rm(list = ls())setwd("C:/Users/moren/OneDrive/2024-2/ESTADÍSTICA 2/FINAL")library(rio)## Warning: package 'rio' was built under R version 4.3.3datamateriales=import("reporte.xlsx")## New names:
## • `` -> `...2`
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
## • `` -> `...8`
## • `` -> `...9`
## • `` -> `...10`
## • `` -> `...11`
## • `` -> `...12`
## • `` -> `...13`
## • `` -> `...14`
## • `` -> `...15`
## • `` -> `...16`
## • `` -> `...17`
## • `` -> `...18`
## • `` -> `...19`
## • `` -> `...20`
## • `` -> `...21`
## • `` -> `...22`
## • `` -> `...23`
## • `` -> `...24`
## • `` -> `...25`
## • `` -> `...26`
## • `` -> `...27`
## • `` -> `...28`
## • `` -> `...29`
## • `` -> `...30`
## • `` -> `...31`
## • `` -> `...32`
## • `` -> `...33`
## • `` -> `...34`
## • `` -> `...35`
## • `` -> `...36`
## • `` -> `...37`
## • `` -> `...38`
## • `` -> `...39`
## • `` -> `...40`
## • `` -> `...41`
## • `` -> `...42`
## • `` -> `...43`dataenergía=import("reporte (1).xlsx")## New names:
## • `` -> `...2`
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
## • `` -> `...8`
## • `` -> `...9`
## • `` -> `...10`
## • `` -> `...11`
## • `` -> `...12`
## • `` -> `...13`
## • `` -> `...14`
## • `` -> `...15`data2= "fallecidos_covid.csv"
datafallecidos = read.csv(data2)
data3= "positivos_covid.csv"
datacovid = read.csv(data3)
data4="Resultados_2da_vuelta_Version_PCM .csv"
dataresultados= read.csv(data4)Fallecidos:
data2 = "fallecidos_covid.csv"
datafallecidos = read.csv(data2, sep = ";", header = TRUE, stringsAsFactors = FALSE)COVID:
data3 = "positivos_covid.csv"
datacovid = read.csv(data3, sep = ";", header = TRUE, stringsAsFactors = FALSE)Resultados:
dataresultados = read.csv(data4, sep = ";", header = TRUE, stringsAsFactors = FALSE, row.names = NULL)# Eliminar filas completamente vacías
dataresultados <- dataresultados[rowSums(is.na(dataresultados)) != ncol(dataresultados), ]
# Eliminar columnas completamente vacías
dataresultados <- dataresultados[, colSums(is.na(dataresultados)) != nrow(dataresultados)]
# Mostrar las primeras filas de la data limpia
head(dataresultados)## row.names UBIGEO DEPARTAMENTO PROVINCIA DISTRITO TIPO_ELECCION
## 1 010101 AMAZONAS CHACHAPOYAS CHACHAPOYAS PRESIDENCIAL 13
## 2 010101 AMAZONAS CHACHAPOYAS CHACHAPOYAS PRESIDENCIAL 26
## 3 010101 AMAZONAS CHACHAPOYAS CHACHAPOYAS PRESIDENCIAL 30
## 4 010101 AMAZONAS CHACHAPOYAS CHACHAPOYAS PRESIDENCIAL 36
## 5 010101 AMAZONAS CHACHAPOYAS CHACHAPOYAS PRESIDENCIAL 40
## 6 010201 AMAZONAS BAGUA LA PECA PRESIDENCIAL 148
## MESA_DE_VOTACION TIPO_OBSERVACION N_CVAS N_ELEC_HABIL VOTOS_P1 VOTOS_P2
## 1 CONTABILIZADA 220 300 115 87 NA
## 2 CONTABILIZADA 144 300 71 58 NA
## 3 CONTABILIZADA 129 300 71 50 NA
## 4 CONTABILIZADA 202 252 66 105 5
## 5 CONTABILIZADA 228 300 125 87 NA
## 6 CONTABILIZADA 171 300 112 51 4
## VOTOS_VB VOTOS_VN
## 1 18 NA
## 2 15 NA
## 3 8 NA
## 4 26 NA
## 5 16 NA
## 6 4 NAMATERIALES:
datamateriales <- datamateriales[-c(1), ]
# Asignar nombres claros a las columnas
colnames(datamateriales) <- c("Título", "Codigo", "Provincia", "Piso_con_cal", "Piso_cemento",
"Ducha", "Medidor", "Tripley", "Otro_material", "Concreto", "Columna_extra") # Cambiar nombres según corresponda
# Eliminar filas y columnas completamente vacías
datamateriales <- datamateriales[rowSums(is.na(datamateriales)) != ncol(datamateriales), ]
datamateriales <- datamateriales[, colSums(is.na(datamateriales)) != nrow(datamateriales)]
# Convertir columnas específicas a tipo numérico
cols_to_numeric <- c("Piso_con_cal", "Piso_cemento", "Ducha", "Medidor", "Tripley", "Otro_material", "Concreto")
datamateriales[cols_to_numeric] <- lapply(datamateriales[cols_to_numeric], function(x) as.numeric(as.character(x)))## Warning in FUN(X[[i]], ...): NAs introducidos por coerción
## Warning in FUN(X[[i]], ...): NAs introducidos por coerción
## Warning in FUN(X[[i]], ...): NAs introducidos por coerción
## Warning in FUN(X[[i]], ...): NAs introducidos por coerción
## Warning in FUN(X[[i]], ...): NAs introducidos por coerción
## Warning in FUN(X[[i]], ...): NAs introducidos por coerción
## Warning in FUN(X[[i]], ...): NAs introducidos por coerción# Mostrar las primeras filas de la dataenerg limpia
head(datamateriales)## Título Codigo Provincia Piso_con_cal
## 2 Área Geográfica <NA> <NA> NA
## 3 Toda la Base de Datos <NA> <NA> NA
## 5 <NA> Código Provincia NA
## 6 <NA> 101 Amazonas, provincia: Chachapoyas 3782
## 7 <NA> 102 Amazonas, provincia: Bagua 4633
## 8 <NA> 103 Amazonas, provincia: Bongara 1602
## Piso_cemento Ducha Medidor Tripley Otro_material Concreto
## 2 NA NA NA NA NA NA
## 3 NA NA NA NA NA NA
## 5 NA NA NA NA NA NA
## 6 22 5881 2476 309 168 1270
## 7 46 6639 222 2518 127 4484
## 8 9 2729 240 157 36 2505
## Columna_extra NA NA.1 NA.2 NA.3 NA.4
## 2 <NA> <NA> <NA> <NA> <NA> <NA>
## 3 <NA> <NA> <NA> <NA> <NA> <NA>
## 5 Triplay / calamina / estera Otro material Total Concreto armado Madera Tejas
## 6 91 0 13999 2262 160 3393
## 7 851 0 19520 2187 294 179
## 8 30 0 7308 692 75 382
## NA.5
## 2 <NA>
## 3 <NA>
## 5 Planchas de calamina, fibra de cemento o similares
## 6 8005
## 7 13186
## 8 6084
## NA.6 NA.7
## 2 <NA> <NA>
## 3 <NA> <NA>
## 5 Caña o estera con torta de barro o cemento Triplay / estera / carrizo
## 6 50 14
## 7 160 106
## 8 38 5
## NA.8 NA.9 NA.10 NA.11
## 2 <NA> <NA> <NA> <NA>
## 3 <NA> <NA> <NA> <NA>
## 5 Paja, hoja de palmera y similares Otro material Total Parquet o madera pulida
## 6 115 0 13999 23
## 7 3408 0 19520 6
## 8 32 0 7308 5
## NA.12
## 2 <NA>
## 3 <NA>
## 5 Láminas asfálticas, vinílicos o similares
## 6 36
## 7 19
## 8 2
## NA.13 NA.14
## 2 <NA> <NA>
## 3 <NA> <NA>
## 5 Losetas, terrazos, cerámicos o similares Madera (pona, tornillo, etc.)
## 6 1077 240
## 7 647 157
## 8 165 132
## NA.15 NA.16 NA.17 NA.18 NA.19
## 2 <NA> <NA> <NA> <NA> <NA>
## 3 <NA> <NA> <NA> <NA> <NA>
## 5 Cemento Tierra Otro material Total Red pública dentro de la vivienda
## 6 6189 6434 0 13999 10647
## 7 7121 11569 1 19520 9429
## 8 2917 4087 0 7308 4569
## NA.20
## 2 <NA>
## 3 <NA>
## 5 Red pública fuera de la vivienda, pero dentro de la edificación
## 6 1619
## 7 4392
## 8 1497
## NA.21 NA.22
## 2 <NA> <NA>
## 3 <NA> <NA>
## 5 Pilón o pileta de uso público Camión - cisterna u otro similar
## 6 184 49
## 7 793 59
## 8 215 0
## NA.23 NA.24 NA.25 NA.26
## 2 <NA> <NA> <NA> <NA>
## 3 <NA> <NA> <NA> <NA>
## 5 Pozo (agua subterránea) Manantial o puquio Río, acequia, lago, laguna Otro
## 6 876 92 488 24
## 7 1792 270 2648 56
## 8 474 67 388 61
## NA.27 NA.28 NA.29 NA.30 NA.31
## 2 <NA> <NA> <NA> <NA> <NA>
## 3 <NA> <NA> <NA> <NA> <NA>
## 5 Vecino Total Sí tiene alumbrado eléctrico No tiene alumbrado eléctrico Total
## 6 20 13999 12248 1751 13999
## 7 81 19520 13204 6316 19520
## 8 37 7308 6025 1283 7308# Eliminar las columnas "Título" y "Codigo" si existen
datamateriales <- datamateriales[, !names(datamateriales) %in% c("Título", "Codigo")]
datamateriales <- datamateriales[-c(1:3), ]
# Verificar los resultados
head(datamateriales)## Provincia Piso_con_cal Piso_cemento Ducha
## 6 Amazonas, provincia: Chachapoyas 3782 22 5881
## 7 Amazonas, provincia: Bagua 4633 46 6639
## 8 Amazonas, provincia: Bongara 1602 9 2729
## 9 Amazonas, provincia: Condorcanqui 291 7 672
## 10 Amazonas, provincia: Luya 430 7 5217
## 11 Amazonas, provincia: Rodríguez de Mendoza 1546 7 2778
## Medidor Tripley Otro_material Concreto Columna_extra NA NA.1 NA.2 NA.3 NA.4
## 6 2476 309 168 1270 91 0 13999 2262 160 3393
## 7 222 2518 127 4484 851 0 19520 2187 294 179
## 8 240 157 36 2505 30 0 7308 692 75 382
## 9 8 386 7 8145 200 0 9716 56 188 177
## 10 6052 346 54 606 45 0 12757 187 43 3071
## 11 155 720 28 3646 24 0 8904 480 48 2810
## NA.5 NA.6 NA.7 NA.8 NA.9 NA.10 NA.11 NA.12 NA.13 NA.14 NA.15 NA.16 NA.17
## 6 8005 50 14 115 0 13999 23 36 1077 240 6189 6434 0
## 7 13186 160 106 3408 0 19520 6 19 647 157 7121 11569 1
## 8 6084 38 5 32 0 7308 5 2 165 132 2917 4087 0
## 9 2036 15 10 7234 0 9716 2 0 20 1523 943 7228 0
## 10 9343 26 12 75 0 12757 4 0 46 295 1911 10501 0
## 11 5495 15 5 51 0 8904 3 4 264 176 2974 5483 0
## NA.18 NA.19 NA.20 NA.21 NA.22 NA.23 NA.24 NA.25 NA.26 NA.27 NA.28 NA.29
## 6 13999 10647 1619 184 49 876 92 488 24 20 13999 12248
## 7 19520 9429 4392 793 59 1792 270 2648 56 81 19520 13204
## 8 7308 4569 1497 215 0 474 67 388 61 37 7308 6025
## 9 9716 1307 867 1003 2 2564 431 3428 80 34 9716 1792
## 10 12757 7172 3097 1112 0 819 132 369 9 47 12757 10886
## 11 8904 5256 1278 154 0 1020 211 948 29 8 8904 6895
## NA.30 NA.31
## 6 1751 13999
## 7 6316 19520
## 8 1283 7308
## 9 7924 9716
## 10 1871 12757
## 11 2009 8904library(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, unionENERGÍA:
dataenergía <- dataenergía[-c(1), ]
# Asignar nombres claros a las columnas
colnames(dataenergía) <- c("Titulo", "Codigo", "Provincia", "No_usa_electricidad", "Si_usa_electricidad",
"Total_electricidad", "No_usa_gas_GLP", "Si_usa_gas_GLP", "Total_gas_GLP",
"No_usa_carbon", "Si_usa_carbon", "Total_carbon",
"No_usa_lena", "Si_usa_lena", "Total_lena")
# Eliminar filas y columnas completamente vacías
dataenergía <- dataenergía[rowSums(is.na(dataenergía)) != ncol(dataenergía), ]
dataenergía <- dataenergía[, colSums(is.na(dataenergía)) != nrow(dataenergía)]
# Convertir columnas específicas a numéricas
cols_to_numeric <- c("No_usa_electricidad", "Si_usa_electricidad", "Total_electricidad",
"No_usa_gas_GLP", "Si_usa_gas_GLP", "Total_gas_GLP",
"No_usa_carbon", "Si_usa_carbon", "Total_carbon",
"No_usa_lena", "Si_usa_lena", "Total_lena")
dataenergía[cols_to_numeric] <- lapply(dataenergía[cols_to_numeric], as.numeric)## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción
## Warning in lapply(dataenergía[cols_to_numeric], as.numeric): NAs introducidos
## por coerción# Mostrar las primeras filas del conjunto de datos limpio
head(dataenergía)## Titulo Codigo Provincia
## 2 Área Geográfica <NA> <NA>
## 3 Toda la Base de Datos <NA> <NA>
## 5 <NA> Código Provincia
## 6 <NA> 101 Amazonas, provincia: Chachapoyas
## 7 <NA> 102 Amazonas, provincia: Bagua
## 8 <NA> 103 Amazonas, provincia: Bongara
## No_usa_electricidad Si_usa_electricidad Total_electricidad No_usa_gas_GLP
## 2 NA NA NA NA
## 3 NA NA NA NA
## 5 NA NA NA NA
## 6 14763 574 15337 4696
## 7 20313 161 20474 10557
## 8 7689 124 7813 3154
## Si_usa_gas_GLP Total_gas_GLP No_usa_carbon Si_usa_carbon Total_carbon
## 2 NA NA NA NA NA
## 3 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 10641 15337 15161 176 15337
## 7 9917 20474 20185 289 20474
## 8 4659 7813 7755 58 7813
## No_usa_lena Si_usa_lena Total_lena
## 2 NA NA NA
## 3 NA NA NA
## 5 NA NA NA
## 6 7236 8101 15337
## 7 7357 13117 20474
## 8 2345 5468 7813# Eliminar las columnas "Codigo" y "No_usa_electricidad"
dataenergía <- dataenergía[, !(colnames(dataenergía) %in% c("Titulo", "Codigo"))]
dataenergía <- dataenergía[-c(1), ]
# Mostrar las primeras filas del conjunto de datos limpio
head(dataenergía)## Provincia No_usa_electricidad Si_usa_electricidad
## 3 <NA> NA NA
## 5 Provincia NA NA
## 6 Amazonas, provincia: Chachapoyas 14763 574
## 7 Amazonas, provincia: Bagua 20313 161
## 8 Amazonas, provincia: Bongara 7689 124
## 9 Amazonas, provincia: Condorcanqui 9853 14
## Total_electricidad No_usa_gas_GLP Si_usa_gas_GLP Total_gas_GLP No_usa_carbon
## 3 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 15337 4696 10641 15337 15161
## 7 20474 10557 9917 20474 20185
## 8 7813 3154 4659 7813 7755
## 9 9867 8331 1536 9867 9841
## Si_usa_carbon Total_carbon No_usa_lena Si_usa_lena Total_lena
## 3 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 176 15337 7236 8101 15337
## 7 289 20474 7357 13117 20474
## 8 58 7813 2345 5468 7813
## 9 26 9867 1059 8808 9867FILTRO POR AÑO:
# Filtrar las filas donde FECHA_CORTE y FECHA_FALLECIMIENTO comienzan con "2020"
datafallecidos<- subset(datafallecidos,
grepl("^2020", FECHA_FALLECIMIENTO))
# Mostrar las primeras filas de los datos filtrados
head(datafallecidos)## FECHA_CORTE FECHA_FALLECIMIENTO EDAD_DECLARADA SEXO
## 21 20240317 20200711 64 MASCULINO
## 93 20240317 20200505 50 MASCULINO
## 120 20240317 20200803 92 FEMENINO
## 133 20240317 20200622 56 MASCULINO
## 138 20240317 20200626 85 MASCULINO
## 257 20240317 20200829 72 MASCULINO
## CLASIFICACION_DEF DEPARTAMENTO PROVINCIA
## 21 Criterio SINADEF LIMA LIMA
## 93 Criterio investigación Epidemiológica LORETO MARISCAL RAMON CASTILLA
## 120 Criterio SINADEF MADRE DE DIOS TAMBOPATA
## 133 Criterio investigación Epidemiológica SAN MARTIN BELLAVISTA
## 138 Criterio clínico SAN MARTIN SAN MARTIN
## 257 Criterio radiológico PIURA MORROPON
## DISTRITO UBIGEO UUID
## 21 LOS OLIVOS 150117 846252
## 93 YAVARI 160403 278625
## 120 INAMBARI 170102 846841
## 133 BELLAVISTA 220201 204560
## 138 TARAPOTO 220901 297348
## 257 CHULUCANAS 200401 1016628datacovid<- subset(datacovid,
grepl("^2020", FECHA_RESULTADO))
head(datacovid)## FECHA_CORTE DEPARTAMENTO PROVINCIA DISTRITO METODODX EDAD SEXO
## 10 20241203 TUMBES ZARUMILLA AGUAS VERDES AG 52 MASCULINO
## 11 20241203 TUMBES ZARUMILLA ZARUMILLA AG 42 FEMENINO
## 32 20241203 SAN MARTIN SAN MARTIN TARAPOTO AG 48 MASCULINO
## 45 20241203 PIURA SULLANA IGNACIO ESCUDERO AG 43 FEMENINO
## 75 20241203 PIURA SULLANA IGNACIO ESCUDERO AG 42 FEMENINO
## 79 20241203 SAN MARTIN SAN MARTIN TARAPOTO AG 83 FEMENINO
## FECHA_RESULTADO UBIGEO id_persona
## 10 20201229 240302 233066
## 11 20201229 240301 307679
## 32 20201230 220901 301845
## 45 20201216 200603 1063754
## 75 20201230 200603 909317
## 79 20201230 220901 524671PROVINCIA Y MERGE:
names(dataenergía)[names(dataenergía) == "Provincia"] <- "PROVINCIA"
names(datamateriales)[names(datamateriales) == "Provincia"] <- "PROVINCIA"
head(datamateriales)## PROVINCIA Piso_con_cal Piso_cemento Ducha
## 6 Amazonas, provincia: Chachapoyas 3782 22 5881
## 7 Amazonas, provincia: Bagua 4633 46 6639
## 8 Amazonas, provincia: Bongara 1602 9 2729
## 9 Amazonas, provincia: Condorcanqui 291 7 672
## 10 Amazonas, provincia: Luya 430 7 5217
## 11 Amazonas, provincia: Rodríguez de Mendoza 1546 7 2778
## Medidor Tripley Otro_material Concreto Columna_extra NA NA.1 NA.2 NA.3 NA.4
## 6 2476 309 168 1270 91 0 13999 2262 160 3393
## 7 222 2518 127 4484 851 0 19520 2187 294 179
## 8 240 157 36 2505 30 0 7308 692 75 382
## 9 8 386 7 8145 200 0 9716 56 188 177
## 10 6052 346 54 606 45 0 12757 187 43 3071
## 11 155 720 28 3646 24 0 8904 480 48 2810
## NA.5 NA.6 NA.7 NA.8 NA.9 NA.10 NA.11 NA.12 NA.13 NA.14 NA.15 NA.16 NA.17
## 6 8005 50 14 115 0 13999 23 36 1077 240 6189 6434 0
## 7 13186 160 106 3408 0 19520 6 19 647 157 7121 11569 1
## 8 6084 38 5 32 0 7308 5 2 165 132 2917 4087 0
## 9 2036 15 10 7234 0 9716 2 0 20 1523 943 7228 0
## 10 9343 26 12 75 0 12757 4 0 46 295 1911 10501 0
## 11 5495 15 5 51 0 8904 3 4 264 176 2974 5483 0
## NA.18 NA.19 NA.20 NA.21 NA.22 NA.23 NA.24 NA.25 NA.26 NA.27 NA.28 NA.29
## 6 13999 10647 1619 184 49 876 92 488 24 20 13999 12248
## 7 19520 9429 4392 793 59 1792 270 2648 56 81 19520 13204
## 8 7308 4569 1497 215 0 474 67 388 61 37 7308 6025
## 9 9716 1307 867 1003 2 2564 431 3428 80 34 9716 1792
## 10 12757 7172 3097 1112 0 819 132 369 9 47 12757 10886
## 11 8904 5256 1278 154 0 1020 211 948 29 8 8904 6895
## NA.30 NA.31
## 6 1751 13999
## 7 6316 19520
## 8 1283 7308
## 9 7924 9716
## 10 1871 12757
## 11 2009 8904head(dataenergía)## PROVINCIA No_usa_electricidad Si_usa_electricidad
## 3 <NA> NA NA
## 5 Provincia NA NA
## 6 Amazonas, provincia: Chachapoyas 14763 574
## 7 Amazonas, provincia: Bagua 20313 161
## 8 Amazonas, provincia: Bongara 7689 124
## 9 Amazonas, provincia: Condorcanqui 9853 14
## Total_electricidad No_usa_gas_GLP Si_usa_gas_GLP Total_gas_GLP No_usa_carbon
## 3 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 15337 4696 10641 15337 15161
## 7 20474 10557 9917 20474 20185
## 8 7813 3154 4659 7813 7755
## 9 9867 8331 1536 9867 9841
## Si_usa_carbon Total_carbon No_usa_lena Si_usa_lena Total_lena
## 3 NA NA NA NA NA
## 5 NA NA NA NA NA
## 6 176 15337 7236 8101 15337
## 7 289 20474 7357 13117 20474
## 8 58 7813 2345 5468 7813
## 9 26 9867 1059 8808 9867library(dplyr)# Eliminar duplicados conservando la primera fila
datamateriales <- datamateriales %>% distinct(PROVINCIA, .keep_all = TRUE)
dataenergía <- dataenergía %>% distinct(PROVINCIA, .keep_all = TRUE)
datafallecidos <- datafallecidos %>% distinct(PROVINCIA, .keep_all = TRUE)
datacovid <- datacovid %>% distinct(PROVINCIA, .keep_all = TRUE)
dataresultados <- dataresultados %>% distinct(PROVINCIA, .keep_all = TRUE)
merged_data <- datamateriales %>%
full_join(dataenergía, by = "PROVINCIA") %>%
full_join(datafallecidos, by = "PROVINCIA") %>%
full_join(datacovid, by = "PROVINCIA") %>%
full_join(dataresultados, by = "PROVINCIA")
head(merged_data)## PROVINCIA Piso_con_cal Piso_cemento Ducha
## 1 Amazonas, provincia: Chachapoyas 3782 22 5881
## 2 Amazonas, provincia: Bagua 4633 46 6639
## 3 Amazonas, provincia: Bongara 1602 9 2729
## 4 Amazonas, provincia: Condorcanqui 291 7 672
## 5 Amazonas, provincia: Luya 430 7 5217
## 6 Amazonas, provincia: Rodríguez de Mendoza 1546 7 2778
## Medidor Tripley Otro_material Concreto Columna_extra NA NA.1 NA.2 NA.3 NA.4
## 1 2476 309 168 1270 91 0 13999 2262 160 3393
## 2 222 2518 127 4484 851 0 19520 2187 294 179
## 3 240 157 36 2505 30 0 7308 692 75 382
## 4 8 386 7 8145 200 0 9716 56 188 177
## 5 6052 346 54 606 45 0 12757 187 43 3071
## 6 155 720 28 3646 24 0 8904 480 48 2810
## NA.5 NA.6 NA.7 NA.8 NA.9 NA.10 NA.11 NA.12 NA.13 NA.14 NA.15 NA.16 NA.17
## 1 8005 50 14 115 0 13999 23 36 1077 240 6189 6434 0
## 2 13186 160 106 3408 0 19520 6 19 647 157 7121 11569 1
## 3 6084 38 5 32 0 7308 5 2 165 132 2917 4087 0
## 4 2036 15 10 7234 0 9716 2 0 20 1523 943 7228 0
## 5 9343 26 12 75 0 12757 4 0 46 295 1911 10501 0
## 6 5495 15 5 51 0 8904 3 4 264 176 2974 5483 0
## NA.18 NA.19 NA.20 NA.21 NA.22 NA.23 NA.24 NA.25 NA.26 NA.27 NA.28 NA.29 NA.30
## 1 13999 10647 1619 184 49 876 92 488 24 20 13999 12248 1751
## 2 19520 9429 4392 793 59 1792 270 2648 56 81 19520 13204 6316
## 3 7308 4569 1497 215 0 474 67 388 61 37 7308 6025 1283
## 4 9716 1307 867 1003 2 2564 431 3428 80 34 9716 1792 7924
## 5 12757 7172 3097 1112 0 819 132 369 9 47 12757 10886 1871
## 6 8904 5256 1278 154 0 1020 211 948 29 8 8904 6895 2009
## NA.31 No_usa_electricidad Si_usa_electricidad Total_electricidad
## 1 13999 14763 574 15337
## 2 19520 20313 161 20474
## 3 7308 7689 124 7813
## 4 9716 9853 14 9867
## 5 12757 13112 90 13202
## 6 8904 9103 65 9168
## No_usa_gas_GLP Si_usa_gas_GLP Total_gas_GLP No_usa_carbon Si_usa_carbon
## 1 4696 10641 15337 15161 176
## 2 10557 9917 20474 20185 289
## 3 3154 4659 7813 7755 58
## 4 8331 1536 9867 9841 26
## 5 6863 6339 13202 13169 33
## 6 5387 3781 9168 9142 26
## Total_carbon No_usa_lena Si_usa_lena Total_lena FECHA_CORTE.x
## 1 15337 7236 8101 15337 NA
## 2 20474 7357 13117 20474 NA
## 3 7813 2345 5468 7813 NA
## 4 9867 1059 8808 9867 NA
## 5 13202 1833 11369 13202 NA
## 6 9168 1824 7344 9168 NA
## FECHA_FALLECIMIENTO EDAD_DECLARADA SEXO.x CLASIFICACION_DEF DEPARTAMENTO.x
## 1 NA NA <NA> <NA> <NA>
## 2 NA NA <NA> <NA> <NA>
## 3 NA NA <NA> <NA> <NA>
## 4 NA NA <NA> <NA> <NA>
## 5 NA NA <NA> <NA> <NA>
## 6 NA NA <NA> <NA> <NA>
## DISTRITO.x UBIGEO.x UUID FECHA_CORTE.y DEPARTAMENTO.y DISTRITO.y METODODX
## 1 <NA> NA NA NA <NA> <NA> <NA>
## 2 <NA> NA NA NA <NA> <NA> <NA>
## 3 <NA> NA NA NA <NA> <NA> <NA>
## 4 <NA> NA NA NA <NA> <NA> <NA>
## 5 <NA> NA NA NA <NA> <NA> <NA>
## 6 <NA> NA NA NA <NA> <NA> <NA>
## EDAD SEXO.y FECHA_RESULTADO UBIGEO.y id_persona row.names UBIGEO DEPARTAMENTO
## 1 NA <NA> NA NA NA <NA> <NA> <NA>
## 2 NA <NA> NA NA NA <NA> <NA> <NA>
## 3 NA <NA> NA NA NA <NA> <NA> <NA>
## 4 NA <NA> NA NA NA <NA> <NA> <NA>
## 5 NA <NA> NA NA NA <NA> <NA> <NA>
## 6 NA <NA> NA NA NA <NA> <NA> <NA>
## DISTRITO TIPO_ELECCION MESA_DE_VOTACION TIPO_OBSERVACION N_CVAS N_ELEC_HABIL
## 1 <NA> NA <NA> NA NA NA
## 2 <NA> NA <NA> NA NA NA
## 3 <NA> NA <NA> NA NA NA
## 4 <NA> NA <NA> NA NA NA
## 5 <NA> NA <NA> NA NA NA
## 6 <NA> NA <NA> NA NA NA
## VOTOS_P1 VOTOS_P2 VOTOS_VB VOTOS_VN
## 1 NA NA NA NA
## 2 NA NA NA NA
## 3 NA NA NA NA
## 4 NA NA NA NA
## 5 NA NA NA NA
## 6 NA NA NA NA# Eliminar las filas de 197 a 2176
merged_data <- merged_data[-c(197:2176), ]
# Verificar el resultado
head(merged_data)## PROVINCIA Piso_con_cal Piso_cemento Ducha
## 1 Amazonas, provincia: Chachapoyas 3782 22 5881
## 2 Amazonas, provincia: Bagua 4633 46 6639
## 3 Amazonas, provincia: Bongara 1602 9 2729
## 4 Amazonas, provincia: Condorcanqui 291 7 672
## 5 Amazonas, provincia: Luya 430 7 5217
## 6 Amazonas, provincia: Rodríguez de Mendoza 1546 7 2778
## Medidor Tripley Otro_material Concreto Columna_extra NA NA.1 NA.2 NA.3 NA.4
## 1 2476 309 168 1270 91 0 13999 2262 160 3393
## 2 222 2518 127 4484 851 0 19520 2187 294 179
## 3 240 157 36 2505 30 0 7308 692 75 382
## 4 8 386 7 8145 200 0 9716 56 188 177
## 5 6052 346 54 606 45 0 12757 187 43 3071
## 6 155 720 28 3646 24 0 8904 480 48 2810
## NA.5 NA.6 NA.7 NA.8 NA.9 NA.10 NA.11 NA.12 NA.13 NA.14 NA.15 NA.16 NA.17
## 1 8005 50 14 115 0 13999 23 36 1077 240 6189 6434 0
## 2 13186 160 106 3408 0 19520 6 19 647 157 7121 11569 1
## 3 6084 38 5 32 0 7308 5 2 165 132 2917 4087 0
## 4 2036 15 10 7234 0 9716 2 0 20 1523 943 7228 0
## 5 9343 26 12 75 0 12757 4 0 46 295 1911 10501 0
## 6 5495 15 5 51 0 8904 3 4 264 176 2974 5483 0
## NA.18 NA.19 NA.20 NA.21 NA.22 NA.23 NA.24 NA.25 NA.26 NA.27 NA.28 NA.29 NA.30
## 1 13999 10647 1619 184 49 876 92 488 24 20 13999 12248 1751
## 2 19520 9429 4392 793 59 1792 270 2648 56 81 19520 13204 6316
## 3 7308 4569 1497 215 0 474 67 388 61 37 7308 6025 1283
## 4 9716 1307 867 1003 2 2564 431 3428 80 34 9716 1792 7924
## 5 12757 7172 3097 1112 0 819 132 369 9 47 12757 10886 1871
## 6 8904 5256 1278 154 0 1020 211 948 29 8 8904 6895 2009
## NA.31 No_usa_electricidad Si_usa_electricidad Total_electricidad
## 1 13999 14763 574 15337
## 2 19520 20313 161 20474
## 3 7308 7689 124 7813
## 4 9716 9853 14 9867
## 5 12757 13112 90 13202
## 6 8904 9103 65 9168
## No_usa_gas_GLP Si_usa_gas_GLP Total_gas_GLP No_usa_carbon Si_usa_carbon
## 1 4696 10641 15337 15161 176
## 2 10557 9917 20474 20185 289
## 3 3154 4659 7813 7755 58
## 4 8331 1536 9867 9841 26
## 5 6863 6339 13202 13169 33
## 6 5387 3781 9168 9142 26
## Total_carbon No_usa_lena Si_usa_lena Total_lena FECHA_CORTE.x
## 1 15337 7236 8101 15337 NA
## 2 20474 7357 13117 20474 NA
## 3 7813 2345 5468 7813 NA
## 4 9867 1059 8808 9867 NA
## 5 13202 1833 11369 13202 NA
## 6 9168 1824 7344 9168 NA
## FECHA_FALLECIMIENTO EDAD_DECLARADA SEXO.x CLASIFICACION_DEF DEPARTAMENTO.x
## 1 NA NA <NA> <NA> <NA>
## 2 NA NA <NA> <NA> <NA>
## 3 NA NA <NA> <NA> <NA>
## 4 NA NA <NA> <NA> <NA>
## 5 NA NA <NA> <NA> <NA>
## 6 NA NA <NA> <NA> <NA>
## DISTRITO.x UBIGEO.x UUID FECHA_CORTE.y DEPARTAMENTO.y DISTRITO.y METODODX
## 1 <NA> NA NA NA <NA> <NA> <NA>
## 2 <NA> NA NA NA <NA> <NA> <NA>
## 3 <NA> NA NA NA <NA> <NA> <NA>
## 4 <NA> NA NA NA <NA> <NA> <NA>
## 5 <NA> NA NA NA <NA> <NA> <NA>
## 6 <NA> NA NA NA <NA> <NA> <NA>
## EDAD SEXO.y FECHA_RESULTADO UBIGEO.y id_persona row.names UBIGEO DEPARTAMENTO
## 1 NA <NA> NA NA NA <NA> <NA> <NA>
## 2 NA <NA> NA NA NA <NA> <NA> <NA>
## 3 NA <NA> NA NA NA <NA> <NA> <NA>
## 4 NA <NA> NA NA NA <NA> <NA> <NA>
## 5 NA <NA> NA NA NA <NA> <NA> <NA>
## 6 NA <NA> NA NA NA <NA> <NA> <NA>
## DISTRITO TIPO_ELECCION MESA_DE_VOTACION TIPO_OBSERVACION N_CVAS N_ELEC_HABIL
## 1 <NA> NA <NA> NA NA NA
## 2 <NA> NA <NA> NA NA NA
## 3 <NA> NA <NA> NA NA NA
## 4 <NA> NA <NA> NA NA NA
## 5 <NA> NA <NA> NA NA NA
## 6 <NA> NA <NA> NA NA NA
## VOTOS_P1 VOTOS_P2 VOTOS_VB VOTOS_VN
## 1 NA NA NA NA
## 2 NA NA NA NA
## 3 NA NA NA NA
## 4 NA NA NA NA
## 5 NA NA NA NA
## 6 NA NA NA NAwrite.csv(merged_data, "merged_data_clean.csv", row.names = FALSE)