TV and movie habits

library(readxl) TV_and_movie_habits <- read_xlsx (“C:/Users/USUARIO/Desktop/TV and movie habits.xlsx”)

library(readxl)
TV_and_movie_habits <- read_xlsx("C:/Users/USUARIO/Desktop/TV and movie habits.xlsx")

#Taller 1 - TV and Movie Habits

Para clasificar las variables con el esquema visto en clase:

library(tidyverse)

str(TV_and_movie_habits)

## tibble [25 × 5] (S3: tbl_df/tbl/data.frame)
##  $ id             : num [1:25] 1 2 3 4 5 6 7 8 9 10 ...
##  $ Tv Source      : chr [1:25] "Hulu Plus" "Amazon Prime" "Hulu Plus" "Netflix" ...
##  $ Hours per week : num [1:25] 14 18 20 5 12 10 8 7 24 30 ...
##  $ Binge Frequency: chr [1:25] "Not at all" "Sometimes" "Frequently" "Frequently" ...
##  $ Sex            : chr [1:25] "Male" "Female" "Female" "Male" ...

#### id: Variable cualitativa (categórica), nominal
#### TV Source: Variable cualtivativa (categórica), nominal
#### Hours per week: Variable numérica, continua de razón
#### Binge frequency: Variable cualitativa (categórica), ordinal
#### Sex: Variable cualitativa (categórica), binaria

Representación gráfica de las variables “Tv source”, “binge frequency”, “sex”:

Gráfico circular - Pie Chart para la variable “sex”

Primero debo conocer la cantidad de hombres y mujeres en la variable “sex”

table(TV_and_movie_habits$Sex)

## 
## Female   Male 
##     13     12

Hay 13 mujeres y 12 hombres

porcentaje <- c (52,48)
etiqueta <- paste( porcentaje, "%", sep = "")
colores <- c ("pink","blue")
pie (porcentaje, labels = etiqueta, clockwise = TRUE, col = colores, main = "Sexo de los participantes")
legend ("topright", c("female", "male"), cex = 0.5, fill = colores)

En el gráfico de pastel titulado como “Sexo de los participantes” se puede observar como, del total de participantes en la base de datos “Tv_and_movie_habits”, el 48% son hombres y el 52% son mujeres.

table(TV_and_movie_habits$`Binge Frequency`)

## 
## Frequently Not at all  Sometimes 
##         11          2         12

#Gráfico diagrama de barras

Eje_Y <- c (12,11,2)
Eje_X <- c ("Sometimes","Frequently", "Not at all")
barplot (Eje_Y, xlab = "Frecuencia de atracones compulsivos de series de TV o películas", ylab = "Frecuencia", main = "Diagrama de barras - Atracones de series de TV o películas", names.arg = Eje_X, col = "orange", border = "brown")

El diagrama de barras titulado como “Atracones de series de TV o películas” muestra como la moda entre los encuestados estuvo en la categoría “Sometimes” donde 12 individuos tuvieron una frecuencia de atracones de series de TV o películas clasificada como “Sometimes - a veces”, seguido de 11 individuos que tuvieron una frecuencia “Frequently - frecuente” y finalmente se muestran 2 individuos que tuvieron una frecuencia “not at all”, es decir, no consumían este tipo de contenido.

table(TV_and_movie_habits$`Tv Source`)

## 
## Amazon Prime        Cable    Hulu Plus       iTunes      Netflix 
##            3            2            3            9            8

porcentajess <- c (12,8,12,36,32)
etiqueta <- paste (porcentajess, "%", sep = "")
colores <- c ("lightblue", "lightgrey", "lightyellow","lightgreen","white")
pie (porcentajess, labels = etiqueta, clockwise = TRUE, col = colores, main = "Plataformas de streaming populares")
legend ("topright", c("Amazon Prime", "Cable", "Hulu Plus", "Itunes", "Netflix"), cex = 0.5, fill = colores)

En el gráfico de pastel titulado como “Plataformas de streaming populares” se puede observar como, del total de plataformas de streaming populares analizadas, la moda se evidenció en la plataforma de Itunes con una representación del 36%, seguida por Netflix con un 32%, Amazon Prime con un 12%, Hulu Plus con un 12% y, como plataforma menos popular, Cable con un 8%.

summary(TV_and_movie_habits$`Hours per week`)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##    2.00   10.00   14.00   14.64   19.00   30.00

Recorganizar la variable “hours per week” por “hours per week groups” - hacer grupos

1. Lo llamo la tabla para conocer los valores que toma la variable y definir así los grupos en los que voy a recodificar la variable

table(TV_and_movie_habits$`Hours per week`)

## 
##  2  5  7  8 10 12 13 14 15 17 18 19 20 21 22 23 24 30 
##  1  1  1  2  3  2  1  3  1  1  2  1  1  1  1  1  1  1

2. Defino los nuevos grupos en los cuales voy a recodificar la variable, creando una nueva variable

La variable hoursperweek_new se convierte en un indice de riesgo de salud mental para el individuo, donde tener mas de 16 horas semanales consumidas en series de tv o peliculas se considera un riesgo para la salud mental, mientras que, menos de 16 horas semanales consumidas en este contenido no se considera un riesgo para la salud mental.

TV_and_movie_habits$hoursperweek_new <- ifelse(TV_and_movie_habits$`Hours per week` >= 16, 1, 0)
table(TV_and_movie_habits$hoursperweek_new)

## 
##  0  1 
## 15 10

Poner etiquetas a los valores de una variable categórica como “Hoursperweek_new”

TV_and_movie_habits$hours_per_week_new_label <- factor(TV_and_movie_habits$hoursperweek_new, labels = c("no","yes"))
table (TV_and_movie_habits$hours_per_week_new_label)

## 
##  no yes 
##  15  10

# Gráfico diagrama de barras
Eje_Y <- c (15,10)
Eje_X <- c ("No hay riesgo","Riesgo")
barplot (Eje_Y, xlab = "Índice de salud mental", ylab = "Frecuencia", main = "Diagrama de barras - Riesgo para la salud mental", names.arg = Eje_X, col = "Gray", border = "red")
legend ("topright", c("Riesgo = pantallas >16h", "No riesgo = pantallas <16h"), cex = 0.5)

En esta gráfica de barras, titulada “Riesgo para la salud mental”, se puede evidenciar como 10 individuos tuvieron riesgo para la salud mental asociado a una exposición a pantallas mayor a 16 horas por semana mientras que, la moda estuvo en no tener riesgo para la salud mental debido a una menor exposición a pantallas, inferior a 16 horas por semana en 15 individuos.