Integrantes:
Arenaza Andrade, Brigitte Ashley (20211254)
Loayza Gaitan, Romina Ariana (20211323)
Pacheco Concha, Lusi Alberto (20175910)
Contexto:
Tras las elecciones presidenciales del 2021, se afirmó la existencia de tendencias electorales en el Perú de forma territorial: el sur suele votar por candidatos “antisistema”, mientras que Lima y las regiones de la costa norte suelen votar por candidatos más “conservadores” (Pighi, 2021). Sin embargo, esta afirmación puede estar ignorando matices importantes para el análisis electoral peruano.
Este tema pertenece a la literatura de clivajes políticos. Diversos académicos coinciden en que estos clivajes son divisiones sociales duraderas, institucionalizadas y con expresión política estable que se sostienen sobre conflictos de clase, religión, etnia o territorio (Lipset y Rokkan, 1967; Deegan-Krause, 2007). Asimismo, estos se componen de tres elementos fundamentales: un elemento empírico que expresa las estructuras sociales como la clase o el territorio, un elemento normativo que alude a valores e identidades compartidas y un elemento organizativo, como los partidos políticos, los cuales son expresión del grupo social al cual representan (Bartolini y Mair, 1990).
No obstante, la aplicación de esta literatura presenta desafíos al ser aplicada al caso peruano dado la débil institucionalización del sistema de partidos y la volatilidad electoral (Levitsky y Zavaleta, 2019). Para superar estas dificultades, Barrera et al. (2021) proponen una clasificación del sistema de partidos de acuerdo a la ideología. Entre estos están los fujimoristas, los apristas, los socialistas/progresistas y los demócratas cristianos/liberales. Según los autores, esta propuesta permite superar la volatilidad del sistema y la debilidad de la representación.
Identificación del problema
El presente trabajo busca analizar el comportamiento electoral territorial en Perú a partir de las proporciones de voto obtenidas por cada partido en la primera vuelta presidencial del 2021. La forma en que se distribuyen estas proporciones entre distritos refleja una heterogeneidad marcada, asociada a factores sociales, económicos y geográficos que no son visibles mediante un análisis descriptivo simple. Dicha diversidad, permite que el caso peruano sea aplicable al uso de técnicas de machine learning, las cuales permiten identificar patrones internos de comportamiento electoral trabajando directamente con la estructura de datos y, para el caso que nos atañe, identificar grandes agrupaciones territoriales según patrones de similitud de voto.
Desde una perspectiva metodológica, el uso de machine learning es pertinente, dado que este tipo de técnicas permite detectar regularidades y similitudes entre unidades territoriales sin requerir supuestos previos sobre cómo deben agruparse. La literatura en análisis electoral muestra que los porcentajes de voto suelen presentar configuraciones espaciales no aleatorias, lo que sugiere la existencia de patrones latentes que pueden recuperarse mediante métodos computacionales no supervisados. Estudios como los de Almén (2023) y Saldaña (2021) evidencian que el voto tiende a adoptar formas de concentración territorial, mientras que investigaciones como las de Luque y Sosa (2021) muestran que el comportamiento político contiene dimensiones internas no observables directamente. De esta manera, el uso de métodos computacionales no supervisados refuerza la pertinencia de su uso para el caso propuesto a analizar e identificar estructuras no lineales.
En este marco, el uso de machine learning no pretende reemplazar la interpretación política descriptiva o tradicional, sino complementar a través de la identificación de regularidades testeables basadas exclusivamente en las proporciones de voto. Métodos como el clustering (a través de K-means o DBSCAN), ofrecen una metodología adecuada para examinar si los distritos peruanos comparten perfiles de votación comparables y permiten observar cómo se organiza territorialmente el comportamiento electoral. En la siguiente sección, con el objetivo de contextualizar el uso de la técnica de clustering, se revisarán brevemente los estudios que la han empleado en análisis electorales, con el fin de situar el presente proyecto dentro de las aproximaciones existentes.
Breve estado de la cuestión
La literatura reciente muestra un interés creciente en el uso de técnicas de clustering para identificar patrones en conjuntos de datos sociales y electorales de gran escala. Desde una perspectiva metodológica, Mohammed et al. (2018) evidencian que algoritmos no supervisados como k-means y fuzzy c-means permiten descubrir estructuras internas en bases de datos extensas y heterogéneas, lo que los vuelve adecuados para situaciones donde se busca agrupar unidades según comportamientos similares sin necesidad de información adicional. Este enfoque resulta pertinente para el análisis electoral, donde las unidades territoriales pueden presentar patrones de voto diferenciados que emergen únicamente del procesamiento de los propios resultados.
En el campo específicamente electoral, Cangemi et al. (2025) desarrollan un modelo de fuzzy clustering robusto con restricciones espaciales aplicado a preferencias y participación en elecciones europeas. Su metodología combina medidas de voto y turnout a nivel provincial y logra identificar agrupaciones coherentes que reflejan la cercanía territorial y la similitud en el comportamiento electoral, incorporando además un noise cluster para capturar unidades atípicas. El estudio demuestra que los datos de votación poseen una estructura suficiente para generar clústeres consistentes, lo que respalda el uso de este tipo de técnicas para caracterizar territorios según sus patrones electorales.
Por su lado, Almén (2023) analiza la polarización geográfica del voto en Estocolmo empleando indicadores de autocorrelación espacial como Global Moran’s I y Local Moran’s I. Sus resultados muestran la existencia de concentraciones territoriales estables de apoyo político a lo largo de veinte años, lo que confirma que el voto tiende a organizarse espacialmente y que es posible identificar agrupamientos persistentes a partir de los propios resultados electorales.
Finalmente, Mora-Navarro et al. (2020) aplican técnicas de clustering en el marco del geomarketing electoral para segmentar 593 distritos censales de Valencia según sus patrones de votación. Su análisis permite identificar “microzonas” con perfiles electorales específicos y demuestra que el procesamiento multivariado de los porcentajes de voto genera agrupaciones útiles para comprender la distribución territorial de las preferencias políticas. Este enfoque confirma que el clustering es una herramienta eficaz para revelar territorios electoralmente homogéneos, incluso a escalas muy detalladas.
Descripción de la base de datos
La data titulada “Resultados por mesa de las Elecciones Presidenciales 2021 Primera Vuelta” fue obtenida de la Plataforma Nacional de Datos Abiertos. Esta es publicada por parte de la Oficina Nacional de Proceso Electorales- ONPE y compila información relevante relacionada a los comicios electorales presidenciales del año en cuestión. En su totalidad, consta de 83048 observaciones que corresponde al número de mesas de votación habilitadas en dicha ocasión. Contiene las siguientes variables:
| Variable | Descripción |
| UBIGEO | Código de Ubicación Geografica que denotan “DDppdd” (Departamento, provincia,distrito), fuente INEI |
| DEPARTAMENTO | Departamento donde se instaló la mesa de sufragio |
| PROVINCIA | Provincia donde se instaló la mesa de sufragio |
| DISTRITO | Distrito donde se instaló la mesa de sufragio |
| TIPO_ELECCION | Descripción de la elección (PRESIDENCIAL, CONGRESAL o PARLAMENTO) |
| MESA_DE_VOTACION | Número de mesa de votación |
| DESCRIP_ESTADO_ACTA | Estado del acta |
| TIPO_OBSERVACION | Código de tipo de observación |
| N_CVAS | Número de ciudadanos que votaron en la mesa según el acta de sufragio |
| N_ELEC_HABIL | Número de electores hábiles de la mesa |
| VOTOS_P1 | PARTIDO NACIONALISTA PERUANO |
| VOTOS_P2 | AL FRENTE AMPLIO POR JUSTICIIA, VIDA Y LIBERTAD |
| VOTOS_P3 | PARTIDO MORADO |
| VOTOS_P4 | PERU PATRIA SEGURA |
| VOTOS_P5 | VICTORIA NACIONAL |
| VOTOS_P6 | ACCION POPULAR |
| VOTOS_P7 | AVANZA PAIS-PARTIDO DE INTEGRACION SOCIAL |
| VOTOS_P8 | PODEMOS PERU |
| VOTOS_P9 | JUNTOS POR EL PERI |
| VOTOS_P10 | PARTIDO POPULAR CRISTIANO-PPC |
| VOTOS_P11 | FUERZA POPULAR |
| VOTOS_P12 | UNION POR EL PERU |
| VOTOS_P13 | RENOVACION POPULAR |
| VOTOS_P14 | RENACIMIENTO UNIDO NACIONAL |
| VOTOS_P15 | PARTIDO DEMOCRATICO SOMOS PERU |
| VOTOS_P16 | PARTIDO POLITICO NACIONAL PERU LIBRE |
| VOTOS_P17 | DEMOCRACIA DIRECTA |
| VOTOS_P18 | ALIANZA PARA EL PROGRESO |
| VOTOS_VB | VOTOS EN BLANCO |
| VOTOS_VN | VOTOS NULOS |
| VOTOS_VI | VOTOS IMPUGNADOS |
Se apertura las librerías a usar y se importa la data:
library(dplyr)
Adjuntando el paquete: 'dplyr'The following objects are masked from 'package:stats':
filter, lagThe following objects are masked from 'package:base':
intersect, setdiff, setequal, unionlibrary(stringr)
library(factoextra)Cargando paquete requerido: ggplot2Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBalibrary(cluster)
library(ggplot2)
library(naniar)
library(readr)
library(NbClust)data <- read_delim("Resultados_1ra_vuelta_Version_PCM.csv",
delim = ";", escape_double = FALSE, trim_ws = TRUE)Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
dat <- vroom(...)
problems(dat)Rows: 86488 Columns: 31
── Column specification ────────────────────────────────────────────────────────
Delimiter: ";"
chr (8): UBIGEO, DEPARTAMENTO, PROVINCIA, DISTRITO, TIPO_ELECCION, MESA_DE_...
dbl (22): N_CVAS, N_ELEC_HABIL, VOTOS_P1, VOTOS_P2, VOTOS_P3, VOTOS_P4, VOTO...
lgl (1): TIPO_OBSERVACION
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Se elimina el voto en el exterior:
data <- data %>%
filter(!DEPARTAMENTO %in% c("AMERICA", "ASIA", "EUROPA", "OCEANIA", "AFRICA"))Se suma las observaciones que son iguales para obtener una sola observación por distrito y se observa si existen valores perdidos en la nueva data creada:
data_distritos <- data %>%
group_by(UBIGEO, DEPARTAMENTO, PROVINCIA, DISTRITO) %>%
summarise(
N_CVAS= sum(N_CVAS, na.rm=TRUE),
N_ELEC_HABIL=sum(N_ELEC_HABIL, na.rm=TRUE),
VOTOS_P1 = sum(VOTOS_P1, na.rm = TRUE),
VOTOS_P2 = sum(VOTOS_P2, na.rm = TRUE),
VOTOS_P3 = sum(VOTOS_P3, na.rm = TRUE),
VOTOS_P4 = sum(VOTOS_P4, na.rm = TRUE),
VOTOS_P5 = sum(VOTOS_P5, na.rm = TRUE),
VOTOS_P6 = sum(VOTOS_P6, na.rm = TRUE),
VOTOS_P7 = sum(VOTOS_P7, na.rm = TRUE),
VOTOS_P8 = sum(VOTOS_P8, na.rm = TRUE),
VOTOS_P9 = sum(VOTOS_P9, na.rm = TRUE),
VOTOS_P10 = sum(VOTOS_P10, na.rm = TRUE),
VOTOS_P11 = sum(VOTOS_P11, na.rm = TRUE),
VOTOS_P12 = sum(VOTOS_P12, na.rm = TRUE),
VOTOS_P13 = sum(VOTOS_P13, na.rm = TRUE),
VOTOS_P14 = sum(VOTOS_P14, na.rm = TRUE),
VOTOS_P15 = sum(VOTOS_P15, na.rm = TRUE),
VOTOS_P16 = sum(VOTOS_P16, na.rm = TRUE),
VOTOS_P17 = sum(VOTOS_P17, na.rm = TRUE),
VOTOS_P18 = sum(VOTOS_P18, na.rm = TRUE))`summarise()` has grouped output by 'UBIGEO', 'DEPARTAMENTO', 'PROVINCIA'. You
can override using the `.groups` argument.data_distritos|>
vis_miss()
Se procede a sacar los porcentajes obtenidos por cada partido en cada observación dependiendo de el total de votos válidos recibidos en dicho distrito:
data_distritos <- data_distritos %>%
mutate(
total_votos_validos = VOTOS_P1 + VOTOS_P2 + VOTOS_P3+ VOTOS_P4 + VOTOS_P5 +VOTOS_P6+VOTOS_P7+VOTOS_P8+VOTOS_P9+VOTOS_P10+VOTOS_P11+VOTOS_P12+VOTOS_P13+VOTOS_P14+VOTOS_P15+VOTOS_P16+VOTOS_P17 + VOTOS_P18)data_distritos <- data_distritos %>%
mutate(
pct_P1 = (VOTOS_P1 / total_votos_validos) * 100,
pct_P2 = (VOTOS_P2 / total_votos_validos) * 100,
pct_P3 = (VOTOS_P3 / total_votos_validos) * 100,
pct_P4 = (VOTOS_P4 / total_votos_validos) * 100,
pct_P5 = (VOTOS_P5 / total_votos_validos) * 100,
pct_P6 = (VOTOS_P6 / total_votos_validos) * 100,
pct_P7 = (VOTOS_P7 / total_votos_validos) * 100,
pct_P8 = (VOTOS_P8 / total_votos_validos) * 100,
pct_P9 = (VOTOS_P9 / total_votos_validos) * 100,
pct_P10 = (VOTOS_P10 / total_votos_validos) * 100,
pct_P11 = (VOTOS_P11 / total_votos_validos) * 100,
pct_P12 = (VOTOS_P12 / total_votos_validos) * 100,
pct_P13 = (VOTOS_P13 / total_votos_validos) * 100,
pct_P14 = (VOTOS_P14 / total_votos_validos) * 100,
pct_P15 = (VOTOS_P15 / total_votos_validos) * 100,
pct_P16 = (VOTOS_P16 / total_votos_validos) * 100,
pct_P17 = (VOTOS_P17 / total_votos_validos) * 100,
pct_P18 = (VOTOS_P18 / total_votos_validos) * 100)data_distritos %>%
mutate(suma_pct = pct_P1 + pct_P2 + pct_P3 + pct_P4 + pct_P5 +
pct_P6 + pct_P7 + pct_P8 + pct_P9 + pct_P10 +
pct_P11 + pct_P12 + pct_P13 + pct_P14 + pct_P15 +
pct_P16 + pct_P17 + pct_P18) %>%
select(DISTRITO, suma_pct) %>%
head()Adding missing grouping variables: `UBIGEO`, `DEPARTAMENTO`, `PROVINCIA`# A tibble: 6 × 5
# Groups: UBIGEO, DEPARTAMENTO, PROVINCIA [6]
UBIGEO DEPARTAMENTO PROVINCIA DISTRITO suma_pct
<chr> <chr> <chr> <chr> <dbl>
1 010101 AMAZONAS CHACHAPOYAS CHACHAPOYAS 100
2 010102 AMAZONAS CHACHAPOYAS ASUNCION 100
3 010103 AMAZONAS CHACHAPOYAS BALSAS 100
4 010104 AMAZONAS CHACHAPOYAS CHETO 100
5 010105 AMAZONAS CHACHAPOYAS CHILIQUIN 100
6 010106 AMAZONAS CHACHAPOYAS CHUQUIBAMBA 100Se realiza histogramas para conocer como se ha distribuido los porcentajes de votos en los distritos del Perú:
# P1 - PARTIDO NACIONALISTA PERUANO
ggplot(data_distritos, aes(x = pct_P1)) +
geom_histogram(bins = 30, fill = "#FF6B6B", alpha = 0.7) +
labs(title = "Distribución de votos por Partido Nacionalista Peruano",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P2 - EL FRENTE AMPLIO POR JUSTICIA, VIDA Y LIBERTAD
ggplot(data_distritos, aes(x = pct_P2)) +
geom_histogram(bins = 30, fill = "#C92A2A", alpha = 0.7) +
labs(title = "Distribución de votos por Frente Amplio",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P3 - PARTIDO MORADO
ggplot(data_distritos, aes(x = pct_P3)) +
geom_histogram(bins = 30, fill = "#9C36B5", alpha = 0.7) +
labs(title = "Distribución de votos por Partido Morado",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P4 - PERU PATRIA SEGURA
ggplot(data_distritos, aes(x = pct_P4)) +
geom_histogram(bins = 30, fill = "#5C940D", alpha = 0.7) +
labs(title = "Distribución de votos por Perú Patria Segura",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P5 - VICTORIA NACIONAL
ggplot(data_distritos, aes(x = pct_P5)) +
geom_histogram(bins = 30, fill = "#F08C00", alpha = 0.7) +
labs(title = "Distribución de votos por Victoria Nacional",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P6 - ACCION POPULAR
ggplot(data_distritos, aes(x = pct_P6)) +
geom_histogram(bins = 30, fill = "#1864AB", alpha = 0.7) +
labs(title = "Distribución de votos por Acción Popular",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P7 - AVANZA PAIS - PARTIDO DE INTEGRACION SOCIAL
ggplot(data_distritos, aes(x = pct_P7)) +
geom_histogram(bins = 30, fill = "#0B7285", alpha = 0.7) +
labs(title = "Distribución de votos por Avanza País",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P8 - PODEMOS PERU
ggplot(data_distritos, aes(x = pct_P8)) +
geom_histogram(bins = 30, fill = "#862E9C", alpha = 0.7) +
labs(title = "Distribución de votos por Podemos Perú",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P9 - JUNTOS POR EL PERU
ggplot(data_distritos, aes(x = pct_P9)) +
geom_histogram(bins = 30, fill = "#C92A2A", alpha = 0.7) +
labs(title = "Distribución de votos por Juntos por el Perú",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P10 - PARTIDO POPULAR CRISTIANO - PPC
ggplot(data_distritos, aes(x = pct_P10)) +
geom_histogram(bins = 30, fill = "#1971C2", alpha = 0.7) +
labs(title = "Distribución de votos por Partido Popular Cristiano (PPC)",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P11 - FUERZA POPULAR
ggplot(data_distritos, aes(x = pct_P11)) +
geom_histogram(bins = 30, fill = "orange", alpha = 0.7) +
labs(title = "Distribución de votos por Fuerza Popular",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P12 - UNION POR EL PERU
ggplot(data_distritos, aes(x = pct_P12)) +
geom_histogram(bins = 30, fill = "#CC5DE8", alpha = 0.7) +
labs(title = "Distribución de votos por Unión por el Perú",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P13 - RENOVACION POPULAR
ggplot(data_distritos, aes(x = pct_P13)) +
geom_histogram(bins = 30, fill = "#E8590C", alpha = 0.7) +
labs(title = "Distribución de votos por Renovación Popular",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P14 - RENACIMIENTO UNIDO NACIONAL
ggplot(data_distritos, aes(x = pct_P14)) +
geom_histogram(bins = 30, fill = "#66D9E8", alpha = 0.7) +
labs(title = "Distribución de votos por Renacimiento Unido Nacional",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P15 - PARTIDO DEMOCRATICO SOMOS PERU
ggplot(data_distritos, aes(x = pct_P15)) +
geom_histogram(bins = 30, fill = "#37B24D", alpha = 0.7) +
labs(title = "Distribución de votos por Partido Democrático Somos Perú",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P16 - PARTIDO POLITICO NACIONAL PERU LIBRE
ggplot(data_distritos, aes(x = pct_P16)) +
geom_histogram(bins = 30, fill = "darkred", alpha = 0.7) +
labs(title = "Distribución de votos por Perú Libre",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P17 - DEMOCRACIA DIRECTA
ggplot(data_distritos, aes(x = pct_P17)) +
geom_histogram(bins = 30, fill = "#74C0FC", alpha = 0.7) +
labs(title = "Distribución de votos por Democracia Directa",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
# P18 - ALIANZA PARA EL PROGRESO
ggplot(data_distritos, aes(x = pct_P18)) +
geom_histogram(bins = 30, fill = "#20C997", alpha = 0.7) +
labs(title = "Distribución de votos por Alianza para el Progreso",
x = "% de votos", y = "Número de distritos") +
theme_minimal()
Estos histogramas permiten intuir que hay diferencias territoriales marcadas:
En el caso del histograma de Perú Libre, se puede observar que hay una gran cantidad de distritos donde es opción minoritaria (0-25%), distritos en donde compite con otros partidos (25-50%) y, en menor medida, distritos donde obtuvo una mayor cantidad de votos (50-80%).
En el caso de Fuera Popular, su alcance territorial a nivel distrital no es comparable. En la mayoría de distritos no tuvo un gran porcentaje de votos (0-20%). Son pocos los distritos en donde alcanzó una mayoría.
En el resto de histogramas se observa que el resto de partidos participantes obtuvieron un bajo porcentaje de votos pos distrito.
En suma, esto puede indicar que la geografía de las votaciones puede no responder a patrones exactos del sur “antisistema” y una costa norte “más conservadora” .
nombres_completos <- c(
"Partido Nacionalista Peruano",
"Frente Amplio",
"Partido Morado",
"Perú Patria Segura",
"Victoria Nacional",
"Acción Popular",
"Avanza País",
"Podemos Perú",
"Juntos por el Perú",
"Partido Popular Cristiano",
"Fuerza Popular",
"Unión por el Perú",
"Renovación Popular",
"Renacimiento Unido Nacional",
"Somos Perú",
"Perú Libre",
"Democracia Directa",
"Alianza para el Progreso"
)
estadisticos_completo <- data.frame(
Codigo = paste0("P", 1:18),
Partido = nombres_completos,
Media = round(sapply(paste0("pct_P", 1:18), function(col) mean(data_distritos[[col]], na.rm = TRUE)), 2),
Mediana = round(sapply(paste0("pct_P", 1:18), function(col) median(data_distritos[[col]], na.rm = TRUE)), 2),
Desv_Est = round(sapply(paste0("pct_P", 1:18), function(col) sd(data_distritos[[col]], na.rm = TRUE)), 2),
Min = round(sapply(paste0("pct_P", 1:18), function(col) min(data_distritos[[col]], na.rm = TRUE)), 2),
Max = round(sapply(paste0("pct_P", 1:18), function(col) max(data_distritos[[col]], na.rm = TRUE)), 2),
Q1 = round(sapply(paste0("pct_P", 1:18), function(col) quantile(data_distritos[[col]], 0.25, na.rm = TRUE)), 2),
Q3 = round(sapply(paste0("pct_P", 1:18), function(col) quantile(data_distritos[[col]], 0.75, na.rm = TRUE)), 2)
)
print(estadisticos_completo) Codigo Partido Media Mediana Desv_Est Min Max
pct_P1 P1 Partido Nacionalista Peruano 3.63 1.76 5.85 0.00 63.08
pct_P2 P2 Frente Amplio 0.73 0.51 0.89 0.00 11.18
pct_P3 P3 Partido Morado 1.15 0.92 1.03 0.00 12.45
pct_P4 P4 Perú Patria Segura 0.28 0.25 0.24 0.00 2.97
pct_P5 P5 Victoria Nacional 3.69 2.84 3.40 0.00 40.60
pct_P6 P6 Acción Popular 11.28 9.87 6.10 1.03 53.77
pct_P7 P7 Avanza País 4.49 2.94 4.27 0.00 39.81
pct_P8 P8 Podemos Perú 2.73 1.79 2.88 0.00 26.36
pct_P9 P9 Juntos por el Perú 8.87 7.50 5.90 0.39 41.75
pct_P10 P10 Partido Popular Cristiano 0.54 0.30 0.83 0.00 8.10
pct_P11 P11 Fuerza Popular 13.42 11.04 10.36 0.51 61.59
pct_P12 P12 Unión por el Perú 0.97 0.71 0.96 0.00 13.55
pct_P13 P13 Renovación Popular 5.26 4.08 4.15 0.00 32.18
pct_P14 P14 Renacimiento Unido Nacional 0.96 0.75 0.84 0.00 13.72
pct_P15 P15 Somos Perú 1.64 1.17 2.04 0.00 29.55
pct_P16 P16 Perú Libre 34.78 34.60 19.74 0.00 88.28
pct_P17 P17 Democracia Directa 0.32 0.22 0.53 0.00 7.41
pct_P18 P18 Alianza para el Progreso 5.26 3.51 5.47 0.00 49.51
Q1 Q3
pct_P1 0.93 3.78
pct_P2 0.33 0.81
pct_P3 0.52 1.46
pct_P4 0.14 0.38
pct_P5 1.24 4.99
pct_P6 7.25 13.49
pct_P7 1.92 5.62
pct_P8 0.99 3.31
pct_P9 5.11 10.68
pct_P10 0.15 0.61
pct_P11 5.17 18.77
pct_P12 0.40 1.21
pct_P13 2.26 7.00
pct_P14 0.44 1.25
pct_P15 0.59 1.94
pct_P16 16.95 51.47
pct_P17 0.09 0.37
pct_P18 1.47 6.94# Ver en formato tabla bonita
View(estadisticos_completo)Primero se crea una data solo con las columnas a trabajar, asignando UBIGEO como id de las fila:
data_clust <- data_distritos[, c("pct_P1", "pct_P2", "pct_P3", "pct_P4", "pct_P5",
"pct_P6", "pct_P7", "pct_P8", "pct_P9", "pct_P10",
"pct_P11", "pct_P12", "pct_P13", "pct_P14", "pct_P15",
"pct_P16", "pct_P17", "pct_P18")]
rownames(data_clust) <- data_distritos$UBIGEOWarning: Setting row names on a tibble is deprecated.names(data_clust) [1] "pct_P1" "pct_P2" "pct_P3" "pct_P4" "pct_P5" "pct_P6" "pct_P7"
[8] "pct_P8" "pct_P9" "pct_P10" "pct_P11" "pct_P12" "pct_P13" "pct_P14"
[15] "pct_P15" "pct_P16" "pct_P17" "pct_P18"dim(data_clust)[1] 1874 18Para trabajar este método es importante conocer cuantos centros iniciales se recomienda trabajar
set.seed(20211254)
res.nbclust <- NbClust(data_clust, distance = "euclidean",
min.nc = 2, max.nc = 5,
method = "average", index ="all") Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNsWarning in pf(beale, pp, df2): Se han producido NaNsWarning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNs
Warning in log(det(P)/det(W)): Se han producido NaNsWarning in max(DiffLev[, 3], na.rm = TRUE): ningun argumento finito para max;
retornando -Inf
*** : The Hubert index is a graphical method of determining the number of clusters.
In the plot of Hubert index, we seek a significant knee that corresponds to a
significant increase of the value of the measure i.e the significant peak in Hubert
index second differences plot.
*** : The D index is a graphical method of determining the number of clusters.
In the plot of D index, we seek a significant knee (the significant peak in Dindex
second differences plot) that corresponds to a significant increase of the value of
the measure.
Warning in matrix(c(results), nrow = 2, ncol = 26): data length [51] is not a
sub-multiple or multiple of the number of rows [2]Warning in matrix(c(results), nrow = 2, ncol = 26, dimnames =
list(c("Number_clusters", : data length [51] is not a sub-multiple or multiple
of the number of rows [2]*******************************************************************
* Among all indices:
* 1 proposed 2 as the best number of clusters
* 1 proposed 3 as the best number of clusters
* 1 proposed 4 as the best number of clusters
* 1 proposed 5 as the best number of clusters
***** Conclusion *****
* According to the majority rule, the best number of clusters is 2
******************************************************************* set.seed(123)
km <- kmeans(data_clust,
centers = 3,
iter.max = 100,
nstart = 15,
algorithm = "Lloyd")print(km)K-means clustering with 3 clusters of sizes 604, 592, 678
Cluster means:
pct_P1 pct_P2 pct_P3 pct_P4 pct_P5 pct_P6 pct_P7 pct_P8
1 3.972901 0.7922996 1.1526997 0.2775646 3.106875 11.60561 4.009518 2.197672
2 2.429944 0.8148115 0.6043176 0.2088573 1.325215 11.29712 2.495445 1.206392
3 4.363598 0.5968940 1.6371427 0.3496529 6.267850 10.98643 6.662310 4.522153
pct_P9 pct_P10 pct_P11 pct_P12 pct_P13 pct_P14 pct_P15 pct_P16
1 11.216928 0.4226226 11.891577 1.1080652 4.616183 1.1066460 1.6110632 35.99172
2 7.404284 0.2279724 5.223281 1.1242274 2.821732 1.2307557 0.9389002 58.22356
3 8.054594 0.9186552 21.939118 0.7114924 7.971497 0.5892641 2.2711911 13.24009
pct_P17 pct_P18
1 0.3656862 4.554366
2 0.2957799 2.127408
3 0.3054104 8.612649
Clustering vector:
010101 010102 010103 010104 010105 010106 010107 010108 010109 010110 010111
3 3 1 3 3 3 1 3 1 3 3
010112 010113 010114 010115 010116 010117 010118 010119 010120 010121 010201
3 3 1 3 3 3 3 3 3 3 3
010202 010203 010204 010205 010206 010301 010302 010303 010304 010305 010306
1 1 1 3 1 1 2 1 3 3 1
010307 010308 010309 010310 010311 010312 010401 010402 010403 010404 010405
3 1 1 3 1 3 3 2 3 3 1
010406 010407 010408 010409 010410 010411 010412 010413 010414 010415 010416
3 3 3 3 3 1 1 3 3 3 3
010417 010418 010419 010420 010421 010422 010423 010501 010502 010503 010504
3 3 3 3 3 1 3 3 3 3 3
010505 010506 010507 010508 010509 010510 010511 010512 010601 010602 010603
3 3 3 3 1 3 3 1 3 3 3
010701 010702 010703 010704 010705 010706 010707 020101 020102 020103 020104
1 1 3 3 1 1 1 1 1 1 3
020105 020106 020107 020108 020109 020110 020111 020112 020201 020203 020205
1 1 1 1 1 1 1 1 1 1 1
020206 020208 020301 020302 020304 020305 020310 020311 020313 020315 020317
1 1 1 3 1 1 1 1 1 1 3
020320 020321 020322 020323 020324 020325 020401 020402 020403 020404 020405
3 1 3 3 1 1 1 1 2 1 1
020406 020407 020408 020409 020410 020411 020501 020502 020503 020505 020601
1 1 1 2 1 1 3 3 3 3 3
020602 020603 020604 020605 020606 020607 020701 020702 020703 020704 020705
3 1 1 3 1 3 3 3 3 3 3
020706 020707 020708 020709 020710 020801 020802 020803 020804 020805 020806
3 1 3 1 3 2 2 1 2 2 1
020807 020808 020809 020810 020811 020812 020813 020814 020815 020816 020901
2 1 2 1 1 2 2 2 1 1 2
020902 020903 020904 020905 020906 020907 020908 021001 021002 021003 021004
2 2 1 2 2 2 1 1 3 1 1
021005 021006 021007 021008 021009 021010 021011 021101 021102 021103 021104
1 2 1 1 1 3 3 2 2 1 1
021201 021202 021203 021204 021205 021206 021207 021208 021209 021210 021301
1 3 3 3 1 3 1 1 1 1 3
021302 021303 021304 021305 021306 021307 021308 021309 021401 021402 021403
3 3 3 3 3 3 3 3 1 1 1
021404 021405 021406 021407 021408 021409 021410 021501 021502 021503 021504
1 1 1 2 1 1 1 1 1 2 1
021505 021506 021507 021508 021601 021602 021603 021604 021605 021606 021701
2 1 1 1 1 2 2 1 1 1 1
021702 021703 021801 021802 021901 021902 021903 021904 021905 022001 022002
2 2 1 1 3 1 3 1 3 3 3
022003 022004 022005 022006 022007 022008 022009 022010 030101 030102 030103
3 3 3 3 3 3 3 3 1 2 1
030104 030105 030106 030107 030108 030109 030201 030202 030203 030204 030205
2 1 2 1 2 1 2 2 2 1 2
030206 030207 030208 030209 030210 030211 030212 030213 030214 030215 030216
2 1 2 2 2 1 2 2 1 2 2
030217 030301 030302 030303 030304 030305 030306 030307 030308 030309 030310
2 2 2 2 2 2 2 2 1 2 2
030311 030312 030313 030314 030315 030316 030317 030318 030319 030320 030401
2 2 2 2 2 2 1 2 2 2 1
030402 030403 030404 030405 030406 030407 030501 030502 030503 030504 030505
2 2 1 2 2 2 2 2 1 2 2
030506 030601 030602 030603 030604 030605 030606 030607 030608 030609 030610
2 2 2 2 1 1 2 2 2 2 2
030611 030612 030613 030614 030701 030702 030703 030704 030705 030706 030707
2 2 2 2 2 2 2 2 2 2 2
030708 030709 030710 030711 040101 040102 040103 040104 040105 040106 040107
2 1 1 2 3 1 1 1 2 2 1
040108 040109 040110 040111 040112 040113 040114 040115 040116 040117 040118
2 1 2 2 1 1 1 2 2 2 2
040119 040120 040121 040122 040123 040124 040125 040126 040127 040128 040129
1 1 1 2 3 1 2 1 1 1 3
040201 040202 040203 040204 040205 040206 040207 040208 040209 040210 040211
2 2 1 2 2 2 2 2 2 2 2
040212 040213 040214 040215 040216 040217 040218 040219 040220 040301 040302
2 2 2 2 2 2 2 2 2 3 1
040303 040304 040305 040306 040307 040308 040401 040402 040403 040404 040405
2 1 1 1 1 1 3 3 3 3 3
040406 040407 040408 040409 040410 040411 040412 040413 040501 040502 040503
3 1 1 2 3 3 1 3 1 1 3
040504 040505 040506 040507 040508 040509 040510 040511 040512 040513 040514
2 2 2 1 1 2 1 1 1 2 1
040601 040602 040603 040604 040605 040606 040607 040608 040701 040702 040703
2 2 2 1 2 1 2 1 1 2 2
040704 040705 040706 040801 040802 040803 040804 040805 040806 040807 040808
1 1 2 1 1 1 2 2 1 1 1
040809 040810 040811 050101 050102 050103 050104 050105 050106 050107 050108
1 1 1 1 2 2 2 2 1 2 2
050109 050110 050111 050112 050113 050114 050115 050116 050201 050204 050206
2 2 2 2 2 1 2 1 2 2 2
050207 050208 050211 050301 050302 050303 050304 050305 050307 050308 050309
2 2 2 2 2 2 2 2 2 2 2
050310 050311 050312 050313 050401 050402 050403 050404 050405 050406 050407
2 2 2 2 2 2 2 2 2 2 2
050408 050409 050410 050411 050501 050502 050503 050504 050506 050508 050510
2 2 2 2 2 1 1 2 2 2 1
050511 050512 050513 050514 050516 050517 050520 050521 050522 050524 050525
3 1 1 3 3 1 2 1 2 1 1
050529 050531 050532 050601 050604 050605 050608 050611 050612 050615 050616
2 1 2 2 2 1 2 1 1 1 2
050701 050702 050703 050704 050706 050707 050708 050709 050710 050713 050714
2 2 2 2 2 2 2 2 2 2 2
050715 050801 050802 050803 050804 050901 050902 050903 050904 050905 050906
2 2 2 2 2 2 2 2 2 2 2
050907 050908 051001 051002 051003 051004 051005 051006 051007 051008 051009
2 2 1 1 3 1 1 1 1 1 1
051010 051101 051102 051103 051104 051105 051106 051107 051108 051109 051110
1 2 2 2 2 2 1 2 1 1 2
051111 060101 060102 060103 060104 060105 060106 060107 060108 060109 060110
1 1 2 1 2 2 1 1 2 2 2
060111 060112 060201 060202 060203 060205 060301 060302 060303 060304 060305
2 2 1 1 1 1 1 2 1 2 1
060306 060307 060308 060309 060310 060311 060312 060401 060403 060404 060405
1 2 2 2 1 2 2 1 1 1 3
060406 060407 060408 060409 060501 060502 060503 060504 060505 060506 060507
1 1 1 1 1 2 1 1 2 1 2
060508 060509 060510 060511 060512 060513 060514 060515 060601 060602 060603
2 1 2 1 1 1 2 1 2 2 1
060604 060605 060606 060607 060608 060609 060610 060611 060612 060613 060614
2 2 2 2 2 2 1 2 2 2 1
060615 060616 060617 060618 060619 060701 060702 060703 060801 060802 060803
2 1 2 2 2 2 2 2 3 3 1
060804 060805 060806 060807 060808 060809 060810 060811 060812 060901 060902
1 1 1 2 2 1 3 1 1 2 2
060903 060904 060905 060906 060907 060908 060909 060910 060911 061001 061002
2 1 2 2 2 1 2 2 2 2 2
061003 061004 061005 061006 061007 061008 061009 061010 061011 061012 061013
1 2 1 1 1 2 1 1 2 2 1
061101 061102 061103 061104 061105 061106 061107 061201 061202 061203 061204
1 1 1 1 1 1 2 2 1 2 2
061205 061206 061207 061301 061302 061303 061304 070101 070102 070103 070104
2 2 1 2 2 2 2 1 1 1 1
070105 070106 070107 070108 070201 070202 070203 070204 070205 070206 070207
1 1 1 3 2 1 1 2 1 1 1
070301 070302 070303 070304 070305 070306 070307 070308 070309 070401 070402
1 1 1 1 1 1 1 1 1 1 1
070403 070404 070405 070406 070407 070408 070501 070502 070503 070504 070505
2 1 1 2 1 1 1 2 2 2 2
070506 070507 070508 070601 070602 070603 070604 070605 070606 070607 070608
1 2 2 2 2 2 2 2 2 2 2
070701 070702 070703 070704 070705 070706 070707 070708 070801 070802 070803
2 1 2 2 2 2 2 2 2 2 2
070804 070805 070806 070807 070808 070901 070902 070903 070904 070905 070906
2 2 2 2 2 1 1 1 1 2 1
070907 070908 070909 070910 070911 070912 070913 070915 071001 071002 071003
1 1 2 2 2 2 2 3 1 1 1
071004 071005 071006 071007 071008 071009 071101 071102 071103 071104 071105
1 1 1 1 1 1 2 2 2 2 2
071106 071201 071202 071203 071204 071205 071206 071207 071208 071209 071210
2 1 1 1 2 2 2 1 1 2 2
071211 071212 071301 071302 071303 071304 071305 071306 071307 080101 080102
1 2 1 2 1 1 1 1 1 2 2
080103 080104 080105 080106 080108 080109 080110 080111 080112 080113 080114
2 1 1 2 1 1 2 2 2 1 2
080115 080116 080117 080118 080119 080120 080201 080202 080203 080204 080205
2 1 2 2 2 2 2 2 2 2 2
080206 080207 080208 080301 080302 080303 080304 080305 080306 080307 080308
2 2 2 2 2 2 2 1 2 2 2
080309 080310 080311 080312 080401 080402 080403 080405 080406 080408 080409
2 2 2 2 1 1 1 1 1 1 1
080410 080414 080422 080427 080428 080429 080501 080502 080503 080504 080506
1 1 1 3 1 2 1 2 2 2 2
080509 080511 080512 080515 080517 080518 080519 080520 080523 080525 080526
1 1 2 2 2 3 1 2 1 2 1
080528 080529 080530 080531 080532 080601 080602 080603 080604 080605 080606
2 1 2 2 1 1 3 1 1 1 1
080607 080608 080609 080610 080611 080612 080613 080614 080615 080616 080701
2 1 2 2 1 1 1 2 1 1 2
080702 080703 080704 080705 080706 080707 080708 080709 080710 080711 090101
2 2 2 1 2 2 1 1 2 2 1
090102 090103 090104 090105 090106 090107 090108 090109 090110 090111 090112
1 2 2 2 1 2 1 2 1 1 2
090113 090201 090202 090203 090204 090205 090206 090207 090208 090301 090307
2 1 2 2 1 1 1 2 1 2 2
090312 090314 090316 090317 090321 090322 090323 090401 090402 090403 090404
2 2 1 2 2 2 1 1 1 2 2
090405 090406 090407 090408 090409 090410 090411 090501 090502 090505 090506
3 2 1 2 2 2 1 1 1 1 1
090507 090601 090602 090603 090604 090605 090606 090607 090608 090609 090610
2 3 1 1 3 3 3 1 3 1 1
090701 090702 090704 090706 090801 090802 090803 090804 090805 090901 090902
2 2 2 2 1 1 3 1 1 1 1
090903 090904 091001 091002 091003 091004 091005 091006 091007 091101 091102
1 1 2 2 2 2 2 2 2 2 2
091103 091104 091105 091106 091107 091108 100101 100102 100103 100104 100105
2 2 2 2 2 2 3 3 3 3 3
100106 100107 100108 100109 100110 100111 100112 100113 100114 100201 100202
1 3 3 1 3 3 3 3 3 3 1
100203 100204 100205 100206 100207 100208 100209 100210 100211 100301 100302
3 3 3 1 3 3 3 3 1 3 3
100303 100304 100305 100401 100402 100403 100404 100405 100406 100407 100408
3 3 3 3 1 1 3 3 3 3 3
100501 100502 100503 100504 100505 110101 110103 110104 110105 110106 110107
3 3 3 3 3 3 1 1 1 1 1
110108 110109 110112 110113 110114 110116 110118 110119 110120 110121 110122
1 1 1 3 1 3 1 1 1 1 1
110123 110124 110125 110126 110127 110128 110131 110132 110133 110134 110136
1 1 1 1 3 1 1 1 1 1 1
110201 110202 110203 110204 110205 110206 110207 110208 110209 110210 110211
3 3 1 3 1 1 3 1 1 3 3
110212 110213 110214 110215 110301 110302 110303 110304 110305 110306 110307
3 1 3 3 3 3 3 3 3 3 3
110308 110309 110310 110311 110312 110313 110314 110315 110316 110317 110318
3 3 3 3 3 3 3 3 3 3 3
110319 110320 110321 110322 110323 110324 110325 110326 110327 110328 110329
3 3 3 3 3 3 3 3 3 3 3
110330 110331 110332 110333 110334 110401 110402 110403 110404 110501 110502
3 3 3 3 3 1 1 1 1 3 3
110503 110504 110505 110506 110507 110508 110509 110601 110602 110603 110604
3 3 1 3 3 3 3 3 1 2 3
110605 110606 110607 110608 110609 110610 110701 110702 110703 110704 110705
1 3 3 1 1 3 3 1 1 1 1
110706 110707 110708 110709 110801 110802 110803 110804 110805 110806 110901
3 1 3 2 3 3 3 3 1 1 1
110902 110903 110904 110905 110906 110907 110908 110909 120101 120102 120103
1 1 1 1 1 1 1 1 3 3 3
120104 120105 120106 120107 120109 120110 120111 120112 120201 120202 120203
3 3 3 3 3 3 3 3 1 1 1
120204 120205 120206 120301 120302 120303 120304 120305 120306 120307 120308
1 1 1 3 3 1 3 3 1 3 3
120401 120402 120403 120404 120405 120408 120409 120410 120411 120413 120501
1 1 3 3 3 1 3 2 1 3 3
120503 120504 120506 120508 120601 120602 120603 120604 120605 120606 120607
3 3 3 3 1 3 3 3 1 3 3
120608 120609 120610 120611 120612 120613 120701 120702 120703 120704 120705
3 3 3 1 1 1 1 1 3 3 3
120706 120707 120708 120801 120802 120803 120804 120805 120806 120807 120808
3 1 3 3 3 3 3 3 3 3 3
120901 120902 120903 121001 121002 121003 121004 121101 121102 121103 121104
3 3 3 3 3 1 1 3 3 3 3
121201 121202 121203 130101 130102 130103 130104 130105 130106 130107 130108
3 1 3 3 3 3 3 3 3 3 3
130109 130110 130111 130112 130113 130114 130115 130116 130117 130118 130119
3 3 3 3 3 3 3 3 3 3 3
130120 130201 130202 130203 130204 130205 130206 130301 130302 130303 130304
3 3 2 1 3 3 3 3 3 3 3
130305 130306 130307 130308 130309 130310 130311 130312 140101 140102 140103
3 3 3 3 3 3 3 3 3 3 3
140104 140105 140106 140107 140108 140109 140110 140111 140112 140113 140114
3 3 3 3 3 3 3 3 3 3 3
140115 140116 140117 140118 140119 140120 140121 140122 140123 140124 140125
3 3 3 3 3 3 3 3 3 3 3
140126 140127 140128 140129 140130 140131 140132 140133 140134 140135 140136
3 3 3 3 3 3 3 3 3 3 3
140137 140138 140139 140140 140141 140142 140143 140201 140205 140206 140207
3 3 3 3 3 3 3 1 3 3 3
140208 140301 140302 140303 140304 140305 140306 140307 140401 140402 140403
3 3 3 3 3 3 3 3 3 3 3
140404 140405 140406 140407 140408 140409 140410 140411 140412 140413 140414
3 3 3 3 3 3 3 3 3 3 3
140415 140416 140501 140502 140504 140505 140506 140507 140508 140509 140511
3 3 3 3 3 3 3 3 3 3 3
140512 140513 140516 140601 140602 140603 140604 140605 140606 140607 140608
3 3 3 3 3 3 1 3 3 1 1
140609 140610 140611 140612 140613 140614 140615 140616 140617 140618 140619
3 3 3 3 3 1 3 3 3 3 3
140620 140621 140622 140623 140624 140625 140626 140627 140628 140629 140630
3 3 3 3 3 3 3 3 3 3 3
140631 140632 140701 140702 140703 140704 140705 140706 140707 140708 140709
3 3 1 1 1 3 1 1 3 3 1
140710 140711 140712 140713 140714 140715 140716 140717 140718 140719 140720
1 3 3 1 1 3 1 1 3 3 3
140721 140722 140723 140724 140725 140726 140727 140728 140729 140730 140731
3 3 3 3 1 1 1 1 1 1 1
140732 140733 140801 140802 140803 140804 140805 140806 140807 140808 140809
1 1 3 3 3 3 3 3 3 3 3
140810 140811 140812 140901 140902 140903 140904 140905 141001 141002 141003
3 3 3 3 3 3 3 3 1 3 3
141004 141005 141006 150101 150102 150103 150104 150105 150106 150108 150110
3 3 3 3 3 3 3 3 3 3 3
150111 150112 150113 150201 150202 150205 150206 150210 150211 150301 150302
3 3 3 3 3 3 3 3 3 3 3
150303 150304 150305 150401 150402 150403 150404 150405 150406 150407 150408
3 3 3 3 3 3 3 3 3 3 3
150409 150410 150411 150501 150502 150503 150504 150505 150506 150601 150602
3 3 3 3 3 3 3 3 3 3 3
150603 150604 150701 150702 150703 150704 150705 150706 150901 150902 150903
3 3 3 3 3 3 3 3 3 3 3
150904 160101 160102 160103 160104 160201 160202 160203 160204 160301 160302
3 1 2 1 2 1 1 2 2 3 1
160303 170101 170102 170103 170104 170105 170106 170201 170202 170203 170204
1 1 2 2 2 2 1 1 1 2 2
170205 170206 170207 170208 170209 170210 170211 170301 170302 170303 180101
1 2 2 2 2 2 2 1 2 3 1
180103 180104 180105 180106 180107 180108 180109 180110 180111 180112 180113
1 1 1 2 2 1 1 1 1 1 1
180114 180201 180202 180203 180204 180205 180206 180207 180208 180301 180302
1 2 2 2 2 1 2 2 1 3 3
180303 180304 180305 180306 180307 180308 190101 190103 190104 190105 190106
3 3 3 3 3 1 3 3 3 3 3
190107 190109 190113 190114 190115 190201 190202 190203 190204 190205 190206
3 3 3 3 3 1 1 2 3 2 2
190207 190208 190209 190210 190301 190302 190303 190304 190305 190306 190307
1 3 3 1 1 1 2 2 2 1 2
190308 190401 190402 190403 190404 190405 190406 190407 190408 190409 190410
1 3 3 3 3 3 1 1 3 1 3
190501 190502 190503 190504 190505 190506 190507 190601 190602 190603 190604
3 3 3 3 3 3 3 3 3 3 3
190605 190606 190607 190608 190701 190702 190703 190704 190705 190706 190801
3 3 3 3 3 3 3 3 3 3 3
190802 190803 190804 190805 190806 200101 200102 200103 200104 200105 200106
3 3 3 3 3 1 2 2 2 2 1
200107 200108 200109 200110 200111 200112 200113 200114 200115 200201 200202
2 1 1 1 2 1 1 1 1 2 2
200203 200204 200205 200206 200207 200208 200210 200212 200213 200214 200215
2 2 2 2 2 2 2 2 2 2 2
200216 200217 200301 200302 200303 200304 200305 200306 200307 200308 200309
2 2 2 2 2 2 2 2 2 2 2
200310 200401 200402 200403 200406 200407 200410 200412 200501 200502 200504
2 2 2 2 2 2 2 2 2 2 2
200506 200507 200508 200509 200511 200601 200602 200603 200604 200605 200606
2 2 2 2 2 2 2 2 2 2 2
200607 200608 200609 200610 200701 200702 200703 200704 200705 200706 200707
2 2 1 2 2 2 2 2 2 2 2
200708 200709 200801 200803 200804 200805 200806 200807 200808 200810 200811
2 2 2 2 2 2 2 2 2 2 2
200812 200901 200902 200903 200904 200905 201001 201002 201003 201004 201005
2 1 2 1 2 2 2 1 1 2 1
201006 201007 201101 201102 201103 201104 201105 201201 201202 201203 201204
1 2 2 2 2 2 2 2 2 2 2
201205 201301 201302 201303 201304 210101 210102 210103 210104 210105 210106
2 2 2 2 2 3 1 1 1 1 1
210201 210202 210203 210204 210205 210206 210301 210303 210304 210305 210306
3 3 3 3 3 3 3 3 3 3 3
210307 210311 210313 210314 210315 210316 210401 210402 210403 210404 210405
3 3 3 3 1 3 3 1 3 3 1
210501 210502 210503 210504 210505 210506 210507 210508 210509 210601 210602
3 1 1 1 1 1 1 1 1 3 3
210604 210606 210607 210608 210609 210610 210611 210612 210616 210619 210620
3 3 3 3 3 3 3 3 3 3 3
210621 210701 210702 210703 210704 210705 210706 210801 210802 210803 210804
3 3 3 3 1 3 1 1 1 1 1
210805 210901 210902 210903 210904 210905 210906 210907 210908 210909 210910
1 3 3 3 3 3 3 3 3 3 1
211001 211002 211003 211004 211005 220101 220102 220104 220107 220108 220109
3 3 1 2 3 3 1 2 1 2 1
220110 220111 220112 220113 220114 220201 220205 220206 220207 220210 220211
1 1 2 1 2 2 1 2 1 2 2
220212 220213 220301 220302 220303 220401 220402 220403 220404 220405 220406
1 2 2 2 2 2 2 1 2 2 2
230101 230102 230103 230104 230105 230106 230201 230202 230203 230301 230302
3 3 3 3 3 3 3 3 3 3 1
230303 230304 240101 240102 240103 240104 240105 240106 240107 250101 250102
3 3 3 3 3 3 3 3 3 3 3
250103 250104 250105 250106 250107 250201 250202 250203 250204 250205 250301
3 3 3 3 3 1 1 1 3 1 3
250302 250303 250304 250401
3 3 3 3
Within cluster sum of squares by cluster:
[1] 162629.91 89223.64 275554.75
(between_SS / total_SS = 59.6 %)
Available components:
[1] "cluster" "centers" "totss" "withinss" "tot.withinss"
[6] "betweenss" "size" "iter" "ifault" km$cluster010101 010102 010103 010104 010105 010106 010107 010108 010109 010110 010111
3 3 1 3 3 3 1 3 1 3 3
010112 010113 010114 010115 010116 010117 010118 010119 010120 010121 010201
3 3 1 3 3 3 3 3 3 3 3
010202 010203 010204 010205 010206 010301 010302 010303 010304 010305 010306
1 1 1 3 1 1 2 1 3 3 1
010307 010308 010309 010310 010311 010312 010401 010402 010403 010404 010405
3 1 1 3 1 3 3 2 3 3 1
010406 010407 010408 010409 010410 010411 010412 010413 010414 010415 010416
3 3 3 3 3 1 1 3 3 3 3
010417 010418 010419 010420 010421 010422 010423 010501 010502 010503 010504
3 3 3 3 3 1 3 3 3 3 3
010505 010506 010507 010508 010509 010510 010511 010512 010601 010602 010603
3 3 3 3 1 3 3 1 3 3 3
010701 010702 010703 010704 010705 010706 010707 020101 020102 020103 020104
1 1 3 3 1 1 1 1 1 1 3
020105 020106 020107 020108 020109 020110 020111 020112 020201 020203 020205
1 1 1 1 1 1 1 1 1 1 1
020206 020208 020301 020302 020304 020305 020310 020311 020313 020315 020317
1 1 1 3 1 1 1 1 1 1 3
020320 020321 020322 020323 020324 020325 020401 020402 020403 020404 020405
3 1 3 3 1 1 1 1 2 1 1
020406 020407 020408 020409 020410 020411 020501 020502 020503 020505 020601
1 1 1 2 1 1 3 3 3 3 3
020602 020603 020604 020605 020606 020607 020701 020702 020703 020704 020705
3 1 1 3 1 3 3 3 3 3 3
020706 020707 020708 020709 020710 020801 020802 020803 020804 020805 020806
3 1 3 1 3 2 2 1 2 2 1
020807 020808 020809 020810 020811 020812 020813 020814 020815 020816 020901
2 1 2 1 1 2 2 2 1 1 2
020902 020903 020904 020905 020906 020907 020908 021001 021002 021003 021004
2 2 1 2 2 2 1 1 3 1 1
021005 021006 021007 021008 021009 021010 021011 021101 021102 021103 021104
1 2 1 1 1 3 3 2 2 1 1
021201 021202 021203 021204 021205 021206 021207 021208 021209 021210 021301
1 3 3 3 1 3 1 1 1 1 3
021302 021303 021304 021305 021306 021307 021308 021309 021401 021402 021403
3 3 3 3 3 3 3 3 1 1 1
021404 021405 021406 021407 021408 021409 021410 021501 021502 021503 021504
1 1 1 2 1 1 1 1 1 2 1
021505 021506 021507 021508 021601 021602 021603 021604 021605 021606 021701
2 1 1 1 1 2 2 1 1 1 1
021702 021703 021801 021802 021901 021902 021903 021904 021905 022001 022002
2 2 1 1 3 1 3 1 3 3 3
022003 022004 022005 022006 022007 022008 022009 022010 030101 030102 030103
3 3 3 3 3 3 3 3 1 2 1
030104 030105 030106 030107 030108 030109 030201 030202 030203 030204 030205
2 1 2 1 2 1 2 2 2 1 2
030206 030207 030208 030209 030210 030211 030212 030213 030214 030215 030216
2 1 2 2 2 1 2 2 1 2 2
030217 030301 030302 030303 030304 030305 030306 030307 030308 030309 030310
2 2 2 2 2 2 2 2 1 2 2
030311 030312 030313 030314 030315 030316 030317 030318 030319 030320 030401
2 2 2 2 2 2 1 2 2 2 1
030402 030403 030404 030405 030406 030407 030501 030502 030503 030504 030505
2 2 1 2 2 2 2 2 1 2 2
030506 030601 030602 030603 030604 030605 030606 030607 030608 030609 030610
2 2 2 2 1 1 2 2 2 2 2
030611 030612 030613 030614 030701 030702 030703 030704 030705 030706 030707
2 2 2 2 2 2 2 2 2 2 2
030708 030709 030710 030711 040101 040102 040103 040104 040105 040106 040107
2 1 1 2 3 1 1 1 2 2 1
040108 040109 040110 040111 040112 040113 040114 040115 040116 040117 040118
2 1 2 2 1 1 1 2 2 2 2
040119 040120 040121 040122 040123 040124 040125 040126 040127 040128 040129
1 1 1 2 3 1 2 1 1 1 3
040201 040202 040203 040204 040205 040206 040207 040208 040209 040210 040211
2 2 1 2 2 2 2 2 2 2 2
040212 040213 040214 040215 040216 040217 040218 040219 040220 040301 040302
2 2 2 2 2 2 2 2 2 3 1
040303 040304 040305 040306 040307 040308 040401 040402 040403 040404 040405
2 1 1 1 1 1 3 3 3 3 3
040406 040407 040408 040409 040410 040411 040412 040413 040501 040502 040503
3 1 1 2 3 3 1 3 1 1 3
040504 040505 040506 040507 040508 040509 040510 040511 040512 040513 040514
2 2 2 1 1 2 1 1 1 2 1
040601 040602 040603 040604 040605 040606 040607 040608 040701 040702 040703
2 2 2 1 2 1 2 1 1 2 2
040704 040705 040706 040801 040802 040803 040804 040805 040806 040807 040808
1 1 2 1 1 1 2 2 1 1 1
040809 040810 040811 050101 050102 050103 050104 050105 050106 050107 050108
1 1 1 1 2 2 2 2 1 2 2
050109 050110 050111 050112 050113 050114 050115 050116 050201 050204 050206
2 2 2 2 2 1 2 1 2 2 2
050207 050208 050211 050301 050302 050303 050304 050305 050307 050308 050309
2 2 2 2 2 2 2 2 2 2 2
050310 050311 050312 050313 050401 050402 050403 050404 050405 050406 050407
2 2 2 2 2 2 2 2 2 2 2
050408 050409 050410 050411 050501 050502 050503 050504 050506 050508 050510
2 2 2 2 2 1 1 2 2 2 1
050511 050512 050513 050514 050516 050517 050520 050521 050522 050524 050525
3 1 1 3 3 1 2 1 2 1 1
050529 050531 050532 050601 050604 050605 050608 050611 050612 050615 050616
2 1 2 2 2 1 2 1 1 1 2
050701 050702 050703 050704 050706 050707 050708 050709 050710 050713 050714
2 2 2 2 2 2 2 2 2 2 2
050715 050801 050802 050803 050804 050901 050902 050903 050904 050905 050906
2 2 2 2 2 2 2 2 2 2 2
050907 050908 051001 051002 051003 051004 051005 051006 051007 051008 051009
2 2 1 1 3 1 1 1 1 1 1
051010 051101 051102 051103 051104 051105 051106 051107 051108 051109 051110
1 2 2 2 2 2 1 2 1 1 2
051111 060101 060102 060103 060104 060105 060106 060107 060108 060109 060110
1 1 2 1 2 2 1 1 2 2 2
060111 060112 060201 060202 060203 060205 060301 060302 060303 060304 060305
2 2 1 1 1 1 1 2 1 2 1
060306 060307 060308 060309 060310 060311 060312 060401 060403 060404 060405
1 2 2 2 1 2 2 1 1 1 3
060406 060407 060408 060409 060501 060502 060503 060504 060505 060506 060507
1 1 1 1 1 2 1 1 2 1 2
060508 060509 060510 060511 060512 060513 060514 060515 060601 060602 060603
2 1 2 1 1 1 2 1 2 2 1
060604 060605 060606 060607 060608 060609 060610 060611 060612 060613 060614
2 2 2 2 2 2 1 2 2 2 1
060615 060616 060617 060618 060619 060701 060702 060703 060801 060802 060803
2 1 2 2 2 2 2 2 3 3 1
060804 060805 060806 060807 060808 060809 060810 060811 060812 060901 060902
1 1 1 2 2 1 3 1 1 2 2
060903 060904 060905 060906 060907 060908 060909 060910 060911 061001 061002
2 1 2 2 2 1 2 2 2 2 2
061003 061004 061005 061006 061007 061008 061009 061010 061011 061012 061013
1 2 1 1 1 2 1 1 2 2 1
061101 061102 061103 061104 061105 061106 061107 061201 061202 061203 061204
1 1 1 1 1 1 2 2 1 2 2
061205 061206 061207 061301 061302 061303 061304 070101 070102 070103 070104
2 2 1 2 2 2 2 1 1 1 1
070105 070106 070107 070108 070201 070202 070203 070204 070205 070206 070207
1 1 1 3 2 1 1 2 1 1 1
070301 070302 070303 070304 070305 070306 070307 070308 070309 070401 070402
1 1 1 1 1 1 1 1 1 1 1
070403 070404 070405 070406 070407 070408 070501 070502 070503 070504 070505
2 1 1 2 1 1 1 2 2 2 2
070506 070507 070508 070601 070602 070603 070604 070605 070606 070607 070608
1 2 2 2 2 2 2 2 2 2 2
070701 070702 070703 070704 070705 070706 070707 070708 070801 070802 070803
2 1 2 2 2 2 2 2 2 2 2
070804 070805 070806 070807 070808 070901 070902 070903 070904 070905 070906
2 2 2 2 2 1 1 1 1 2 1
070907 070908 070909 070910 070911 070912 070913 070915 071001 071002 071003
1 1 2 2 2 2 2 3 1 1 1
071004 071005 071006 071007 071008 071009 071101 071102 071103 071104 071105
1 1 1 1 1 1 2 2 2 2 2
071106 071201 071202 071203 071204 071205 071206 071207 071208 071209 071210
2 1 1 1 2 2 2 1 1 2 2
071211 071212 071301 071302 071303 071304 071305 071306 071307 080101 080102
1 2 1 2 1 1 1 1 1 2 2
080103 080104 080105 080106 080108 080109 080110 080111 080112 080113 080114
2 1 1 2 1 1 2 2 2 1 2
080115 080116 080117 080118 080119 080120 080201 080202 080203 080204 080205
2 1 2 2 2 2 2 2 2 2 2
080206 080207 080208 080301 080302 080303 080304 080305 080306 080307 080308
2 2 2 2 2 2 2 1 2 2 2
080309 080310 080311 080312 080401 080402 080403 080405 080406 080408 080409
2 2 2 2 1 1 1 1 1 1 1
080410 080414 080422 080427 080428 080429 080501 080502 080503 080504 080506
1 1 1 3 1 2 1 2 2 2 2
080509 080511 080512 080515 080517 080518 080519 080520 080523 080525 080526
1 1 2 2 2 3 1 2 1 2 1
080528 080529 080530 080531 080532 080601 080602 080603 080604 080605 080606
2 1 2 2 1 1 3 1 1 1 1
080607 080608 080609 080610 080611 080612 080613 080614 080615 080616 080701
2 1 2 2 1 1 1 2 1 1 2
080702 080703 080704 080705 080706 080707 080708 080709 080710 080711 090101
2 2 2 1 2 2 1 1 2 2 1
090102 090103 090104 090105 090106 090107 090108 090109 090110 090111 090112
1 2 2 2 1 2 1 2 1 1 2
090113 090201 090202 090203 090204 090205 090206 090207 090208 090301 090307
2 1 2 2 1 1 1 2 1 2 2
090312 090314 090316 090317 090321 090322 090323 090401 090402 090403 090404
2 2 1 2 2 2 1 1 1 2 2
090405 090406 090407 090408 090409 090410 090411 090501 090502 090505 090506
3 2 1 2 2 2 1 1 1 1 1
090507 090601 090602 090603 090604 090605 090606 090607 090608 090609 090610
2 3 1 1 3 3 3 1 3 1 1
090701 090702 090704 090706 090801 090802 090803 090804 090805 090901 090902
2 2 2 2 1 1 3 1 1 1 1
090903 090904 091001 091002 091003 091004 091005 091006 091007 091101 091102
1 1 2 2 2 2 2 2 2 2 2
091103 091104 091105 091106 091107 091108 100101 100102 100103 100104 100105
2 2 2 2 2 2 3 3 3 3 3
100106 100107 100108 100109 100110 100111 100112 100113 100114 100201 100202
1 3 3 1 3 3 3 3 3 3 1
100203 100204 100205 100206 100207 100208 100209 100210 100211 100301 100302
3 3 3 1 3 3 3 3 1 3 3
100303 100304 100305 100401 100402 100403 100404 100405 100406 100407 100408
3 3 3 3 1 1 3 3 3 3 3
100501 100502 100503 100504 100505 110101 110103 110104 110105 110106 110107
3 3 3 3 3 3 1 1 1 1 1
110108 110109 110112 110113 110114 110116 110118 110119 110120 110121 110122
1 1 1 3 1 3 1 1 1 1 1
110123 110124 110125 110126 110127 110128 110131 110132 110133 110134 110136
1 1 1 1 3 1 1 1 1 1 1
110201 110202 110203 110204 110205 110206 110207 110208 110209 110210 110211
3 3 1 3 1 1 3 1 1 3 3
110212 110213 110214 110215 110301 110302 110303 110304 110305 110306 110307
3 1 3 3 3 3 3 3 3 3 3
110308 110309 110310 110311 110312 110313 110314 110315 110316 110317 110318
3 3 3 3 3 3 3 3 3 3 3
110319 110320 110321 110322 110323 110324 110325 110326 110327 110328 110329
3 3 3 3 3 3 3 3 3 3 3
110330 110331 110332 110333 110334 110401 110402 110403 110404 110501 110502
3 3 3 3 3 1 1 1 1 3 3
110503 110504 110505 110506 110507 110508 110509 110601 110602 110603 110604
3 3 1 3 3 3 3 3 1 2 3
110605 110606 110607 110608 110609 110610 110701 110702 110703 110704 110705
1 3 3 1 1 3 3 1 1 1 1
110706 110707 110708 110709 110801 110802 110803 110804 110805 110806 110901
3 1 3 2 3 3 3 3 1 1 1
110902 110903 110904 110905 110906 110907 110908 110909 120101 120102 120103
1 1 1 1 1 1 1 1 3 3 3
120104 120105 120106 120107 120109 120110 120111 120112 120201 120202 120203
3 3 3 3 3 3 3 3 1 1 1
120204 120205 120206 120301 120302 120303 120304 120305 120306 120307 120308
1 1 1 3 3 1 3 3 1 3 3
120401 120402 120403 120404 120405 120408 120409 120410 120411 120413 120501
1 1 3 3 3 1 3 2 1 3 3
120503 120504 120506 120508 120601 120602 120603 120604 120605 120606 120607
3 3 3 3 1 3 3 3 1 3 3
120608 120609 120610 120611 120612 120613 120701 120702 120703 120704 120705
3 3 3 1 1 1 1 1 3 3 3
120706 120707 120708 120801 120802 120803 120804 120805 120806 120807 120808
3 1 3 3 3 3 3 3 3 3 3
120901 120902 120903 121001 121002 121003 121004 121101 121102 121103 121104
3 3 3 3 3 1 1 3 3 3 3
121201 121202 121203 130101 130102 130103 130104 130105 130106 130107 130108
3 1 3 3 3 3 3 3 3 3 3
130109 130110 130111 130112 130113 130114 130115 130116 130117 130118 130119
3 3 3 3 3 3 3 3 3 3 3
130120 130201 130202 130203 130204 130205 130206 130301 130302 130303 130304
3 3 2 1 3 3 3 3 3 3 3
130305 130306 130307 130308 130309 130310 130311 130312 140101 140102 140103
3 3 3 3 3 3 3 3 3 3 3
140104 140105 140106 140107 140108 140109 140110 140111 140112 140113 140114
3 3 3 3 3 3 3 3 3 3 3
140115 140116 140117 140118 140119 140120 140121 140122 140123 140124 140125
3 3 3 3 3 3 3 3 3 3 3
140126 140127 140128 140129 140130 140131 140132 140133 140134 140135 140136
3 3 3 3 3 3 3 3 3 3 3
140137 140138 140139 140140 140141 140142 140143 140201 140205 140206 140207
3 3 3 3 3 3 3 1 3 3 3
140208 140301 140302 140303 140304 140305 140306 140307 140401 140402 140403
3 3 3 3 3 3 3 3 3 3 3
140404 140405 140406 140407 140408 140409 140410 140411 140412 140413 140414
3 3 3 3 3 3 3 3 3 3 3
140415 140416 140501 140502 140504 140505 140506 140507 140508 140509 140511
3 3 3 3 3 3 3 3 3 3 3
140512 140513 140516 140601 140602 140603 140604 140605 140606 140607 140608
3 3 3 3 3 3 1 3 3 1 1
140609 140610 140611 140612 140613 140614 140615 140616 140617 140618 140619
3 3 3 3 3 1 3 3 3 3 3
140620 140621 140622 140623 140624 140625 140626 140627 140628 140629 140630
3 3 3 3 3 3 3 3 3 3 3
140631 140632 140701 140702 140703 140704 140705 140706 140707 140708 140709
3 3 1 1 1 3 1 1 3 3 1
140710 140711 140712 140713 140714 140715 140716 140717 140718 140719 140720
1 3 3 1 1 3 1 1 3 3 3
140721 140722 140723 140724 140725 140726 140727 140728 140729 140730 140731
3 3 3 3 1 1 1 1 1 1 1
140732 140733 140801 140802 140803 140804 140805 140806 140807 140808 140809
1 1 3 3 3 3 3 3 3 3 3
140810 140811 140812 140901 140902 140903 140904 140905 141001 141002 141003
3 3 3 3 3 3 3 3 1 3 3
141004 141005 141006 150101 150102 150103 150104 150105 150106 150108 150110
3 3 3 3 3 3 3 3 3 3 3
150111 150112 150113 150201 150202 150205 150206 150210 150211 150301 150302
3 3 3 3 3 3 3 3 3 3 3
150303 150304 150305 150401 150402 150403 150404 150405 150406 150407 150408
3 3 3 3 3 3 3 3 3 3 3
150409 150410 150411 150501 150502 150503 150504 150505 150506 150601 150602
3 3 3 3 3 3 3 3 3 3 3
150603 150604 150701 150702 150703 150704 150705 150706 150901 150902 150903
3 3 3 3 3 3 3 3 3 3 3
150904 160101 160102 160103 160104 160201 160202 160203 160204 160301 160302
3 1 2 1 2 1 1 2 2 3 1
160303 170101 170102 170103 170104 170105 170106 170201 170202 170203 170204
1 1 2 2 2 2 1 1 1 2 2
170205 170206 170207 170208 170209 170210 170211 170301 170302 170303 180101
1 2 2 2 2 2 2 1 2 3 1
180103 180104 180105 180106 180107 180108 180109 180110 180111 180112 180113
1 1 1 2 2 1 1 1 1 1 1
180114 180201 180202 180203 180204 180205 180206 180207 180208 180301 180302
1 2 2 2 2 1 2 2 1 3 3
180303 180304 180305 180306 180307 180308 190101 190103 190104 190105 190106
3 3 3 3 3 1 3 3 3 3 3
190107 190109 190113 190114 190115 190201 190202 190203 190204 190205 190206
3 3 3 3 3 1 1 2 3 2 2
190207 190208 190209 190210 190301 190302 190303 190304 190305 190306 190307
1 3 3 1 1 1 2 2 2 1 2
190308 190401 190402 190403 190404 190405 190406 190407 190408 190409 190410
1 3 3 3 3 3 1 1 3 1 3
190501 190502 190503 190504 190505 190506 190507 190601 190602 190603 190604
3 3 3 3 3 3 3 3 3 3 3
190605 190606 190607 190608 190701 190702 190703 190704 190705 190706 190801
3 3 3 3 3 3 3 3 3 3 3
190802 190803 190804 190805 190806 200101 200102 200103 200104 200105 200106
3 3 3 3 3 1 2 2 2 2 1
200107 200108 200109 200110 200111 200112 200113 200114 200115 200201 200202
2 1 1 1 2 1 1 1 1 2 2
200203 200204 200205 200206 200207 200208 200210 200212 200213 200214 200215
2 2 2 2 2 2 2 2 2 2 2
200216 200217 200301 200302 200303 200304 200305 200306 200307 200308 200309
2 2 2 2 2 2 2 2 2 2 2
200310 200401 200402 200403 200406 200407 200410 200412 200501 200502 200504
2 2 2 2 2 2 2 2 2 2 2
200506 200507 200508 200509 200511 200601 200602 200603 200604 200605 200606
2 2 2 2 2 2 2 2 2 2 2
200607 200608 200609 200610 200701 200702 200703 200704 200705 200706 200707
2 2 1 2 2 2 2 2 2 2 2
200708 200709 200801 200803 200804 200805 200806 200807 200808 200810 200811
2 2 2 2 2 2 2 2 2 2 2
200812 200901 200902 200903 200904 200905 201001 201002 201003 201004 201005
2 1 2 1 2 2 2 1 1 2 1
201006 201007 201101 201102 201103 201104 201105 201201 201202 201203 201204
1 2 2 2 2 2 2 2 2 2 2
201205 201301 201302 201303 201304 210101 210102 210103 210104 210105 210106
2 2 2 2 2 3 1 1 1 1 1
210201 210202 210203 210204 210205 210206 210301 210303 210304 210305 210306
3 3 3 3 3 3 3 3 3 3 3
210307 210311 210313 210314 210315 210316 210401 210402 210403 210404 210405
3 3 3 3 1 3 3 1 3 3 1
210501 210502 210503 210504 210505 210506 210507 210508 210509 210601 210602
3 1 1 1 1 1 1 1 1 3 3
210604 210606 210607 210608 210609 210610 210611 210612 210616 210619 210620
3 3 3 3 3 3 3 3 3 3 3
210621 210701 210702 210703 210704 210705 210706 210801 210802 210803 210804
3 3 3 3 1 3 1 1 1 1 1
210805 210901 210902 210903 210904 210905 210906 210907 210908 210909 210910
1 3 3 3 3 3 3 3 3 3 1
211001 211002 211003 211004 211005 220101 220102 220104 220107 220108 220109
3 3 1 2 3 3 1 2 1 2 1
220110 220111 220112 220113 220114 220201 220205 220206 220207 220210 220211
1 1 2 1 2 2 1 2 1 2 2
220212 220213 220301 220302 220303 220401 220402 220403 220404 220405 220406
1 2 2 2 2 2 2 1 2 2 2
230101 230102 230103 230104 230105 230106 230201 230202 230203 230301 230302
3 3 3 3 3 3 3 3 3 3 1
230303 230304 240101 240102 240103 240104 240105 240106 240107 250101 250102
3 3 3 3 3 3 3 3 3 3 3
250103 250104 250105 250106 250107 250201 250202 250203 250204 250205 250301
3 3 3 3 3 1 1 1 3 1 3
250302 250303 250304 250401
3 3 3 3 km$size[1] 604 592 678prop.table(km$size)[1] 0.3223052 0.3159018 0.3617930km$centers pct_P1 pct_P2 pct_P3 pct_P4 pct_P5 pct_P6 pct_P7 pct_P8
1 3.972901 0.7922996 1.1526997 0.2775646 3.106875 11.60561 4.009518 2.197672
2 2.429944 0.8148115 0.6043176 0.2088573 1.325215 11.29712 2.495445 1.206392
3 4.363598 0.5968940 1.6371427 0.3496529 6.267850 10.98643 6.662310 4.522153
pct_P9 pct_P10 pct_P11 pct_P12 pct_P13 pct_P14 pct_P15 pct_P16
1 11.216928 0.4226226 11.891577 1.1080652 4.616183 1.1066460 1.6110632 35.99172
2 7.404284 0.2279724 5.223281 1.1242274 2.821732 1.2307557 0.9389002 58.22356
3 8.054594 0.9186552 21.939118 0.7114924 7.971497 0.5892641 2.2711911 13.24009
pct_P17 pct_P18
1 0.3656862 4.554366
2 0.2957799 2.127408
3 0.3054104 8.612649library(factoextra)
fviz_cluster(km, data = data_clust, ellipse.type = "convex") +
theme_classic()
km_clusters <- eclust(x = data_clust, FUNcluster = "kmeans",
k = 3, seed = 321,
hc_metric = "euclidean",
graph = FALSE)km_clusters$centers pct_P1 pct_P2 pct_P3 pct_P4 pct_P5 pct_P6 pct_P7 pct_P8
1 2.498023 0.8121557 0.754155 0.2350109 1.839306 11.560543 2.876466 1.482531
2 2.962373 0.6337366 1.597596 0.3354551 5.664541 11.233797 6.492215 4.152301
3 24.850618 0.7486429 1.203520 0.2696822 4.647074 8.436311 2.302831 2.296802
pct_P9 pct_P10 pct_P11 pct_P12 pct_P13 pct_P14 pct_P15 pct_P16
1 9.094619 0.2910075 7.121655 1.1017221 3.295056 1.2139273 1.187987 51.55731
2 8.627962 0.8411667 20.601495 0.8009817 7.568200 0.7031494 2.128586 17.34926
3 8.734263 0.2993022 11.784658 1.2044139 4.080524 0.6333205 1.758410 20.49713
pct_P17 pct_P18
1 0.3302667 2.748261
2 0.3211243 7.986057
3 0.2248973 6.027599km_clusters$silinfo$widths
cluster neighbor sil_width
030502 1 2 0.660426600
080429 1 2 0.659828290
030607 1 2 0.656980379
030210 1 3 0.656497443
080201 1 2 0.655755567
060808 1 2 0.654994974
180201 1 3 0.654739639
040208 1 2 0.654539052
030212 1 2 0.654344434
020802 1 2 0.654124253
080120 1 3 0.653875185
050103 1 2 0.653317335
030405 1 3 0.653163661
080311 1 3 0.652377435
080304 1 3 0.652319777
020809 1 3 0.652053510
030506 1 3 0.651649821
050204 1 3 0.651183400
040607 1 2 0.650860011
080704 1 2 0.650818270
020807 1 3 0.650488599
040210 1 2 0.650194534
030407 1 2 0.649701154
050303 1 3 0.649221929
030205 1 2 0.649204388
080119 1 2 0.649089263
080103 1 3 0.649014426
091001 1 2 0.648967011
030313 1 3 0.647685391
050707 1 3 0.647530747
071104 1 3 0.647520572
050901 1 3 0.646873169
020804 1 2 0.646861515
170211 1 3 0.646797020
080106 1 2 0.646252138
050704 1 3 0.646099704
030310 1 3 0.645759125
030505 1 2 0.645597029
180206 1 2 0.645493984
030106 1 2 0.644988329
080710 1 3 0.644312422
220404 1 2 0.644205270
180204 1 3 0.644134284
020805 1 2 0.644058641
070802 1 3 0.644038608
030701 1 2 0.643938673
030612 1 3 0.643930729
030316 1 3 0.643681818
200508 1 3 0.643624222
051107 1 3 0.643564985
030206 1 2 0.643531893
040303 1 2 0.643530634
050402 1 3 0.643027624
050902 1 3 0.643013408
050906 1 3 0.642965357
170208 1 2 0.642892780
040505 1 2 0.642491384
071205 1 2 0.642448384
090314 1 2 0.642213289
080502 1 2 0.642113658
030102 1 2 0.642092199
070801 1 2 0.642044302
020901 1 2 0.641957015
050706 1 3 0.641942894
170104 1 3 0.641839326
080301 1 2 0.641464662
090307 1 2 0.641338176
050710 1 3 0.641323992
030312 1 3 0.641227130
070604 1 3 0.641017161
020814 1 3 0.640935055
050401 1 3 0.640888473
030209 1 3 0.640848659
060807 1 2 0.640764446
051104 1 3 0.640511560
030216 1 2 0.640321442
080528 1 3 0.640308852
220303 1 2 0.639880617
020907 1 3 0.639799837
090105 1 2 0.639780311
080607 1 2 0.639695663
080207 1 2 0.638882781
030603 1 3 0.638808184
030305 1 3 0.638798651
030217 1 2 0.638755228
091103 1 2 0.638209132
170105 1 2 0.637562140
091002 1 2 0.637524279
090301 1 2 0.637219718
200212 1 2 0.637208693
180202 1 3 0.636829432
200507 1 3 0.636690689
080310 1 2 0.636404488
071102 1 2 0.636201515
040105 1 2 0.635928879
050104 1 3 0.635776417
160102 1 2 0.635568419
170103 1 3 0.634871878
050907 1 3 0.634815027
040702 1 2 0.634695914
070807 1 3 0.634619625
090109 1 3 0.634251927
030614 1 2 0.634047453
050504 1 3 0.633709412
030501 1 2 0.633607303
030311 1 2 0.633097122
030319 1 3 0.633066331
051101 1 2 0.632994928
020813 1 2 0.632959633
090312 1 3 0.632931369
050905 1 3 0.632901059
170210 1 3 0.632891188
071209 1 2 0.632632561
050532 1 3 0.632423835
050409 1 3 0.632288944
040206 1 3 0.632077084
201301 1 3 0.632030208
080101 1 2 0.631939297
040703 1 2 0.631795269
090408 1 2 0.631562324
020906 1 3 0.630775146
070503 1 3 0.630745377
091006 1 2 0.630605968
071101 1 2 0.630605379
170204 1 3 0.630601501
050408 1 2 0.630557245
220402 1 3 0.630396159
170203 1 3 0.630351181
090104 1 3 0.630320199
040106 1 2 0.629967049
060702 1 2 0.629846743
050904 1 2 0.629721930
080303 1 3 0.629517022
030307 1 2 0.629451761
080204 1 2 0.629387264
080525 1 3 0.629213263
071106 1 3 0.629209914
200506 1 3 0.629152125
190205 1 2 0.629073699
050713 1 3 0.628421680
201304 1 3 0.628336435
030208 1 2 0.628039741
030304 1 2 0.627814752
170206 1 3 0.627668099
040220 1 2 0.627454674
050703 1 2 0.627395411
070806 1 3 0.627275636
050102 1 3 0.627075446
220405 1 3 0.627026840
040213 1 3 0.626481194
070909 1 3 0.626073666
020905 1 2 0.626025643
040409 1 2 0.625891689
030318 1 3 0.625863284
040216 1 2 0.625424133
030704 1 2 0.625058546
040706 1 2 0.624913026
190307 1 2 0.624428048
030302 1 3 0.624285624
060906 1 2 0.624139791
060505 1 3 0.623995792
040201 1 2 0.623948223
050508 1 3 0.623735062
060605 1 3 0.623619076
030708 1 3 0.623612137
050109 1 3 0.623357134
160204 1 2 0.623229795
050908 1 3 0.623092943
070910 1 3 0.623086750
080308 1 3 0.623051234
091102 1 3 0.622993742
200511 1 3 0.622883807
201302 1 3 0.622731201
070913 1 2 0.622562222
030613 1 3 0.622339096
220301 1 2 0.622185436
030403 1 2 0.621565907
061011 1 2 0.621558081
030215 1 3 0.621443908
200608 1 2 0.621319677
200309 1 2 0.621288178
070808 1 3 0.621155457
060905 1 2 0.620891265
040603 1 3 0.620799355
060612 1 2 0.620794659
030504 1 3 0.620607065
050501 1 2 0.620462462
070502 1 3 0.620438637
030602 1 3 0.620377283
190206 1 3 0.619781795
030301 1 2 0.619247176
050111 1 3 0.619199377
080520 1 2 0.618955766
050207 1 3 0.618793486
201303 1 3 0.618786203
200501 1 3 0.618782851
040207 1 3 0.618557161
060312 1 2 0.618512336
040125 1 2 0.618463366
220401 1 3 0.618420237
040215 1 3 0.618381423
030303 1 3 0.618325520
030213 1 2 0.618296017
200216 1 2 0.618250099
080706 1 3 0.617693249
200203 1 2 0.617671978
090317 1 2 0.617625856
040116 1 3 0.617601288
040118 1 2 0.617539614
020403 1 2 0.617407113
090112 1 3 0.616961584
050616 1 3 0.616652241
070804 1 3 0.616548428
200509 1 3 0.616540704
050804 1 3 0.616372854
020903 1 2 0.616141766
030611 1 3 0.616089122
200706 1 2 0.616020568
030610 1 3 0.616001255
070505 1 3 0.615878012
050406 1 3 0.615694284
200202 1 2 0.615685257
070504 1 3 0.615362815
200801 1 2 0.615059271
060102 1 2 0.615011606
080307 1 2 0.614628315
060302 1 2 0.614555333
070805 1 3 0.614534699
220206 1 2 0.614470342
091005 1 3 0.614281277
080118 1 3 0.614258134
090322 1 2 0.614124491
090203 1 3 0.613844948
190203 1 3 0.613504340
051105 1 3 0.613448100
091101 1 3 0.613238168
061203 1 2 0.613086279
050308 1 3 0.612832408
030601 1 3 0.612428291
080306 1 2 0.612068359
060613 1 3 0.612040583
070803 1 3 0.611910087
050107 1 2 0.611873759
040122 1 2 0.611790486
160104 1 2 0.611783528
050803 1 3 0.611249345
080504 1 3 0.611113583
091107 1 3 0.610719480
080707 1 3 0.610673830
050411 1 3 0.610618393
200105 1 2 0.610605502
021703 1 2 0.610422101
060607 1 3 0.610129941
060304 1 3 0.610113001
200206 1 3 0.610105984
070708 1 3 0.610037018
080114 1 3 0.609952862
070706 1 3 0.609894334
200604 1 2 0.609689265
080512 1 2 0.609529230
200502 1 2 0.609456537
220406 1 3 0.609345993
070701 1 3 0.609115055
040509 1 2 0.608758935
040204 1 3 0.608597032
030406 1 2 0.608571931
200205 1 2 0.608443176
180106 1 2 0.608434691
040110 1 2 0.608400648
060903 1 2 0.608363749
021602 1 2 0.608205683
060902 1 2 0.607994649
080702 1 3 0.607894889
080309 1 3 0.607873473
201105 1 3 0.607742781
050506 1 2 0.607544165
200703 1 2 0.607441778
080312 1 3 0.607059676
061012 1 2 0.606932494
030306 1 3 0.606899835
030104 1 2 0.606862605
090107 1 3 0.606401240
040111 1 2 0.606333016
051103 1 2 0.606033375
070608 1 3 0.606014580
060109 1 2 0.605727415
040205 1 3 0.605204089
021101 1 2 0.605181346
061304 1 2 0.605116799
200213 1 2 0.604873712
060907 1 2 0.604836166
050211 1 3 0.604530723
050108 1 2 0.604482008
030705 1 3 0.604452499
030606 1 3 0.604359475
201203 1 3 0.604211884
050601 1 3 0.604152208
040211 1 2 0.604098475
220302 1 2 0.603900241
061302 1 2 0.603851122
200807 1 3 0.603629518
080111 1 3 0.603341309
071103 1 3 0.603164912
070607 1 3 0.603071415
050714 1 3 0.603030731
070606 1 3 0.603027024
091104 1 3 0.602741553
200605 1 2 0.602300059
050903 1 3 0.602144231
050801 1 3 0.601818665
200217 1 3 0.601687840
021102 1 2 0.601328807
030608 1 3 0.601316457
040212 1 3 0.600571491
090406 1 2 0.600461501
040202 1 3 0.600029520
021603 1 3 0.600004901
040218 1 3 0.599450657
060307 1 2 0.599026105
080703 1 2 0.598872897
080515 1 2 0.598487639
060308 1 2 0.598198140
200504 1 3 0.598113804
200806 1 3 0.597692946
170102 1 3 0.597453867
050105 1 2 0.597347855
040506 1 3 0.597150212
091003 1 3 0.596976694
201102 1 2 0.596882282
091004 1 3 0.596671336
200407 1 3 0.596633611
200811 1 3 0.596344105
050701 1 3 0.596302312
040115 1 2 0.596009597
060703 1 2 0.595284425
070601 1 2 0.595041236
061301 1 2 0.595025693
220104 1 2 0.594960602
090103 1 2 0.594942033
061206 1 2 0.594813327
050309 1 3 0.594754433
050307 1 3 0.594636745
040214 1 3 0.594339625
200214 1 2 0.594017894
021702 1 2 0.593992023
070605 1 3 0.593958316
200810 1 2 0.593942652
020801 1 2 0.593911407
200215 1 2 0.593576155
080102 1 3 0.593460413
200204 1 3 0.593412663
021505 1 2 0.593364019
040513 1 3 0.593235053
080531 1 3 0.593082752
050302 1 3 0.593011500
190305 1 2 0.592286251
050304 1 2 0.591646549
170302 1 2 0.591593294
201101 1 2 0.591543059
180203 1 2 0.591447065
200208 1 3 0.591270461
050201 1 3 0.591133488
050113 1 3 0.590630687
080609 1 2 0.590235728
200704 1 2 0.589812186
200705 1 2 0.589782118
050310 1 3 0.589468732
021006 1 2 0.589455936
220108 1 3 0.589370040
060601 1 3 0.588536330
130202 1 2 0.588478565
060510 1 2 0.588411731
201205 1 3 0.588361700
030202 1 2 0.588332318
080202 1 3 0.588072626
030711 1 3 0.587627284
050403 1 2 0.587029925
200601 1 2 0.586819709
071105 1 2 0.586746600
020409 1 3 0.586693821
040209 1 3 0.586395578
080701 1 2 0.585723363
070704 1 3 0.585257458
070707 1 3 0.584747394
091105 1 2 0.584551420
091108 1 3 0.584535029
070705 1 3 0.584532938
061004 1 2 0.584014285
200708 1 2 0.583886871
030201 1 2 0.583234879
170209 1 2 0.582694513
200210 1 3 0.582283677
061002 1 3 0.582072874
200803 1 3 0.582059402
080302 1 3 0.581981680
200304 1 2 0.581979260
200812 1 3 0.581549604
050112 1 2 0.581538742
040217 1 3 0.581164469
170207 1 2 0.580382728
091106 1 3 0.580306025
080208 1 2 0.580220140
090207 1 2 0.580005181
201103 1 3 0.579944400
060609 1 3 0.579925307
200201 1 2 0.578944183
020902 1 2 0.578932922
050405 1 3 0.578564795
030320 1 3 0.578559331
090410 1 2 0.578157384
050115 1 2 0.578006067
110709 1 3 0.577981184
090403 1 2 0.577324833
160203 1 2 0.577315316
080610 1 2 0.577215719
200707 1 2 0.577097123
050715 1 3 0.576972565
200207 1 2 0.576852113
060618 1 3 0.576664593
080530 1 3 0.576647498
090409 1 2 0.576135470
201004 1 2 0.576120937
220114 1 2 0.575865994
200709 1 2 0.575840051
200905 1 2 0.575432075
060701 1 3 0.574851526
050410 1 3 0.574514229
080115 1 3 0.573990890
050709 1 3 0.573562022
200804 1 2 0.573139819
050301 1 2 0.572221702
061008 1 3 0.571573545
080110 1 3 0.571107976
201202 1 2 0.571028876
040117 1 2 0.570613090
061201 1 2 0.570597102
090701 1 2 0.570579977
030203 1 3 0.569027472
200306 1 2 0.567899174
061205 1 2 0.567414208
060105 1 2 0.567374362
030315 1 3 0.567356136
060606 1 3 0.567339954
070911 1 3 0.567069564
060111 1 2 0.567068692
070403 1 2 0.566768120
200310 1 2 0.566009992
050702 1 3 0.565303910
061001 1 2 0.565036228
200607 1 2 0.564272413
060311 1 2 0.563483834
040605 1 2 0.563420161
090706 1 3 0.563261447
200805 1 2 0.563102323
080711 1 3 0.562827043
080206 1 3 0.562324446
070703 1 3 0.562307197
170202 1 2 0.562224959
050529 1 2 0.561582456
040219 1 3 0.561006071
040804 1 2 0.559913654
071204 1 3 0.559874104
050313 1 3 0.559639503
040108 1 2 0.559355425
080203 1 3 0.559272912
180107 1 2 0.558943958
050208 1 3 0.557950214
080112 1 2 0.557461814
040805 1 3 0.556916456
091007 1 3 0.556754211
030314 1 2 0.556326178
090507 1 3 0.555464420
050305 1 2 0.555266750
010302 1 2 0.555114067
090404 1 2 0.555100335
190304 1 2 0.555006764
050404 1 3 0.554773900
050802 1 3 0.553949149
180109 1 2 0.553856245
180207 1 2 0.553275073
030108 1 2 0.553117527
090902 1 2 0.552990364
080517 1 3 0.552905463
080205 1 2 0.552841342
060508 1 2 0.552787320
080117 1 3 0.552654569
061107 1 2 0.551949056
080705 1 2 0.550624698
200406 1 3 0.550249473
040601 1 2 0.549933524
200403 1 3 0.549584062
050312 1 3 0.549322643
120410 1 2 0.547705912
071206 1 2 0.547215081
080105 1 2 0.547120216
090704 1 2 0.545867307
060619 1 3 0.545790956
021407 1 3 0.544260649
200904 1 2 0.544031788
010402 1 2 0.543123285
070507 1 3 0.542498226
200702 1 2 0.542318059
061204 1 2 0.542184864
070912 1 3 0.541904610
040504 1 2 0.541757714
080503 1 3 0.541362816
060909 1 2 0.541356773
190303 1 2 0.541287716
071212 1 2 0.540812206
050522 1 2 0.540674708
180208 1 2 0.540426536
030703 1 3 0.540101893
080523 1 2 0.539764615
211004 1 3 0.539147507
200902 1 2 0.538974490
030109 1 2 0.538139386
060502 1 2 0.535188172
050604 1 3 0.534830978
090202 1 3 0.532944914
050608 1 3 0.532538782
060104 1 3 0.532098927
050110 1 2 0.530589290
060611 1 2 0.529182501
030308 1 2 0.528719744
060507 1 2 0.527826789
220213 1 3 0.527664797
090401 1 2 0.527514718
050708 1 3 0.526703864
061105 1 2 0.526482440
220112 1 2 0.526263216
040602 1 2 0.525689868
070406 1 2 0.525629027
021503 1 2 0.525532773
200305 1 2 0.524948068
201201 1 2 0.524798376
030702 1 3 0.524767825
060910 1 2 0.524365826
080709 1 2 0.523947233
050311 1 3 0.522781281
060604 1 3 0.522192038
220210 1 2 0.521442732
040203 1 2 0.520956405
030107 1 2 0.520867358
071210 1 3 0.520728363
060310 1 2 0.519945071
110603 1 2 0.519478369
071002 1 2 0.519366877
201104 1 2 0.518972576
050116 1 2 0.518935961
090702 1 2 0.518678929
070204 1 2 0.518342207
070201 1 2 0.517321544
050407 1 3 0.517234934
021508 1 2 0.516795144
030706 1 3 0.516470175
020812 1 2 0.515753704
060514 1 2 0.515474635
060901 1 2 0.514034079
030105 1 2 0.513539635
180205 1 3 0.512444736
051102 1 3 0.512382661
200602 1 2 0.511859103
030609 1 3 0.511762285
050513 1 2 0.511728778
080403 1 2 0.509933031
040112 1 2 0.509811926
200303 1 2 0.509148927
130203 1 2 0.508681024
020803 1 2 0.507520721
021009 1 2 0.505484940
070407 1 2 0.505163040
040510 1 2 0.505087118
090321 1 2 0.505046011
201204 1 3 0.504688098
200603 1 2 0.504475740
060615 1 3 0.504353993
060309 1 2 0.504291157
200808 1 2 0.504240944
030604 1 2 0.503598811
071302 1 2 0.503240291
200107 1 2 0.502971960
040802 1 3 0.502943859
060301 1 2 0.502487603
060608 1 2 0.502325597
090316 1 2 0.501554750
040508 1 3 0.500286019
200401 1 2 0.499521026
030204 1 2 0.497711894
020407 1 2 0.496557280
050106 1 2 0.493998489
110112 1 2 0.493818721
040606 1 3 0.493392015
110908 1 2 0.492624950
021605 1 2 0.492501899
180108 1 2 0.491890257
080401 1 2 0.491160272
190202 1 2 0.488507343
021506 1 2 0.488161959
050520 1 2 0.487454435
070603 1 2 0.484793418
060911 1 2 0.484193540
060110 1 2 0.483845464
051111 1 2 0.483242683
070602 1 2 0.482736889
200103 1 2 0.482242309
201001 1 2 0.481338432
180111 1 2 0.481138085
060112 1 2 0.480689247
050206 1 3 0.480053267
100202 1 2 0.479371848
060503 1 3 0.479147053
051110 1 2 0.478472603
040502 1 3 0.476997250
090113 1 2 0.476630029
061006 1 2 0.473825477
200307 1 2 0.473029174
020408 1 2 0.472558110
021606 1 2 0.472334018
200606 1 2 0.471491046
070508 1 3 0.471467414
030309 1 3 0.471454422
200410 1 2 0.471023818
030214 1 2 0.466202807
180105 1 2 0.466010778
070905 1 3 0.465923546
050615 1 2 0.464830473
060617 1 2 0.463695297
160201 1 2 0.462401237
220212 1 3 0.461370010
021208 1 2 0.461225566
060602 1 3 0.460908617
021405 1 3 0.460212934
060509 1 2 0.459947129
080601 1 2 0.456292531
090106 1 2 0.456242692
100206 1 2 0.455816988
040801 1 3 0.455052026
060108 1 2 0.453954646
020904 1 2 0.453214317
030207 1 2 0.453034685
030503 1 2 0.452693045
050114 1 2 0.451523725
070207 1 2 0.451444199
020405 1 2 0.450897946
080604 1 2 0.450754356
090206 1 2 0.449562518
030707 1 3 0.447540263
080408 1 3 0.447371631
220211 1 3 0.447292336
060512 1 2 0.447079182
200308 1 2 0.446050013
200302 1 2 0.444119387
080108 1 2 0.444053206
110903 1 2 0.443571709
140729 1 2 0.442605317
090108 1 2 0.438479434
030402 1 2 0.438066300
070202 1 2 0.435395032
050101 1 2 0.434230954
030103 1 2 0.433832964
040608 1 2 0.432891050
060202 1 2 0.432505722
200301 1 2 0.431672219
030101 1 2 0.429633703
080506 1 3 0.428648036
070506 1 2 0.426650673
200402 1 2 0.426504518
200104 1 2 0.425208258
200412 1 2 0.424877931
040304 1 2 0.424139289
030605 1 2 0.423293220
061303 1 2 0.422197994
060306 1 2 0.421909190
020406 1 2 0.420990393
090323 1 2 0.420001955
061202 1 2 0.419844982
200609 1 2 0.419828520
140725 1 2 0.419647385
200701 1 2 0.418855238
050531 1 2 0.416945344
070501 1 2 0.416005569
060610 1 2 0.414882539
040806 1 2 0.414210694
110105 1 2 0.413692234
201007 1 2 0.412994195
090501 1 2 0.408617708
010306 1 2 0.408339090
110909 1 2 0.407238817
010311 1 2 0.406870606
020816 1 2 0.406750552
210315 1 2 0.406333958
060107 1 2 0.405937632
200111 1 2 0.404614303
021406 1 2 0.404341850
070103 1 2 0.403787111
071007 1 2 0.403535558
200610 1 2 0.402323313
070906 1 2 0.401103282
090505 1 2 0.400805243
200108 1 2 0.399721177
090904 1 2 0.399325917
040704 1 2 0.397094777
051106 1 2 0.396694769
110106 1 2 0.395289760
110208 1 2 0.395059526
200115 1 2 0.394741354
110203 1 2 0.394351000
090402 1 2 0.394261791
020401 1 2 0.392272389
061009 1 2 0.392251451
040604 1 2 0.389253176
021507 1 2 0.389062251
060603 1 2 0.389022773
201005 1 2 0.387681722
220403 1 2 0.385838454
070305 1 2 0.385490627
080614 1 2 0.383526240
021501 1 2 0.382603928
070402 1 2 0.381851097
070206 1 2 0.381682052
021601 1 2 0.380102069
080708 1 2 0.378359505
090903 1 2 0.377543399
021701 1 2 0.377463136
020411 1 2 0.376360220
040807 1 3 0.371809696
210507 1 3 0.371073702
020108 1 2 0.369093773
200102 1 2 0.368658515
070702 1 2 0.366696144
060203 1 2 0.365831209
050611 1 2 0.365642344
050521 1 2 0.362597566
190306 1 2 0.361792275
070102 1 2 0.360334372
070401 1 2 0.360298949
071006 1 2 0.359360305
220107 1 2 0.359131359
071203 1 2 0.357923797
021410 1 2 0.355259057
060908 1 2 0.355192868
080603 1 2 0.355134947
070304 1 2 0.354791344
050503 1 2 0.354526415
070405 1 2 0.353365247
061003 1 2 0.353155874
040120 1 2 0.351016135
060106 1 2 0.350627591
020106 1 2 0.347762012
021210 1 2 0.345868862
070302 1 2 0.342845063
070907 1 2 0.342542167
070404 1 2 0.342376976
080109 1 2 0.340540705
020404 1 2 0.339800591
020810 1 2 0.339371593
200901 1 2 0.339092554
020811 1 2 0.338944603
180110 1 2 0.338813619
021103 1 2 0.338126458
080104 1 2 0.337924072
200903 1 2 0.336440568
070306 1 2 0.335047479
070303 1 2 0.334098824
020109 1 2 0.330678415
201003 1 2 0.330309115
061207 1 2 0.330071764
060506 1 2 0.329374235
140726 1 2 0.329158457
080113 1 2 0.328667677
110118 1 2 0.326694501
110902 1 2 0.326254542
071201 1 2 0.325879048
070107 1 2 0.325726648
220110 1 2 0.321676928
071008 1 2 0.321066599
021104 1 2 0.320415726
030401 1 2 0.318850751
020808 1 2 0.314772083
120205 1 3 0.313814340
090205 1 2 0.312230334
060501 1 2 0.311514217
071003 1 2 0.311473839
020402 1 2 0.309507497
030211 1 2 0.309492722
180104 1 2 0.301503087
080529 1 3 0.298200726
040408 1 2 0.295992427
180101 1 2 0.291564509
090901 1 2 0.291507468
110404 1 2 0.289438810
010706 1 2 0.285369438
070902 1 2 0.285350930
220113 1 2 0.285226195
060305 1 2 0.284579823
020206 1 2 0.283923693
200113 1 2 0.281929102
070309 1 2 0.280865431
060904 1 2 0.280751556
021504 1 2 0.280382715
040514 1 2 0.277648004
040124 1 2 0.274446328
071211 1 2 0.272352767
120206 1 2 0.271761458
170106 1 2 0.271085061
090411 1 2 0.268646697
160103 1 2 0.267767308
190308 1 2 0.267668463
220207 1 3 0.264609742
200114 1 2 0.263243577
230302 1 2 0.262756607
080519 1 3 0.262452807
120201 1 2 0.261174561
220111 1 2 0.256190029
220205 1 2 0.255376769
190201 1 2 0.254668892
020205 1 2 0.253642261
021008 1 2 0.252374761
140730 1 2 0.252250739
201006 1 2 0.250594298
060511 1 2 0.246589390
201002 1 2 0.246571386
080116 1 2 0.243291269
021201 1 2 0.243038642
010405 1 3 0.241854762
070203 1 2 0.240683239
070307 1 2 0.238918263
080612 1 2 0.238191953
020201 1 2 0.237113032
190301 1 2 0.235106092
071001 1 2 0.234640211
040705 1 2 0.234516702
060406 1 2 0.232413479
060407 1 2 0.231646116
021402 1 2 0.230461197
050502 1 3 0.230223988
071005 1 2 0.228832336
170101 1 2 0.227320112
071009 1 2 0.225700816
090204 1 2 0.224678812
021604 1 2 0.224023557
040104 1 2 0.222191187
020301 1 2 0.220846274
140731 1 2 0.220054839
110122 1 2 0.219654328
120605 1 2 0.219306863
070408 1 2 0.218507553
110402 1 2 0.217948352
020806 1 2 0.217643178
060805 1 2 0.215732334
020908 1 2 0.213727976
021802 1 2 0.213337559
071207 1 2 0.210069904
200110 1 2 0.209570232
110906 1 2 0.207455989
060103 1 2 0.204072240
110205 1 2 0.203583923
040103 1 2 0.199542840
051109 1 3 0.197010496
060806 1 2 0.196496928
110136 1 2 0.194743320
040811 1 2 0.194608972
220102 1 2 0.193681105
080511 1 2 0.192972909
021403 1 2 0.190912649
061013 1 2 0.190180323
190409 1 2 0.189131338
010705 1 2 0.188430857
110114 1 2 0.186774944
140710 1 2 0.185222972
080406 1 2 0.184244019
061102 1 3 0.183104249
170201 1 2 0.182429384
020112 1 2 0.181368451
061010 1 2 0.179969695
090502 1 2 0.179843271
190302 1 2 0.179071199
160303 1 2 0.178760918
210805 1 2 0.177866712
071304 1 2 0.177587899
020208 1 2 0.177387170
070308 1 2 0.173971554
210509 1 2 0.173623020
040501 1 2 0.172094706
080616 1 2 0.170795992
220201 1 3 0.169439421
120601 1 2 0.168262424
071208 1 2 0.162522824
071305 1 2 0.159064401
060303 1 2 0.156321634
250203 1 2 0.155942785
080615 1 2 0.155709873
010309 1 2 0.155141233
140706 1 2 0.154836892
070301 1 2 0.154181932
071303 1 2 0.152417046
021404 1 2 0.151889614
070205 1 2 0.149105581
180112 1 2 0.148157996
040308 1 2 0.146974159
080605 1 2 0.144520910
061103 1 3 0.144015447
110120 1 2 0.142442554
210505 1 2 0.141971860
140717 1 2 0.141844780
120611 1 2 0.135641930
090111 1 2 0.134528538
040810 1 2 0.134071396
071202 1 2 0.132873918
020410 1 2 0.130988276
040412 1 2 0.127869031
060513 1 2 0.127327863
110605 1 2 0.127093017
060809 1 2 0.126107869
061104 1 3 0.124445573
180114 1 2 0.120908413
020103 1 2 0.120417591
040121 1 2 0.119381966
050605 1 3 0.119044191
080501 1 3 0.118750494
140705 1 2 0.117147601
060614 1 2 0.116857308
200109 1 2 0.115388829
070908 1 2 0.112053567
250202 1 2 0.110773772
110131 1 2 0.107519682
060616 1 2 0.107486225
121004 1 2 0.103538177
080409 1 2 0.103192090
020325 1 2 0.101234661
060401 1 2 0.098418106
021409 1 2 0.092879419
071301 1 2 0.092540216
110134 1 2 0.090939773
140733 1 2 0.089649939
020105 1 2 0.088891701
020604 1 2 0.087358460
040305 1 2 0.082028754
080509 1 3 0.081156531
030404 1 2 0.078516255
080613 1 2 0.075867189
021004 1 2 0.069717819
200106 1 2 0.068142579
040113 1 2 0.060407568
110119 1 2 0.059954162
070903 1 2 0.059616282
200112 1 2 0.059187734
080410 1 2 0.057489480
140628 2 3 0.417901486
130307 2 3 0.413194948
040402 2 3 0.411610040
100502 2 3 0.410878362
140601 2 3 0.410186577
100305 2 3 0.409699579
040405 2 3 0.409575817
130109 2 3 0.409543027
140903 2 3 0.409506228
140512 2 3 0.409248816
100501 2 3 0.408702677
130105 2 3 0.407977829
140624 2 3 0.407722143
130205 2 3 0.407561755
140904 2 3 0.407537532
100303 2 3 0.404636387
110210 2 3 0.404191222
140411 2 3 0.404175740
130304 2 3 0.403552158
020501 2 3 0.403531152
140402 2 3 0.403213624
130111 2 3 0.403052614
100104 2 3 0.401618187
140804 2 3 0.401323713
160301 2 3 0.400493182
100503 2 3 0.399908040
130201 2 3 0.397492096
022007 2 3 0.397192164
140801 2 3 0.396579236
021901 2 3 0.396402107
140305 2 3 0.396052022
140403 2 3 0.395812123
140901 2 3 0.395326844
140621 2 3 0.395149023
140905 2 3 0.394471559
140613 2 3 0.394034383
130301 2 3 0.393915388
022008 2 3 0.393241911
140304 2 3 0.392724382
180302 2 3 0.392320436
140409 2 3 0.392314564
110303 2 3 0.392035247
140406 2 3 0.391926351
100301 2 3 0.391813044
140404 2 3 0.391516475
230101 2 3 0.390475464
140805 2 3 0.389380862
100102 2 3 0.389256556
141002 2 3 0.388149613
130103 2 3 0.387582222
021304 2 3 0.387371225
140413 2 3 0.386634292
100103 2 3 0.386210099
021306 2 3 0.386068854
140506 2 3 0.385507799
140629 2 3 0.385501147
190806 2 3 0.385419924
130114 2 3 0.385392257
100111 2 3 0.385354939
140516 2 3 0.385272544
140625 2 3 0.385000516
020323 2 3 0.384843623
100110 2 3 0.384440870
250104 2 3 0.384040557
100504 2 3 0.383617588
110802 2 3 0.383355688
040401 2 3 0.383053546
190115 2 3 0.382968504
140632 2 3 0.382592223
140504 2 3 0.382153278
140809 2 3 0.382091570
140118 2 3 0.382021438
250101 2 3 0.381890840
230105 2 3 0.381702153
020701 2 3 0.381616572
140407 2 3 0.381573939
230102 2 3 0.381553506
110801 2 3 0.381079525
130311 2 3 0.380737497
090604 2 3 0.380709302
190106 2 3 0.380189020
100105 2 3 0.380091198
130112 2 3 0.379965379
190801 2 3 0.379880985
100406 2 3 0.379261719
020505 2 3 0.379192952
210401 2 3 0.379078954
190103 2 3 0.378574735
240106 2 3 0.378568710
110331 2 3 0.378554820
021302 2 3 0.378260532
090608 2 3 0.377676784
250102 2 3 0.377327924
120708 2 3 0.376691507
100114 2 3 0.376507525
110701 2 3 0.376491682
130206 2 3 0.376162428
021307 2 3 0.376000080
140401 2 3 0.375872457
130119 2 3 0.374725911
130117 2 3 0.374694794
140612 2 3 0.374453781
130115 2 3 0.374338840
140602 2 3 0.374229554
090601 2 3 0.373296437
130308 2 3 0.373136673
140116 2 3 0.373109177
130108 2 3 0.373005335
190501 2 3 0.372756465
110604 2 3 0.372467966
140626 2 3 0.372410423
040411 2 3 0.371846431
110501 2 3 0.371184692
140507 2 3 0.370974208
110502 2 3 0.370609991
020605 2 3 0.370239916
140715 2 3 0.370008766
010305 2 3 0.370006300
110503 2 3 0.369637168
140208 2 3 0.368960845
190804 2 3 0.368721303
141005 2 3 0.368703692
140102 2 3 0.368681835
250107 2 3 0.368377101
020502 2 3 0.368346028
130302 2 3 0.368338871
130106 2 3 0.368259655
140609 2 3 0.368151190
130116 2 3 0.368073131
110312 2 3 0.367698140
140307 2 3 0.367683808
020503 2 3 0.367437876
140119 2 3 0.367189905
190601 2 3 0.366815089
110329 2 3 0.366057122
130305 2 3 0.365847985
110307 2 3 0.365841287
110214 2 3 0.365596764
190706 2 3 0.365528321
021303 2 3 0.365345270
100302 2 3 0.365159186
110328 2 3 0.365052878
110324 2 3 0.364552122
180301 2 3 0.364346896
140135 2 3 0.364009014
140416 2 3 0.362983406
130102 2 3 0.362792715
240107 2 3 0.362535714
040403 2 3 0.362420485
010407 2 3 0.362091506
120403 2 3 0.360102944
130107 2 3 0.359853381
140615 2 3 0.359773170
140112 2 3 0.359567222
140415 2 3 0.359531137
180305 2 3 0.359296990
110212 2 3 0.358531055
140627 2 3 0.357437494
140721 2 3 0.356991539
120413 2 3 0.356985572
140103 2 3 0.356860544
140113 2 3 0.356535286
140723 2 3 0.356284247
130310 2 3 0.356071008
140105 2 3 0.355910860
230106 2 3 0.355815658
130303 2 3 0.355694940
020704 2 3 0.355563167
010403 2 3 0.355448559
010113 2 3 0.355445306
140616 2 3 0.355199663
130309 2 3 0.353928819
110306 2 3 0.353900938
022003 2 3 0.353837528
190803 2 3 0.353747700
100112 2 3 0.353554952
140141 2 3 0.353197165
130204 2 3 0.352928876
250301 2 3 0.352560839
190105 2 3 0.352458212
140132 2 3 0.352373887
020706 2 3 0.352280586
110305 2 3 0.352227943
100101 2 3 0.351965014
230103 2 3 0.351757916
140603 2 3 0.351713953
010106 2 3 0.351511352
140137 2 3 0.351112590
210621 2 3 0.350954230
100108 2 3 0.349544177
022004 2 3 0.348571192
140622 2 3 0.348264475
140410 2 3 0.348233386
110803 2 3 0.348150425
110317 2 3 0.347915682
140704 2 3 0.347810478
090605 2 3 0.347481655
140129 2 3 0.347039759
140501 2 3 0.346615639
022009 2 3 0.346156780
190805 2 3 0.345625436
022006 2 3 0.345425348
140405 2 3 0.345222982
190401 2 3 0.345146609
180306 2 3 0.345144558
121101 2 3 0.344961459
100107 2 3 0.344707194
210902 2 3 0.344649990
100113 2 3 0.344433854
140902 2 3 0.343970073
110506 2 3 0.342690626
110325 2 3 0.342249275
121002 2 3 0.341916527
110207 2 3 0.341906541
040410 2 3 0.341864254
110508 2 3 0.341215286
120703 2 3 0.341150535
100408 2 3 0.340998501
210611 2 3 0.340843523
100407 2 3 0.340807336
120301 2 3 0.340477729
130113 2 3 0.340284365
130120 2 3 0.340140336
130110 2 3 0.340074540
010312 2 3 0.339895310
110309 2 3 0.339139208
021301 2 3 0.338733898
140412 2 3 0.338596474
140724 2 3 0.338370006
120608 2 3 0.337941183
010416 2 3 0.337663716
021308 2 3 0.337445875
040306 2 3 0.337417077
140139 2 3 0.337278900
190605 2 3 0.337218515
190113 2 3 0.336965022
250304 2 3 0.336935712
020708 2 3 0.336756373
100505 2 3 0.336141623
140611 2 3 0.336047461
020602 2 3 0.335674735
140722 2 3 0.335492366
140414 2 3 0.335334920
230202 2 3 0.335153686
022001 2 3 0.335140793
100405 2 3 0.334996216
140134 2 3 0.334962139
120404 2 3 0.334792744
120903 2 3 0.334530170
140711 2 3 0.334397566
190604 2 3 0.334363024
110213 2 3 0.334100913
100401 2 3 0.334032469
210601 2 3 0.333972749
120503 2 3 0.333574648
120901 2 3 0.333321705
190702 2 3 0.333149225
110607 2 3 0.333023545
110322 2 3 0.333018273
140408 2 3 0.332598201
140143 2 3 0.332221697
110327 2 3 0.331906978
110302 2 3 0.331853042
120806 2 3 0.331803765
140608 2 3 0.331389687
021202 2 3 0.331155454
230201 2 3 0.330560561
210905 2 3 0.330356433
020710 2 3 0.330097262
140513 2 3 0.330035887
141006 2 3 0.329538963
140136 2 3 0.329309618
110315 2 3 0.329099497
020703 2 3 0.328492379
010101 2 3 0.328254273
110333 2 3 0.328213468
140106 2 3 0.327942592
250103 2 3 0.327870158
190107 2 3 0.327776524
190208 2 3 0.327609739
010304 2 3 0.327477732
090803 2 3 0.327347779
120409 2 3 0.326504500
120106 2 3 0.326174584
121102 2 3 0.325896088
190602 2 3 0.325867123
190802 2 3 0.325254919
110128 2 3 0.325210650
120508 2 3 0.323630594
110127 2 3 0.323523506
110504 2 3 0.323418671
130101 2 3 0.323183413
021903 2 3 0.323006342
190606 2 3 0.322966477
110304 2 3 0.322537519
110206 2 3 0.321296718
110507 2 3 0.321269650
250106 2 3 0.321269192
140122 2 3 0.320868725
140610 2 3 0.320413450
110211 2 3 0.320070114
110116 2 3 0.320061447
140306 2 3 0.319965148
110334 2 3 0.319929625
021206 2 3 0.319433302
190104 2 3 0.319388453
120801 2 3 0.319321686
010419 2 3 0.319316184
140630 2 3 0.319031721
100404 2 3 0.318982808
020320 2 3 0.318846622
210604 2 3 0.318764351
240101 2 3 0.318735293
140109 2 3 0.318345664
140719 2 3 0.317781738
190109 2 3 0.317471776
021309 2 3 0.317355701
190402 2 3 0.317211402
020705 2 3 0.315730310
240104 2 3 0.315426034
060405 2 3 0.315166713
140107 2 3 0.315034812
180307 2 3 0.314927079
141001 2 3 0.314625641
190101 2 3 0.314019359
230104 2 3 0.313989689
010417 2 3 0.313876684
110326 2 3 0.313298891
140803 2 3 0.313062624
110201 2 3 0.312849960
120602 2 3 0.312510612
190504 2 3 0.312200693
021010 2 3 0.312086197
250204 2 3 0.311040613
140303 2 3 0.310553259
140807 2 3 0.310417702
190704 2 3 0.310224469
190608 2 3 0.310047438
100210 2 3 0.309728057
130312 2 3 0.309571274
140206 2 3 0.309467635
140123 2 3 0.308518054
120307 2 3 0.308307778
120112 2 3 0.308297594
140126 2 3 0.308126279
120110 2 3 0.308001531
010418 2 3 0.307996988
021305 2 3 0.307894319
140712 2 3 0.307837544
140806 2 3 0.307739168
120902 2 3 0.306999999
110610 2 3 0.306690901
140720 2 3 0.306009144
110202 2 3 0.305446476
140301 2 3 0.305209259
120805 2 3 0.305148230
190405 2 3 0.304963475
120603 2 3 0.304802624
120102 2 3 0.304768620
140708 2 3 0.304715416
040301 2 3 0.304535545
021905 2 3 0.304478051
210602 2 3 0.304122655
140108 2 3 0.303561202
010310 2 3 0.302341817
100106 2 1 0.302084669
050514 2 1 0.301666483
120808 2 3 0.300719664
110706 2 3 0.300159816
110332 2 3 0.299790280
230301 2 3 0.299611838
210801 2 3 0.298701511
110215 2 1 0.298487571
140121 2 3 0.297696352
022005 2 3 0.297489508
140101 2 3 0.297437724
140618 2 3 0.297387380
110101 2 3 0.297211196
210616 2 3 0.296931139
110204 2 3 0.296465950
210705 2 3 0.296402298
090602 2 3 0.295907589
120104 2 3 0.295855786
120109 2 3 0.295840593
140142 2 3 0.295745553
010110 2 3 0.295619768
160202 2 3 0.295538567
120807 2 3 0.294982137
120609 2 3 0.294821982
010111 2 3 0.294412974
120405 2 3 0.294303343
120103 2 3 0.293475063
010420 2 3 0.293050277
140509 2 3 0.292829441
211001 2 3 0.292820273
110601 2 3 0.292616647
140619 2 3 0.292331014
100209 2 3 0.292241586
130118 2 3 0.291811690
180303 2 3 0.291324483
110301 2 3 0.291286559
100211 2 1 0.291218003
140732 2 1 0.290934034
020305 2 3 0.290781560
080422 2 3 0.289735255
020702 2 3 0.289583497
110318 2 3 0.289277006
110606 2 3 0.289017437
110113 2 3 0.289016432
100205 2 3 0.288661496
120305 2 1 0.288453215
100201 2 3 0.288121143
120111 2 3 0.288096036
130104 2 3 0.287595115
150101 2 3 0.287115520
141004 2 3 0.287107789
141003 2 3 0.286859291
121201 2 3 0.286840717
140606 2 3 0.286373370
010414 2 3 0.285997919
140812 2 3 0.285235164
120304 2 3 0.285218893
210206 2 3 0.284519112
020104 2 3 0.284176314
210404 2 3 0.283202194
080602 2 3 0.283106335
010421 2 3 0.282382986
140138 2 3 0.282281473
121103 2 3 0.282133627
150111 2 3 0.281901401
130306 2 3 0.281428711
010503 2 3 0.281297376
140714 2 1 0.281203431
121104 2 3 0.281073832
120706 2 3 0.281047766
190703 2 3 0.280625530
210620 2 3 0.280597619
120506 2 3 0.280313778
110323 2 3 0.280272814
040406 2 3 0.280168692
010105 2 3 0.279114764
040413 2 3 0.278594092
190607 2 3 0.278388041
100207 2 3 0.278253179
060810 2 3 0.277848336
020607 2 3 0.277206020
230203 2 3 0.276865177
080427 2 1 0.276608207
010504 2 3 0.276444266
140802 2 3 0.275922935
120803 2 3 0.275766430
140718 2 3 0.275716787
040302 2 1 0.275639881
190404 2 3 0.274860481
022002 2 3 0.274288824
210301 2 3 0.273456260
190701 2 3 0.273394108
110704 2 3 0.273306959
050516 2 3 0.272658035
060801 2 3 0.271967483
121001 2 3 0.271827002
110321 2 3 0.271694504
210101 2 3 0.271689930
140302 2 3 0.271603987
210106 2 3 0.271513665
150604 2 3 0.270750507
100304 2 3 0.269976051
140810 2 3 0.269432237
210304 2 3 0.267685473
140104 2 3 0.267194471
040503 2 3 0.267138117
120101 2 3 0.267049681
110313 2 3 0.266548220
240102 2 3 0.266276907
120705 2 3 0.265947986
120501 2 3 0.265922803
090101 2 3 0.265904878
140502 2 3 0.265442292
140811 2 3 0.265275166
110320 2 3 0.264927419
140808 2 3 0.264691648
150112 2 3 0.264091101
230304 2 3 0.262871771
110505 2 1 0.262828224
140505 2 3 0.262330856
120105 2 3 0.262055488
120802 2 3 0.261816367
240105 2 3 0.261067595
120504 2 3 0.260411896
090603 2 1 0.260371507
060408 2 1 0.260310873
150903 2 3 0.259296451
190408 2 3 0.259146428
010307 2 3 0.259101805
150704 2 3 0.258506238
140707 2 3 0.258435389
140511 2 3 0.258000078
190502 2 3 0.257800735
140617 2 3 0.257598369
070915 2 3 0.257547850
230303 2 3 0.257010444
190603 2 3 0.256627164
150506 2 3 0.255691092
110308 2 3 0.255311945
120804 2 3 0.255261362
120107 2 3 0.255059736
210201 2 3 0.254981814
100109 2 3 0.254914863
010205 2 3 0.254239222
250302 2 3 0.253837467
110310 2 3 0.253795545
010501 2 3 0.253360332
140207 2 3 0.252503348
021001 2 1 0.250447411
190705 2 3 0.249384346
140131 2 3 0.249129223
140614 2 1 0.249072404
110708 2 3 0.248939947
110330 2 3 0.248798156
010413 2 3 0.248503614
080402 2 1 0.248420387
140120 2 3 0.248071016
100208 2 3 0.245492846
020311 2 3 0.245364022
140125 2 3 0.245069985
120302 2 3 0.244608635
110806 2 1 0.244420159
110602 2 1 0.244354685
021011 2 3 0.243396892
040404 2 1 0.242190822
140111 2 3 0.241458606
010114 2 3 0.241250997
140631 2 3 0.241126768
220101 2 3 0.241104292
010409 2 3 0.240886075
121203 2 3 0.240556499
110314 2 3 0.240121044
021904 2 3 0.239591973
210205 2 3 0.238308673
010118 2 3 0.238278990
150601 2 3 0.238074397
250303 2 3 0.237453419
020707 2 1 0.237289514
150603 2 3 0.236689506
010120 2 3 0.236547013
150113 2 3 0.236218171
110707 2 1 0.235335235
010412 2 3 0.235298474
020601 2 3 0.235148872
180103 2 1 0.234386769
050511 2 3 0.234260977
110132 2 1 0.233114793
150201 2 3 0.233090880
060811 2 3 0.233071010
021203 2 3 0.232909269
110123 2 1 0.232768100
120604 2 3 0.232051216
110804 2 3 0.231743596
090801 2 1 0.231558272
150501 2 3 0.231540459
150303 2 3 0.231389552
190503 2 3 0.230295540
010408 2 3 0.229895805
140508 2 3 0.229277688
021205 2 1 0.228924540
150305 2 3 0.227928143
140127 2 3 0.226813440
210908 2 3 0.225605702
100204 2 3 0.224452875
120701 2 3 0.224296927
210904 2 3 0.223552499
120610 2 3 0.223488841
140133 2 3 0.223241037
120204 2 1 0.223174468
210610 2 3 0.222535243
120704 2 3 0.222426925
100203 2 3 0.222362527
110702 2 3 0.222351953
070108 2 3 0.222095619
140114 2 3 0.221312062
120411 2 1 0.221185485
110319 2 3 0.220298753
040107 2 1 0.219270275
140117 2 3 0.219076415
100403 2 1 0.218228525
021204 2 3 0.217654959
060803 2 3 0.214555409
140605 2 3 0.213584136
250401 2 3 0.213529691
020110 2 1 0.213498967
121003 2 1 0.212629295
020310 2 3 0.212165285
140110 2 3 0.211401837
140130 2 3 0.211015142
210306 2 3 0.211011926
190505 2 3 0.210763541
021002 2 3 0.210304052
050525 2 1 0.210291141
010506 2 3 0.209973476
110609 2 1 0.209813034
010411 2 3 0.209706487
190207 2 3 0.206944220
090405 2 3 0.206855707
150304 2 3 0.205668911
170303 2 3 0.205034203
140128 2 3 0.202680452
120202 2 1 0.201634955
020709 2 3 0.201019554
070101 2 3 0.200871781
110121 2 1 0.200871216
240103 2 3 0.200111488
040129 2 3 0.199366456
040101 2 3 0.199024077
150701 2 3 0.198662201
010116 2 3 0.198042591
140620 2 3 0.197623615
010301 2 3 0.196959744
150503 2 3 0.196765164
120612 2 3 0.196003219
020603 2 1 0.195285417
010423 2 3 0.195031279
090804 2 1 0.193302210
120308 2 3 0.192903692
140140 2 3 0.191974753
060205 2 1 0.191463307
010508 2 3 0.191449372
120402 2 1 0.190659103
190114 2 3 0.189619190
110509 2 3 0.188912720
080608 2 1 0.188866041
010115 2 3 0.188129666
120707 2 3 0.187092840
150705 2 3 0.186556061
021007 2 3 0.186368010
140115 2 3 0.186336428
210405 2 3 0.186258635
140205 2 3 0.184215195
080428 2 1 0.184042924
090110 2 1 0.183839301
090208 2 1 0.183334094
080414 2 1 0.181190178
210305 2 3 0.179964375
060804 2 3 0.179021288
140124 2 3 0.178952422
010112 2 3 0.178931357
010703 2 3 0.178642989
210619 2 3 0.178219051
110316 2 3 0.177921618
140709 2 3 0.176938411
020101 2 1 0.176035062
110401 2 3 0.174617568
120203 2 3 0.174579842
020321 2 3 0.173756755
210204 2 3 0.173200592
140727 2 1 0.172831449
210104 2 3 0.172767174
250105 2 3 0.172560211
210506 2 1 0.172464254
020304 2 1 0.172378828
110311 2 3 0.172202441
140702 2 1 0.171164741
160302 2 1 0.167547733
100402 2 1 0.166722196
040123 2 3 0.166248781
022010 2 3 0.164250547
190209 2 3 0.162447325
120607 2 3 0.159244697
211002 2 3 0.158268810
170301 2 1 0.157798432
140716 2 1 0.157438882
120606 2 3 0.157071542
120401 2 1 0.156554855
021207 2 1 0.155159181
190506 2 3 0.154945242
210501 2 3 0.152512355
110904 2 1 0.152463334
040511 2 3 0.152119487
010119 2 3 0.150785210
140623 2 3 0.147912469
021005 2 3 0.146763970
190204 2 3 0.146143553
040126 2 1 0.144580292
010308 2 3 0.143492388
020107 2 1 0.142482131
150402 2 3 0.141960236
120702 2 1 0.140974847
210203 2 3 0.140164331
210307 2 3 0.139753680
080606 2 1 0.138394089
010415 2 3 0.137506912
150410 2 3 0.137011630
210701 2 3 0.136830794
110108 2 1 0.136477100
010511 2 3 0.135418457
210901 2 3 0.134596667
150210 2 3 0.134244374
020302 2 3 0.133843513
110103 2 1 0.133030207
090802 2 3 0.132691029
090407 2 1 0.130802439
040128 2 1 0.130592486
010704 2 3 0.128508822
010509 2 3 0.123412852
061005 2 1 0.123169928
150205 2 3 0.123139034
150902 2 3 0.122746741
150706 2 3 0.121621737
061007 2 1 0.121596850
010502 2 3 0.120309698
010507 2 3 0.120286464
120303 2 1 0.120091369
010303 2 3 0.119949383
040407 2 1 0.119771665
121202 2 1 0.118804723
150504 2 3 0.116128921
150703 2 3 0.115518593
010108 2 3 0.113936304
140713 2 1 0.112097093
040701 2 1 0.111558875
080305 2 1 0.111177130
150602 2 3 0.111023667
021801 2 1 0.108091655
210105 2 3 0.107204735
010104 2 3 0.105295486
150901 2 3 0.103991618
110901 2 1 0.103959383
210313 2 3 0.103889934
210311 2 3 0.102285168
150904 2 3 0.101550625
040114 2 1 0.099699081
210909 2 3 0.097849391
090609 2 3 0.097368368
210102 2 3 0.096931863
190410 2 3 0.095457662
110705 2 1 0.095401775
090102 2 1 0.095058224
110703 2 3 0.093861569
090805 2 1 0.092961997
220109 2 1 0.089447936
040512 2 1 0.087824389
150108 2 3 0.087626839
210202 2 3 0.086809705
150106 2 3 0.086712484
150206 2 3 0.086680917
150202 2 3 0.086527041
060403 2 1 0.085975083
210103 2 3 0.085658366
210508 2 3 0.084643056
110107 2 1 0.084591745
060404 2 1 0.083897478
020322 2 3 0.083130306
190507 2 3 0.083030203
020317 2 3 0.082401355
060101 2 1 0.081924881
021902 2 3 0.081035742
020102 2 1 0.080914265
211003 2 1 0.080383718
210907 2 3 0.078077757
210804 2 3 0.076200542
021408 2 1 0.074276902
080518 2 3 0.072935640
070105 2 1 0.070382306
010202 2 3 0.070078880
210403 2 3 0.069359962
110905 2 1 0.064906657
010121 2 3 0.063151183
140701 2 1 0.062891101
010701 2 1 0.062337414
180113 2 1 0.061973099
040809 2 3 0.061602073
020203 2 1 0.057647389
210803 2 1 0.057366313
070106 2 1 0.055446207
200101 2 1 0.053610331
150409 2 3 0.053028711
110805 2 1 0.052893182
140604 2 1 0.050937933
040119 2 1 0.050149538
150406 2 3 0.049635594
210316 2 3 0.047680595
150105 2 3 0.045924897
210314 2 3 0.044108680
190210 2 3 0.043880248
071307 2 1 0.043200509
140201 2 1 0.042622111
020111 2 1 0.039478818
010505 2 3 0.036163157
210303 2 3 0.035631763
050517 2 1 0.034015139
110126 2 1 0.033244646
211005 2 3 0.032913387
140728 2 1 0.032906383
021502 2 1 0.031628682
021003 2 1 0.031592298
071004 2 1 0.029199254
110125 2 1 0.028658382
080526 2 1 0.027565199
160101 2 1 0.026914741
210608 2 3 0.026481987
150408 2 3 0.024808933
110104 2 1 0.024087246
051108 2 1 0.023912374
120306 2 1 0.023653896
040102 2 1 0.023101270
150211 2 3 0.022161474
150302 2 3 0.021692152
190406 2 3 0.018251183
010406 2 3 0.014388205
080405 2 1 0.013901148
040109 2 1 0.012397419
140703 2 1 0.006395176
010103 2 1 0.006316639
120613 2 1 -0.003459358
040507 2 1 -0.004702237
020815 2 1 -0.008135128
110608 2 1 -0.008937346
110109 2 1 -0.010168962
250201 2 1 -0.012382959
010512 2 1 -0.013954008
070901 2 1 -0.014293438
040808 2 1 -0.014889942
061106 2 1 -0.015321804
110907 2 1 -0.017580652
060409 2 1 -0.019597612
070904 2 1 -0.019848476
060201 2 1 -0.026572449
040307 2 1 -0.027068965
070104 2 1 -0.027326441
050512 2 1 -0.027530886
060812 2 1 -0.029666026
020315 2 1 -0.031261972
110124 2 1 -0.032330564
090201 2 1 -0.033704746
080611 2 1 -0.036006248
071306 2 1 -0.037807519
180308 2 1 -0.038174229
040127 2 1 -0.038699856
010107 2 1 -0.041932434
020313 2 1 -0.042264480
050510 2 1 -0.044301858
250205 2 1 -0.045470860
120408 2 1 -0.048208802
020606 2 1 -0.053998669
110133 2 1 -0.056632180
030317 2 1 -0.056771383
021401 2 1 -0.059918601
170205 2 1 -0.062645623
110403 2 1 -0.066203150
140607 2 1 -0.067357005
051004 3 2 0.398101753
051007 3 2 0.394964855
051003 3 2 0.391988554
051002 3 2 0.386714292
210703 3 2 0.386489769
010601 3 2 0.385234961
051001 3 2 0.384314534
210612 3 2 0.383926038
210502 3 2 0.383785720
090607 3 2 0.381905912
051009 3 2 0.367920926
210702 3 2 0.359511645
210503 3 2 0.353370605
210607 3 2 0.344701178
150401 3 2 0.339166085
030709 3 1 0.323695367
010603 3 2 0.321774474
210704 3 2 0.320300878
010602 3 2 0.316935493
030710 3 1 0.311408865
150405 3 2 0.296194398
051010 3 2 0.292738799
051005 3 1 0.289680909
010203 3 2 0.287172893
210906 3 2 0.286880515
150404 3 2 0.277512736
150104 3 2 0.244068752
010422 3 2 0.243276597
150403 3 2 0.212918389
010117 3 2 0.210702906
190403 3 2 0.209709603
210609 3 2 0.204364209
090610 3 2 0.202470345
150505 3 2 0.199068502
010204 3 2 0.182138816
051008 3 1 0.178069064
210706 3 1 0.175562615
051006 3 1 0.162206745
060802 3 2 0.150290815
110209 3 1 0.142541183
210504 3 1 0.140837029
040803 3 1 0.138890458
210606 3 2 0.137895027
010404 3 2 0.131779009
150110 3 2 0.131595592
190407 3 2 0.128154955
210402 3 1 0.125790870
010102 3 2 0.113430372
061101 3 2 0.097629294
010201 3 2 0.091090018
010510 3 2 0.088259092
150702 3 2 0.086578496
180304 3 2 0.077319149
010702 3 1 0.075020453
150301 3 2 0.073852364
060504 3 2 0.072535994
050612 3 1 0.068065673
050524 3 2 0.067416183
010707 3 2 0.063929683
010401 3 2 0.061849016
010206 3 1 0.052808514
090506 3 1 0.048122586
020324 3 2 0.044832998
060515 3 2 0.044598235
210903 3 2 0.028191714
010410 3 2 0.026623629
150411 3 2 0.024241632
210802 3 2 0.023212641
210910 3 2 0.022961925
150407 3 2 0.017944015
150103 3 2 0.016001224
021209 3 2 0.007218855
150502 3 2 0.002664589
150102 3 2 -0.003984632
090606 3 2 -0.008532700
010109 3 1 -0.025335104
080532 3 1 -0.061554414
$clus.avg.widths
[1] 0.4859174 0.2523681 0.1807236
$avg.width
[1] 0.3675699fviz_silhouette(sil.obj = km_clusters,
print.summary = TRUE,
palette = "jco",
ggtheme = theme_classic())Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
ℹ Please use tidy evaluation idioms with `aes()`.
ℹ See also `vignette("ggplot2-in-packages")` for more information.
ℹ The deprecated feature was likely used in the factoextra package.
Please report the issue at <https://github.com/kassambara/factoextra/issues>. cluster size ave.sil.width
1 1 948 0.49
2 2 849 0.25
3 3 77 0.18
distancias= daisy(data_clust,
metric="gower")aglomerativo = hcut(x = distancias,
k = 3,
hc_func='agnes',
hc_method = "ward.D") fviz_dend(aglomerativo,
rect = TRUE,
cex = 0.5) Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
ℹ Please use `linewidth` instead.
ℹ The deprecated feature was likely used in the factoextra package.
Please report the issue at <https://github.com/kassambara/factoextra/issues>.Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use "none" instead as
of ggplot2 3.3.4.
ℹ The deprecated feature was likely used in the factoextra package.
Please report the issue at <https://github.com/kassambara/factoextra/issues>.
plot(aglomerativo)
str(aglomerativo)List of 13
$ order : int [1:1874] 1 85 86 563 1035 1144 1046 1050 1051 1040 ...
$ height : num [1:1873] 0.0435 0.0137 0.0316 0.0881 0.0188 ...
$ ac : num 0.986
$ merge : int [1:1873, 1:2] -1305 -1287 -343 -1729 -1646 1 -1292 -1817 -693 -1029 ...
$ diss : NULL
$ call : language cluster::agnes(x = x, method = hc_method)
$ method : chr "ward"
$ order.lab: chr [1:1874] "010101" "020101" "020102" "060101" ...
$ cluster : int [1:1874] 1 2 3 3 2 2 3 2 3 2 ...
$ nbclust : num 3
$ silinfo :List of 3
..$ widths :'data.frame': 1874 obs. of 3 variables:
.. ..$ cluster : Factor w/ 3 levels "1","2","3": 1 1 1 1 1 1 1 1 1 1 ...
.. ..$ neighbor : num [1:1874] 2 2 2 2 2 2 2 2 2 2 ...
.. ..$ sil_width: num [1:1874] 0.421 0.417 0.417 0.416 0.416 ...
..$ clus.avg.widths: num [1:3] 0.2191 0.0607 0.3156
..$ avg.width : num 0.228
$ size : int [1:3] 308 530 1036
$ data : 'dissimilarity' num [1:1755001] 0.0973 0.0725 0.0813 0.1162 0.092 ...
..- attr(*, "Labels")= chr [1:1874] "010101" "010102" "010103" "010104" ...
..- attr(*, "Size")= int 1874
..- attr(*, "Metric")= chr "mixed"
..- attr(*, "Types")= chr [1:18] "I" "I" "I" "I" ...
- attr(*, "class")= chr [1:3] "agnes" "twins" "hcut"Primero se debe conocer el epsilon recomendado para trabajar este método:
distancias <- sort(dbscan::kNNdist(data_clust, k = 5))
dbscan::kNNdistplot(data_clust, k = 5)
distancias[1650] 021903
11.02831 set.seed(123)
dbscan_cluster1 <- fpc::dbscan(data = data_clust,
eps = 11,
MinPts = 3)
print(dbscan_cluster1)dbscan Pts=1874 MinPts=3 eps=11
0 1 2 3 4 5
border 90 35 2 3 0 2
seed 0 1733 1 1 5 2
total 90 1768 3 4 5 4set.seed(123)
dbscan::dbscan(data_clust, 11, 3)DBSCAN clustering for 1874 objects.
Parameters: eps = 11, minPts = 3
Using euclidean distances and borderpoints = TRUE
The clustering contains 5 cluster(s) and 90 noise points.
0 1 2 3 4 5
90 1768 3 4 5 4
Available fields: cluster, eps, minPts, metric, borderPointsfviz_cluster(dbscan_cluster1,
data_clust, stand = FALSE,
ellipse = FALSE,
geom = "point") +
labs(title = "DBSCAN") + theme_bw()
| Método | Coeficiente de Silueta |
|---|---|
| K-mean | 0.29 |
| Jerárquico | 0.228 |
Todos los métodos presentaron un coeficiente de silueta bajo. Sin embargo, considerando la realidad representada por los datos, esto puede responder a que no existen patrones distritales claros dada la fragmentación del sistema de partidos.
Aún así, debido a los resultados obtenidos, k-means es el método que mejor agrupa los datos.
data_distritos <- data_distritos %>%
ungroup() %>%
mutate(cluster = km$cluster)
table(data_distritos$cluster)
1 2 3
604 592 678 resumen_clusters <- data_distritos %>%
group_by(cluster) %>%
summarise(
`P1: Partido Nacionalista` = mean(pct_P1, na.rm = TRUE),
`P2: Frente Amplio` = mean(pct_P2, na.rm = TRUE),
`P3: Partido Morado` = mean(pct_P3, na.rm = TRUE),
`P4: Perú Patria Segura` = mean(pct_P4, na.rm = TRUE),
`P5: Victoria Nacional` = mean(pct_P5, na.rm = TRUE),
`P6: Acción Popular` = mean(pct_P6, na.rm = TRUE),
`P7: Avanza País` = mean(pct_P7, na.rm = TRUE),
`P8: Podemos Perú` = mean(pct_P8, na.rm = TRUE),
`P9: Juntos por el Perú` = mean(pct_P9, na.rm = TRUE),
`P10: PPC` = mean(pct_P10, na.rm = TRUE),
`P11: Fuerza Popular` = mean(pct_P11, na.rm = TRUE),
`P12: Unión por el Perú` = mean(pct_P12, na.rm = TRUE),
`P13: Renovación Popular` = mean(pct_P13, na.rm = TRUE),
`P14: Renacimiento Unido` = mean(pct_P14, na.rm = TRUE),
`P15: Somos Perú` = mean(pct_P15, na.rm = TRUE),
`P16: Perú Libre` = mean(pct_P16, na.rm = TRUE),
`P17: Democracia Directa` = mean(pct_P17, na.rm = TRUE),
`P18: Alianza para el Progreso` = mean(pct_P18, na.rm = TRUE),
n_distritos = n()
)
print(resumen_clusters)# A tibble: 3 × 20
cluster `P1: Partido Nacionalista` `P2: Frente Amplio` `P3: Partido Morado`
<int> <dbl> <dbl> <dbl>
1 1 3.97 0.792 1.15
2 2 2.43 0.815 0.604
3 3 4.36 0.597 1.64
# ℹ 16 more variables: `P4: Perú Patria Segura` <dbl>,
# `P5: Victoria Nacional` <dbl>, `P6: Acción Popular` <dbl>,
# `P7: Avanza País` <dbl>, `P8: Podemos Perú` <dbl>,
# `P9: Juntos por el Perú` <dbl>, `P10: PPC` <dbl>,
# `P11: Fuerza Popular` <dbl>, `P12: Unión por el Perú` <dbl>,
# `P13: Renovación Popular` <dbl>, `P14: Renacimiento Unido` <dbl>,
# `P15: Somos Perú` <dbl>, `P16: Perú Libre` <dbl>, …Aquí se observa que ,los 3 clusters tienen un número similar de observaciones. Además, considerando los resultados de la tabla, estos se caracterizan de la siguiente forma:
Cluster 2: Distritos donde Perú Libre recibió una mayoría avasalladora de votos.
Cluster 1: Distritos donde si bien Perú Libre fue el partido que recibió la mayor cantidad de votos, no es una gran mayoría. Otros partidos también fueron competencia.
Cluster 3: Distritos donde Fuerza Popular obtuvo la gran mayoría de votos.
table(data_distritos$cluster, data_distritos$DEPARTAMENTO)
AMAZONAS ANCASH APURIMAC AREQUIPA AYACUCHO CAJAMARCA CALLAO CUSCO
1 25 88 18 48 31 57 0 58
2 2 27 66 47 84 66 0 52
3 57 51 0 14 4 4 7 2
HUANCAVELICA HUANUCO ICA JUNIN LA LIBERTAD LAMBAYEQUE LIMA LORETO
1 40 34 7 55 23 1 26 0
2 57 43 0 2 1 1 0 0
3 3 7 36 67 59 36 145 53
MADRE DE DIOS MOQUEGUA PASCO PIURA PUNO SAN MARTIN TACNA TUMBES UCAYALI
1 6 6 14 11 16 25 10 1 4
2 4 13 8 7 94 1 17 0 0
3 1 1 7 47 0 51 1 12 13Para visualizar mejor los resultados de los clusters obtenidos, se opta por realizar un mapa a nivel distrital.
library(sf) Linking to GEOS 3.13.1, GDAL 3.11.4, PROJ 9.7.0; sf_use_s2() is TRUEmapa=sf::read_sf("distrito.shp")
head(mapa) Simple feature collection with 6 features and 9 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -78.03794 ymin: -6.986759 xmax: -77.61757 ymax: -5.94494
Geodetic CRS: WGS 84
# A tibble: 6 × 10
UBIGEO CCDD CCPP CCDI DEPARTAMEN PROVINCIA DISTRITO OBJECTID ESRI_OID
<chr> <chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl>
1 010101 01 01 01 AMAZONAS CHACHAPOYAS CHACHAPOYAS 1 1
2 010102 01 01 02 AMAZONAS CHACHAPOYAS ASUNCION 2 2
3 010103 01 01 03 AMAZONAS CHACHAPOYAS BALSAS 3 3
4 010104 01 01 04 AMAZONAS CHACHAPOYAS CHETO 4 4
5 010105 01 01 05 AMAZONAS CHACHAPOYAS CHILIQUIN 5 5
6 010106 01 01 06 AMAZONAS CHACHAPOYAS CHUQUIBAMBA 6 6
# ℹ 1 more variable: geometry <MULTIPOLYGON [°]>mapa2=merge(mapa,data_distritos,by.x='UBIGEO',by.y='UBIGEO', all.x = T)
head(mapa2)Simple feature collection with 6 features and 52 fields
Geometry type: MULTIPOLYGON
Dimension: XY
Bounding box: xmin: -78.03794 ymin: -6.986759 xmax: -77.61757 ymax: -5.94494
Geodetic CRS: WGS 84
UBIGEO CCDD CCPP CCDI DEPARTAMEN PROVINCIA.x DISTRITO.x OBJECTID ESRI_OID
1 010101 01 01 01 AMAZONAS CHACHAPOYAS CHACHAPOYAS 1 1
2 010102 01 01 02 AMAZONAS CHACHAPOYAS ASUNCION 2 2
3 010103 01 01 03 AMAZONAS CHACHAPOYAS BALSAS 3 3
4 010104 01 01 04 AMAZONAS CHACHAPOYAS CHETO 4 4
5 010105 01 01 05 AMAZONAS CHACHAPOYAS CHILIQUIN 5 5
6 010106 01 01 06 AMAZONAS CHACHAPOYAS CHUQUIBAMBA 6 6
DEPARTAMENTO PROVINCIA.y DISTRITO.y N_CVAS N_ELEC_HABIL VOTOS_P1 VOTOS_P2
1 AMAZONAS CHACHAPOYAS CHACHAPOYAS 13619 20819 182 112
2 AMAZONAS CHACHAPOYAS ASUNCION 114 285 15 0
3 AMAZONAS CHACHAPOYAS BALSAS 504 1012 9 3
4 AMAZONAS CHACHAPOYAS CHETO 411 587 29 18
5 AMAZONAS CHACHAPOYAS CHILIQUIN 324 732 14 2
6 AMAZONAS CHACHAPOYAS CHUQUIBAMBA 641 1523 9 13
VOTOS_P3 VOTOS_P4 VOTOS_P5 VOTOS_P6 VOTOS_P7 VOTOS_P8 VOTOS_P9 VOTOS_P10
1 281 35 630 1338 1132 333 1314 125
2 2 1 8 17 1 2 6 0
3 5 1 25 52 4 2 28 1
4 4 0 9 47 14 2 37 2
5 1 1 2 28 3 2 14 0
6 6 0 27 54 1 2 56 1
VOTOS_P11 VOTOS_P12 VOTOS_P13 VOTOS_P14 VOTOS_P15 VOTOS_P16 VOTOS_P17
1 1222 30 1225 36 213 1695 36
2 6 0 6 1 3 14 0
3 49 2 21 2 10 117 0
4 29 1 26 1 1 44 0
5 88 1 6 3 0 41 2
6 125 3 13 4 6 60 3
VOTOS_P18 total_votos_validos pct_P1 pct_P2 pct_P3 pct_P4
1 1009 10948 1.662404 1.0230179 2.5666788 0.3196931
2 8 90 16.666667 0.0000000 2.2222222 1.1111111
3 25 356 2.528090 0.8426966 1.4044944 0.2808989
4 32 296 9.797297 6.0810811 1.3513514 0.0000000
5 12 220 6.363636 0.9090909 0.4545455 0.4545455
6 35 418 2.153110 3.1100478 1.4354067 0.0000000
pct_P5 pct_P6 pct_P7 pct_P8 pct_P9 pct_P10 pct_P11
1 5.7544757 12.22141 10.3397881 3.0416514 12.002192 1.1417611 11.161856
2 8.8888889 18.88889 1.1111111 2.2222222 6.666667 0.0000000 6.666667
3 7.0224719 14.60674 1.1235955 0.5617978 7.865169 0.2808989 13.764045
4 3.0405405 15.87838 4.7297297 0.6756757 12.500000 0.6756757 9.797297
5 0.9090909 12.72727 1.3636364 0.9090909 6.363636 0.0000000 40.000000
6 6.4593301 12.91866 0.2392344 0.4784689 13.397129 0.2392344 29.904306
pct_P12 pct_P13 pct_P14 pct_P15 pct_P16 pct_P17 pct_P18 cluster
1 0.2740227 11.189258 0.3288272 1.9455608 15.48228 0.3288272 9.216295 3
2 0.0000000 6.666667 1.1111111 3.3333333 15.55556 0.0000000 8.888889 3
3 0.5617978 5.898876 0.5617978 2.8089888 32.86517 0.0000000 7.022472 1
4 0.3378378 8.783784 0.3378378 0.3378378 14.86486 0.0000000 10.810811 3
5 0.4545455 2.727273 1.3636364 0.0000000 18.63636 0.9090909 5.454545 3
6 0.7177033 3.110048 0.9569378 1.4354067 14.35407 0.7177033 8.373206 3
geometry
1 MULTIPOLYGON (((-77.8858 -6...
2 MULTIPOLYGON (((-77.74482 -...
3 MULTIPOLYGON (((-77.9358 -6...
4 MULTIPOLYGON (((-77.71486 -...
5 MULTIPOLYGON (((-77.77405 -...
6 MULTIPOLYGON (((-77.86211 -...mapa_limpio <- mapa %>%
mutate(
depto_limpio = toupper(iconv(DEPARTAMEN, to = "ASCII//TRANSLIT")),
prov_limpio = toupper(iconv(PROVINCIA, to = "ASCII//TRANSLIT")),
dist_limpio = toupper(iconv(DISTRITO, to = "ASCII//TRANSLIT"))
)
data_distritos_limpio <- data_distritos %>%
mutate(
depto_limpio = toupper(iconv(DEPARTAMENTO, to = "ASCII//TRANSLIT")),
prov_limpio = toupper(iconv(PROVINCIA, to = "ASCII//TRANSLIT")),
dist_limpio = toupper(iconv(DISTRITO, to = "ASCII//TRANSLIT"))
)
mapa2 <- mapa_limpio %>%
left_join(data_distritos_limpio,
by = c("depto_limpio", "prov_limpio", "dist_limpio"))mapaleyenda <- ggplot(mapa2) + geom_sf() + theme_light()
mapaley <- mapaleyenda +
geom_sf(data = mapa2,
aes(fill = factor(cluster)),
color = "gray")
mapa3 <- mapaley +
coord_sf() +
scale_fill_manual(values = c( "dodgerblue3", "firebrick1","darkorange")) +
theme_void() +
theme(axis.title = element_blank(),
axis.text = element_blank(),
legend.position = c(1.1, 0.55)) +
labs(fill = " ") +
theme(legend.text = element_text(size = 13)) +
labs(title = "Tendencia al voto por distrito",
caption = "Fuente: Plataforma Nacional de Datos Abiertos") +
theme(plot.title = element_text(color = "black", size = 15, face = "bold"),
plot.caption = element_text(color = "black", size = 10))
mapa3
El presente trabajo aplicó métodos de clusterización (k-mean, Jerárquico y DBScan) para conocer si la afirmación “el sur vota por partidos anti sistema y la costa norte por partidos conservadores” representaba la realidad. Tras un análisis de cluster aplicado a los resultados electorales de la primera vuelta de 2021, se evidencia que la afirmación inicial es simplista y no refleja la complejidad de la realidad. Si bien se identifica que existe una fuerte predominancia de Perú Libre en el sur rural y de Fuerza Popular en el norte costero, la existencia de un tercer grupo (Cluster 1) con presencia trasversal en todo el territorio peruano representa zonas donde el voto es más competitivo y fragmentado. Esto indica una heterogeneidad territorial del voto. Como se observa en el mapa final, la sierra norte votando por partidos de izquierda y la costa sur optando por partidos de derecha muestran una realidad compleja que no pueden ser reducidas a categorías geográficas simplistas.
Almén, J. (2023). Geographic polarization and clustering of partisan voting: A local-level analysis of Stockholm Municipality (Master’s thesis). Lund University. http://lup.lub.lu.se/student-papers/record/9139885
Barrera, O., Leiva, A., Martínez-Toledano, C. y Zúñiga-Cordero, A. (2021). Social Inequalities, Identity, and the Structure of Political Cleavages in Argentina, Chile, Costa Rica, Colombia, Mexico, and Peru, 1952–2019. In Political Cleavages and Social Inequalities. https://doi.org/10.2307/j.ctv209xnfn.18
Bartolini, S. y Mair, P.r (1990). Identity, Competition and Electoral Availability. Cambridge University Press: New York
Cangemi, D., D’Urso, P., De Giovanni, L., Federico, L., y Vitale, V. (2025). Spatial robust fuzzy clustering of mixed data with electoral study. Spatial Statistics, 69, 100914. https://doi.org/10.1016/j.spasta.2025.100914
Deegan-Krause, K. (2007). New Dimensions of Political Cleavage. en The Oxford Handbook of Political Behavior. New York: Oxford University Press.
Jonas Almén (2023). Geographic polarization and clustering of partisan voting: A local-level analysis of Stockholm Municipality
Levitsky, S., y Zavaleta, M. (2019). Why no party-building in Peru? In N. P. Lupu, V. Oliveros, & L. M. Schiumerini (Eds.), Campaigns and voters in developing democracies: Argentina in comparative perspective (pp. 229-253). University of Michigan Press.
Lipset, S y M., Rokkan, S. (1990). Cleavage Structures, Party Systems, and Voter Alignments, en Peter Mair (compiladores). The West European Party System, Oxford: Oxford University Press.
Luque, C., y Sosa, J. (2021). Bayesian spatial voting model to characterize the legislative behavior of the Colombian Senate 2010–2014. arXiv. https://arxiv.org/abs/2110.10250
Mohammed, H., Clarke, N., y Li, F. (2018). Evidence identification in heterogeneous data using clustering. Proceedings of the 17th European Conference on Cyber Warfare and Security, 1–13.
Mora-Navarro, G., Balaguer-Beser, A., Marti-Montolio, C., y Femenia-Ribera, C. (2020). Geoportal for electoral geomarketing to detect microzones with potential voters in an urban area. Revista Mapping, 29(201), 34–43.
Pighi, M. (2021). Elecciones en Perú: los mapas que muestran las 2 caras de un país dividido entre Pedro Castillo y Keiko Fujimori. BBC News Mundo.https://www.bbc.com/mundo/noticias-america-latina-57394794
Saldaña Cohen, V. D. (2021). Metodología para el análisis espaciotemporal del impacto de la abstención en los resultados electorales en Venezuela: Periodo 2004–2013 (Tesis doctoral, Universidad Politécnica de Madrid). E.T.S.I. en Topografía, Geodesia y Cartografía.https://doi.org/10.20868/UPM.thesis.69686