como procesados de textos. Ejemplo, para el documento usé readxl ejemplo de escritura csv csv csv
Readrxl: es el paquete o librería que se utiliza para leer una tabla en formato .csv
janitor: Es la librería que funciona para limpiar o codificar
Para crear un objeto, es decir que se pueda trabajar con una base de datos se coloca el objeto, por ejemplo: mtcars = matcars, ya así creé un objeto
Presentación de paquetes - En este chunk presento los paquetes que estoy utilizando para el análisis, este debe ser la primer parte
los subtitulos los puedo leer del lado derecho con el ‘outline’ dandi clic puedo revisar todas las partes del documento
Para cargar los datos a trabajar debo usar ‘read()’. Tmabién puedo hacerlo en el lado derecho, desde Environment-Import Dataset y ahora sí la llamo desde ‘read.csv()’ y enseguida convierto a objeto con el signo = Cargar ‘.csv’ crear objeto y head-tail
‘Readr.’ es el paquete o liberia que se utiliza para leer una tabal con formatado .csv
‘janitor’: Es la liberia que tiene funciones para “limpiar” o modificar las tablas a trabajar
para leer la base de datos Um eine Exeldatei / XLSX einzufügen kann man dies mit der Funktion “Import Dataset” öffenen –> es öffnet sich ein Fenster, mit dessen man den Befehl kopieren kann, dann man in R einfügen kann
library(readr)
crimen_nac <- read_csv("C:/Users/anton/OneDrive/Desktop/Master/3. Semester/R/Dataset/crimen_nac.csv",
locale = locale(encoding = "ASCII"))## Rows: 84096 Columns: 21
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (7): Entidad, Bien jurmdico afectado, Tipo de delito, Subtipo de delito...
## dbl (14): Aqo, Clave_Ent, Enero, Febrero, Marzo, Abril, Mayo, Junio, Julio, ...
##
## 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.um es umzubennen kann man den einen anderen Namen vor dem Pfeil schreiben
Para hacer un resumen
- ‘Skimr’ es un paquete que cargué en “packages” del lado derecho
- ‘Skim()’ me funciona para obtener un resumen bonito de la tabla mtcars usé el signo ‘$’ el signo = y el ‘as.factor’ para transformar cada uno de los rangos de los autos en factores
## Warning: Paket 'janitor' wurde unter R Version 4.4.1 erstellt##
## Attache Paket: 'janitor'## Die folgenden Objekte sind maskiert von 'package:stats':
##
## chisq.test, fisher.test## Warning: Paket 'skimr' wurde unter R Version 4.4.1 erstellt## Warning: Paket 'esquisse' wurde unter R Version 4.4.1 erstellt## Warning: Paket 'dplyr' wurde unter R Version 4.4.1 erstellt##
## Attache Paket: 'dplyr'## Die folgenden Objekte sind maskiert von 'package:stats':
##
## filter, lag## Die folgenden Objekte sind maskiert von 'package:base':
##
## intersect, setdiff, setequal, union## Aqo Clave_Ent Entidad Bien jurmdico afectado
## Min. :2015 Min. : 1.00 Length:84096 Length:84096
## 1st Qu.:2017 1st Qu.: 8.75 Class :character Class :character
## Median :2019 Median :16.50 Mode :character Mode :character
## Mean :2019 Mean :16.50
## 3rd Qu.:2021 3rd Qu.:24.25
## Max. :2023 Max. :32.00
##
## Tipo de delito Subtipo de delito Modalidad Enero
## Length:84096 Length:84096 Length:84096 Min. : 0.00
## Class :character Class :character Class :character 1st Qu.: 0.00
## Mode :character Mode :character Mode :character Median : 0.00
## Mean : 16.67
## 3rd Qu.: 1.00
## Max. :7565.00
##
## Febrero Marzo Abril Mayo
## Min. : 0.00 Min. : 0.0 Min. : 0.00 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.: 0.0 1st Qu.: 0.00 1st Qu.: 0.00
## Median : 0.00 Median : 0.0 Median : 0.00 Median : 0.00
## Mean : 16.66 Mean : 18.7 Mean : 17.33 Mean : 18.34
## 3rd Qu.: 2.00 3rd Qu.: 2.0 3rd Qu.: 2.00 3rd Qu.: 2.00
## Max. :7888.00 Max. :8418.0 Max. :7916.00 Max. :7899.00
##
## Junio Julio Agosto Septiembre
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00
## Median : 0.00 Median : 0.00 Median : 0.00 Median : 0.00
## Mean : 18.29 Mean : 17.66 Mean : 18.17 Mean : 17.74
## 3rd Qu.: 2.00 3rd Qu.: 2.00 3rd Qu.: 2.00 3rd Qu.: 2.00
## Max. :7386.00 Max. :7619.00 Max. :7955.00 Max. :7805.00
## NA's :9344 NA's :9344 NA's :9344
## Octubre Noviembre Diciembre Sexo/Averiguacisn previa
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Length:84096
## 1st Qu.: 0.00 1st Qu.: 0.00 1st Qu.: 0.00 Class :character
## Median : 0.00 Median : 0.00 Median : 0.00 Mode :character
## Mean : 18.61 Mean : 17.38 Mean : 16.78
## 3rd Qu.: 2.00 3rd Qu.: 2.00 3rd Qu.: 2.00
## Max. :8421.00 Max. :7750.00 Max. :7851.00
## NA's :9344 NA's :9344 NA's :9344
## Rango de edad
## Length:84096
## Class :character
## Mode :character
##
##
##
## crimen_nac$Aqo=as.numeric(crimen_nac$Aqo)
crimen_nac$Clave_Ent=as.numeric(crimen_nac$Clave_Ent)
crimen_nac$Entidad=as.factor(crimen_nac$Entidad)
crimen_nac$`Bien jurmdico afectado`=as.factor(crimen_nac$`Bien jurmdico afectado`)
crimen_nac$`Tipo de delito`=as.factor(crimen_nac$`Tipo de delito`)
crimen_nac$`Subtipo de delito`=as.factor(crimen_nac$`Subtipo de delito`)
crimen_nac$Modalidad=as.factor(crimen_nac$Modalidad)
crimen_nac$Enero=as.numeric(crimen_nac$Enero)
crimen_nac$Febrero=as.numeric(crimen_nac$Febrero)
crimen_nac$Marzo=as.numeric(crimen_nac$Marzo)
crimen_nac$Abril=as.numeric(crimen_nac$Abril)
crimen_nac$Mayo=as.numeric(crimen_nac$Mayo)
crimen_nac$Junio=as.numeric(crimen_nac$Junio)
crimen_nac$Julio=as.numeric(crimen_nac$Julio)
crimen_nac$Agosto=as.numeric(crimen_nac$Agosto)
crimen_nac$Septiembre=as.numeric(crimen_nac$Septiembre)
crimen_nac$Octubre=as.numeric(crimen_nac$Octubre)
crimen_nac$Noviembre=as.numeric(crimen_nac$Noviembre)
crimen_nac$Diciembre=as.numeric(crimen_nac$Diciembre)
crimen_nac$`Sexo/Averiguacisn previa`=as.factor(crimen_nac$`Sexo/Averiguacisn previa`)
crimen_nac$`Rango de edad`=as.numeric(crimen_nac$`Rango de edad`)## Warning: NAs durch Umwandlung erzeugt## Aqo n percent
## 2015 9344 0.1111111
## 2016 9344 0.1111111
## 2017 9344 0.1111111
## 2018 9344 0.1111111
## 2019 9344 0.1111111
## 2020 9344 0.1111111
## 2021 9344 0.1111111
## 2022 9344 0.1111111
## 2023 9344 0.1111111
## Total 84096 1.0000000## Entidad n percent
## Aguascalientes 2628 0.03125
## Baja California 2628 0.03125
## Baja California Sur 2628 0.03125
## Campeche 2628 0.03125
## Chiapas 2628 0.03125
## Chihuahua 2628 0.03125
## Ciudad de Mixico 2628 0.03125
## Coahuila de Zaragoza 2628 0.03125
## Colima 2628 0.03125
## Durango 2628 0.03125
## Guanajuato 2628 0.03125
## Guerrero 2628 0.03125
## Hidalgo 2628 0.03125
## Jalisco 2628 0.03125
## Michoacan de Ocampo 2628 0.03125
## Mixico 2628 0.03125
## Morelos 2628 0.03125
## Nayarit 2628 0.03125
## Nuevo Lesn 2628 0.03125
## Oaxaca 2628 0.03125
## Puebla 2628 0.03125
## Queritaro 2628 0.03125
## Quintana Roo 2628 0.03125
## San Luis Potosm 2628 0.03125
## Sinaloa 2628 0.03125
## Sonora 2628 0.03125
## Tabasco 2628 0.03125
## Tamaulipas 2628 0.03125
## Tlaxcala 2628 0.03125
## Veracruz de Ignacio de la Llave 2628 0.03125
## Yucatan 2628 0.03125
## Zacatecas 2628 0.03125
## Total 84096 1.00000## Bien jurmdico afectado n percent
## El patrimonio 13824 0.16438356
## La familia 1152 0.01369863
## La libertad y la seguridad sexual 2016 0.02397260
## La sociedad 6048 0.07191781
## La vida y la Integridad corporal 42048 0.50000000
## Libertad personal 16128 0.19178082
## Otros bienes jurmdicos afectados (del fuero comzn) 2880 0.03424658
## Total 84096 1.00000000## Tipo de delito
## Aborto
## Abuso de confianza
## Allanamiento de morada
## Amenazas
## Contra el medio ambiente
## Corrupcisn de menores
## Daqo a la propiedad
## Delito sexual
## Delitos cometidos por servidores pzblicos
## Despojo
## Electorales
## Evasisn de presos
## Extorsisn
## Falsedad
## Falsificacisn
## Fraude
## Homicidio
## Incesto
## Incumplimiento de obligaciones de asistencia familiar
## Lesiones
## Narcomenudeo
## Otros delitos contra el patrimonio
## Otros delitos contra la familia
## Otros delitos contra la sociedad
## Otros delitos del Fuero Comzn
## Otros delitos que atentan contra la libertad personal
## Otros delitos que atentan contra la libertad y la seguridad sexual
## Otros delitos que atentan contra la vida y la integridad corporal
## Rapto
## Robo con violencia
## Robo sin violencia
## Secuestro
## Trafico de menores
## Trata de personas
## Violacisn
## Violencia de ginero en todas sus modalidades distinta a la violencia familiar
## Violencia familiar
## Total
## n percent
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 864 0.010273973
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 21600 0.256849315
## 288 0.003424658
## 288 0.003424658
## 18144 0.215753425
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 2016 0.023972603
## 2016 0.023972603
## 5184 0.061643836
## 5184 0.061643836
## 10080 0.119863014
## 2016 0.023972603
## 2016 0.023972603
## 576 0.006849315
## 288 0.003424658
## 288 0.003424658
## 84096 1.000000000## Subtipo de delito
## Aborto
## Abuso de confianza
## Abuso sexual
## Acoso sexual
## Allanamiento de morada
## Amenazas
## Contra el medio ambiente
## Corrupcisn de menores
## Daqo a la propiedad
## Delitos cometidos por servidores pzblicos
## Despojo
## Electorales
## Evasisn de presos
## Extorsisn
## Falsedad
## Falsificacisn
## Feminicidio
## Fraude
## Homicidio culposo
## Homicidio doloso
## Hostigamiento sexual
## Incesto
## Incumplimiento de obligaciones de asistencia familiar
## Lesiones culposas
## Lesiones dolosas
## Narcomenudeo
## Otro tipo de secuestros
## Otros delitos contra el patrimonio
## Otros delitos contra la familia
## Otros delitos contra la sociedad
## Otros delitos del Fuero Comzn
## Otros delitos que atentan contra la libertad personal
## Otros delitos que atentan contra la libertad y la seguridad sexual
## Otros delitos que atentan contra la vida y la integridad corporal
## Otros robos
## Rapto
## Robo a casa habitacisn
## Robo a institucisn bancaria
## Robo a negocio
## Robo a transeznte en espacio o vma pzblica
## Robo a transportista
## Robo de autopartes
## Robo de embarcaciones (pequeqas & grandes)
## Robo de ganado
## Robo de maquinaria (herr. indust. o agrmcola)
## Robo de maquinaria (tractores)
## Robo de material destinado a serv. pzblicos
## Robo de vehmculo automotor (2 R)
## Robo de vehmculo automotor (4 R)
## Robo en transporte individual
## Robo en transporte pzblico (indiv. & colect.)
## Secuestro con calidad de rehin
## Secuestro expris
## Secuestro extorsivo
## Secuestro para causar daqo
## Trafico de menores
## Trata de personas
## Violacisn equiparada
## Violacisn simple
## Violencia de ginero en todas sus modalidades distinta a la violencia familiar
## Violencia familiar
## Total
## n percent
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 3456 0.041095890
## 288 0.003424658
## 10080 0.119863014
## 8064 0.095890411
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 10080 0.119863014
## 8064 0.095890411
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 2016 0.023972603
## 576 0.006849315
## 2016 0.023972603
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 1152 0.013698630
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 576 0.006849315
## 1152 0.013698630
## 2016 0.023972603
## 2016 0.023972603
## 2016 0.023972603
## 2016 0.023972603
## 2016 0.023972603
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 84096 1.000000000## Modalidad
## Aborto
## Abuso de confianza
## Abuso sexual
## Acoso sexual
## Allanamiento de morada
## Amenazas
## Con arma blanca
## Con arma de fuego
## Con otro elemento
## Con violencia
## Contra el medio ambiente
## Corrupcisn de menores
## Daqo a la propiedad
## Delitos cometidos por servidores pzblicos
## Despojo
## Electorales
## En accidente de transito
## Evasisn de presos
## Extorsisn
## Falsedad
## Falsificacisn
## Fraude
## Hostigamiento sexual
## Incesto
## Incumplimiento de obligaciones de asistencia familiar
## Narcomenudeo
## No especificado
## Otro tipo de secuestros
## Otros delitos contra el patrimonio
## Otros delitos contra la familia
## Otros delitos contra la sociedad
## Otros delitos del Fuero Comzn
## Otros delitos que atentan contra la libertad personal
## Otros delitos que atentan contra la libertad y la seguridad sexual
## Otros delitos que atentan contra la vida y la integridad corporal
## Rapto
## Robo de cables, tubos y otros objetos destinados a servicios pzblicos Con violencia
## Robo de cables, tubos y otros objetos destinados a servicios pzblicos Sin violencia
## Robo de coche de 4 ruedas Con violencia
## Robo de coche de 4 ruedas Sin violencia
## Robo de embarcaciones pequeqas y grandes Con violencia
## Robo de embarcaciones pequeqas y grandes Sin violencia
## Robo de herramienta industrial o agrmcola Con violencia
## Robo de herramienta industrial o agrmcola Sin violencia
## Robo de motocicleta Con violencia
## Robo de motocicleta Sin violencia
## Robo de tractores Con violencia
## Robo de tractores Sin violencia
## Secuestro con calidad de rehin
## Secuestro expris
## Secuestro extorsivo
## Secuestro para causar daqo
## Sin violencia
## Trafico de menores
## Trata de personas
## Violacisn equiparada
## Violacisn simple
## Violencia de ginero en todas sus modalidades distinta a la violencia familiar
## Violencia familiar
## Total
## n percent
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 8928 0.106164384
## 8928 0.106164384
## 8928 0.106164384
## 3456 0.041095890
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 4032 0.047945205
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 8928 0.106164384
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 2016 0.023972603
## 288 0.003424658
## 2016 0.023972603
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 2016 0.023972603
## 2016 0.023972603
## 2016 0.023972603
## 2016 0.023972603
## 3456 0.041095890
## 2016 0.023972603
## 2016 0.023972603
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 288 0.003424658
## 84096 1.000000000## Sexo/Averiguacisn previa n percent
## Averiguacisn previa 17856 0.2123288
## Hombre 26784 0.3184932
## Mujer 30240 0.3595890
## No identificado 9216 0.1095890
## Total 84096 1.0000000Previsualisazion
- para por ejemplo, seleccionar sólo las primeras seis filas colocamos el comando ‘data()’ es para colocar todas las bases de datos que tengo precargadas en mi programa R, que ya he cargado desde la compu al software
- ‘head()’ y ‘tail()’ son para visualizar la primer parte de la tabla o la última parte al pner el número, en este caso escribí 4 y 5
## # A tibble: 3 × 21
## Aqo Clave_Ent Entidad `Bien jurmdico afectado` `Tipo de delito`
## <dbl> <dbl> <fct> <fct> <fct>
## 1 2015 1 Aguascalientes La libertad y la seguridad se… Delito sexual
## 2 2015 1 Aguascalientes La libertad y la seguridad se… Delito sexual
## 3 2015 1 Aguascalientes La libertad y la seguridad se… Delito sexual
## # ℹ 16 more variables: `Subtipo de delito` <fct>, Modalidad <fct>, Enero <dbl>,
## # Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>, Junio <dbl>,
## # Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## # Noviembre <dbl>, Diciembre <dbl>, `Sexo/Averiguacisn previa` <fct>,
## # `Rango de edad` <dbl>## # A tibble: 3 × 21
## Aqo Clave_Ent Entidad `Bien jurmdico afectado` `Tipo de delito`
## <dbl> <dbl> <fct> <fct> <fct>
## 1 2023 32 Zacatecas La sociedad Corrupcisn de menores
## 2 2023 32 Zacatecas La sociedad Trata de personas
## 3 2023 32 Zacatecas La sociedad Otros delitos contra la so…
## # ℹ 16 more variables: `Subtipo de delito` <fct>, Modalidad <fct>, Enero <dbl>,
## # Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>, Junio <dbl>,
## # Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## # Noviembre <dbl>, Diciembre <dbl>, `Sexo/Averiguacisn previa` <fct>,
## # `Rango de edad` <dbl>Modificacion del contenido de la tabla
- ‘skim()’ funciona para darme un resumen más o menods detallado sobre el grupo de datos es casi lo mismo que ‘summary’ y structure: ‘str’
| Name | crimen_nac |
| Number of rows | 84096 |
| Number of columns | 21 |
| _______________________ | |
| Column type frequency: | |
| factor | 6 |
| numeric | 15 |
| ________________________ | |
| Group variables | None |
Variable type: factor
| skim_variable | n_missing | complete_rate | ordered | n_unique | top_counts |
|---|---|---|---|---|---|
| Entidad | 0 | 1 | FALSE | 32 | Agu: 2628, Baj: 2628, Baj: 2628, Cam: 2628 |
| Bien jurmdico afectado | 0 | 1 | FALSE | 7 | La : 42048, Lib: 16128, El : 13824, La : 6048 |
| Tipo de delito | 0 | 1 | FALSE | 37 | Hom: 21600, Les: 18144, Sec: 10080, Rob: 5184 |
| Subtipo de delito | 0 | 1 | FALSE | 61 | Hom: 10080, Les: 10080, Hom: 8064, Les: 8064 |
| Modalidad | 0 | 1 | FALSE | 59 | Con: 8928, Con: 8928, Con: 8928, No : 8928 |
| Sexo/Averiguacisn previa | 0 | 1 | FALSE | 4 | Muj: 30240, Hom: 26784, Ave: 17856, No : 9216 |
Variable type: numeric
| skim_variable | n_missing | complete_rate | mean | sd | p0 | p25 | p50 | p75 | p100 | hist |
|---|---|---|---|---|---|---|---|---|---|---|
| Aqo | 0 | 1.00 | 2019.00 | 2.58 | 2015 | 2017.00 | 2019.0 | 2021.00 | 2023 | ▇▇▃▇▇ |
| Clave_Ent | 0 | 1.00 | 16.50 | 9.23 | 1 | 8.75 | 16.5 | 24.25 | 32 | ▇▇▇▇▇ |
| Enero | 0 | 1.00 | 16.67 | 107.44 | 0 | 0.00 | 0.0 | 1.00 | 7565 | ▇▁▁▁▁ |
| Febrero | 0 | 1.00 | 16.67 | 109.00 | 0 | 0.00 | 0.0 | 2.00 | 7888 | ▇▁▁▁▁ |
| Marzo | 0 | 1.00 | 18.69 | 121.81 | 0 | 0.00 | 0.0 | 2.00 | 8418 | ▇▁▁▁▁ |
| Abril | 0 | 1.00 | 17.33 | 113.32 | 0 | 0.00 | 0.0 | 2.00 | 7916 | ▇▁▁▁▁ |
| Mayo | 0 | 1.00 | 18.34 | 119.58 | 0 | 0.00 | 0.0 | 2.00 | 7899 | ▇▁▁▁▁ |
| Junio | 0 | 1.00 | 18.29 | 116.48 | 0 | 0.00 | 0.0 | 2.00 | 7386 | ▇▁▁▁▁ |
| Julio | 9344 | 0.89 | 17.66 | 113.16 | 0 | 0.00 | 0.0 | 2.00 | 7619 | ▇▁▁▁▁ |
| Agosto | 9344 | 0.89 | 18.17 | 116.96 | 0 | 0.00 | 0.0 | 2.00 | 7955 | ▇▁▁▁▁ |
| Septiembre | 9344 | 0.89 | 17.74 | 112.97 | 0 | 0.00 | 0.0 | 2.00 | 7805 | ▇▁▁▁▁ |
| Octubre | 9344 | 0.89 | 18.60 | 119.81 | 0 | 0.00 | 0.0 | 2.00 | 8421 | ▇▁▁▁▁ |
| Noviembre | 9344 | 0.89 | 17.38 | 111.30 | 0 | 0.00 | 0.0 | 2.00 | 7750 | ▇▁▁▁▁ |
| Diciembre | 9344 | 0.89 | 16.78 | 109.27 | 0 | 0.00 | 0.0 | 2.00 | 7851 | ▇▁▁▁▁ |
| Rango de edad | 84096 | 0.00 | NaN | NA | NA | NA | NA | NA | NA |
crimen_nac$Aqo=as.numeric(crimen_nac$Aqo)
crimen_nac$Clave_Ent=as.numeric(crimen_nac$Clave_Ent)
crimen_nac$Entidad=as.factor(crimen_nac$Entidad)
crimen_nac$`Bien jurmdico afectado`=as.factor(crimen_nac$`Bien jurmdico afectado`)
crimen_nac$`Tipo de delito`=as.factor(crimen_nac$`Tipo de delito`)
crimen_nac$`Subtipo de delito`=as.factor(crimen_nac$`Subtipo de delito`)
crimen_nac$Modalidad=as.factor(crimen_nac$Modalidad)
crimen_nac$Enero=as.numeric(crimen_nac$Enero)
crimen_nac$Febrero=as.numeric(crimen_nac$Febrero)
crimen_nac$Marzo=as.numeric(crimen_nac$Marzo)
crimen_nac$Abril=as.numeric(crimen_nac$Abril)
crimen_nac$Mayo=as.numeric(crimen_nac$Mayo)
crimen_nac$Junio=as.numeric(crimen_nac$Junio)
crimen_nac$Julio=as.numeric(crimen_nac$Julio)
crimen_nac$Agosto=as.numeric(crimen_nac$Agosto)
crimen_nac$Septiembre=as.numeric(crimen_nac$Septiembre)
crimen_nac$Octubre=as.numeric(crimen_nac$Octubre)
crimen_nac$Noviembre=as.numeric(crimen_nac$Noviembre)
crimen_nac$Diciembre=as.numeric(crimen_nac$Diciembre)
crimen_nac$`Sexo/Averiguacisn previa`=as.factor(crimen_nac$`Sexo/Averiguacisn previa`)
crimen_nac$`Rango de edad`=as.numeric(crimen_nac$`Rango de edad`)ggplot(crimen_nac) +
aes(x = `Bien jurmdico afectado`, y = `Tipo de delito`) +
geom_tile() +
theme_minimal()
ggplot(crimen_nac) +
aes(
x = `Bien jurmdico afectado`,
y = Mayo,
colour = Entidad
) +
geom_jitter() +
scale_color_hue(direction = 1) +
coord_flip() +
theme_minimal()
ggplot(crimen_nac) +
aes(x = `Tipo de delito`, y = Mayo, colour = Entidad) +
geom_jitter() +
scale_color_hue(direction = 1) +
theme_minimal()
ggplot(crimen_nac) +
aes(
x = Aqo,
y = Diciembre,
colour = `Sexo/Averiguacisn previa`
) +
geom_point() +
scale_color_hue(direction = 1) +
theme_minimal()## Warning: Removed 9344 rows containing missing values or values outside the scale range
## (`geom_point()`).
ggplot(crimen_nac) +
aes(x = Modalidad, y = Diciembre, fill = Entidad) +
geom_col() +
scale_fill_hue(direction = 1) +
coord_flip() +
theme_minimal()## Warning: Removed 9344 rows containing missing values or values outside the scale range
## (`geom_col()`).
ggplot(crimen_nac) +
aes(x = `Tipo de delito`, fill = Entidad) +
geom_bar() +
scale_fill_hue(direction = 1) +
labs(
x = "Tipo de Delito",
y = "Absolute Zahlen",
title = "Absolute Zahlen der Delitos",
subtitle = "mit Bundesländern",
fill = "Bundesländer"
) +
coord_flip() +
theme_minimal()
ggplot(crimen_nac) +
aes(x = Modalidad, y = Aqo, colour = Entidad) +
geom_col(fill = "#112446") +
scale_color_viridis_d(option = "magma", direction = -1) +
labs(
x = "Modalidad",
y = "Ano",
title = "Mordrate pro Jahr",
color = "Entidad"
) +
theme_void() +
theme(legend.position = "left")
ggplot(crimen_nac) +
aes(x = `Sexo/Averiguacisn previa`) +
geom_bar(fill = "#46337E") +
labs(
x = "Sexo de las victimas",
y = "Numero de las victimas",
title = "Victimas (Sexo/Numero)"
) +
coord_flip() +
theme_minimal()
crimen_nac %>%
filter(!(`Tipo de delito` %in% c("Fraude", "Abuso de confianza", "Daqo a la propiedad",
"Despojo", "Otros delitos contra el patrimonio", "Narcomenudeo", "Evasisn de presos", "Falsedad", "Falsificacisn",
"Contra el medio ambiente"))) %>%
ggplot() +
aes(x = `Tipo de delito`) +
geom_bar(fill = "#228B22") +
coord_flip() +
theme_minimal()
crimen_nac %>%
filter(!(Entidad %in% c("Campeche", "Queritaro", "Yucatan"))) %>%
ggplot() +
aes(x = Noviembre, y = Entidad) +
geom_bar(stat = "summary", fun = "sum", fill = "#112446") +
labs(
x = "Numeros Delito en Noviembre ",
title = "Delitos en los estados exemplar"
) +
theme_minimal()## Warning: Removed 8468 rows containing non-finite outside the scale range
## (`stat_summary()`).
Style
Link einfüguen
- zwischen zwei […] () [https://statistics.cepal.org/portal/databank/index.html?lang=es&indicator_id=2780&area_id=] ()
- Direkt den Namen verwenden, der als Link benutzt wurd [Name] (html) Quelle
Bild einfügen
-> Version “Visual”
Pdf einfügen, dass es schon im Internet existiert
(wie ein Link verwenden)
[Información sobre violencia contra las mujeres de SEGURIDAD] (https://drive.google.com/file/d/1J9haQ1X7HH11yGJcGFnXzEMfonaLoC_i/view)
Referencias
- Fußnote1
Tabelle
Tabelle kann eingefügt werden unter Visual >Tabla ODER durch Source < und dann gezeichnet werden
| Cuantitativo | Cualitavivo |
|---|---|
Sontiges Funktionen
Um Antworten im Text einzufügen ‘r filas()’ –> Z. B. die Spaltenzahl, diese wird direkt angezeigt, nicht den Code
Union de diferentes Tables: neue_Variable=rbind (alle Tabellen einfügen und durch ein Komma trennen) –> row
oder neue_Variable=cbind –> für cow
Befehle
Summery
Filter
summerise ()
mean()
rbind
## Aqo n percent
## 2015 9344 0.1111111
## 2016 9344 0.1111111
## 2017 9344 0.1111111
## 2018 9344 0.1111111
## 2019 9344 0.1111111
## 2020 9344 0.1111111
## 2021 9344 0.1111111
## 2022 9344 0.1111111
## 2023 9344 0.1111111
## Total 84096 1.0000000Daten filtern
Fußnote kann geschaffen werden in “Insert” > Footnote↩︎