Análisis Exploratorio de Datos Univariados

Este documento presenta algunos de los códigos y funciones que nos ayudarán a realizar un análisis exploratorio de datos univariado. De forma introductoria se presenta un ejemplo sobre el proceso de lectura y depuración de datos, así como la realización de gráficos, distribuciones de frecuencia y obtención de indicadores de dispersión.

#Lectura de datos directamente desde una url. Instalamos y cargamos la librería "readr"
#install.packages("readr") Instalación
library(readr) #cargamos la librería
url <- "https://www.datos.gov.co/api/views/kx2f-xjdq/rows.csv?accessType=DOWNLOAD" #Declaramos la url

df <- read_csv(url, progress = TRUE) #Leemos los datos de la url

saveRDS(df, "inclusion_financiera.rds") #Guardamos los datos en formato RDS para no tener que volver a leerlos desde la url después.

getwd() #Verificamos cuál es el directorio de trabajo en el que estamos.

En caso de necesitar cambiar el directorio usar: setwd(“ubicacion del directorio de trabajo”).

#Leemos los datos
df <- readRDS("inclusion_financiera.rds")
dim(df) #Obtenemos el tamaño de la matriz de datos. 1566595 filas (registros) y 99 columnas (variables)
head(df) #podemos observar un fragmento de los datos
table(df$NOMBRE_ENTIDAD) #Extraemos una tabla de frecuencias para la variable nombre de entidad.

Debemos corregir las categorías de la variable usando las funciones de la librería dplyr.

#install.packages("dplyr") #instalamos la librería
library(dplyr) #cargamos la librería
df2<-df %>%
  mutate(
    NOMBRE_ENTIDAD = recode(
      NOMBRE_ENTIDAD,
      "Bancar Tecnología C.F." = "Bancar Tecnologia C.F.",
      "Bancar Tecnología C.F." = "Bancar Tecnologia C.F.",
      "Banco de Bogotá" = "Banco de Bogota",
      "Banco de Bogotá" = "Banco de Bogota",
      "Banco Pichióncha S.A." = "Banco Pichincha S.A.",
      "Banco Serfiónanza S.A."= "Banco Serfinanza S.A.",
      "Coltefiónanciera" = "Coltefinanciera",
      "Cooperativa Fiónanciera de Antioquia" = "Cooperativa Financiera de Antioquia",
      "Fiónanciera Juriscoop C.F." = "Financiera Juriscoop C.F.",
      "Fiónandióna" = "Finandina",
      "GM Financial Colombia S.A. Compañía De Financiamiento" = "GM Financial Colombia S.A. Compania De Financiamiento",
      "GM Financial Colombia S.A. Compañía De Financiamiento" = "GM Financial Colombia S.A. Compania De Financiamiento",
      "Itaú" = "Itau",
      "JFK Cooperativa Fiónanciera"= "JFK Cooperativa Financiera"
    )
  )
table(df2$NOMBRE_ENTIDAD)
#las distribuciones de frecuencia se visualizan mejor como dataframe.
DisFNombre<-as.data.frame(table(df2$NOMBRE_ENTIDAD))
barplot(DisFNombre$Freq~DisFNombre$Var1) #gráfico por defecto
#se puede mejorar usando la librería ggplot2

#install.packages("ggplot2") #Instalamos la librería
library(ggplot2) #cargamos la librería.

ggplot(df2, aes(x = NOMBRE_ENTIDAD)) +
  geom_bar(fill = "lightgray") +
  labs(
    title = " ",
    x = "Entidad financiera",
    y = "Frecuencia"
  ) +
  theme_minimal()+
  theme(
    axis.text.x = element_text(size = 16),
    axis.text.y = element_text(size = 16),
    axis.title.x = element_text(size = 16),
    axis.title.y = element_text(size = 16)
  )

¿Cómo podemos mejorar la visualización?

ggplot(df2, aes(x = NOMBRE_ENTIDAD)) +
  geom_bar(fill = "lightgray") +
  labs(
    title = " ",
    x = "Entidad financiera",
    y = "Frecuencia"
  ) +
  coord_flip() +
  theme_minimal()+
  theme(
    axis.text.x = element_text(size = 9),
    axis.text.y = element_text(size = 9),
    axis.title.x = element_text(size = 12),
    axis.title.y = element_text(size = 12)
  )

¿Otra idea?

df2top10<-as.data.frame(sort(table(df2$NOMBRE_ENTIDAD), decreasing=T)[1:10])

ggplot(df2top10, aes(x = Var1, y=Freq)) +
  geom_col(fill = "lightgray") +
  labs(
    title = " ",
    x = "Entidad financiera",
    y = "Frecuencia"
  ) +
  coord_flip() +
  theme_minimal()+
  theme(
    axis.text.x = element_text(size = 11),
    axis.text.y = element_text(size = 11),
    axis.title.x = element_text(size = 12),
    axis.title.y = element_text(size = 12)
  )

La distribución de frecuencias la podemos completar con la frecuencia relativa y el porcentaje de participación.

df2top102 <- df2top10 %>%
  mutate(
    FreqRel = Freq / sum(Freq),
    Porcentaje =100*FreqRel
  )

Ejemplo de diagrama de sectores

###Diagrama de sectores
ggplot(df2top102, aes(x = "", y=Freq, fill = Var1)) +
  geom_col(width = 1, color="white") +
  coord_polar(theta = "y") +
  geom_text(
    aes(label = scales::percent(round(FreqRel,2))),
    position = position_stack(vjust = 0.5),
    size = 3)+
  theme_void() +
  labs(title = "Distribución por entidad financiera", fill = "Var1") +
  theme(
    plot.title = element_text(hjust = 0.5, size = 16, face = "bold")
  )

Podemos agregar totales.

##agregamos fila de totales
df2top102T <- df2top102 %>%
  bind_rows(
    data.frame(
      Var1 = "Total",
      Freq = sum(df2top102$Freq),
      FreqRel = sum(df2top102$FreqRel),
      Porcentaje= sum(df2top102$Porcentaje)
    )
  )

Tabla de frecuencias para datos agrupados en intervalos de clase.

#Estad?sticas descriptivas sin datos agrupados
summary(df$`(20) SALDO_CTAS_AHORRO_HASTA_1SMMLV`) 

     Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
0.000e+00 0.000e+00 0.000e+00 1.439e+08 0.000e+00 2.266e+12 

Ejemplo de histograma

amplitud

[1] 102984442603

ggplot(df, aes(x = `(20) SALDO_CTAS_AHORRO_HASTA_1SMMLV`)) +
  geom_histogram(binwidth=amplitud, fill = "lightblue") +
  labs(
    title = " ",
    x = "Saldo cuentas de ahorro hasta 1SMMLV",
    y = "Frecuencia"
  ) +
  theme_minimal()

Excluyendo los valores iguales a cero.

X<-df$`(20) SALDO_CTAS_AHORRO_HASTA_1SMMLV`
NumCuentas<-X[which((X>=100000) & (X<=200000))]
round(summary(NumCuentas),1)

class(NumCuentas)

NumCuentas2<-as.data.frame(NumCuentas)

ggplot(NumCuentas2, aes(x =NumCuentas)) +
  geom_histogram(fill = "lightblue", color="black") +
  labs(
    title = " ",
    x = "Saldo cuentas de ahorro hasta 1SMMLV eliminando ceros",
    y = "Frecuencia"
  ) +
  theme_minimal()

numcuentasdis<-fdt(NumCuentas, breaks="Sturges", right = T)

Percentiles y medidas de dispersión de la variable saldo de cuentas de ahorros

percs<-c(0.1, 0.25, 0.5, 0.75, 0.8, 0.9, 0.95)
quantile(X, percs)
var(X) #Varianza
sd(X) #Desviación estándar