Clusters

Ejemplo Vinos

Contexto

Estos datos son el resultado de un análisis químico de vinos cultivados en la misma región de Italiza pero derivados de tres cultivantes diferentes.

El análisis determinó las cantidades de 13 componentes que se encuentran en cada uno de los tres cultivares.

Instalar paquetes y llamar librerías

#install.packages("cluster") #Para agrupamiento de datos 
library(cluster)
#install.packages("ggplot2") #Gráficas
library(ggplot2)
#install.packages("factoextra") #Visualizar clusters
library(factoextra)
#install.packages("data.table") #Conjunto de datos grande 
library(data.table)
#install.packages("tidyverse")
library(tidyverse)

Importar la base de datos

datos <- read.csv("/Users/mariadelbosque/Downloads/wine_dataset.csv")

Entender la base de datos

summary(datos)

##     alcohol        malic_acid         ash        alcalinity_of_ash
##  Min.   :11.03   Min.   :0.740   Min.   :1.360   Min.   :10.60    
##  1st Qu.:12.36   1st Qu.:1.603   1st Qu.:2.210   1st Qu.:17.20    
##  Median :13.05   Median :1.865   Median :2.360   Median :19.50    
##  Mean   :13.00   Mean   :2.336   Mean   :2.367   Mean   :19.49    
##  3rd Qu.:13.68   3rd Qu.:3.083   3rd Qu.:2.558   3rd Qu.:21.50    
##  Max.   :14.83   Max.   :5.800   Max.   :3.230   Max.   :30.00    
##    magnesium      total_phenols     flavanoids    nonflavanoid_phenols
##  Min.   : 70.00   Min.   :0.980   Min.   :0.340   Min.   :0.1300      
##  1st Qu.: 88.00   1st Qu.:1.742   1st Qu.:1.205   1st Qu.:0.2700      
##  Median : 98.00   Median :2.355   Median :2.135   Median :0.3400      
##  Mean   : 99.74   Mean   :2.295   Mean   :2.029   Mean   :0.3619      
##  3rd Qu.:107.00   3rd Qu.:2.800   3rd Qu.:2.875   3rd Qu.:0.4375      
##  Max.   :162.00   Max.   :3.880   Max.   :5.080   Max.   :0.6600      
##  proanthocyanins color_intensity       hue         od280.od315_of_diluted_wines
##  Min.   :0.410   Min.   : 1.280   Min.   :0.4800   Min.   :1.270               
##  1st Qu.:1.250   1st Qu.: 3.220   1st Qu.:0.7825   1st Qu.:1.938               
##  Median :1.555   Median : 4.690   Median :0.9650   Median :2.780               
##  Mean   :1.591   Mean   : 5.058   Mean   :0.9574   Mean   :2.612               
##  3rd Qu.:1.950   3rd Qu.: 6.200   3rd Qu.:1.1200   3rd Qu.:3.170               
##  Max.   :3.580   Max.   :13.000   Max.   :1.7100   Max.   :4.000               
##     proline           target      
##  Min.   : 278.0   Min.   :0.0000  
##  1st Qu.: 500.5   1st Qu.:0.0000  
##  Median : 673.5   Median :1.0000  
##  Mean   : 746.9   Mean   :0.9382  
##  3rd Qu.: 985.0   3rd Qu.:2.0000  
##  Max.   :1680.0   Max.   :2.0000

Escalar la base de datos

datos_escalados <-scale(datos)
datos_escalados <- subset(datos_escalados,select = -target)
datos_escalados <-scale(datos_escalados)

Generar los segmentos

grupos <- 3 #Inicio con cualquier valor y luego verifico
segmentos <- kmeans(datos_escalados, grupos)

Asignar grupos a los datos

asignacion <- cbind(datos, cluster=segmentos$cluster)

Graficar los clusters

fviz_cluster(segmentos, data = datos)

## Optimizar la cantidad de grupos

#La cantidad óptima de grupos corresponde al primer punto más alto de la gráfica
set.seed(123)
optimizacion <- clusGap(datos_escalados, FUN=kmeans, nstart=1, K.max =10)
plot(optimizacion, xlab = "Número de Clusters k")

Comparar segmentos

promedio <- aggregate(asignacion, by = list(asignacion$cluster), FUN=mean)
promedio

##   Group.1  alcohol malic_acid      ash alcalinity_of_ash magnesium
## 1       1 12.25092   1.897385 2.231231          20.06308  92.73846
## 2       2 13.67677   1.997903 2.466290          17.46290 107.96774
## 3       3 13.13412   3.307255 2.417647          21.24118  98.66667
##   total_phenols flavanoids nonflavanoid_phenols proanthocyanins color_intensity
## 1      2.247692  2.0500000            0.3576923        1.624154        2.973077
## 2      2.847581  3.0032258            0.2920968        1.922097        5.453548
## 3      1.683922  0.8188235            0.4519608        1.145882        7.234706
##         hue od280.od315_of_diluted_wines   proline    target cluster
## 1 1.0627077                     2.803385  510.1692 1.0000000       1
## 2 1.0654839                     3.163387 1100.2258 0.0483871       2
## 3 0.6919608                     1.696667  619.0588 1.9411765       3

table(asignacion$cluster)

## 
##  1  2  3 
## 65 62 51

Ejercicio México 2024

Instalar paquetes y llamar librerias

#install.packages("sf") #Analisis de datos espaciales
library(sf)
#install.packages("rnaturalearth") #Proporciona límites geograficos
library(rnaturalearth)
#install.packages("rnaturalearthdata") #Datos de geografia
library(rnaturalearthdata)
#install.packages("devtools")
library(devtools)
devtools::install_github("ropensci/rnaturalearthhires") #Mapa de México particular

Obtener Mapa de México

mexico <- ne_states(country = "Mexico", returnclass = "sf")

Importar la base de datos México

datosmex <- read.csv("/Users/mariadelbosque/Downloads/mexico2024.csv")
names(datosmex)[names(datosmex) == "Estado"] <- "name"
head(datosmex)

##                  name Población PIB.per.cápita Esperanza.de.vida
## 1      Aguascalientes       1.4         142703              75.4
## 2     Baja California       3.7         152317              76.2
## 3 Baja California Sur       0.8         151590              76.5
## 4            Campeche       0.9         481697              75.1
## 5             Chiapas       5.5          44387              74.0
## 6           Chihuahua       3.8         141532              75.8
##   Tasa.de.pobreza Tasa.de.alfabetización
## 1            27.2                   98.0
## 2            13.4                   98.5
## 3            13.3                   98.6
## 4            40.9                   96.5
## 5            67.4                   88.7
## 6            26.3                   97.5

Escalar la base de datos

datos_escalados_mex <- subset(datosmex,select = -name)
datos_escalados_mex <-scale(datos_escalados_mex)

Generar los segmentos

grupos_mex <- 3 #Inicio con cualquier valor y luego verifico
segmentos_mex <- kmeans(datos_escalados_mex, grupos_mex)

Asignar grupos a los datos

asignacion_mex <- cbind(datosmex, cluster = segmentos_mex$cluster)

Graficar los clusters

fviz_cluster(segmentos_mex, data = datos_escalados_mex)

Unir Mapa de México con Datos

mexico_clusters <- left_join(mexico, asignacion_mex, by = "name")
ggplot(mexico_clusters) +
  geom_sf(aes(fill = as.factor(cluster), color = "black")) +
  scale_fill_manual(values = c ("green","yellow","red")) +
  labs(title = "Clusters de Poblacion por Estado de Mexico") +
  theme_minimal()