Arca Continental
Julio César Silva de la Rosa A00839147
2025-03-20
Contexto
Para Arca Continental, es vital que las tienditas de la esquina sigan existiendo ya que los mayores márgenes de ganancia en la venta de sus productos los obteneien a través de este canal.
Instalar paquetes y llamar librerias
#install.packages("tidyverse")
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.4 ✔ tidyr 1.3.1
## ✔ purrr 1.0.4
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors#install.packages("dplyr")
library(dplyr)
#install.packages("lubridate")
library(lubridate)
#install.packages("plyr")
library(plyr)## ------------------------------------------------------------------------------
## You have loaded plyr after dplyr - this is likely to cause problems.
## If you need functions from both plyr and dplyr, please load plyr first, then dplyr:
## library(plyr); library(dplyr)
## ------------------------------------------------------------------------------
##
## Adjuntando el paquete: 'plyr'
##
## The following objects are masked from 'package:dplyr':
##
## arrange, count, desc, failwith, id, mutate, rename, summarise,
## summarize
##
## The following object is masked from 'package:purrr':
##
## compact#install.packages("readxl")
library(readxl)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("forecast")
library(forecast)## Registered S3 method overwritten by 'quantmod':
## method from
## as.zoo.data.frame zooImportar la base de datos
# file.choose()
df <- read_excel("C:\\Users\\cesar\\Downloads\\Datos Arca Continental Original.xlsx")## Warning: Expecting numeric in N184066 / R184066C14: got a date## Warning: Expecting numeric in O184066 / R184066C15: got a date## Warning: Expecting numeric in P184066 / R184066C16: got a date## Warning: Expecting numeric in Q184066 / R184066C17: got a date## Warning: Expecting numeric in R184066 / R184066C18: got a date## Warning: Expecting numeric in S184066 / R184066C19: got a date## Warning: Expecting numeric in T184066 / R184066C20: got a date## Warning: Expecting numeric in U184066 / R184066C21: got a date## Warning: Expecting numeric in V184066 / R184066C22: got a date## Warning: Expecting numeric in W184066 / R184066C23: got a date## Warning: Expecting numeric in X184066 / R184066C24: got a date## Warning: Expecting numeric in Y184066 / R184066C25: got a dateEntender la base de datos
summary(df)## ID Año Territorio Sub Territorio
## Min. : 1 Min. :2016 Length:466509 Length:466509
## 1st Qu.:116628 1st Qu.:2017 Class :character Class :character
## Median :233255 Median :2018 Mode :character Mode :character
## Mean :233255 Mean :2018
## 3rd Qu.:349882 3rd Qu.:2019
## Max. :466509 Max. :2019
##
## CEDI Cliente Nombre Tamaño Cte Industria
## Length:466509 Length:466509 Length:466509 Length:466509
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Segmento Det Marca Presentacion Tamaño
## Length:466509 Length:466509 Length:466509 Length:466509
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Retornable_NR Enero Febrero Marzo
## Length:466509 Min. : -19.0 Min. : -11.00 Min. : -32.00
## Class :character 1st Qu.: 1.0 1st Qu.: 1.00 1st Qu.: 1.00
## Mode :character Median : 2.0 Median : 2.00 Median : 3.00
## Mean : 10.1 Mean : 9.76 Mean : 11.36
## 3rd Qu.: 6.0 3rd Qu.: 6.00 3rd Qu.: 6.00
## Max. :42736.0 Max. :42767.00 Max. :42795.00
## NA's :233480 NA's :231213 NA's :227420
## Abril Mayo Junio Julio
## Min. : -70.00 Min. : -106.00 Min. : -211.0 Min. : -60.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.0 1st Qu.: 1.00
## Median : 3.00 Median : 3.00 Median : 3.0 Median : 2.00
## Mean : 11.71 Mean : 12.75 Mean : 12.2 Mean : 11.75
## 3rd Qu.: 6.00 3rd Qu.: 7.00 3rd Qu.: 6.0 3rd Qu.: 6.00
## Max. :42826.00 Max. :42856.00 Max. :42887.0 Max. :42917.00
## NA's :224057 NA's :216910 NA's :215753 NA's :223411
## Agosto Septiembre Octubre Noviembre
## Min. : -211.00 Min. : -527.0 Min. : -38.0 Min. : -25.0
## 1st Qu.: 1.00 1st Qu.: 1.0 1st Qu.: 1.0 1st Qu.: 1.0
## Median : 3.00 Median : 3.0 Median : 3.0 Median : 3.0
## Mean : 11.98 Mean : 13.4 Mean : 13.7 Mean : 13.3
## 3rd Qu.: 6.00 3rd Qu.: 7.0 3rd Qu.: 7.0 3rd Qu.: 6.0
## Max. :42948.00 Max. :42979.0 Max. :43009.0 Max. :43040.0
## NA's :220242 NA's :337314 NA's :338386 NA's :338460
## Diciembre
## Min. : -28.0
## 1st Qu.: 1.0
## Median : 3.0
## Mean : 14.8
## 3rd Qu.: 7.0
## Max. :43070.0
## NA's :341855str(df)## tibble [466,509 × 25] (S3: tbl_df/tbl/data.frame)
## $ ID : num [1:466509] 1 2 3 4 5 6 7 8 9 10 ...
## $ Año : num [1:466509] 2016 2016 2016 2016 2016 ...
## $ Territorio : chr [1:466509] "Guadalajara" "Guadalajara" "Guadalajara" "Guadalajara" ...
## $ Sub Territorio : chr [1:466509] "Belenes" "Belenes" "Belenes" "Belenes" ...
## $ CEDI : chr [1:466509] "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" "Suc. Belenes" ...
## $ Cliente : chr [1:466509] "77737" "77737" "77737" "77737" ...
## $ Nombre : chr [1:466509] "ABARR" "ABARR" "ABARR" "ABARR" ...
## $ Tamaño Cte Industria: chr [1:466509] "Extra Grande" "Extra Grande" "Extra Grande" "Extra Grande" ...
## $ Segmento Det : chr [1:466509] "Agua Mineral" "Agua Purificada" "Agua Purificada" "Agua Saborizada" ...
## $ Marca : chr [1:466509] "Topo Chico A.M." "Ciel Agua Purificada" "Ciel Agua Purificada" "Ciel Exprim" ...
## $ Presentacion : chr [1:466509] "600 ml NR" "1 Ltro. N.R." "1.5 Lts. NR" "600 ml NR" ...
## $ Tamaño : chr [1:466509] "Individual" "Individual" "Individual" "Individual" ...
## $ Retornable_NR : chr [1:466509] "No Retornable" "No Retornable" "No Retornable" "No Retornable" ...
## $ Enero : num [1:466509] NA NA NA NA NA NA 1 NA 3 NA ...
## $ Febrero : num [1:466509] NA 2 NA NA NA NA NA 1 3 NA ...
## $ Marzo : num [1:466509] NA 8 3 NA NA 1 NA NA 4 NA ...
## $ Abril : num [1:466509] NA 4 6 NA NA NA NA 1 4 NA ...
## $ Mayo : num [1:466509] NA 4 3 NA NA NA 0 NA 4 NA ...
## $ Junio : num [1:466509] NA 2 3 NA NA NA NA 1 4 0 ...
## $ Julio : num [1:466509] NA 2 3 NA NA NA 0 NA 4 NA ...
## $ Agosto : num [1:466509] NA 2 3 NA NA NA NA 1 7 NA ...
## $ Septiembre : num [1:466509] NA 2 3 NA NA NA NA 1 4 NA ...
## $ Octubre : num [1:466509] NA 2 3 NA NA NA 0 NA 3 NA ...
## $ Noviembre : num [1:466509] NA 4 3 NA 0 NA NA NA 1 NA ...
## $ Diciembre : num [1:466509] 1 2 3 1 NA NA NA NA 3 NA ...head(df, n=10)## # A tibble: 10 × 25
## ID Año Territorio `Sub Territorio` CEDI Cliente Nombre
## <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 1 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 2 2 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 3 3 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 4 4 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 5 5 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 6 6 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 7 7 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 8 8 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 9 9 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## 10 10 2016 Guadalajara Belenes Suc. Belenes 77737 ABARR
## # ℹ 18 more variables: `Tamaño Cte Industria` <chr>, `Segmento Det` <chr>,
## # Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## # Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>,
## # Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## # Noviembre <dbl>, Diciembre <dbl>tail(df, n=10)## # A tibble: 10 × 25
## ID Año Territorio `Sub Territorio` CEDI Cliente Nombre
## <dbl> <dbl> <chr> <chr> <chr> <chr> <chr>
## 1 466500 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 2 466501 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 3 466502 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 4 466503 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 5 466504 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 6 466505 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 7 466506 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 8 466507 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 9 466508 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## 10 466509 2019 Guadalajara Huentitán Suc. Huentitán 4531 HECTO
## # ℹ 18 more variables: `Tamaño Cte Industria` <chr>, `Segmento Det` <chr>,
## # Marca <chr>, Presentacion <chr>, Tamaño <chr>, Retornable_NR <chr>,
## # Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>, Mayo <dbl>,
## # Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>, Octubre <dbl>,
## # Noviembre <dbl>, Diciembre <dbl>colnames(df) <- gsub(" ", "_", colnames(df))
dplyr::count(df,Territorio, sort=TRUE)## # A tibble: 2 × 2
## Territorio n
## <chr> <int>
## 1 Guadalajara 466508
## 2 Territorio 1dplyr::count(df,Sub_Territorio, sort=TRUE)## # A tibble: 4 × 2
## Sub_Territorio n
## <chr> <int>
## 1 Belenes 208982
## 2 Huentitán 144196
## 3 Toluquilla 113330
## 4 Sub Territorio 1dplyr::count(df,CEDI, sort=TRUE)## # A tibble: 4 × 2
## CEDI n
## <chr> <int>
## 1 Suc. Belenes 208982
## 2 Suc. Huentitán 144196
## 3 Suc. Toluquilla 113330
## 4 CEDI 1dplyr::count(df,Cliente, sort=TRUE)## # A tibble: 5,249 × 2
## Cliente n
## <chr> <int>
## 1 0286 647
## 2 2912 586
## 3 2661 537
## 4 7821 531
## 5 1859 525
## 6 5583 516
## 7 9998 508
## 8 3601 506
## 9 5879 499
## 10 0335 496
## # ℹ 5,239 more rowsdplyr::count(df,Nombre, sort=TRUE)## # A tibble: 1,090 × 2
## Nombre n
## <chr> <int>
## 1 ABARR 71186
## 2 MARIA 39816
## 3 JOSE 17479
## 4 JUAN 7580
## 5 MARTH 5759
## 6 MISCE 5700
## 7 LUIS 5585
## 8 SUPER 4565
## 9 CARLO 3991
## 10 ROSA 3890
## # ℹ 1,080 more rowsdplyr::count(df,Tamaño_Cte_Industria, sort=TRUE)## # A tibble: 5 × 2
## Tamaño_Cte_Industria n
## <chr> <int>
## 1 Extra Grande 230190
## 2 Micro 117110
## 3 Pequeño 77875
## 4 Grande 41333
## 5 Tamaño Cte Industria 1dplyr::count(df,Segmento_Det, sort=TRUE)## # A tibble: 21 × 2
## Segmento_Det n
## <chr> <int>
## 1 Sabores Regular 156242
## 2 Colas Regular 95720
## 3 Colas Light 43807
## 4 Jugos y Néctares 33362
## 5 Bebidas de Fruta 30641
## 6 Agua Purificada 20766
## 7 Agua Mineral 12590
## 8 Isotónicos Regular 11905
## 9 Té Regular 10062
## 10 Agua Saborizada 10056
## # ℹ 11 more rowsdplyr::count(df,Marca, sort=TRUE)## # A tibble: 56 × 2
## Marca n
## <chr> <int>
## 1 Coca-Cola 95720
## 2 Sprite 37925
## 3 Fanta 35728
## 4 Fresca 26435
## 5 Manzana Lift 25598
## 6 Coca-Cola Light 21926
## 7 Del Valle 21325
## 8 Ciel Agua Purificada 20766
## 9 Sidral Mundet 17150
## 10 Valle Frut 15808
## # ℹ 46 more rowsdplyr::count(df,Presentacion, sort=TRUE)## # A tibble: 57 × 2
## Presentacion n
## <chr> <int>
## 1 600 ml NR 74008
## 2 1 Ltro. N.R. 36930
## 3 2 Lts. NR 36415
## 4 500 ml Ret 35165
## 5 1.5 Lts. NR 30637
## 6 Lata 235 ml 24551
## 7 400 ml NR 22877
## 8 250 ml. NR PET 21735
## 9 500 ml NR Vidrio 18758
## 10 2.5 Lts. NR 13235
## # ℹ 47 more rowsdplyr::count(df,Tamaño, sort=TRUE)## # A tibble: 3 × 2
## Tamaño n
## <chr> <int>
## 1 Individual 328513
## 2 Familiar 137995
## 3 Tamaño 1dplyr::count(df,Retornable_NR, sort=TRUE)## # A tibble: 3 × 2
## Retornable_NR n
## <chr> <int>
## 1 No Retornable 403226
## 2 Retornable 63282
## 3 Retornable_NR 1Limpiar la base de datos
Técnica 1. Remover valores irrelevantes
df1 <- df
df1 <- df1[-184085, ]
summary(df1)## ID Año Territorio Sub_Territorio
## Min. : 1 Min. :2016 Length:466508 Length:466508
## 1st Qu.:116628 1st Qu.:2017 Class :character Class :character
## Median :233256 Median :2018 Mode :character Mode :character
## Mean :233255 Mean :2018
## 3rd Qu.:349882 3rd Qu.:2019
## Max. :466509 Max. :2019
##
## CEDI Cliente Nombre Tamaño_Cte_Industria
## Length:466508 Length:466508 Length:466508 Length:466508
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Segmento_Det Marca Presentacion Tamaño
## Length:466508 Length:466508 Length:466508 Length:466508
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Retornable_NR Enero Febrero Marzo
## Length:466508 Min. : -19.0 Min. : -11.00 Min. : -32.00
## Class :character 1st Qu.: 1.0 1st Qu.: 1.00 1st Qu.: 1.00
## Mode :character Median : 2.0 Median : 2.00 Median : 3.00
## Mean : 10.1 Mean : 9.76 Mean : 11.36
## 3rd Qu.: 6.0 3rd Qu.: 6.00 3rd Qu.: 6.00
## Max. :42736.0 Max. :42767.00 Max. :42795.00
## NA's :233480 NA's :231213 NA's :227420
## Abril Mayo Junio Julio
## Min. : -70.00 Min. : -106.00 Min. : -211.0 Min. : -60.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.0 1st Qu.: 1.00
## Median : 3.00 Median : 3.00 Median : 3.0 Median : 2.00
## Mean : 11.71 Mean : 12.75 Mean : 12.2 Mean : 11.75
## 3rd Qu.: 6.00 3rd Qu.: 7.00 3rd Qu.: 6.0 3rd Qu.: 6.00
## Max. :42826.00 Max. :42856.00 Max. :42887.0 Max. :42917.00
## NA's :224057 NA's :216910 NA's :215753 NA's :223411
## Agosto Septiembre Octubre Noviembre
## Min. : -211.00 Min. : -527.0 Min. : -38.0 Min. : -25.0
## 1st Qu.: 1.00 1st Qu.: 1.0 1st Qu.: 1.0 1st Qu.: 1.0
## Median : 3.00 Median : 3.0 Median : 3.0 Median : 3.0
## Mean : 11.98 Mean : 13.4 Mean : 13.7 Mean : 13.3
## 3rd Qu.: 6.00 3rd Qu.: 7.0 3rd Qu.: 7.0 3rd Qu.: 6.0
## Max. :42948.00 Max. :42979.0 Max. :43009.0 Max. :43040.0
## NA's :220242 NA's :337314 NA's :338385 NA's :338460
## Diciembre
## Min. : -28.0
## 1st Qu.: 1.0
## Median : 3.0
## Mean : 14.8
## 3rd Qu.: 7.0
## Max. :43070.0
## NA's :341855Técnica 2. Remover valores duplicados
# Cuantos renglones duplicados tenemos
sum(duplicated(df1))## [1] 0# Cuales son los renglones duplicados
df1[duplicated(df1),]## # A tibble: 0 × 25
## # ℹ 25 variables: ID <dbl>, Año <dbl>, Territorio <chr>, Sub_Territorio <chr>,
## # CEDI <chr>, Cliente <chr>, Nombre <chr>, Tamaño_Cte_Industria <chr>,
## # Segmento_Det <chr>, Marca <chr>, Presentacion <chr>, Tamaño <chr>,
## # Retornable_NR <chr>, Enero <dbl>, Febrero <dbl>, Marzo <dbl>, Abril <dbl>,
## # Mayo <dbl>, Junio <dbl>, Julio <dbl>, Agosto <dbl>, Septiembre <dbl>,
## # Octubre <dbl>, Noviembre <dbl>, Diciembre <dbl>Técnica 3. Eliminar errores tipograficos renglones duplicados
# Cantidades absolutas
df2 <- df1
df2$Enero <- abs(df2$Enero)
df2$Febrero <- abs(df2$Febrero)
df2$Marzo <- abs(df2$Marzo)
df2$Abril <- abs(df2$Abril)
df2$Mayo <- abs(df2$Mayo)
df2$Junio <- abs(df2$Junio)
df2$Julio <- abs(df2$Julio)
df2$Agosto <- abs(df2$Agosto)
df2$Septiembre <- abs(df2$Septiembre)
df2$Octubre <- abs(df2$Octubre)
df2$Noviembre <- abs(df2$Noviembre)
df2$Diciembre <- abs(df2$Diciembre)
summary(df2)## ID Año Territorio Sub_Territorio
## Min. : 1 Min. :2016 Length:466508 Length:466508
## 1st Qu.:116628 1st Qu.:2017 Class :character Class :character
## Median :233256 Median :2018 Mode :character Mode :character
## Mean :233255 Mean :2018
## 3rd Qu.:349882 3rd Qu.:2019
## Max. :466509 Max. :2019
##
## CEDI Cliente Nombre Tamaño_Cte_Industria
## Length:466508 Length:466508 Length:466508 Length:466508
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Segmento_Det Marca Presentacion Tamaño
## Length:466508 Length:466508 Length:466508 Length:466508
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## Retornable_NR Enero Febrero Marzo
## Length:466508 Min. : 0.0 Min. : 0.00 Min. : 0.00
## Class :character 1st Qu.: 1.0 1st Qu.: 1.00 1st Qu.: 1.00
## Mode :character Median : 2.0 Median : 2.00 Median : 3.00
## Mean : 10.1 Mean : 9.76 Mean : 11.36
## 3rd Qu.: 6.0 3rd Qu.: 6.00 3rd Qu.: 6.00
## Max. :42736.0 Max. :42767.00 Max. :42795.00
## NA's :233480 NA's :231213 NA's :227420
## Abril Mayo Junio Julio
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.00
## 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00 1st Qu.: 1.00
## Median : 3.00 Median : 3.00 Median : 3.00 Median : 2.00
## Mean : 11.71 Mean : 12.76 Mean : 12.21 Mean : 11.76
## 3rd Qu.: 6.00 3rd Qu.: 7.00 3rd Qu.: 6.00 3rd Qu.: 6.00
## Max. :42826.00 Max. :42856.00 Max. :42887.00 Max. :42917.00
## NA's :224057 NA's :216910 NA's :215753 NA's :223411
## Agosto Septiembre Octubre Noviembre
## Min. : 0.00 Min. : 0.0 Min. : 0.0 Min. : 0.0
## 1st Qu.: 1.00 1st Qu.: 1.0 1st Qu.: 1.0 1st Qu.: 1.0
## Median : 3.00 Median : 3.0 Median : 3.0 Median : 3.0
## Mean : 11.99 Mean : 13.4 Mean : 13.7 Mean : 13.4
## 3rd Qu.: 6.00 3rd Qu.: 7.0 3rd Qu.: 7.0 3rd Qu.: 6.0
## Max. :42948.00 Max. :42979.0 Max. :43009.0 Max. :43040.0
## NA's :220242 NA's :337314 NA's :338385 NA's :338460
## Diciembre
## Min. : 0.0
## 1st Qu.: 1.0
## Median : 3.0
## Mean : 14.8
## 3rd Qu.: 7.0
## Max. :43070.0
## NA's :341855Técnica 4. Convertir tipos de datos
# No aplicaTécnica 5. Reemplazar valores faltantes
# ¿Cuántos NAs tengo en la base de datos?
sum(is.na(df2))## [1] 3148500# ¿Cuántos NAs tengo por variable?
sapply(df2, function(x) sum(is.na(x)))## ID Año Territorio
## 0 0 0
## Sub_Territorio CEDI Cliente
## 0 0 0
## Nombre Tamaño_Cte_Industria Segmento_Det
## 0 0 0
## Marca Presentacion Tamaño
## 0 0 0
## Retornable_NR Enero Febrero
## 0 233480 231213
## Marzo Abril Mayo
## 227420 224057 216910
## Junio Julio Agosto
## 215753 223411 220242
## Septiembre Octubre Noviembre
## 337314 338385 338460
## Diciembre
## 341855# Opción 1. Borrrar todos los NAs de una tabla
# bd100 <- na.omit(bd)
# Opción 2. Remplazar los NAs con CEROS.
df3 <- df2
df3[is.na(df3)] <- 0
# Opción 3. Reemplazar los NAs con el PROMEDIO
# bd102 < bd
# bd102$PLU[is.na(bd102$PLU)]<- mean(bd102$PLU, na.rm=TRUE)Técnica 6. Correciones por métodos estadisticos
boxplot(df3$Enero, horizontal=TRUE)
boxplot(df3$Febrero, horizontal=TRUE)
boxplot(df3$Marzo, horizontal=TRUE)
boxplot(df3$Abril, horizontal=TRUE)
boxplot(df3$Mayo, horizontal=TRUE)
boxplot(df3$Junio, horizontal=TRUE)
LS0tDQp0aXRsZTogIkFyY2EgQ29udGluZW50YWwiDQphdXRob3I6ICJKdWxpbyBDw6lzYXIgU2lsdmEgZGUgbGEgUm9zYSBBMDA4MzkxNDciDQpkYXRlOiAiMjAyNS0wMy0yMCINCm91dHB1dDogDQogIGh0bWxfZG9jdW1lbnQ6DQogICAgdG9jOiBUUlVFDQogICAgdG9jX2Zsb2F0OiBUUlVFDQogICAgY29kZV9kb3dubG9hZDogVFJVRQ0KICAgIHRoZW1lOiAicGFwZXIiIA0KLS0tDQoNCiFbXShodHRwczovL2kuZ2lmZXIuY29tLzc3ZUcuZ2lmKQ0KDQojICoqQ29udGV4dG8qKg0KUGFyYSAqKkFyY2EgQ29udGluZW50YWwqKiwgIGVzIHZpdGFsIHF1ZSBsYXMgdGllbmRpdGFzIGRlIGxhIGVzcXVpbmEgc2lnYW4gZXhpc3RpZW5kbyB5YSBxdWUgbG9zIG1heW9yZXMgbcOhcmdlbmVzIGRlIGdhbmFuY2lhIGVuIGxhIHZlbnRhIGRlIHN1cyBwcm9kdWN0b3MgbG9zIG9idGVuZWllbiBhIHRyYXbDqXMgZGUgZXN0ZSBjYW5hbC4gDQoNCiMgKipJbnN0YWxhciBwYXF1ZXRlcyB5IGxsYW1hciBsaWJyZXJpYXMqKg0KYGBge3IgbWVzc2FnZT1UUlVFLCB3YXJuaW5nPVRSVUV9DQojaW5zdGFsbC5wYWNrYWdlcygidGlkeXZlcnNlIikNCmxpYnJhcnkodGlkeXZlcnNlKQ0KI2luc3RhbGwucGFja2FnZXMoImRwbHlyIikNCmxpYnJhcnkoZHBseXIpDQojaW5zdGFsbC5wYWNrYWdlcygibHVicmlkYXRlIikNCmxpYnJhcnkobHVicmlkYXRlKQ0KI2luc3RhbGwucGFja2FnZXMoInBseXIiKQ0KbGlicmFyeShwbHlyKQ0KI2luc3RhbGwucGFja2FnZXMoInJlYWR4bCIpDQpsaWJyYXJ5KHJlYWR4bCkNCiNpbnN0YWxsLnBhY2thZ2VzKCJnZ3Bsb3QyIikNCmxpYnJhcnkoZ2dwbG90MikNCiNpbnN0YWxsLnBhY2thZ2VzKCJmb3JlY2FzdCIpDQpsaWJyYXJ5KGZvcmVjYXN0KQ0KYGBgDQojICoqSW1wb3J0YXIgbGEgYmFzZSBkZSBkYXRvcyoqDQpgYGB7ciBtZXNzYWdlPVRSVUUsIHdhcm5pbmc9VFJVRX0NCiMgZmlsZS5jaG9vc2UoKQ0KZGYgPC0gcmVhZF9leGNlbCgiQzpcXFVzZXJzXFxjZXNhclxcRG93bmxvYWRzXFxEYXRvcyBBcmNhIENvbnRpbmVudGFsIE9yaWdpbmFsLnhsc3giKQ0KYGBgDQojICoqRW50ZW5kZXIgbGEgYmFzZSBkZSBkYXRvcyoqDQpgYGB7cn0NCnN1bW1hcnkoZGYpDQpzdHIoZGYpDQpoZWFkKGRmLCBuPTEwKQ0KdGFpbChkZiwgbj0xMCkNCmNvbG5hbWVzKGRmKSA8LSBnc3ViKCIgIiwgIl8iLCBjb2xuYW1lcyhkZikpDQpkcGx5cjo6Y291bnQoZGYsVGVycml0b3Jpbywgc29ydD1UUlVFKQ0KZHBseXI6OmNvdW50KGRmLFN1Yl9UZXJyaXRvcmlvLCBzb3J0PVRSVUUpDQpkcGx5cjo6Y291bnQoZGYsQ0VESSwgc29ydD1UUlVFKQ0KZHBseXI6OmNvdW50KGRmLENsaWVudGUsIHNvcnQ9VFJVRSkNCmRwbHlyOjpjb3VudChkZixOb21icmUsIHNvcnQ9VFJVRSkNCmRwbHlyOjpjb3VudChkZixUYW1hw7FvX0N0ZV9JbmR1c3RyaWEsIHNvcnQ9VFJVRSkNCmRwbHlyOjpjb3VudChkZixTZWdtZW50b19EZXQsIHNvcnQ9VFJVRSkNCmRwbHlyOjpjb3VudChkZixNYXJjYSwgc29ydD1UUlVFKQ0KZHBseXI6OmNvdW50KGRmLFByZXNlbnRhY2lvbiwgc29ydD1UUlVFKQ0KZHBseXI6OmNvdW50KGRmLFRhbWHDsW8sIHNvcnQ9VFJVRSkNCmRwbHlyOjpjb3VudChkZixSZXRvcm5hYmxlX05SLCBzb3J0PVRSVUUpDQpgYGANCg0KIyAqKkxpbXBpYXIgbGEgYmFzZSBkZSBkYXRvcyoqDQojIyAqVMOpY25pY2EgMS4gUmVtb3ZlciB2YWxvcmVzIGlycmVsZXZhbnRlcyoNCmBgYHtyfQ0KZGYxIDwtIGRmDQpkZjEgPC0gZGYxWy0xODQwODUsIF0NCnN1bW1hcnkoZGYxKQ0KYGBgDQojIyAqVMOpY25pY2EgMi4gUmVtb3ZlciB2YWxvcmVzIGR1cGxpY2Fkb3MqDQpgYGB7cn0NCiMgQ3VhbnRvcyByZW5nbG9uZXMgZHVwbGljYWRvcyB0ZW5lbW9zDQpzdW0oZHVwbGljYXRlZChkZjEpKQ0KDQojIEN1YWxlcyBzb24gbG9zIHJlbmdsb25lcyBkdXBsaWNhZG9zIA0KZGYxW2R1cGxpY2F0ZWQoZGYxKSxdDQpgYGANCg0KIyMgKlTDqWNuaWNhIDMuIEVsaW1pbmFyIGVycm9yZXMgdGlwb2dyYWZpY29zIHJlbmdsb25lcyBkdXBsaWNhZG9zKg0KYGBge3J9DQojIENhbnRpZGFkZXMgYWJzb2x1dGFzDQpkZjIgPC0gZGYxDQpkZjIkRW5lcm8gPC0gYWJzKGRmMiRFbmVybykNCmRmMiRGZWJyZXJvIDwtIGFicyhkZjIkRmVicmVybykNCmRmMiRNYXJ6byA8LSBhYnMoZGYyJE1hcnpvKQ0KZGYyJEFicmlsIDwtIGFicyhkZjIkQWJyaWwpDQpkZjIkTWF5byA8LSBhYnMoZGYyJE1heW8pDQpkZjIkSnVuaW8gPC0gYWJzKGRmMiRKdW5pbykNCmRmMiRKdWxpbyA8LSBhYnMoZGYyJEp1bGlvKQ0KZGYyJEFnb3N0byA8LSBhYnMoZGYyJEFnb3N0bykNCmRmMiRTZXB0aWVtYnJlIDwtIGFicyhkZjIkU2VwdGllbWJyZSkNCmRmMiRPY3R1YnJlIDwtIGFicyhkZjIkT2N0dWJyZSkNCmRmMiROb3ZpZW1icmUgPC0gYWJzKGRmMiROb3ZpZW1icmUpDQpkZjIkRGljaWVtYnJlIDwtIGFicyhkZjIkRGljaWVtYnJlKQ0Kc3VtbWFyeShkZjIpDQpgYGANCg0KIyMgKlTDqWNuaWNhIDQuIENvbnZlcnRpciB0aXBvcyBkZSBkYXRvcyoNCmBgYHtyfQ0KIyBObyBhcGxpY2ENCmBgYA0KDQojIyAqVMOpY25pY2EgNS4gUmVlbXBsYXphciB2YWxvcmVzIGZhbHRhbnRlcyoNCmBgYHtyfQ0KIyDCv0N1w6FudG9zIE5BcyB0ZW5nbyBlbiBsYSBiYXNlIGRlIGRhdG9zPw0Kc3VtKGlzLm5hKGRmMikpDQoNCiMgwr9DdcOhbnRvcyBOQXMgdGVuZ28gcG9yIHZhcmlhYmxlPw0Kc2FwcGx5KGRmMiwgZnVuY3Rpb24oeCkgc3VtKGlzLm5hKHgpKSkNCg0KIyBPcGNpw7NuIDEuIEJvcnJyYXIgdG9kb3MgbG9zIE5BcyBkZSB1bmEgdGFibGENCg0KIyBiZDEwMCA8LSBuYS5vbWl0KGJkKQ0KDQojIE9wY2nDs24gMi4gUmVtcGxhemFyIGxvcyBOQXMgY29uIENFUk9TLiANCg0KZGYzIDwtIGRmMg0KZGYzW2lzLm5hKGRmMyldIDwtIDANCg0KIyBPcGNpw7NuIDMuIFJlZW1wbGF6YXIgbG9zIE5BcyBjb24gZWwgUFJPTUVESU8NCg0KIyBiZDEwMiA8IGJkDQojIGJkMTAyJFBMVVtpcy5uYShiZDEwMiRQTFUpXTwtIG1lYW4oYmQxMDIkUExVLCBuYS5ybT1UUlVFKQ0KYGBgDQojIyAqVMOpY25pY2EgNi4gQ29ycmVjaW9uZXMgcG9yIG3DqXRvZG9zIGVzdGFkaXN0aWNvcyoNCmBgYHtyfQ0KYm94cGxvdChkZjMkRW5lcm8sIGhvcml6b250YWw9VFJVRSkNCmJveHBsb3QoZGYzJEZlYnJlcm8sIGhvcml6b250YWw9VFJVRSkNCmJveHBsb3QoZGYzJE1hcnpvLCBob3Jpem9udGFsPVRSVUUpDQpib3hwbG90KGRmMyRBYnJpbCwgaG9yaXpvbnRhbD1UUlVFKQ0KYm94cGxvdChkZjMkTWF5bywgaG9yaXpvbnRhbD1UUlVFKQ0KYm94cGxvdChkZjMkSnVuaW8sIGhvcml6b250YWw9VFJVRSkNCg0KYGBgDQo=