CARGAR LA BASE DE DATOS
library(readr)
inmuebles <- read.csv("C:/Users/carab/Downloads/Inmuebles_Disponibles_Para_La_Venta_20250518.csv.bz2")
PREGUNTAS DE ANALISIS 1
nrow(inmuebles)
## [1] 448
ncol(inmuebles)
## [1] 12
sapply(inmuebles, class)
## Codigo Ciudad Departamento
## "integer" "character" "character"
## Barrio Direccion Area.Terreno
## "character" "character" "integer"
## Area.Construida Detalle.Disponibilidad Estrato
## "integer" "character" "character"
## Precio Tipo.de.Inmueble Datos.Adicionales
## "numeric" "character" "character"
PUNTO 2: VALORES NULOS Y DUPLICADOS
colSums(is.na(inmuebles))
## Codigo Ciudad Departamento
## 0 0 0
## Barrio Direccion Area.Terreno
## 0 0 0
## Area.Construida Detalle.Disponibilidad Estrato
## 0 0 0
## Precio Tipo.de.Inmueble Datos.Adicionales
## 0 0 0
colMeans(is.na(inmuebles))*100
## Codigo Ciudad Departamento
## 0 0 0
## Barrio Direccion Area.Terreno
## 0 0 0
## Area.Construida Detalle.Disponibilidad Estrato
## 0 0 0
## Precio Tipo.de.Inmueble Datos.Adicionales
## 0 0 0
AVERIGUACION DE REGISTROS DUPLICADOS
sum(duplicated(inmuebles))
## [1] 0
PUNTO 3: DEPURACION DE DATOS
options(scipen = 999)
boxplot(inmuebles$Precio,
main = "distribucion del Precio",
ylab = "Precio en pesos",
col = "blue",
outline = TRUE)
boxplot(inmuebles$Area.Construida,
main = "distribucion del area construida",
ylab = "area en metros",
col = "purple",
outline = TRUE)
boxplot(inmuebles$Area.Terreno,
main = "distribucion del area de terreno",
ylab = "area en metros",
col = "pink",
outline = TRUE)
ANALISIS DESCRIPTIVO 4.
library(ggplot2)
ggplot(inmuebles, aes(x = Precio)) +
geom_histogram(bins = 30, fill = "skyblue", color = "black") +
labs(title = "Distribución del Precio de los Inmuebles",
x = "Precio (en pesos)", y = "Frecuencia") +
theme_minimal()
AVERIGUAMOS LA DISTRIBUCION DE PRECIOS
library(e1071)
skewness(inmuebles$Precio, na.rm = TRUE)
## [1] 7.256093
AVERIGUAMOS EL INMUEBLE MAS COMUN
library(tidyverse)
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ stringr 1.5.1
## ✔ forcats 1.0.0 ✔ 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
library(ggplot2)
ggplot(inmuebles, aes(x = Tipo.de.Inmueble)) +
geom_bar(fill = "steelblue") +
labs(title = "Tipo de Inmueble", y = "Frecuencia") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1))
ESTADISTICAS CLAVES.
library(dplyr)
inmuebles %>%
summarise(across(c(Precio, Codigo, Area.Construida, Area.Terreno), list(media=mean),
na.rm = TRUE))
## Warning: There was 1 warning in `summarise()`.
## ℹ In argument: `across(...)`.
## Caused by warning:
## ! The `...` argument of `across()` is deprecated as of dplyr 1.1.0.
## Supply arguments directly to `.fns` through an anonymous function instead.
##
## # Previously
## across(a:b, mean, na.rm = TRUE)
##
## # Now
## across(a:b, \(x) mean(x, na.rm = TRUE))
## Precio_media Codigo_media Area.Construida_media Area.Terreno_media
## 1 9372905838386 17680.2 11551.53 1619546
DESVIACION ESTANDAR.
inmuebles %>%
summarise(
across(
c(Precio, Codigo, Area.Construida, Area.Terreno),
sd,
na.rm = TRUE
)
)
## Precio Codigo Area.Construida Area.Terreno
## 1 38179638410195 2542.956 128517.7 18588576
CUARTILES
summary(inmuebles[, c("Precio", "Codigo", "Area.Terreno", "Area.Construida")])
## Precio Codigo Area.Terreno
## Min. : 0 Min. : 2330 Min. : 0
## 1st Qu.: 125725000000 1st Qu.:18129 1st Qu.: 0
## Median : 165205000000 Median :18292 Median : 0
## Mean : 9372905838390 Mean :17680 Mean : 1619546
## 3rd Qu.: 1861440000000 3rd Qu.:18472 3rd Qu.: 0
## Max. :452337898200000 Max. :19353 Max. :321719700
## Area.Construida
## Min. : 0
## 1st Qu.: 0
## Median : 0
## Mean : 11552
## 3rd Qu.: 0
## Max. :2272400
TABLAS DE FRECUENCIAS.
lapply(inmuebles[c("Ciudad", "Departamento", "Barrio")], table)
## $Ciudad
##
## AGUAZUL ANGOSTURA
## 3 1
## ARMERO BARRANQUILLA
## 2 14
## BITUIMA BOGOTA
## 1 34
## BOLIVAR - CAUCA BUGA
## 1 5
## CALI CALIMA EL DARIEN
## 7 10
## CARMEN DE BOLIVAR CARTAGENA
## 1 3
## CAUCASIA CHIA
## 1 2
## CUCUTA CURITI
## 9 1
## DAGUA EL AGUILA
## 1 1
## EL PLAYON EL ROSAL
## 1 1
## ENVIGADO FUNZA
## 1 1
## GIRARDOT IBAGUE
## 4 1
## LA CALERA LA DORADA
## 1 1
## LA VIRGINIA LOS PATIOS
## 1 1
## MADRID MANIZALES
## 1 13
## MARSELLA MEDELLIN
## 1 5
## MONTERIA PEREIRA
## 6 12
## PIEDRAS PUERTO LOPEZ
## 1 1
## RICAURTE SAN ANTONIO DEL TEQUENDAMA
## 1 2
## SANTANDER DE QUILICHAO SOATA
## 2 1
## SOGAMOSO TARAZA
## 1 1
## TENJO TIBU
## 1 1
## TURBO VILLA RICA
## 1 1
## VILLAVICENCIO YUMBO
## 285 1
##
## $Departamento
##
## ANTIOQUIA ATLÁNTICO BOLÍVAR BOYACÁ
## 10 14 4 2
## CALDAS CASANARE CAUCA CÓRDOBA
## 14 3 4 6
## CUNDINAMARCA META NORTE DE SANTANDER RISARALDA
## 49 286 11 14
## SANTANDER TOLIMA VALLE DEL CAUCA
## 2 4 25
##
## $Barrio
##
## AV 30 DE AGOSTO
## 389 10
## BELLAVISTA CENTRO
## 1 3
## CIUDADELA CHIPICHAPE CONDOMINIO CAMPESTRE MONACO
## 1 1
## CORREGIMIENTO EL CARMEN EL CENTRO
## 1 1
## EL HOYO EL PRADO
## 1 1
## GUACANDÁ JOSE MARIA CABAL
## 1 4
## LA CALERA PARQUE IND CAUCADESA
## 1 1
## PARQUE INDUSTRIAL CAUCADESA PRADOS DEL NORTE
## 1 4
## SANTA MATILDE SINAI
## 1 10
## SUBA TINTALA
## 1 1
## VEREDA CHAMBIMBAL VEREDA DE CAMBULAR
## 1 1
## VEREDA FONQUETA VEREDA PALERMO
## 1 10
## VILLA DEL SUR
## 1
AGRUPACIONES.
library(dplyr)
options(scipen = 999)
inmuebles%>%
group_by(Estrato)%>%summarise(Promedio_Precio = mean(Precio, na.rm = TRUE))
## # A tibble: 9 × 2
## Estrato Promedio_Precio
## <chr> <dbl>
## 1 CINCO 1.60e13
## 2 COMERCIAL 4.15e12
## 3 CUATRO 7.84e12
## 4 DOS 1.30e13
## 5 INDUSTRIAL 1.22e14
## 6 RURAL 3.08e13
## 7 SEIS 7.06e12
## 8 TRES 3.87e13
## 9 UNO 9.82e11
HALLAMOS EL PROMEDIO
inmuebles%>%
group_by(Ciudad)%>%summarise(Promedio_Precio = mean(Precio, na.rm = TRUE))
## # A tibble: 48 × 2
## Ciudad Promedio_Precio
## <chr> <dbl>
## 1 AGUAZUL 1.39e13
## 2 ANGOSTURA 2.46e13
## 3 ARMERO 4.73e12
## 4 BARRANQUILLA 4.88e12
## 5 BITUIMA 4.81e12
## 6 BOGOTA 5.27e13
## 7 BOLIVAR - CAUCA 7.38e12
## 8 BUGA 9.65e13
## 9 CALI 3.51e12
## 10 CALIMA EL DARIEN 2.19e13
## # ℹ 38 more rows
ANALISIS ESPACIAL GEOGRAFICO( SI NO HAY COORDENADAS)
library(dplyr)
library(ggplot2)
library(sf)
## Linking to GEOS 3.13.0, GDAL 3.10.1, PROJ 9.5.1; sf_use_s2() is TRUE
library(tmap)
Colombia <- st_read("C:/Users/carab/Downloads/SHP_MGN2021_COLOMBIA/MGN_2021_COLOMBIA/COLOMBIA/COLOMBIA.shp")
## Reading layer `COLOMBIA' from data source
## `C:\Users\carab\Downloads\SHP_MGN2021_COLOMBIA\MGN_2021_COLOMBIA\COLOMBIA\COLOMBIA.shp'
## using driver `ESRI Shapefile'
## Simple feature collection with 33 features and 9 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: -81.73562 ymin: -4.229406 xmax: -66.84722 ymax: 13.39473
## Geodetic CRS: MAGNA-SIRGAS
MAPAS Y GEOLOCALIZACION.
precio_por_dpto <- inmuebles %>%
group_by(Departamento) %>%
summarise(PrecioPromedio = mean(Precio, na.rm = TRUE))
mapa <- left_join(Colombia, precio_por_dpto, by = c("DPTO_CNMBR" = "Departamento"))
tm_shape(mapa) +
tm_polygons("PrecioPromedio",
title = "Precio promedio",
palette = "YlOrRd",
style = "quantile") +
tm_layout(main.title = "Mapa de precios por departamento en Colombia")
##
## ── tmap v3 code detected ───────────────────────────────────────────────────────
## [v3->v4] `tm_polygons()`: instead of `style = "quantile"`, use fill.scale =
## `tm_scale_intervals()`.
## ℹ Migrate the argument(s) 'style', 'palette' (rename to 'values') to
## 'tm_scale_intervals(<HERE>)'
## [v3->v4] `tm_polygons()`: migrate the argument(s) related to the legend of the
## visual variable `fill` namely 'title' to 'fill.legend = tm_legend(<HERE>)'
## [v3->v4] `tm_layout()`: use `tm_title()` instead of `tm_layout(main.title = )`
## [cols4all] color palettes: use palettes from the R package cols4all. Run
## `cols4all::c4a_gui()` to explore them. The old palette name "YlOrRd" is named
## "brewer.yl_or_rd"
## Multiple palettes called "yl_or_rd" found: "brewer.yl_or_rd", "matplotlib.yl_or_rd". The first one, "brewer.yl_or_rd", is returned.
##
## [plot mode] fit legend/component: Some legend items or map compoments do not
## fit well, and are therefore rescaled.
## ℹ Set the tmap option `component.autoscale = FALSE` to disable rescaling.
PATRONES GRAFICOS.
ggplot(inmuebles, aes(x = Ciudad, y = Precio)) +
geom_boxplot(fill = "skyblue", outlier.color = "purple") +
theme_minimal() +
labs(title = "Distribucion de precios por ciudad",
x = "Ciudad",
y = "Precio del inmueble") +
theme(axis.text.x = element_text(angle = 90, hjust = 1))
HALLAMOS LA VARIACION
sin_areaconstruida_en_cero <- inmuebles %>%
filter(Area.Construida > 0)
RELACIONES ENTRE VARIABLES.
numericas <- select_if(inmuebles, is.numeric) #creamos un data frame con solo variables numericas
correlaciones <- cor(numericas, use = "complete.obs")
correlaciones_con_precio <- sort(correlaciones["Precio", ], decreasing = TRUE)
correlaciones_con_precio
## Precio Area.Construida Area.Terreno Codigo
## 1.0000000 0.5621413 0.4701345 -0.3018968
ANALISIS MULTIVARIABLE.
library(ggplot2)
ggplot(inmuebles, aes(x = Estrato, y = Precio)) +
geom_jitter(width = 0.2, alpha = 0.5, color = "darkblue") +
facet_wrap(~ Tipo.de.Inmueble) +
labs(title = "Relacion entre Precio y Estrato por Tipo de Inmueble",
x = "Estrato",
y = "Precio en pesos") +
theme(axis.text.x = element_text(angle = 90, hjust = 1))
