TRATAMIENTO DATOS BANCO MUNDIAL

Descripción del procesamiento de datos del Banco Mundial (años 2022 y 2018)

Este bloque de código tiene como objetivo preparar dos bases de datos limpias y comparables a partir de indicadores socioeconómicos del Banco Mundial, para los años 2022 y 2018. El propósito es filtrar y estructurar los datos de manera que ambas bases compartan:

• Los mismos países

• Las mismas variables

Archivos utilizados:

• datosbancomundial.csv: base original con múltiples indicadores del año 2022.

• bmact.csv: contiene la versión filtrada y limpia de la base 2022, con solo los países y variables relevantes. Se utiliza como referencia para filtrar la base de 2018.

bmop.csv: base original con múltiples indicadores del año 2018.

Procesamiento de la base 2022 (datosbancomundial.csv)

• Carga y limpieza inicial Se cargan los datos y se reemplazan los valores “..” por NA. Luego, se conservan solo las columnas necesarias: código del país, nombre del indicador y el valor para el año 2022.

• Transformación de formato Se usa pivot_wider() para convertir los datos a formato ancho:

  • Filas = países

  • Columnas = variables (indicadores)

  • Celdas = valores del año 2022

• Filtrado por valores faltantes (NA) Se calcula el porcentaje de NA por fila y por columna.

• Se eliminan filas y columnas con más del 20% de datos faltantes

• Se generan reportes de porcentaje de NA en:

  • na_percentage_filas.xlsx (por fila)

  • porcentaje_na_por_columna.xlsx (por columna)

• Exportación de la base filtrada (2022) Se guarda como datos_filtrados_finales.csv, y se reutiliza luego como bmact.csv para filtrar la base 2018.

Procesamiento de la base 2018 (bmop.csv)

• Carga y limpieza inicial Se cargan los datos y se reemplazan los valores “..” por NA. Se conservan únicamente: código del país, nombre de la serie y valor del año 2018.

• Filtrado por países Se filtra la base 2018 para conservar solo los países presentes en bmact.csv (es decir, en la base 2022 filtrada).

• Limpieza y estandarización de nombres de variables Se limpian los nombres de las variables en ambas bases para facilitar el cruce:

• Se eliminan puntos, comas, paréntesis, símbolos y espacios redundantes.

• Se convierten a minúsculas.

• Se unifican términos (por ejemplo, “post secondary” → “postsecondary”, “working age” → “workingage”).

• Cruce y filtrado de variables Se identifican las variables que coinciden entre bmact (2022) y bmop (2018), y se filtran solo esas.

• Se transforma la base 2018 a formato ancho (con pivot_wider()) para tener un dataset comparable con la base 2022.

• Exportación de la base final (2018) Se guarda como datos_filtrados_finales2018.csv.

bmact = read.csv("datos_filtrados_finales.csv")


datos2= read.csv("bmop.csv") 

datos2$X2018..YR2018.[datos2$X2018..YR2018.==".."] = NA


length(unique(datos2$Series.Name))

## [1] 1510

datos2 = datos2[,c(2,3,5)]

datos2 = datos2 %>% rename(Valor = X2018..YR2018.)

# Nombres de las variables en bmact (asumiendo que son los nombres de columnas)
#variables_referencia <- names(bmact)[-1]  


# Países en bmact (asumiendo que la primera columna son países)
paises_referencia <- bmact$Country.Code 

datos2 <- datos2 %>%
  filter(Country.Code %in% paises_referencia)


# Eliminar puntos de los nombres de bmact
variables_bmact <- gsub("\\.", " ", names(bmact)[-1])  # quita los puntos y reemplaza por espacios

# También podés limpiar espacios duplicados
variables_bmact <- trimws(gsub("\\s+", " ", variables_bmact))


# Crear una versión limpia de los nombres en datos2
datos2$Serie_Limpia <- gsub("[()]", "", datos2$Series.Name)
datos2$Serie_Limpia <- gsub(",", "", datos2$Serie_Limpia)


unique(datos2$Serie_Limpia)[1:5]

## [1] "Access to clean fuels and technologies for cooking % of population"            
## [2] "Access to clean fuels and technologies for cooking rural % of rural population"
## [3] "Access to clean fuels and technologies for cooking urban % of urban population"
## [4] "Access to electricity % of population"                                         
## [5] "Access to electricity rural % of rural population"

# Comparar: ver coincidencias
intersect(variables_bmact, datos2$Serie_Limpia)

## [1] "Compulsory education duration years" "Fixed broadband subscriptions"      
## [3] "Mobile cellular subscriptions"       "Secure Internet servers"            
## [5] "Population ages 65 and above total"  "Population total"                   
## [7] "Preprimary education duration years"

limpiar_texto <- function(x) {
  x %>%
    tolower() %>%                                     # minúsculas
    gsub("(?<=\\w)\\s+s\\b", "s", ., perl = TRUE) %>% # arreglar 's sueltos
    gsub("[$+'%(),-]", "", .) %>%                     # quitar $, +, ', %, (, ), , y -
    gsub("(?<=\\d)\\s(?=\\d)", "", ., perl = TRUE) %>%# quitar espacios entre dígitos
    gsub("\\s+", " ", .) %>%                          # colapsar múltiples espacios
    trimws() %>%                                      # quitar espacios extremos
    gsub("post secondary", "postsecondary", .) %>%    # unir post secondary
    gsub("working age", "workingage", .)              # unir working age
}




datos2$Serie_Limpia <- limpiar_texto(datos2$Serie_Limpia)
variables_bmact <- limpiar_texto(variables_bmact)

var = intersect(variables_bmact, datos2$Serie_Limpia)
setdiff(variables_bmact, var)

## character(0)

datos_filtrados <- datos2 %>%
  filter(Serie_Limpia %in% variables_bmact)
View(datos_filtrados)
datos_finales <- datos_filtrados %>%
  select(Country.Code, Serie_Limpia, Valor) %>%  # Solo las necesarias
  pivot_wider(names_from = Serie_Limpia, values_from = Valor)

write.csv(datos_filtrado, "datos_filtrados_finales2018.csv", row.names = FALSE)