Análisis Exploratorio de Datos
Camilo Andrés Morales Flores, Rubén Saiz López, Juan José Martínez Aguiló, Mateo Vilar Cano e Isaac Herranz Blasco
2025-05-29
Lectura de datos y librerias
Vamos a leer las librerias necesarias para seguir con el análisis de datos y las bases sobre las que vamos a trabajar.
Muestra de datos
Se muestran los datos originales sobre los que vamos a trabajar.
Análisis de calidad
Descarte de variables
Antes de empezar con el análisis de datos ya sabemos que vamos a descartar unas variables de la base de datos que no interesan como son: DATAFLOW, LAST_UPDATE, freq, unit, OBS_FLAG y CONF_STATUS
Tipo de variables
Describimos de qué tipo son las variables de cada base de datos
Lo mostramos en estas tablas:
Análisis Exploratorio
Distribución de valores
Se analizan las variables numéricas de ambas bases de datos con las
variables ya seleccionadas.( Se empieza con el resumen básico que
muestra la distribución de los datos (media, mediana, cuartiles…)
Variables numéricas de IE:
Para IE, solo tenemos dos variables numéricas que son el periodo de
tiempo y el OBS_VALUE que indica el valor de la transacción. Vemos que
tenemos valores faltantes en el valor de las transacciones. Observando
que el valor de la media es superior al tercer cuartil, deducimos que la
distribución de las transacciones están sesgadas a la izquierda (más
transacciones de menor valor), para comprobarlo vamos a realizar un
gráfico box and whisker y un histograma:
Analizando las gráficas se confirman las observaciones.
Variables Numéricas de PIB:
Observando los valores de la media y del tercer cuartil vemos que se repite el mismo fenómeno en ambas bases de datos, cuanto mayor es el valor de la transacción, menor es la frecuencia, es decir, está sesgada a la izquierda, con más cantidad de datos de menor valor. Lo vamos a comprobar con un box and whisker y un histograma:
Se confirman las observaciones con ambas gráficas que muestran una mayor frecuencia de los datos cuando las transacciones son de menor valor.
Valores Faltantes
Vamos a observar los valores faltantes de la base de datos IE por cada variable tanto en cantidad como en porcentaje sobre el total.
Observamos que solo hay valores faltantes en la variable obs_value,
en concreto 320, que es un 0.44% sobre el total. Como la variable que
queremos estudiar es esta, no nos interesa mantener las observaciones
sobre las cuales no tenemos esa información, más adelante tras analizar
la base de datos PIB, eliminaremos aquellas observaciones en las que no
se tenga información en la variable OBS_VALUE.
Ahora vamos a observar los valores faltantes de la base de datos
PIB:
En esta base de datos encontramos 6309 casos faltantes únicamente en la variable OBS_VALUE, aunque pueda parecer una cantidad excesiva es únicamente el 0.81 % del total, como se repite la situación en la que es esta la variable que queremos estudiar, vamos a eliminar aquellas observaciones en las que no se tenga esta información.
Eliminación Valores Faltantes
Partiendo de que no nos interesan aquellas filas en las que falte aparezcan valores faltantes, debido a que la carencia de información en alguna de todas las variables, la observación no nos sirve. Se eliminan todas las filas en las que falte cualquier tipo de información.
Indices de Libertad
Lecutra de datos
Base de datos independiente de las anteriores que añadiremos al estudio para correlacionar las políticas del país con su rendimiento económico. A esta base de datos le sustituiremos los valores nulos por 0, no eliminaremos información de paises por los valores faltantes.
Se muestra la base de datos original:
Tratado valores faltantes
Se añaden 0 a los valores faltantes, y mostramos la cabecera del resultado.
Exportación Bases de Datos
Antes de seguir con el estudio, se guarda la base de datos modificada con la que se sigue en formato xlsx.
Commodities
Se vuelve a cambiar de base de datos y ahora trataremos la que muestra los datos de exportación e importación de cada país. La utilizaremos para comprobar si el índice de libertad, y el PIB tiene relación con el nivel de importaciones y exportaciones.
Lectura de Bases de datos
Se empieza con la lectura de las bases de datos.
Tratado de variables
Se empieza a borrar aquellas variables que tenemos claro que queremos descartar, que son: ‘comm_code’, ‘quantity_name’, ‘quantity’ y ‘flow’.
Filtrado de casos
De la información otorgada por esta base de datos, solo nos informa de cada país por específico, por eso eliminamos los casos de ‘EU-28’, y el de la suma de todos las commodities ‘ALL COMMODITIES’.
OBJETIVO 1:
• Evaluar la correlación entre los países importadores y exportadores de estos productos clave, buscando patrones de dependencia y relaciones comerciales significativas
Este gráfico muestra cómo se relacionan los valores de exportación entre diferentes países a lo largo del tiempo. Para ello, calculamos la correlación entre las series anuales de exportaciones de cada país.
A simple vista, la mayoría de las correlaciones son altas, lo que podría indicar que todos los países exportan de manera parecida. Sin embargo, esta semejanza no significa necesariamente que los países estén conectados comercialmente, sino que todos han seguido una tendencia general de crecimiento en el comercio internacional, especialmente desde los años 90
library(factoextra)
# Dendrograma_cruzado_de exportadores con factoextra
fviz_dend(hc_exp,
k = 4,
cex = 0.6,
lwd = 0.8,
k_colors = c("#D73027", "#4575B4", "#1A9850", "#FDAE61"), # Colores suaves
rect = TRUE,
rect_border = "white",
rect_fill = TRUE,
main = "Dendrograma cruzado: Exportadores (correlación con importadores)")
# Dendrograma cruzado de importadores con factoextra
fviz_dend(hc_imp,
k = 4,
cex = 0.6,
lwd = 0.8,
k_colors = c("#D73027", "#4575B4", "#1A9850", "#FDAE61"),
rect = TRUE,
rect_border = "white",
rect_fill = TRUE,
main = "Dendrograma cruzado: Importadores (correlación con exportadores)")
# Unir cluster cruzado a los datos
COMEXP_cruzado <- COMEXP_summary_clustered %>%
left_join(df_clusters_exp_cross, by = c("country_or_area" = "Exportador"))
# Renombrar para trabajar limpio
COMEXP_cruzado <- COMEXP_cruzado %>%
rename(Cluster_Exportador = Cluster_Exportador.y)
# Evolución media por cluster (exportadores cruzados)
COMEXP_cruzado %>%
group_by(year, Cluster_Exportador) %>%
summarise(media_export = mean(trade_usd, na.rm = TRUE), .groups = "drop") %>%
ggplot(aes(x = year, y = media_export, color = factor(Cluster_Exportador))) +
geom_line(size = 1.2) +
labs(title = "Evolución promedio de exportaciones (cluster cruzado)",
y = "Exportaciones promedio (USD)", x = "Año", color = "Cluster cruzado") +
theme_minimal(base_size = 12)
# Boxplot por cluster cruzado
COMEXP_cruzado %>%
ggplot(aes(x = factor(Cluster_Exportador), y = trade_usd)) +
geom_boxplot(fill = "lightblue") +
scale_y_log10() +
labs(title = "Distribución de exportaciones (cluster cruzado)",
x = "Cluster cruzado", y = "Exportaciones (escala log)") +
theme_minimal(base_size = 12)
# Tabla resumen exportadores
resumen_clusters_export <- COMEXP_cruzado %>%
group_by(Cluster_Exportador, country_or_area) %>%
summarise(total_promedio = mean(trade_usd, na.rm = TRUE), .groups = "drop") %>%
group_by(Cluster_Exportador) %>%
summarise(
`Nº de países` = n(),
`Media (USD)` = round(mean(total_promedio, na.rm = TRUE)),
`Mínimo (USD)` = round(min(total_promedio, na.rm = TRUE)),
`Máximo (USD)` = round(max(total_promedio, na.rm = TRUE)),
`Desviación estándar` = round(sd(total_promedio, na.rm = TRUE))
)
print(resumen_clusters_export)## # A tibble: 4 × 6
## Cluster_Exportador `Nº de países` `Media (USD)` `Mínimo (USD)` `Máximo (USD)`
## <int> <int> <dbl> <dbl> <dbl>
## 1 1 14 4989925471 31224456 63232197397
## 2 2 20 250679447 37059409 946595926
## 3 3 11 399591711 15704803 1132202758
## 4 4 9 393447535 36492532 1178913776
## # ℹ 1 more variable: `Desviación estándar` <dbl>cat("\n📌 Conclusión exportadores:\n")##
## 📌 Conclusión exportadores:cat("El análisis agrupó a los países exportadores en 4 clusters cruzados según su relación con importadores.\n\n")## El análisis agrupó a los países exportadores en 4 clusters cruzados según su relación con importadores.cat("• El cluster con mayor volumen medio es el ",
resumen_clusters_export$Cluster_Exportador[which.max(resumen_clusters_export$`Media (USD)`)],
" con ",
format(resumen_clusters_export$`Media (USD)`[which.max(resumen_clusters_export$`Media (USD)`)], big.mark = ","),
" USD de media.\n", sep="")## • El cluster con mayor volumen medio es el 1 con 4,989,925,471 USD de media.cat("• El cluster más bajo es el ",
resumen_clusters_export$Cluster_Exportador[which.min(resumen_clusters_export$`Media (USD)`)],
", reflejando países con baja presencia exportadora.\n", sep="")## • El cluster más bajo es el 2, reflejando países con baja presencia exportadora.cat("• La desviación estándar muestra cuán homogéneos o diversos son los países dentro de cada grupo.\n")## • La desviación estándar muestra cuán homogéneos o diversos son los países dentro de cada grupo.# Unir cluster cruzado a los datos
COMIMP_cruzado <- COMIMP_summary_clustered %>%
left_join(df_clusters_imp_cross, by = c("country_or_area" = "Importador"))
# Renombrar limpio
COMIMP_cruzado <- COMIMP_cruzado %>%
rename(Cluster_Importador = Cluster_Importador.y)
# Evolución media por cluster (importadores cruzados)
COMIMP_cruzado %>%
group_by(year, Cluster_Importador) %>%
summarise(media_import = mean(total_import, na.rm = TRUE), .groups = "drop") %>%
ggplot(aes(x = year, y = media_import, color = factor(Cluster_Importador))) +
geom_line(size = 1.2) +
labs(title = "Evolución promedio de importaciones (cluster cruzado)",
y = "Importaciones promedio (USD)", x = "Año", color = "Cluster cruzado") +
theme_minimal(base_size = 12)
# Boxplot por cluster cruzado
COMIMP_cruzado %>%
ggplot(aes(x = factor(Cluster_Importador), y = total_import)) +
geom_boxplot(fill = "lightgreen") +
scale_y_log10() +
labs(title = "Distribución de importaciones (cluster cruzado)",
x = "Cluster cruzado", y = "Importaciones (escala log)") +
theme_minimal(base_size = 12)
# Tabla resumen importadores
resumen_clusters_import <- COMIMP_cruzado %>%
group_by(Cluster_Importador, country_or_area) %>%
summarise(total_promedio = mean(total_import, na.rm = TRUE), .groups = "drop") %>%
group_by(Cluster_Importador) %>%
summarise(
`Nº de países` = n(),
`Media (USD)` = round(mean(total_promedio, na.rm = TRUE)),
`Mínimo (USD)` = round(min(total_promedio, na.rm = TRUE)),
`Máximo (USD)` = round(max(total_promedio, na.rm = TRUE)),
`Desviación estándar` = round(sd(total_promedio, na.rm = TRUE))
)
print(resumen_clusters_import)## # A tibble: 4 × 6
## Cluster_Importador `Nº de países` `Media (USD)` `Mínimo (USD)` `Máximo (USD)`
## <int> <int> <dbl> <dbl> <dbl>
## 1 1 15 495889199048 46502083394 1624033632052
## 2 2 12 159709735835 35658798393 413521839657
## 3 3 20 447042464610 38473112570 2329871358662
## 4 4 8 182773877149 28967688292 530546501882
## # ℹ 1 more variable: `Desviación estándar` <dbl>cat("\n📌 Conclusión importadores:\n")##
## 📌 Conclusión importadores:cat("El análisis agrupó a los países importadores en 4 clusters cruzados según su relación con exportadores.\n\n")## El análisis agrupó a los países importadores en 4 clusters cruzados según su relación con exportadores.cat("• El cluster con mayor volumen medio es el ",
resumen_clusters_import$Cluster_Importador[which.max(resumen_clusters_import$`Media (USD)`)],
" con ",
format(resumen_clusters_import$`Media (USD)`[which.max(resumen_clusters_import$`Media (USD)`)], big.mark = ","),
" USD de media.\n", sep="")## • El cluster con mayor volumen medio es el 1 con 495,889,199,048 USD de media.cat("• El cluster más bajo es el ",
resumen_clusters_import$Cluster_Importador[which.min(resumen_clusters_import$`Media (USD)`)],
", reflejando países con menor peso en el comercio internacional.\n", sep="")## • El cluster más bajo es el 2, reflejando países con menor peso en el comercio internacional.cat("• La desviación estándar ayuda a evaluar la homogeneidad dentro de cada cluster.\n")## • La desviación estándar ayuda a evaluar la homogeneidad dentro de cada cluster.# === Librerías necesarias ===
library(dplyr)
library(ggplot2)
library(factoextra)
# === Paso 1: Calcular promedios totales por país ===
# Promedio exportaciones
prom_export <- COMEXP_summary %>%
group_by(country_or_area) %>%
summarise(media_export = mean(trade_usd, na.rm = TRUE))
# Promedio importaciones
prom_import <- COMIMP_summary %>%
group_by(country_or_area) %>%
summarise(media_import = mean(total_import, na.rm = TRUE))
# Unión de ambas
datos_promedios <- as.data.frame(inner_join(prom_export, prom_import, by = "country_or_area"))
rownames(datos_promedios) <- datos_promedios$country_or_area
# === Paso 2: Clustering jerárquico ===
datos_promedios_scaled <- scale(datos_promedios[, c("media_export", "media_import")])
dist_promedios <- dist(datos_promedios_scaled)
hc_promedios <- hclust(dist_promedios, method = "ward.D2")
# Asignar clusters y convertir a factor
datos_promedios$Cluster_Promedio <- factor(cutree(hc_promedios, k = 4), levels = 1:4)
# === Paso 3: Definir paleta fija de colores para ambos gráficos ===
colores_fijos <- c(
"4" = "#984EA3", # morado
"1" = "#E41A1C", # rojo
"3" = "#4DAF4A", # verde
"2" = "#377EB8" # azul
)
# === Paso 4: Dendrograma con colores fijos ===
fviz_dend(hc_promedios, k = 4, rect = TRUE,
main = "Dendrograma - Clustering por promedios",
k_colors = colores_fijos,
cex = 0.7)
# === Paso 5: Gráfico de dispersión con los mismos colores ===
ggplot(datos_promedios, aes(x = media_import, y = media_export, color = Cluster_Promedio)) +
geom_point(size = 3) +
scale_color_manual(values = colores_fijos) +
labs(title = "Clustering cruzado (Promedios totales)",
x = "Importaciones medias (USD)",
y = "Exportaciones medias (USD)",
color = "Cluster") +
theme_minimal()
# === Paso 6: Tabla resumen por cluster ===
resumen_clusters_cross <- datos_promedios %>%
group_by(Cluster_Promedio) %>%
summarise(
`Nº de países` = n(),
`Media Export (USD)` = round(mean(media_export, na.rm = TRUE)),
`Media Import (USD)` = round(mean(media_import, na.rm = TRUE)),
`Ratio Exp/Imp` = round(mean(media_export / media_import, na.rm = TRUE), 2),
`Desviación total` = round(sd(rowMeans(cbind(media_export, media_import)), na.rm = TRUE))
)
print(resumen_clusters_cross)## # A tibble: 4 × 6
## Cluster_Promedio `Nº de países` `Media Export (USD)` `Media Import (USD)`
## <fct> <int> <dbl> <dbl>
## 1 1 57 1047505813 144808256584
## 2 2 10 558111951 906406572191
## 3 3 2 2285036742 2304894184045
## 4 4 1 63232197397 323952942782
## # ℹ 2 more variables: `Ratio Exp/Imp` <dbl>, `Desviación total` <dbl># Librerías necesarias
library(dplyr)
library(tidyr)
library(ggplot2)
library(factoextra)
# === Paso 1: Calcular variaciones porcentuales anuales ===
# EXPORTACIONES
delta_export <- COMEXP %>%
mutate(trade_usd = as.numeric(trade_usd),
year = as.numeric(year)) %>%
group_by(country_or_area) %>%
arrange(year) %>%
mutate(delta = (trade_usd - lag(trade_usd)) / lag(trade_usd)) %>%
filter(!is.na(delta)) %>%
summarise(var_export = mean(delta, na.rm = TRUE), .groups = "drop")
# IMPORTACIONES
delta_import <- COMIMP %>%
mutate(trade_usd = as.numeric(trade_usd),
year = as.numeric(year)) %>%
group_by(country_or_area) %>%
arrange(year) %>%
mutate(delta = (trade_usd - lag(trade_usd)) / lag(trade_usd)) %>%
filter(!is.na(delta)) %>%
summarise(var_import = mean(delta, na.rm = TRUE), .groups = "drop")
# === Paso 2: Unión y clustering jerárquico ===
datos_var <- inner_join(delta_export, delta_import, by = "country_or_area")
rownames(datos_var) <- datos_var$country_or_area
# Escalar y clusterizar
datos_var_scaled <- scale(datos_var[, c("var_export", "var_import")])
dist_var <- dist(datos_var_scaled)
hc_var <- hclust(dist_var, method = "ward.D2")
# ✅ Convertir en dendrograma CON ETIQUETAS DE PAÍSES
dend_var <- as.dendrogram(hc_var)
labels(dend_var) <- rownames(datos_var)[order.dendrogram(dend_var)]
# Añadir clusters
datos_var$Cluster_Variacion <- factor(cutree(hc_var, k = 4), levels = 1:4)
# === Paso 3: Paleta fija de colores
colores_fijos <- c("1" = "#984EA3", "2" = "#E41A1C", "3" = "#4DAF4A", "4" = "#377EB8")
# === Paso 4: Dendrograma con nombres de países
fviz_dend(dend_var, k = 4, rect = TRUE,
main = "Dendrograma - Clustering por variación anual",
k_colors = colores_fijos,
cex = 0.65)
# === Paso 5: Dispersión export/import
ggplot(datos_var, aes(x = var_import, y = var_export, color = Cluster_Variacion)) +
geom_point(size = 3) +
scale_color_manual(values = colores_fijos) +
labs(title = "Clustering cruzado (Variación anual promedio)",
x = "Importaciones (% promedio anual)",
y = "Exportaciones (% promedio anual)",
color = "Cluster") +
theme_minimal()
# === Paso 6: Tabla resumen
resumen_clusters_var <- datos_var %>%
group_by(Cluster_Variacion) %>%
summarise(
`Nº de países` = n(),
`Media Var. Export` = round(mean(var_export, na.rm = TRUE), 3),
`Media Var. Import` = round(mean(var_import, na.rm = TRUE), 3),
`Ratio Var Exp/Imp` = round(mean(var_export / var_import, na.rm = TRUE), 2),
`Desviación total` = round(sd(rowMeans(cbind(var_export, var_import)), na.rm = TRUE))
)
print(resumen_clusters_cross)## # A tibble: 4 × 6
## Cluster_Promedio `Nº de países` `Media Export (USD)` `Media Import (USD)`
## <fct> <int> <dbl> <dbl>
## 1 1 57 1047505813 144808256584
## 2 2 10 558111951 906406572191
## 3 3 2 2285036742 2304894184045
## 4 4 1 63232197397 323952942782
## # ℹ 2 more variables: `Ratio Exp/Imp` <dbl>, `Desviación total` <dbl>