Sesión 3 - Limpieza y transformación de datos

1. Cargar la base y revisar estructura

library(readr)
library(dplyr)
library(tidyr)
library(stringr)

# Cargar base (ajusta ruta si es necesario)
poblacion <- read_csv("poblacion.csv")

# Revisar estructura general
summary(poblacion)

2. Renombrar variables para facilitar el análisis

# Renombrar columnas clave con nombres más legibles

#rename

3. Re-codificar variables categóricas con case_when()

# Re-codificar variable de sexo

#mutate y case_when

4. Crear nuevas variables

# Crear una variable binaria para educación superior

#ifelse

5. Manejo de valores faltantes

# Identificar variables con muchos NA

#colSums y is.na

# Eliminar filas donde falta la edad

#filter e is.na

# Confirmar que ya no hay NA en edad

#anyNA

6. Pivotear datos (si aplica)

# Convertir columnas a filas (long)

#pivot_longer

7. Ejercicio práctico

• Filtra personas de entre 18 y 25 años.

• Crea una nueva variable llamada joven (1 si tiene 18–25 años, 0 si no).

• Recodifica nivel_educativo a texto.

• Elimina NA en nivel educativo.

8. Cierre

# Guardar como CSV o Excel

#write_csv
#write_xlsx

¡Listo!

En esta sesión aprendiste a:

• Renombrar variables para facilitar el análisis.

• Recodificar variables categóricas con case_when().

• Crear nuevas variables con mutate() y if_else().

• Identificar y manejar valores faltantes.

• Preparar los datos para análisis posteriores.

• Usar funciones de transformación como pivot_longer() para reorganizar información.

En la siguiente sesión, trabajaremos en análisis exploratorio de datos, donde aprenderás a calcular estadísticas descriptivas por grupo, detectar patrones y tendencias en los datos.