Clusters individuales

Análisis de Clusters Individuales

Cargar y preparar los datos

# Paso 1. Paquetes
pkgs <- c("readxl","dplyr","stringr","ggplot2","factoextra")

# Verifica cuáles faltan
to_install <- pkgs[!(pkgs %in% rownames(installed.packages()))]

# Instala los que falten
if(length(to_install) > 0) install.packages(to_install)

# Carga los paquetes
library(readxl)
library(dplyr)

## 
## Adjuntando el paquete: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(stringr)
library(ggplot2)
library(factoextra)

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

Selección de variables para clustering

# 2A: detectar fila de encabezados
raw0 <- read_excel("D:\\Anton V2\\Downloads\\vmrc.xlsx", col_names = FALSE)

## New names:
## • `` -> `...1`
## • `` -> `...2`
## • `` -> `...3`
## • `` -> `...4`
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
## • `` -> `...8`
## • `` -> `...9`
## • `` -> `...10`
## • `` -> `...11`
## • `` -> `...12`
## • `` -> `...13`
## • `` -> `...14`
## • `` -> `...15`
## • `` -> `...16`
## • `` -> `...17`
## • `` -> `...18`
## • `` -> `...19`
## • `` -> `...20`
## • `` -> `...21`
## • `` -> `...22`

header_row <- which(apply(raw0, 1, function(r) any(grepl("ENTIDAD\\s*FEDERATIVA", r, TRUE))))[1]

# 2B: recargar con encabezado correcto
raw <- read_excel("D:\\Anton V2\\Downloads\\vmrc.xlsx", skip = header_row - 1)

## New names:
## • `` -> `...3`
## • `` -> `...5`
## • `` -> `...6`
## • `` -> `...7`
## • `` -> `...8`
## • `` -> `...10`
## • `` -> `...11`
## • `` -> `...12`
## • `` -> `...13`
## • `` -> `...15`
## • `` -> `...16`
## • `` -> `...17`
## • `` -> `...18`
## • `` -> `...20`
## • `` -> `...21`
## • `` -> `...22`

# normalizar nombres
nms <- names(raw)
nms <- iconv(nms, from = "", to = "ASCII//TRANSLIT")
nms <- str_replace_all(nms, "\\s+", "_")
nms <- str_to_lower(nms)
names(raw) <- nms

# quedarnos con Estado y Total
df <- raw %>%
  select(Estado = entidad_federativa, Total = total) %>%
  mutate(Estado = as.character(Estado),
         Total  = suppressWarnings(as.numeric(Total))) %>%
  filter(!is.na(Estado), !is.na(Total)) %>%
  filter(!grepl("^total$", Estado, TRUE),
         !grepl("estados\\s+unidos\\s+mexicanos", Estado, TRUE))

head(df)

## # A tibble: 6 × 2
##   Estado                Total
##   <chr>                 <dbl>
## 1 Aguascalientes       756781
## 2 Baja California     2404000
## 3 Baja California Sur  624470
## 4 Campeche             404759
## 5 Chiapas             1231890
## 6 Chihuahua           1879130

Escalamiento y normalización

variable_base <- "Total"   # no hay población en este archivo
x   <- scale(df[[variable_base]])
mat <- as.matrix(x)        # para factoextra y dist

Método de agrupamiento elegido

fviz_nbclust(mat, kmeans, method="wss") + ggtitle("Método del codo (WSS)")

fviz_nbclust(mat, kmeans, method="silhouette") + ggtitle("Coeficiente de silueta")

if (!exists("k_elegido")) k_elegido <- 3
k_elegido

## [1] 3

Formación de clusters individuales

set.seed(123)
km <- kmeans(mat, centers = k_elegido, nstart = 50)

df_km <- df %>% mutate(cluster_kmeans = factor(km$cluster))
km$centers

##         [,1]
## 1 -0.4435732
## 2  3.3224750
## 3  0.2966763

df_km %>% arrange(cluster_kmeans, .data[[variable_base]])

## # A tibble: 32 × 3
##    Estado               Total cluster_kmeans
##    <chr>                <dbl> <fct>         
##  1 Campeche            404759 1             
##  2 Colima              427510 1             
##  3 Nayarit             556713 1             
##  4 Baja California Sur 624470 1             
##  5 Tlaxcala            638165 1             
##  6 Hidalgo             707339 1             
##  7 Zacatecas           736225 1             
##  8 Aguascalientes      756781 1             
##  9 Durango             765038 1             
## 10 Tabasco             798316 1             
## # ℹ 22 more rows

Visualización de los clusters

df_plot <- df_km %>%
  arrange(.data[[variable_base]]) %>%
  mutate(Estado = factor(Estado, levels = Estado))

ggplot(df_plot, aes(x = Estado, y = .data[[variable_base]], fill = cluster_kmeans)) +
  geom_col() + coord_flip() +
  labs(title = "Total de vehículos por estado (clusters K-means)",
       x = "Estado", y = "Total de vehículos", fill = "Cluster") +
  theme_minimal()

ggplot(df_km, aes(x = cluster_kmeans, y = .data[[variable_base]], fill = cluster_kmeans)) +
  geom_boxplot(alpha=.85) +
  labs(title = "Distribución por cluster (K-means)",
       x = "Cluster", y = "Total de vehículos") +
  theme_minimal() + guides(fill="none")

# Checa el tamaño y si hay problemas de NA/duplicados
nrow(df); length(unique(df$Estado))

## [1] 32

## [1] 32

summary(df$Total)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##  404759  762974 1263658 1818728 1925416 9988109

sum(!is.finite(df$Total))

## [1] 0

head(df, 10)

## # A tibble: 10 × 2
##    Estado                 Total
##    <chr>                  <dbl>
##  1 Aguascalientes        756781
##  2 Baja California      2404000
##  3 Baja California Sur   624470
##  4 Campeche              404759
##  5 Chiapas              1231890
##  6 Chihuahua            1879130
##  7 Ciudad de México     6471738
##  8 Coahuila de Zaragoza 1257493
##  9 Colima                427510
## 10 Durango               765038

# Crear df_fix a partir de df
df_fix <- df   # o el nombre de tu dataset original

cat("Número de estados en df_fix:", nrow(df_fix), "\n")

## Número de estados en df_fix: 32

print(df_fix)

## # A tibble: 32 × 2
##    Estado                 Total
##    <chr>                  <dbl>
##  1 Aguascalientes        756781
##  2 Baja California      2404000
##  3 Baja California Sur   624470
##  4 Campeche              404759
##  5 Chiapas              1231890
##  6 Chihuahua            1879130
##  7 Ciudad de México     6471738
##  8 Coahuila de Zaragoza 1257493
##  9 Colima                427510
## 10 Durango               765038
## # ℹ 22 more rows

Interpretación de resultados

# 1) Usa el data frame correcto
df <- df_fix    # asegúrate de apuntar al df que sí tiene los 32 estados

# 2) Limpieza por si acaso
df <- df |>
  dplyr::filter(!is.na(Total), is.finite(Total)) |>
  dplyr::mutate(Estado = trimws(Estado)) |>
  dplyr::distinct(Estado, .keep_all = TRUE)

# 3) Verificación
cat("Filas válidas:", nrow(df), "\n")  # Debe ser >= 2 (ideal: 32)

## Filas válidas: 32

print(head(df, 10))

## # A tibble: 10 × 2
##    Estado                 Total
##    <chr>                  <dbl>
##  1 Aguascalientes        756781
##  2 Baja California      2404000
##  3 Baja California Sur   624470
##  4 Campeche              404759
##  5 Chiapas              1231890
##  6 Chihuahua            1879130
##  7 Ciudad de México     6471738
##  8 Coahuila de Zaragoza 1257493
##  9 Colima                427510
## 10 Durango               765038

# 4) Matriz 1-columna + nombres de fila
mat <- as.matrix(df$Total)
rownames(mat) <- df$Estado

# 5) Heatmap (solo clusteriza FILAS; no columnas)
if (!require(pheatmap)) install.packages("pheatmap")

## Cargando paquete requerido: pheatmap

library(pheatmap)

pheatmap(
  mat,
  scale = "column",                 # correcto para 1 variable
  cluster_rows = TRUE,              # dendrograma de estados
  cluster_cols = FALSE,             # no intentes clusterizar columnas (solo hay 1)
  clustering_method = "ward.D2",
  main = "Mapa de calor con dendrograma — Clustering jerárquico",
  color = colorRampPalette(c("blue","white","red"))(50),
  fontsize_row = 8
)

# Conclusiones del análisis

d  <- dist(mat, method = "euclidean")
hc <- hclust(d, method = "complete")
plot(hc, main = "Dendrograma - Clustering jerárquico", xlab = "Estados")
rect.hclust(hc, k = k_elegido, border = "red")

df_hc <- df %>% mutate(cluster_hclust = factor(cutree(hc, k = k_elegido)))
df_hc %>% arrange(cluster_hclust, .data[[variable_base]])

## # A tibble: 32 × 3
##    Estado               Total cluster_hclust
##    <chr>                <dbl> <fct>         
##  1 Campeche            404759 1             
##  2 Colima              427510 1             
##  3 Nayarit             556713 1             
##  4 Baja California Sur 624470 1             
##  5 Tlaxcala            638165 1             
##  6 Hidalgo             707339 1             
##  7 Zacatecas           736225 1             
##  8 Aguascalientes      756781 1             
##  9 Durango             765038 1             
## 10 Tabasco             798316 1             
## # ℹ 22 more rows