Clusters

Contexto

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

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

Instalar paquetes y llamar librerías

library(cluster) #Agrupamiento
library(ggplot2) #Graficar
library(factoextra) #Visualizar Clusters
library(data.table) #Manejo de conjunto de datos grandes
library(readr)
library(tidyverse)

Importar la base de Datos

#library(readr)
wine_dataset <- read_csv("wine_dataset.csv")

## Rows: 178 Columns: 14
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (14): alcohol, malic_acid, ash, alcalinity_of_ash, magnesium, total_phen...
## 
## 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.

#View(wine_dataset)

Entender la base de datos

summary(wine_dataset)

##     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

datos <- wine_dataset

Escalar la base de datos

datos_esc1 <- datos
datos_esc1 <- subset(datos_esc1, select = -target)
datos_esc1 <- scale(datos_esc1)

Generar los segmentos

grupos <- 3 #Se buscar el número óptimo de grupos o clusters
segmentos <- kmeans(datos_esc1,grupos)

Asignar grupos a los datos

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

Graficar el cluster

fviz_cluster(segmentos, data = datos)

Optimizar la cantidad de grupos

#La cantidad óptima de grupos corresponde al punto más alto de la gráfica 
set.seed(123)
optimizacion <- clusGap(datos_esc1, 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 13.13412   3.307255 2.417647          21.24118  98.66667
## 2       2 12.25092   1.897385 2.231231          20.06308  92.73846
## 3       3 13.67677   1.997903 2.466290          17.46290 107.96774
##   total_phenols flavanoids nonflavanoid_phenols proanthocyanins color_intensity
## 1      1.683922  0.8188235            0.4519608        1.145882        7.234706
## 2      2.247692  2.0500000            0.3576923        1.624154        2.973077
## 3      2.847581  3.0032258            0.2920968        1.922097        5.453548
##         hue od280/od315_of_diluted_wines   proline    target cluster
## 1 0.6919608                     1.696667  619.0588 1.9411765       1
## 2 1.0627077                     2.803385  510.1692 1.0000000       2
## 3 1.0654839                     3.163387 1100.2258 0.0483871       3

table(asignacion$cluster)

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

Ejercicio México 2024

Instalar y llamar librerías

#install.packages("sf") #análisis de datos espaciales
library(sf)

## Linking to GEOS 3.13.0, GDAL 3.10.1, PROJ 9.5.1; sf_use_s2() is TRUE

#install.packages("rnaturalearth") #proporciona límites geográficos
library(rnaturalearth)
#install.packages("rnaturalearthdata") #datos de geografía
library(rnaturalearthdata)

## 
## Adjuntando el paquete: 'rnaturalearthdata'

## The following object is masked from 'package:rnaturalearth':
## 
##     countries110

#install.packages("devtools") # Instalar paquetes de fuentes externas
library(devtools)

## Cargando paquete requerido: usethis

devtools::install_github("ropensci/rnaturalearthhires") #mapa de México particular

## Skipping install of 'rnaturalearthhires' from a github remote, the SHA1 (153b0ea5) has not changed since last install.
##   Use `force = TRUE` to force installation

Obtener Mapa de México

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

Importar la base de Datos

datosmex <- read_csv("mexico2024.csv")

## Rows: 32 Columns: 6
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (1): Estado
## dbl (5): Población, PIB per cápita, Esperanza de vida, Tasa de pobreza, Tasa...
## 
## 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.

#view(mexico2024)

Entender la base de datos

summary(datosmex)

##     Estado            Población      PIB per cápita   Esperanza de vida
##  Length:32          Min.   : 0.700   Min.   : 44387   Min.   :73.50    
##  Class :character   1st Qu.: 1.875   1st Qu.: 84672   1st Qu.:74.50    
##  Mode  :character   Median : 3.050   Median :118147   Median :75.00    
##                     Mean   : 3.947   Mean   :133393   Mean   :75.00    
##                     3rd Qu.: 4.975   3rd Qu.:151772   3rd Qu.:75.53    
##                     Max.   :17.400   Max.   :481697   Max.   :76.50    
##  Tasa de pobreza Tasa de alfabetización
##  Min.   :13.30   Min.   :86.50         
##  1st Qu.:28.20   1st Qu.:94.42         
##  Median :35.25   Median :96.50         
##  Mean   :37.54   Mean   :95.61         
##  3rd Qu.:46.20   3rd Qu.:97.85         
##  Max.   :67.40   Max.   :99.00

Escalar la base de datos

datos_pobmex <- datosmex
datos_pobmex1 <- subset(datos_pobmex, select= c(Estado, Población))

#datos_esc1 <- datos
#datos_esc1 <- subset(datos_esc1, select = -target)
#datos_esc1 <- scale(datos_esc1)

Generar los segmentos

#grupos <- 3 #Se buscar el número óptimo de grupos o clusters
#segmentos2 <- kmeans(datos_pobmex1,grupos)

Asignar grupos a los datos

#asignacion2 <- cbind(datos_pobmex,cluster= segmentos2$mexico_clusters)

Graficar el cluster

#fviz_cluster(segmentos2, data = datos_pobmex)

Unir Mapa con Datos

#mexico_clusters <- left_join(mexico, datosmex, by= c("name" = "Estado"))
#ggplot(mexico_clusters)+
#  geom_sf(aes(fill = mexico_clusters),color = "black") +
#  scale_fill_manual(values = c("green", "yellow", "red")) +
#  labs(title = "clusters de Población por Estado en México") + 
#  theme_minimal()