Ciudad

#Tema: Estadística Descriptiva
#Fecha: 23/11/2025
#Autor:Anahi Sosa

#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 = ".")

#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(%)")
colnames(TDF_ciudad) <- c("Ciudad", "ni", "hi (%)")

# Tabla
kable(TDF_ciudad_suma, align = 'c', 
      caption = "Tabla N°1: 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°1: 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

# Se agrupo en regiones debido a la cantidad de valores que toma la variable
# Crear columna Región usando ifelse
tabla <- data.frame(
  Ciudad = c(
    "Beijing","Chengdu","Dali","Guangzhou","Hangzhou","Jinan","Kunming",
    "Luoyang","Mianyang","Nanjing","Ningbo","Qingdao","Shanghai","Shenzhen",
    "Suzhou","Wuhan","Yichang","Zhengzhou"
  )
)

tabla$Region <- ifelse(tabla$Ciudad %in% c("Beijing", "Jinan", "Qingdao"),
                       "Norte",
  ifelse(tabla$Ciudad %in% c("Chengdu","Dali","Kunming","Mianyang","Shenzhen"),
                               "Sudoeste",
  ifelse(tabla$Ciudad %in% c("Guangzhou"),"Sur",
 ifelse(tabla$Ciudad %in% c("Hangzhou","Nanjing","Ningbo","Shanghai","Suzhou"),
                                            "Este",
ifelse(tabla$Ciudad %in% c("Luoyang","Wuhan","Yichang","Zhengzhou"), "Centro",      
                                                   NA)))))
TDF_region <- data.frame(table(tabla$Region))
colnames(TDF_region) <- c("Region", "ni")
TDF_region$hi <- round((TDF_region$ni / sum(TDF_region$ni)) * 100, 2)
TDF_region

##     Region ni    hi
## 1   Centro  4 22.22
## 2     Este  5 27.78
## 3    Norte  3 16.67
## 4 Sudoeste  5 27.78
## 5      Sur  1  5.56

Sumatoria <- data.frame(Region = "TOTAL", ni = sum(ni), hi = 100)
TDF_region_final <- rbind(TDF_region, Sumatoria)
colnames(TDF_region_final) <- c("Región", "ni", "hi (%)")
# Tabla
kable(TDF_region_final, align = 'c', 
      caption = "Tabla N°2: Distribución de Frecuencias de las Ciudades
      agrupadas por región en el 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: Distribución de Frecuencias de las Ciudades agrupadas por región en el estudio de contaminación del agua en China en el año 2023

Región	ni	hi (%)
Centro	4	22.22
Este	5	27.78
Norte	3	16.67
Sudoeste	5	27.78
Sur	1	5.56
TOTAL	3000	100.00

TDF_regionsintotal <- TDF_region_final[TDF_region_final$Región != "TOTAL", ]


# Diagrama de barras local
barplot(TDF_regionsintotal$ni, main = "Gráfica N°1: Distribución de las ciudades
        agrupadas por región en el estudio de contaminación del agua 
        en China en el año 2023",
        xlab = "Región",
        ylab = "Cantidad",
        col = "skyblue",
        ylim = c(0,10),
        las = 2,
        cex.names = 0.6,
        names.arg = TDF_regionsintotal$Región)

barplot(TDF_regionsintotal$hi, main = "Gráfica N°2: Distribución de las ciudades 
        agrupadas por región en el estudio de contaminación del agua en 
        China en el año 2023",
        xlab = "Región",
        ylab = "Porcentaje (%)",
        col = "skyblue",
        ylim = c(0,30),
        las = 2,
        cex.names = 0.6,
        names.arg = TDF_regionsintotal$Región)

# Diagrama de barras global
barplot(TDF_regionsintotal$ni, main = "Gráfica N°3: Distribución de las ciudades
        agrupadas por región en el estudio de contaminación del agua en 
        China en el año 2023",
        xlab = "Región",
        ylab = "Cantidad",
        col = "skyblue",
        ylim = c(0,3000),
        las=2,
        cex.names = 0.6,
        names.arg = TDF_regionsintotal$Región)

barplot(TDF_regionsintotal$hi, main = "Gráfica N°4: Distribución de las ciudades 
agrupadas por región en el estudio de contaminación del agua 
en China en el año 2023",
        xlab = "Región",
        ylab = "Porcentaje (%)",
        col = "skyblue",
        ylim = c(0,100),
        las = 3,
        cex.names = 0.6,
        names.arg = TDF_regionsintotal$Región)

labels_info <- sprintf("%.2f%%", TDF_regionsintotal$hi)
pie(TDF_regionsintotal$hi,
    main = "Gráfica N°5: Distribución de las ciudades
    agrupadas por región en el estudio de contaminación del agua en 
    China en el año 2023 ",
    radius = 1.0,
    labels = labels_info,
    col = rev(heat.colors(10)),
    cex = 0.9,
    cex.main = 1)

legend("topright",
       legend = TDF_regionsintotal$Región,
       fill = colores <- c(rev(heat.colors(10))),
       cex = 0.8,
       title = "Leyenda")