Se utiliza el marco geoestadístico de 2020. El diccionario es:
CVE_ENT Clave de entidad federativa
NOM_ENT Nombre de entidad federativa
CVE_MUN Clave del municipio
NOM_MUN Nombre del municipio
POB_TOT Población total
ANALF Porcentaje de población analfabeta de 15 años o más
SBASC Porcentaje de población de 15 años o más sin educación básica
OVSDE Porcentaje de ocupantes en viviendas particulares habitadas sin drenaje ni excusado
OVSEE Porcentaje de ocupantes en viviendas particulares habitadas sin energía eléctrica
OVSAE Porcentaje de ocupantes en viviendas particulares habitadas sin agua entubada
OVPT Porcentaje de ocupantes en viviendas particulares habitadas con piso de tierra
VHAC Porcentaje de viviendas particulares con hacinamiento
PL.5000 Porcentaje de población que vive en localidades menores a 5 000 habitantes
PO2SM Porcentaje de población ocupada con ingresos de hasta 2 salarios mínimos
IM_2020 Índice de marginación, 2020
GM_2020 Grado de marginación, 2020
IMN_2020 Índice de marginación normalizado, 2020
library(tidyverse)library(readxl)base <-read_excel("datos3/IMM_2020.xls", sheet ="IMM_2020") %>% janitor::clean_names() # para convertir nombres de variables a minúsculas y homogeneizarstr(base)
Vamos a hacer un joint con la base que contiene la información geográfica. Leemos los datos en formato shp
library(sf)entidad <-read_sf("datos3/marco_geo_2020/edo.shp")municipio <-read_sf("datos3/gad/gadm41_MEX_2.shp") # no coincide con el número de municipios
joint de las bases: Hacemos un mapa de población total por entidad
pob_entidad <- base %>%group_by(cve_ent, nom_ent) %>%summarise(poblacion =sum(pob_tot)) %>%ungroup() %>%arrange(desc(poblacion))plot(entidad)
Reproyectar es cambiar la escala de los valores.
final <-left_join(x = entidad, y = pob_entidad, by =c("CVE_ENT"="cve_ent"))final2 <-st_transform(final, 4326) # convierte a grados
