datos <- read.csv("datos_MOLEC_clean.csv", stringsAsFactors = FALSE)
cat("Filas:", nrow(datos), " Columnas:", ncol(datos), "\n")
## Filas: 9986 Columnas: 8
print(names(datos))
## [1] "year" "nivel_aprobado" "condicion_actividad"
## [4] "libros_origen" "internet_motivo" "no_lectura_motivo"
## [7] "libros_gasto_num" "libros_leidos_12m_num"
str(datos)
## 'data.frame': 9986 obs. of 8 variables:
## $ year : int 2020 2020 2020 2020 2020 2020 2020 2020 2020 2020 ...
## $ nivel_aprobado : int 2 3 3 7 6 3 6 3 2 2 ...
## $ condicion_actividad : int 1 7 1 1 7 1 1 1 1 8 ...
## $ libros_origen : int 2 0 0 2 2 0 0 0 0 2 ...
## $ internet_motivo : chr "4" "4" "0" "4" ...
## $ no_lectura_motivo : chr "0" "0" "3" "0" ...
## $ libros_gasto_num : int 0 0 0 0 0 0 0 0 0 0 ...
## $ libros_leidos_12m_num: int 1 0 0 2 2 0 0 0 0 1 ...
porc_nulos <- sapply(datos, function(x) mean(is.na(x))*100)
print(round(porc_nulos, 2))
## year nivel_aprobado condicion_actividad
## 0 0 0
## libros_origen internet_motivo no_lectura_motivo
## 0 0 0
## libros_gasto_num libros_leidos_12m_num
## 0 0
dup_count <- sum(duplicated(datos))
cat("Duplicados:", dup_count, "\n")
## Duplicados: 6154
datos <- datos[!duplicated(datos), ]
es_texto <- sapply(datos, is.character)
datos[es_texto] <- lapply(datos[es_texto], function(x) trimws(tolower(x)))
if ("nivel" %in% names(datos)) datos$nivel[datos$nivel %in% c(99)] <- NA
if ("p7_3" %in% names(datos)) datos$p7_3[datos$p7_3 %in% c(0, 999999)] <- NA
if ("p4" %in% names(datos)) datos$p4[datos$p4 == 0] <- NA
#write.csv(datos, "datos_limpios.csv", row.names = FALSE)
diccionario <- data.frame(
variable = names(datos),
tipo = sapply(datos, function(x) class(x)[1]),
porc_nulos = round(colMeans(is.na(datos)) * 100, 2),
stringsAsFactors = FALSE
)
desc <- c(
year = "Año del dato.",
nivel_aprobado = "Nivel de escolaridad. ¿Hasta qué año o grado aprobó en la escuela?.",
condicion_actividad = "Condición de actividad: ¿La semana pasada...?",
libros_origen = "¿El (Los) libro(s) que leyó fue(ron) ...? (provenientes de).",
internet_motivo = "Motivo principal por el que leyó páginas de internet, foros o blogs.",
no_lectura_motivo = "Motivo principal por el que no lee los materiales de lectura mencionados.",
libros_gasto_num = "Aproximadamente, ¿cuánto gastó?",
libros_leidos_12m_num = "¿Cuántos libros leyó en los últimos doce meses?"
)
View(diccionario)
diccionario$descripcion <- desc[diccionario$variable]
diccionario$descripcion[is.na(diccionario$descripcion)] <- ""
#write.csv(diccionario, "diccionario_variables.csv", row.names = FALSE)
tabla <- datos[,c(2,7,8)]
nums <- Filter(is.numeric, tabla)
res_num <- t(sapply(nums, function(x) c(
n = sum(!is.na(x)),
media = mean(x, na.rm=TRUE),
mediana = median(x, na.rm=TRUE),
min = min(x, na.rm=TRUE),
max = max(x, na.rm=TRUE),
rango_medio = (min(x, na.rm=TRUE) + max(x, na.rm=TRUE))/2,
sd = sd(x, na.rm=TRUE),
coef_var = ifelse(mean(x,na.rm=TRUE)==0, NA, sd(x,na.rm=TRUE)/mean(x,na.rm=TRUE)),
q25 = quantile(x, .25, na.rm=TRUE),
q75 = quantile(x, .75, na.rm=TRUE)
)))
round(res_num, 3)
## n media mediana min max rango_medio sd
## nivel_aprobado 3832 5.554 6 0 99 49.5 6.936
## libros_gasto_num 3832 6660.278 0 0 999999 499999.5 78904.063
## libros_leidos_12m_num 3832 3.178 2 0 99 49.5 5.964
## coef_var q25.25% q75.75%
## nivel_aprobado 1.249 3 7
## libros_gasto_num 11.847 0 300
## libros_leidos_12m_num 1.877 0 4
cats <- datos[,c(1,3,4,5,6)]
res_cat <- lapply(cats, function(v){
tb <- table(v, useNA="ifany")
list(freq = tb, prop = round(prop.table(tb), 4))
})
res_cat
## $year
## $year$freq
## v
## 2020 2021 2022 2023 2024
## 750 787 791 758 746
##
## $year$prop
## v
## 2020 2021 2022 2023 2024
## 0.1957 0.2054 0.2064 0.1978 0.1947
##
##
## $condicion_actividad
## $condicion_actividad$freq
## v
## 1 2 3 4 5 6 7 8 9 10 99
## 1927 48 87 189 31 297 748 424 32 48 1
##
## $condicion_actividad$prop
## v
## 1 2 3 4 5 6 7 8 9 10 99
## 0.5029 0.0125 0.0227 0.0493 0.0081 0.0775 0.1952 0.1106 0.0084 0.0125 0.0003
##
##
## $libros_origen
## $libros_origen$freq
## v
## 0 1 2 3
## 985 537 892 1418
##
## $libros_origen$prop
## v
## 0 1 2 3
## 0.2570 0.1401 0.2328 0.3700
##
##
## $internet_motivo
## $internet_motivo$freq
## v
## 0 1 2 3 4 5 otro
## 1796 328 281 721 636 37 33
##
## $internet_motivo$prop
## v
## 0 1 2 3 4 5 otro
## 0.4687 0.0856 0.0733 0.1882 0.1660 0.0097 0.0086
##
##
## $no_lectura_motivo
## $no_lectura_motivo$freq
## v
## 0 1 2 3 4 5 otro
## 3329 128 95 123 28 110 19
##
## $no_lectura_motivo$prop
## v
## 0 1 2 3 4 5 otro
## 0.8687 0.0334 0.0248 0.0321 0.0073 0.0287 0.0050
library(tidyverse)
## Warning: package 'ggplot2' was built under R version 4.4.3
## Warning: package 'purrr' was built under R version 4.4.3
## Warning: package 'lubridate' was built under R version 4.4.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.2 ✔ 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(forcats)
library(scales)
## Warning: package 'scales' was built under R version 4.4.3
##
## Adjuntando el paquete: 'scales'
##
## The following object is masked from 'package:purrr':
##
## discard
##
## The following object is masked from 'package:readr':
##
## col_factor
theme_set(theme_minimal(base_size = 12))
datos <- datos %>% mutate(
year = as.integer(year),
lee_algo = libros_leidos_12m_num > 0
)
datos %>%
filter(year %in% c(2020, 2022, 2024)) %>%
group_by(year) %>%
summarise(prom_libros = mean(libros_leidos_12m_num, na.rm = TRUE), .groups = "drop") %>%
ggplot(aes(year, prom_libros)) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
geom_text(aes(label = round(prom_libros, 2)),
vjust = -0.6, size = 3) +
scale_y_continuous(expand = expansion(mult = c(0.02, 0.12))) +
labs(title = "Promedio de libros leídos por año",
x = "Año", y = "Libros (promedio)")
datos %>%
filter(year %in% c(2020, 2022, 2024)) %>%
group_by(year) %>%
summarise(pct_lee = mean(lee_algo, na.rm = TRUE)) %>%
ggplot(aes(year, pct_lee)) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
geom_text(aes(label = round(pct_lee, 4)),
vjust = -0.6, size = 3) +
scale_y_continuous(labels = percent_format(accuracy = 1.2)) +
labs(title = "% que leyó ≥1 libro en los últimos 12 meses",
x = "Año", y = "Porcentaje")
# 3) Motivos para leer en internet (barras horizontales, ordenado)
datos <- datos %>%
filter(year %in% c(2020, 2022, 2024)) %>%
mutate(internet_motivo = recode(as.character(internet_motivo),
"1" = "Trabajo",
"2" = "Estudio",
"3" = "Cultura General/estar al día",
"4" = "Gusto/entretenimiento",
.default = "Otro"
))
datos %>%
filter(!is.na(internet_motivo)) %>%
count(internet_motivo, sort = TRUE) %>%
mutate(internet_motivo = fct_reorder(internet_motivo, n)) %>%
ggplot(aes(x = internet_motivo, y = n, fill=internet_motivo)) +
geom_text(aes(label = round(n, 4)),
vjust = -0.6, size = 3) +
geom_col() +
coord_flip() +
labs(title = "Motivos para leer en internet",
x = NULL, y = "Frecuencia")
datos <- datos %>%
filter(year %in% c(2020, 2022, 2024)) %>%
mutate(no_lectura_motivo = recode(as.character(no_lectura_motivo),
"1" = "Falta interés/gusto",
"2" = "Prefiere otras actividades",
"3" = "Falta de tiempo",
"4" = "Falta de dinero",
"5" = "Problemas de salud",
"6" = "otro",
.default = "pase"
))
datos %>%
filter(!is.na(no_lectura_motivo)) %>%
count(no_lectura_motivo, sort = TRUE) %>%
mutate(no_lectura_motivo = fct_reorder(no_lectura_motivo, n)) %>%
ggplot(aes(x = no_lectura_motivo, y = n, fill= no_lectura_motivo)) +
geom_text(aes(label = round(n, 4)),
vjust = -0.6, size = 3) +
geom_col() +
coord_flip() +
labs(title = "Motivos para NO leer",
x = NULL, y = "Frecuencia")
datos %>%
filter(no_lectura_motivo != "pase") %>%
count(no_lectura_motivo) %>%
mutate(no_lectura_motivo = fct_reorder(no_lectura_motivo, n)) %>%
ggplot(aes(no_lectura_motivo, n, fill = no_lectura_motivo)) +
geom_text(aes(label = round(n, 4)),
vjust = -0.6, size = 3) +
geom_col() + coord_flip() +
labs(title = "Motivos para NO leer (sin ‘Otro’)", x = NULL, y = "Frecuencia")
datos %>%
filter(!is.na(internet_motivo), !is.na(year)) %>%
group_by(year, internet_motivo) %>%
summarise(n = n(), .groups = "drop") %>%
group_by(year) %>%
mutate(p = n / sum(n)) %>%
ggplot(aes(x = factor(year), y = p, fill = internet_motivo)) +
geom_text(aes(label = round(n, 4)),
vjust = -0.6, size = 3) +
geom_col() +
scale_y_continuous(labels = percent_format()) +
labs(title = "% de motivos para leer internet por año",
x = "Año", y = "Proporción", fill = "Motivo") +
guides(fill = guide_legend(ncol = 2))
datos <- datos %>%
mutate(libros_origen = recode(as.character(libros_origen),
"1" = "Comprados",
"2" = "Prestados",
"3" = "Biblioteca",
"4" = "Digital",
.default = "Otro"
))
datos %>%
filter(!is.na(libros_origen)) %>%
count(libros_origen, sort = TRUE) %>%
mutate(libros_origen = fct_reorder(libros_origen, n)) %>%
ggplot(aes(libros_origen, n,fill=libros_origen)) +
geom_text(aes(label = round(n, 4)),
vjust = -0.6, size = 3) +
geom_col() +
coord_flip() +
labs(title = "Origen de los libros leídos", x = NULL, y = "Frecuencia")
datos %>%
filter(!is.na(libros_origen)) %>%
mutate(libros_origen = fct_infreq(libros_origen)) %>%
ggplot(aes(x = libros_origen, y = libros_leidos_12m_num,fill=libros_origen)) +
geom_col() +
coord_flip() +
labs(title = "Libros leídos por origen", x = NULL, y = "Libros en 12 meses")
datos <- datos %>%
mutate(nivel_aprobado = recode(as.character(nivel_aprobado),
"0" = "Ninguno",
"1" = "Preescolar",
"2" = "Primaria",
"3" = "Secundaria",
"4" = "Preparatoria",
"5" = "Normal básica",
"6" = "Carrera técnica",
"7" = "Profesional",
"8" = "Maestría",
"9" = "Doctorado",
"99" = "No sabe",
.default = "Otro"
))
datos %>%
filter(!is.na(nivel_aprobado)) %>%
mutate(nivel_aprobado = fct_infreq(nivel_aprobado)) %>%
ggplot(aes(nivel_aprobado, libros_leidos_12m_num,fill=nivel_aprobado)) +
geom_text(aes(label = round(libros_leidos_12m_num, 4)),
vjust = -0.6, size = 3) +
geom_col() +
coord_flip() +
labs(title = "Libros leídos por nivel educativo",
x = "Nivel aprobado", y = "Libros en 12 meses")
cor.test(datos$libros_gasto_num, datos$libros_leidos_12m_num, use="complete.obs")
##
## Pearson's product-moment correlation
##
## data: datos$libros_gasto_num and datos$libros_leidos_12m_num
## t = -0.27761, df = 2285, p-value = 0.7813
## alternative hypothesis: true correlation is not equal to 0
## 95 percent confidence interval:
## -0.04678427 0.03518896
## sample estimates:
## cor
## -0.005807411
cor.test(datos$libros_gasto_num, datos$libros_leidos_12m_num, method="spearman", use="complete.obs")
## Warning in cor.test.default(datos$libros_gasto_num,
## datos$libros_leidos_12m_num, : Cannot compute exact p-value with ties
##
## Spearman's rank correlation rho
##
## data: datos$libros_gasto_num and datos$libros_leidos_12m_num
## S = 1265241221, p-value < 2.2e-16
## alternative hypothesis: true rho is not equal to 0
## sample estimates:
## rho
## 0.3653619
datos%>%
group_by(year) %>%
summarise(rho = cor(libros_gasto_num, libros_leidos_12m_num,
method="spearman", use="complete.obs"))
## # A tibble: 3 × 2
## year rho
## <int> <dbl>
## 1 2020 0.363
## 2 2022 0.338
## 3 2024 0.397
ggplot(datos, aes(x = libros_gasto_num, y = libros_leidos_12m_num)) +
geom_point(alpha=.25) +
scale_x_continuous(trans = "log1p") +
labs(title="Gasto vs Libros (escala log1p)", x="Gasto (log1p)", y="Libros en 12m")
datos <- datos %>%
mutate(condicion_actividad = recode(as.character(condicion_actividad),
"1" = "trabajo para obtener ingresos",
"2" = "trabajo sin pago",
"3" = "tenía trabajo",
"4" = "busca trabajo",
"5" = "espera de solicitud de trabajo",
"6" = "estudiante",
"7" = "quehaceres del hogar",
"8" = "jubilado(a)/pensionado(a)",
"9" = "incapacitado(a)",
"10" = "Otra situación",
"99" = "No especificado",
.default = "Otro"
))
datos %>%
filter(!is.na(condicion_actividad)) %>%
group_by(condicion_actividad) %>%
summarise(pct = mean(lee_algo, na.rm = TRUE)) %>%
mutate(condicion_actividad = fct_reorder(condicion_actividad, pct)) %>%
ggplot(aes(condicion_actividad, pct, fill=condicion_actividad)) +
geom_col() +
geom_text(aes(label = percent(pct, 1)), hjust = -0.05, size = 3.5) +
coord_flip(clip = "off") +
scale_y_continuous(labels = percent_format(), expand = expansion(mult = c(0, .1))) +
labs(title = "% que leyó ≥1 libro por condición de actividad",
x = NULL, y = "Porcentaje")
datos %>%
ggplot(aes(libros_leidos_12m_num)) +
geom_histogram(bins = 30) +
facet_wrap(~ year, scales = "free_y") +
labs(title = "Distribución de libros leídos por año",
x = "Libros en 12 meses", y = "Frecuencia")
datos %>%
filter(!is.na(libros_origen)) %>%
group_by(year, libros_origen) %>%
summarise(media = mean(libros_leidos_12m_num, na.rm = TRUE), .groups = "drop") %>%
ggplot(aes(x = factor(year), y = media, fill = libros_origen)) +
geom_text(aes(label = round(media, 4)),
vjust = -0.6, size = 3) +
geom_col(position = position_dodge(width = .75)) +
labs(title = "Libros promedio por año y origen",
x = "Año", y = "Libros (promedio)", fill = "Origen")
res_nivel <- datos%>%
group_by(nivel_aprobado) %>%
summarise(
n = n(),
pct_lee = mean(lee_algo, na.rm=TRUE)*100,
media_lectores = mean(libros_leidos_12m_num[lee_algo], na.rm=TRUE),
mediana_lectores = median(libros_leidos_12m_num[lee_algo], na.rm=TRUE)
)
res_nivel
## # A tibble: 11 × 5
## nivel_aprobado n pct_lee media_lectores mediana_lectores
## <chr> <int> <dbl> <dbl> <dbl>
## 1 Carrera técnica 194 66.0 3.05 2
## 2 Doctorado 35 91.4 10.6 4
## 3 Maestría 148 85.8 5.41 4
## 4 Ninguno 52 17.3 1.22 1
## 5 No sabe 10 0 NaN NA
## 6 Normal básica 36 50 3.5 2
## 7 Preescolar 2 0 NaN NA
## 8 Preparatoria 442 77.8 3.92 3
## 9 Primaria 236 58.5 3.46 2
## 10 Profesional 783 87.2 4.90 3
## 11 Secundaria 349 67.6 3.39 2
res_act <- datos %>%
group_by(condicion_actividad) %>%
summarise(
n = n(),
pct_lee = mean(lee_algo, na.rm=TRUE)*100,
media_lectores = mean(libros_leidos_12m_num[lee_algo], na.rm=TRUE),
mediana_lectores = median(libros_leidos_12m_num[lee_algo], na.rm=TRUE)
)
res_act
## # A tibble: 11 × 5
## condicion_actividad n pct_lee media_lectores mediana_lectores
## <chr> <int> <dbl> <dbl> <dbl>
## 1 No especificado 1 100 1 1
## 2 Otra situación 31 32.3 3.6 2
## 3 busca trabajo 91 47.3 3.65 3
## 4 espera de solicitud de trabajo 18 38.9 4.14 5
## 5 estudiante 178 88.8 5.04 3.5
## 6 incapacitado(a) 14 14.3 2 2
## 7 jubilado(a)/pensionado(a) 254 65.7 4.08 2
## 8 quehaceres del hogar 444 68.2 3.50 2
## 9 tenía trabajo 46 45.7 5.57 2
## 10 trabajo para obtener ingresos 1179 83.8 4.59 3
## 11 trabajo sin pago 31 48.4 3.27 3
ggplot(datos, aes(nivel_aprobado, libros_leidos_12m_num, fill=nivel_aprobado)) +
geom_boxplot(outlier.alpha=.3) + coord_flip() +
labs(title="Libros en 12m por nivel educativo", x=NULL, y="Libros en 12 meses")
ggplot(datos, aes(condicion_actividad, libros_leidos_12m_num,fill=condicion_actividad)) +
geom_boxplot(outlier.alpha=.3) + coord_flip() +
labs(title="Libros en 12m por condición de actividad", x=NULL, y="Libros en 12 meses")
datos %>%
group_by(nivel_aprobado) %>%
summarise(pct = mean(lee_algo, na.rm=TRUE)) %>%
ggplot(aes(fct_reorder(nivel_aprobado, pct), pct,fill=nivel_aprobado)) +
geom_col() +
geom_text(aes(label=percent(pct,1)), hjust=-0.05, size=3.5) +
coord_flip(clip="off") +
labs(title="% que leyó ≥1 libro por nivel educativo", x=NULL, y="Porcentaje")
datos %>%
group_by(condicion_actividad) %>%
summarise(pct = mean(lee_algo, na.rm=TRUE)) %>%
ggplot(aes(fct_reorder(condicion_actividad, pct), pct,fill=condicion_actividad)) +
geom_col() +
geom_text(aes(label=percent(pct,1)), hjust=-0.05, size=3.5) +
coord_flip(clip="off") +
labs(title="% que leyó ≥1 libro por condición de actividad", x=NULL, y="Porcentaje")
datos %>%
group_by(condicion_actividad) %>%
filter(condicion_actividad != "No especificado") %>%
summarise(pct = mean(lee_algo, na.rm=TRUE)) %>%
ggplot(aes(fct_reorder(condicion_actividad, pct), pct,fill=condicion_actividad)) +
geom_col() +
geom_text(aes(label=percent(pct,1)), hjust=-0.05, size=3.5) +
coord_flip(clip="off") +
labs(title="% que leyó ≥1 libro por condición de actividad", x=NULL, y="Porcentaje")
