TABLAS

#Tema: Estadística Descriptiva
#Fecha: 21/11/2025
#Autor:Grupo1

#Carga de librerias
library(knitr)
library(kableExtra)

#Carga de datos
getwd()

## [1] "/cloud/project"

setwd("/cloud/project")
datos<- read.csv("china_water_pollution_data.csv",
                 header = TRUE,     sep=",", dec =  ".")
#Tablas Cualitativas Nominales
#PROVINCIA
Provincia <- datos$Province

TDF_provincia <- data.frame(table(Provincia))
ni <- TDF_provincia$Freq
hi <- round((ni / sum(ni)) * 100, 2)
Provincia <- TDF_provincia$Provincia
TDF_provincia <- data.frame(Provincia, ni, hi)
Sumatoria <- data.frame(Provincia = "TOTAL", ni = sum(ni), hi = sum(hi))

Tabla_provincia <- rbind(TDF_provincia, Sumatoria)
colnames(Tabla_provincia) <- c("Provincia", "ni", "hi(%)")

# Tabla
kable(Tabla_provincia, align = 'c', 
      caption = "Tabla N°1:Tabla de Distribución de Frecuencias de las Provincias
      de estudio de contaminación del agua en China en el año 2023") %>%
  kable_styling(full_width = FALSE, position = "center", 
                bootstrap_options = c("striped", "hover", "condensed"))

Tabla N°1:Tabla de Distribución de Frecuencias de las Provincias de estudio de contaminación del agua en China en el año 2023

Provincia	ni	hi(%)
Beijing	299	9.97
Guangdong	301	10.03
Henan	292	9.73
Hubei	292	9.73
Jiangsu	293	9.77
Shandong	300	10.00
Shanghai	312	10.40
Sichuan	311	10.37
Yunnan	296	9.87
Zhejiang	304	10.13
TOTAL	3000	100.00

#CIUDAD
Ciudad <- datos$City
# Tabla de distribución de frecuencia
TDF_ciudad <- data.frame(table(Ciudad))
ni <- TDF_ciudad$Freq
hi <- round((ni / sum(ni)) * 100, 2)
Ciudad <- TDF_ciudad$Ciudad
TDF_ciudad <- data.frame(Ciudad, ni, hi)
Sumatoria <- data.frame(Ciudad = "TOTAL", ni = sum(ni), hi = 100)
TDF_ciudad_suma <- rbind(TDF_ciudad, Sumatoria)
colnames(TDF_ciudad_suma) <- c("Ciudad", "ni", "hi(%)")


# Tabla
kable(TDF_ciudad_suma, align = 'c', 
      caption = "Tabla N°2: Tabla de Distribución de Frecuencias de 
      las Ciudades
      de estudio de contaminación del agua en China en el año 
      2023")%>%
  kable_styling(full_width = FALSE, position = "center", 
                bootstrap_options = c("striped", "hover", 
                                      "condensed"))

Tabla N°2: Tabla de Distribución de Frecuencias de las Ciudades de estudio de contaminación del agua en China en el año 2023

Ciudad	ni	hi(%)
Beijing	299	9.97
Chengdu	165	5.50
Dali	144	4.80
Guangzhou	146	4.87
Hangzhou	148	4.93
Jinan	160	5.33
Kunming	152	5.07
Luoyang	138	4.60
Mianyang	146	4.87
Nanjing	153	5.10
Ningbo	156	5.20
Qingdao	140	4.67
Shanghai	312	10.40
Shenzhen	155	5.17
Suzhou	140	4.67
Wuhan	154	5.13
Yichang	138	4.60
Zhengzhou	154	5.13
TOTAL	3000	100.00

#OBSERVACIONES
Observaciones <- datos$Remarks
# Tabla de distribución de frecuencia
TDF_observaciones <- data.frame(table(Observaciones))
ni <- TDF_observaciones$Freq
hi <- round((ni / sum(ni)) * 100, 2)
Observaciones <- TDF_observaciones$Observaciones
TDF_observaciones <- data.frame(Observaciones, ni, hi)
TDF_observaciones$Observaciones[TDF_observaciones$Observaciones 
                                     == ""]<- "-"

## Warning in `[<-.factor`(`*tmp*`, TDF_observaciones$Observaciones == "", :
## invalid factor level, NA generated

Sumatoria <- data.frame(Observaciones = "TOTAL", ni = sum(ni), hi = 
                          sum(hi))

TDF_observaciones_suma <- rbind(TDF_observaciones, Sumatoria)
colnames(TDF_observaciones_suma) <- c("Observaciones", "ni", "hi(%)")


# Tabla
kable(TDF_observaciones_suma, align = 'c', 
      caption = "Tabla N°3: Tabla de Distribuciónn de Frecuencias de 
      las Observaciones de estudio de contaminación del agua en China 
      en el año 2023") %>%
  kable_styling(full_width = FALSE, position = "center", 
                bootstrap_options = c("striped", "hover","condensed"))

Tabla N°3: Tabla de Distribuciónn de Frecuencias de las Observaciones de estudio de contaminación del agua en China en el año 2023

Observaciones	ni	hi(%)
NA	752	25.07
High pollution spike detected	780	26.00
Monitoring recommended	745	24.83
Requires attention	723	24.10
TOTAL	3000	100.00