Semana 8: laboratorio de remuneraciones municipales
Construcción de base, tablas y exportación
Universidad Católica de Temuco
2026-06-01
Objetivo
Construir una base de remuneraciones municipales a partir de archivos descargados desde Transparencia Activa.
En este laboratorio vamos a:
- cargar archivos CSV
- agregar variables identificadoras
- estandarizar columnas
- unir archivos usando
bind_rows() - revisar brevemente un ejemplo de
left_join() - construir tablas descriptivas
- exportar resultados a Word, Excel e imagen.
1. Preparar el proyecto
La carpeta del proyecto debería tener una estructura parecida a esta:
2. Cargar paquetes
Recordar primero instalar en caso de no contar en la biblioteca con los paquetes antes mencionados.
3. Cargar archivos
Los archivos vienen separados por punto y coma, por eso usaremos read_csv2().
planta <- read_csv2("datos_raw/planta_marzo_2026.csv", locale = locale(encoding = "Latin1")) |>
clean_names()
contrata <- read_csv2("datos_raw/contrata_marzo_26.csv", locale = locale(encoding = "Latin1")) |>
clean_names()
cdt <- read_csv2("datos_raw/cdt_marzo_26.csv", locale = locale(encoding = "Latin1")) |>
clean_names()
honorarios <- read_csv2("datos_raw/honorarios_26.csv", locale = locale(encoding = "Latin1")) |>
clean_names()4. Revisar nombres de variables
Antes de limpiar, debemos mirar qué columnas trae cada archivo.
4. Revisar nombres de variables Planta
Antes de limpiar, debemos mirar qué columnas trae cada archivo.
[1] "ano"
[2] "mes"
[3] "estamento"
[4] "nombre_completo"
[5] "cargo_o_funcion"
[6] "grado_eus_o_jornada"
[7] "calificacion_profesional_o_formacion"
[8] "region"
[9] "asignaciones_especiales_del_mes_inc_en_rem_bruta"
[10] "remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras"
[11] "remuneracion_liquida_del_mes"
[12] "rem_adicionales_del_mes_no_inc_en_rem_bruta"
[13] "remuneracion_bonos_incentivos_del_mes_inc_en_rem_bruta"
[14] "derecho_a_horas_extraordinarias"
[15] "montos_y_horas_extraordinarias_diurnas_del_mes_inc_en_rem_bruta"
[16] "montos_y_horas_extraordinarias_nocturnas_del_mes_inc_en_rem_bruta"
[17] "montos_y_horas_extraordinarias_festivas_del_mes_inc_en_rem_bruta"
[18] "fecha_de_inicio_dd_mm_aa"
[19] "fecha_de_termino_dd_mm_aa"
[20] "observaciones"
[21] "viaticos_del_mes_no_inc_en_rem_bruta"
[22] "x22" 4. Revisar nombres de variables Contrata
Antes de limpiar, debemos mirar qué columnas trae cada archivo.
[1] "ano"
[2] "mes"
[3] "estamento"
[4] "nombre_completo"
[5] "cargo_o_funcion"
[6] "grado_eus_o_jornada"
[7] "calificacion_profesional_o_formacion"
[8] "region"
[9] "asignaciones_especiales_del_mes_inc_en_rem_bruta"
[10] "remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras"
[11] "remuneracion_liquida_del_mes"
[12] "rem_adicionales_del_mes_no_inc_en_rem_bruta"
[13] "remuneracion_bonos_incentivos_del_mes_inc_en_rem_bruta"
[14] "derecho_a_horas_extraordinarias"
[15] "montos_y_horas_extraordinarias_diurnas_del_mes_inc_en_rem_bruta"
[16] "montos_y_horas_extraordinarias_nocturnas_del_mes_inc_en_rem_bruta"
[17] "montos_y_horas_extraordinarias_festivas_del_mes_inc_en_rem_bruta"
[18] "fecha_de_inicio_dd_mm_aa"
[19] "fecha_de_termino_dd_mm_aa"
[20] "viaticos_del_mes_no_inc_en_rem_bruta"
[21] "observaciones"
[22] "x22" 4. Revisar nombres de variables Código del Trabajo
Antes de limpiar, debemos mirar qué columnas trae cada archivo.
[1] "ano"
[2] "mes"
[3] "nombre_completo"
[4] "cargo_o_funcion"
[5] "grado_eus_o_jornada"
[6] "calificacion_profesional_o_formacion"
[7] "region"
[8] "asignaciones_especiales_del_mes_inc_en_rem_bruta"
[9] "remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras"
[10] "remuneracion_liquida_del_mes"
[11] "rem_adicionales_del_mes_no_inc_en_rem_bruta"
[12] "remuneracion_bonos_incentivos_del_mes_inc_en_rem_bruta"
[13] "monto_de_desvinculacion_no_inc_en_rem_bruta"
[14] "derecho_a_horas_extraordinarias"
[15] "montos_y_horas_extraordinarias_del_mes_inc_en_rem_bruta"
[16] "viaticos_del_mes_no_inc_en_rem_bruta"
[17] "fecha_de_inicio_dd_mm_aaaa"
[18] "fecha_de_termino_dd_mm_aaaa"
[19] "observaciones"
[20] "x20" 4. Revisar nombres de variables Honorarios
Antes de limpiar, debemos mirar qué columnas trae cada archivo.
[1] "ano"
[2] "mes"
[3] "nombre_completo"
[4] "grado_eus_si_corresponde"
[5] "descripcion_de_la_funcion"
[6] "calificacion_profesional_o_formacion"
[7] "region"
[8] "honorario_total_bruto_del_mes"
[9] "honorario_total_liquido_del_mes"
[10] "tipo_de_pago"
[11] "descripcion_pago"
[12] "numero_de_cuotas"
[13] "fecha_de_inicio"
[14] "fecha_de_termino"
[15] "observaciones"
[16] "enlace_funciones_desarrolladas"
[17] "viaticos"
[18] "x18" 5. Revisar estructura general
5. Revisar estructura general
Rows: 72
Columns: 22
$ ano <dbl> …
$ mes <chr> …
$ estamento <chr> …
$ nombre_completo <chr> …
$ cargo_o_funcion <chr> …
$ grado_eus_o_jornada <dbl> …
$ calificacion_profesional_o_formacion <chr> …
$ region <chr> …
$ asignaciones_especiales_del_mes_inc_en_rem_bruta <chr> …
$ remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras <chr> …
$ remuneracion_liquida_del_mes <chr> …
$ rem_adicionales_del_mes_no_inc_en_rem_bruta <chr> …
$ remuneracion_bonos_incentivos_del_mes_inc_en_rem_bruta <chr> …
$ derecho_a_horas_extraordinarias <chr> …
$ montos_y_horas_extraordinarias_diurnas_del_mes_inc_en_rem_bruta <chr> …
$ montos_y_horas_extraordinarias_nocturnas_del_mes_inc_en_rem_bruta <chr> …
$ montos_y_horas_extraordinarias_festivas_del_mes_inc_en_rem_bruta <chr> …
$ fecha_de_inicio_dd_mm_aa <chr> …
$ fecha_de_termino_dd_mm_aa <chr> …
$ observaciones <chr> …
$ viaticos_del_mes_no_inc_en_rem_bruta <chr> …
$ x22 <lgl> …Rows: 56
Columns: 22
$ ano <dbl> …
$ mes <chr> …
$ estamento <chr> …
$ nombre_completo <chr> …
$ cargo_o_funcion <chr> …
$ grado_eus_o_jornada <dbl> …
$ calificacion_profesional_o_formacion <chr> …
$ region <chr> …
$ asignaciones_especiales_del_mes_inc_en_rem_bruta <chr> …
$ remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras <chr> …
$ remuneracion_liquida_del_mes <chr> …
$ rem_adicionales_del_mes_no_inc_en_rem_bruta <chr> …
$ remuneracion_bonos_incentivos_del_mes_inc_en_rem_bruta <chr> …
$ derecho_a_horas_extraordinarias <chr> …
$ montos_y_horas_extraordinarias_diurnas_del_mes_inc_en_rem_bruta <chr> …
$ montos_y_horas_extraordinarias_nocturnas_del_mes_inc_en_rem_bruta <chr> …
$ montos_y_horas_extraordinarias_festivas_del_mes_inc_en_rem_bruta <chr> …
$ fecha_de_inicio_dd_mm_aa <chr> …
$ fecha_de_termino_dd_mm_aa <chr> …
$ viaticos_del_mes_no_inc_en_rem_bruta <chr> …
$ observaciones <chr> …
$ x22 <lgl> …Rows: 5
Columns: 20
$ ano <dbl> …
$ mes <chr> …
$ nombre_completo <chr> …
$ cargo_o_funcion <chr> …
$ grado_eus_o_jornada <chr> …
$ calificacion_profesional_o_formacion <chr> …
$ region <chr> …
$ asignaciones_especiales_del_mes_inc_en_rem_bruta <chr> …
$ remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras <chr> …
$ remuneracion_liquida_del_mes <chr> …
$ rem_adicionales_del_mes_no_inc_en_rem_bruta <chr> …
$ remuneracion_bonos_incentivos_del_mes_inc_en_rem_bruta <chr> …
$ monto_de_desvinculacion_no_inc_en_rem_bruta <chr> …
$ derecho_a_horas_extraordinarias <chr> …
$ montos_y_horas_extraordinarias_del_mes_inc_en_rem_bruta <chr> …
$ viaticos_del_mes_no_inc_en_rem_bruta <chr> …
$ fecha_de_inicio_dd_mm_aaaa <chr> …
$ fecha_de_termino_dd_mm_aaaa <chr> …
$ observaciones <chr> …
$ x20 <lgl> …Rows: 204
Columns: 18
$ ano <dbl> 2026, 2026, 2026, 2026, 2026, 202…
$ mes <chr> "Marzo", "Marzo", "Marzo", "Marzo…
$ nombre_completo <chr> "Acuña Cerda, Jenifer Haydee", "A…
$ grado_eus_si_corresponde <chr> "No asimilado a grado", "No asimi…
$ descripcion_de_la_funcion <chr> "Prestacion de servicios Programa…
$ calificacion_profesional_o_formacion <chr> "Profesora Educación Fisica", "En…
$ region <chr> "Región de La Araucanía", "Región…
$ honorario_total_bruto_del_mes <chr> "$ 1.462.759", "$ 636.008", "$ 22…
$ honorario_total_liquido_del_mes <chr> "-", "-", "-", "-", "-", "-", "-"…
$ tipo_de_pago <chr> "Pago mensual", "Pago mensual", "…
$ descripcion_pago <chr> "-", "-", "-", "-", "-", "-", "-"…
$ numero_de_cuotas <chr> "-", "-", "-", "-", "-", "-", "-"…
$ fecha_de_inicio <chr> "02/01/2026", "01/01/2026", "05/0…
$ fecha_de_termino <chr> "31/12/2026", "31/12/2026", "30/0…
$ observaciones <chr> "decreto 415; decreto 874 17/02/2…
$ enlace_funciones_desarrolladas <chr> "No publica", "No publica", "No p…
$ viaticos <chr> "No informa", "No informa", "No i…
$ x18 <lgl> NA, NA, NA, NA, NA, NA, NA, NA, N…6. Agregar identificadores
Cada archivo debe conservar información sobre su origen.
Planta
Contrata
Código del Trabajo
Honorarios
7. Estandarizar columnas
Los archivos no tienen exactamente las mismas columnas. Por eso construiremos una versión simplificada de cada base.
Planta simplificada
planta_simple <- planta |>
transmute(
municipio,
unidad,
tipo_personal,
anio,
mes,
mes_num,
periodo,
nombre = nombre_completo,
estamento = estamento,
funcion = cargo_o_funcion,
grado_jornada = grado_eus_o_jornada,
formacion = calificacion_profesional_o_formacion,
region = region,
monto_bruto = remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras,
monto_liquido = remuneracion_liquida_del_mes,
fecha_inicio = fecha_de_inicio_dd_mm_aa,
fecha_termino = fecha_de_termino_dd_mm_aa,
observaciones = observaciones
)Contrata simplificada
contrata_simple <- contrata |>
transmute(
municipio,
unidad,
tipo_personal,
anio,
mes,
mes_num,
periodo,
nombre = nombre_completo,
estamento = estamento,
funcion = cargo_o_funcion,
grado_jornada = grado_eus_o_jornada,
formacion = calificacion_profesional_o_formacion,
region = region,
monto_bruto = remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras,
monto_liquido = remuneracion_liquida_del_mes,
fecha_inicio = fecha_de_inicio_dd_mm_aa,
fecha_termino = fecha_de_termino_dd_mm_aa,
observaciones = observaciones
)Código del Trabajo simplificado
cdt_simple <- cdt |>
transmute(
municipio,
unidad,
tipo_personal,
anio,
mes,
mes_num,
periodo,
nombre = nombre_completo,
estamento = NA_character_,
funcion = cargo_o_funcion,
grado_jornada = grado_eus_o_jornada,
formacion = calificacion_profesional_o_formacion,
region = region,
monto_bruto = remuneracion_bruta_del_mes_incluye_bonos_e_incentivos_asig_especiales_horas_extras,
monto_liquido = remuneracion_liquida_del_mes,
fecha_inicio = fecha_de_inicio_dd_mm_aaaa,
fecha_termino = fecha_de_termino_dd_mm_aaaa,
observaciones = observaciones
)Honorarios simplificada
honorarios_simple <- honorarios |>
transmute(
municipio,
unidad,
tipo_personal,
anio,
mes,
mes_num,
periodo,
nombre = nombre_completo,
estamento = NA_character_,
funcion = descripcion_de_la_funcion,
grado_jornada = grado_eus_si_corresponde,
formacion = calificacion_profesional_o_formacion,
region = region,
monto_bruto = honorario_total_bruto_del_mes,
monto_liquido = honorario_total_liquido_del_mes,
fecha_inicio = fecha_de_inicio,
fecha_termino = fecha_de_termino,
observaciones = observaciones
)8. Preparar tipos de columnas antes de unir
Antes de apilar las bases, conviene asegurar que las columnas comunes tengan el mismo tipo. En estos archivos, por ejemplo, grado_jornada puede venir como número en una base y como texto en otra. Eso hace que bind_rows() se detenga.
Primero generaremos un conjunto, con los nombres de las variables que debiesen ser reconocidas como texto
8. Preparar tipos de columnas antes de unir
Luego vamos a aplicar para cada elemento de esa lista de variables, la opción de ser conocida como texto (character)
planta_simple <- planta_simple |>
mutate(across(any_of(columnas_texto), as.character))
contrata_simple <- contrata_simple |>
mutate(across(any_of(columnas_texto), as.character))
cdt_simple <- cdt_simple |>
mutate(across(any_of(columnas_texto), as.character))
honorarios_simple <- honorarios_simple |>
mutate(across(any_of(columnas_texto), as.character))9. Unir archivos con bind_rows()
Como queremos apilar registros, usamos bind_rows().
10. Revisar base unida
Rows: 337
Columns: 18
$ municipio <chr> "Vilcún", "Vilcún", "Vilcún", "Vilcún", "Vilcún", "Vilcú…
$ unidad <chr> "Municipalidad", "Municipalidad", "Municipalidad", "Muni…
$ tipo_personal <chr> "planta", "planta", "planta", "planta", "planta", "plant…
$ anio <dbl> 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 2026, 20…
$ mes <chr> "marzo", "marzo", "marzo", "marzo", "marzo", "marzo", "m…
$ mes_num <dbl> 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3, 3,…
$ periodo <chr> "2026-03", "2026-03", "2026-03", "2026-03", "2026-03", "…
$ nombre <chr> "ALFARO PULGAR, PABLO ESTEBAN", "ALVIAL RIVERA, VIVIANA…
$ estamento <chr> "Técnico", "Profesional", "Técnico", "Administrativo", "…
$ funcion <chr> "TÉCNICO ADMINISTRACIÓN MUNICIPAL", "PROFESIONAL OBRAS M…
$ grado_jornada <chr> "14", "11", "16", "17", "7", "9", "15", "17", "17", "7",…
$ formacion <chr> "Técnico en Amplificación", "Ingeniero Civil", "Técnico …
$ region <chr> "Región de La Araucanía", "Región de La Araucanía", "Reg…
$ monto_bruto <chr> "$ 1.737.854", "$ 2.426.876", "$ 1.314.239", "$ 892.019"…
$ monto_liquido <chr> "$", "$", "$", "$", "$", "$", "$", "$", "$", "$", "$", "…
$ fecha_inicio <chr> "01/06/2015", "03/11/2020", "25/03/2019", "17/11/2025", …
$ fecha_termino <chr> "Indefinido", "Indefinido", "Indefinido", "30/06/2026", …
$ observaciones <chr> "Sin Observaciones", "Sin Observaciones", "Sin Observaci…10. Revisar base unida
Manejo y modificación de datos
| Acción | Qué hace | Ejemplo |
|---|---|---|
| Recodificar | Cambia o agrupa valores de una variable existente. | 1 = Hombre, 2 = Mujer |
| Crear variable derivada | Construye una nueva variable usando información existente. | Obtener sexo desde nombre. |
| Corrección manual | Ajusta casos puntuales luego de revisar errores. | Cambiar fila 25 de No clasificado a Mujer. |
11. Limpiar montos
11. Limpiar montos
Los montos vienen como texto. Necesitamos convertirlos a números.
Como este proceso lo tendremos que repetir, generaremos una función, así podemos replicar este proceso solo escribiendo el nombre de la función posteriormente.
11. Limpiar montos
12. Revisar montos limpios
Min. 1st Qu. Median Mean 3rd Qu. Max.
47334 500000 885765 1015447 1294552 7008009 # A tibble: 1 × 3
casos sin_monto_bruto sin_monto_liquido
<int> <int> <int>
1 337 0 337Recodificación derivada
Vamos a crear una variable sexo para identificar diferencias entre tipos de funcionarios.
Con la información que tenemos… ¿cómo podríamos hacerlo?
¡Exacto! A partir de la variable nombre
Recodificación derivada
- Para este ejemplo, la base (objeto) se llama
remuneraciones. La columna con el nombre completo se llamanombre
Primero crea una variable
nombre_limpio, que tiene todas las letras en minúscula. Esto evita que JUAN, Juan y juan sean tratados como valores distintos.Luego,
str_squishelimina los espacios innecesarios que pueen evistir al inicio, al final o entre palabras.Por último,
word(nombre_limpio, 3)Extrae la tercer palabra de nombre_limpio. Esto nos permitirá clasificar ese nombre según sexo.
Recodificación derivada
- Ahora podemos crear un pequeño diccionario manual. Para eso, primero vamos a ver cuáles son los primeros nombres que aparecen en nuestros datos:
Recodificación derivada
Construir un diccionario de clasificación
Recodificación derivada
- Construir un diccionario de clasificación
Recodificación derivada
- Revisar casos sin clasificar
Recodificación derivada
Situaciones especiales
Supongamos quiero corregir un nombre en particular:
remuneraciones <- remuneraciones |>
mutate(
sexo = if_else(
primer_nombre == "carla",
"Mujer",
sexo
)
)
#Si necesitas hacerlo para más casos
remuneraciones <- remuneraciones |>
mutate(
sexo = case_when(
primer_nombre == "carlos" ~ "Hombre",
primer_nombre == "constanza" ~ "Mujer",
primer_nombre == "alexis" ~ "Hombre",
TRUE ~ sexo
)
)Situaciones especiales
Podemos también hacerlo a filas especificas. Por ejemplo, si quieres cambiar el sexo de la observación 25:
La lógica es: Si la fila es la número 25, cambia sexo a “Mujer”. PAra todas las demás filas, deja el valor original de sexo
remuneraciones <- remuneraciones |>
mutate(
formacion_limpia = str_to_lower(formacion),
formacion_limpia = str_squish(formacion_limpia),
nivel_formacion = case_when(
str_detect(formacion_limpia, "enseñanza básica|ensenanza basica|estudios básicos|estudios basicos") ~
"Enseñanza básica",
str_detect(formacion_limpia, "enseñanza media|ensenanza media|estudios medios|segundo año enseñanza media|media incompleta") ~
"Enseñanza media",
str_detect(formacion_limpia, "abogad|arquitect|asistente social|trabajador social|trabajadora social|cientista político|cientista politico|comunicador social|constructor civil|contador auditor|contador público|contador publico|educadora|fonoaudiolog|geolog|ingenier|kinesiolog|m[eé]dico|medico|odontolog|periodista|planificador social|profesor|profesora|psicolog|psicopedagog|sociolog|terapeuta ocupacional|veterinario|veterinaria") ~
"Profesional universitario",
str_detect(formacion_limpia, "técnico|tecnico|téc\\.|tec\\.|nivel medio|nivel superior") ~
"Técnico",
str_detect(formacion_limpia, "estudiante|egresad|estudios universitarios|estudios de|estudios pedagogía|estudios pedagogia") ~
"Estudiante / estudios incompletos",
str_detect(formacion_limpia, "auxiliar|maestro|monitor|instructor|mecánico|mecanico|soldador|secretaria") ~
"Oficio / apoyo administrativo",
TRUE ~ "Otro / no clasificado"
),
tiene_postgrado_diplomado = case_when(
str_detect(formacion_limpia, "magister|magíster|diplomado|postitulo|postítulo") ~ "Sí",
TRUE ~ "No"
)
)13. Tabla de frecuencia por tipo de personal
# A tibble: 4 × 3
tipo_personal registros porcentaje
<chr> <int> <dbl>
1 codigo_trabajo 5 1.5
2 contrata 56 16.6
3 honorarios 204 60.5
4 planta 72 21.414. Tabla descriptiva de remuneraciones
tabla_remuneraciones <- remuneraciones |>
group_by(tipo_personal) |>
summarise(
registros = n(),
promedio_bruto = round(mean(monto_bruto, na.rm = TRUE), 0),
mediana_bruto = round(median(monto_bruto, na.rm = TRUE), 0),
minimo_bruto = min(monto_bruto, na.rm = TRUE),
maximo_bruto = max(monto_bruto, na.rm = TRUE),
sin_monto = sum(is.na(monto_bruto)),
.groups = "drop"
)14. Tabla descriptiva de remuneraciones
# A tibble: 4 × 7
tipo_personal registros promedio_bruto mediana_bruto minimo_bruto maximo_bruto
<chr> <int> <dbl> <dbl> <dbl> <dbl>
1 codigo_traba… 5 446342 120448 47334 976221
2 contrata 56 1109228 917666 525133 2540591
3 honorarios 204 662758 636008 53340 1890000
4 planta 72 1981312 1582105 86621 7008009
# ℹ 1 more variable: sin_monto <int>15. Mejorar tabla para presentación
15. Mejorar tabla para presentación
# A tibble: 4 × 7
`Tipo de personal` Registros `Promedio bruto` `Mediana bruto` `Mínimo bruto`
<chr> <int> <dbl> <dbl> <dbl>
1 codigo_trabajo 5 446342 120448 47334
2 contrata 56 1109228 917666 525133
3 honorarios 204 662758 636008 53340
4 planta 72 1981312 1582105 86621
# ℹ 2 more variables: `Máximo bruto` <dbl>, `Sin monto informado` <int>16. Convertir a flextable
Tipo de personal | Registros | Promedio bruto | Mediana bruto | Mínimo bruto | Máximo bruto | Sin monto informado |
|---|---|---|---|---|---|---|
codigo_trabajo | 5 | 446,342 | 120,448 | 47,334 | 976,221 | 0 |
contrata | 56 | 1,109,228 | 917,666 | 525,133 | 2,540,591 | 0 |
honorarios | 204 | 662,758 | 636,008 | 53,340 | 1,890,000 | 0 |
planta | 72 | 1,981,312 | 1,582,105 | 86,621 | 7,008,009 | 0 |
17. Exportar a Word
dir.create("outputs", showWarnings = FALSE)
doc <- read_docx()
doc <- doc |>
body_add_par("Resultados descriptivos preliminares", style = "heading 1") |>
body_add_par("Tabla 1. Remuneraciones brutas por tipo de personal", style = "heading 2") |>
body_add_flextable(tabla_flex) |>
body_add_par(
"Fuente: elaboración propia a partir de Transparencia Activa, Municipalidad de Vilcún, marzo 2026.",
style = "Normal"
)
print(doc, target = "outputs/tabla_remuneraciones_vilcun.docx")18. Exportar a Excel
19. Como imagen gt
Otra tabla sobre nivel de formación
tabla_nivel_formacion <- remuneraciones |>
count(nivel_formacion, sort = TRUE) |>
mutate(
porcentaje = round(n / sum(n) * 100, 1)
)
ft_nivel_formacion <- tabla_nivel_formacion |>
flextable() |>
set_header_labels(
nivel_formacion = "Nivel de formación",
n = "Frecuencia",
porcentaje = "Porcentaje"
) |>
colformat_num(
j = "porcentaje",
digits = 1,
suffix = "%"
) |>
theme_booktabs() |>
autofit()
ft_nivel_formacionNivel de formación | Frecuencia | Porcentaje |
|---|---|---|
Profesional universitario | 137 | 40.7% |
Técnico | 102 | 30.3% |
Enseñanza media | 67 | 19.9% |
Oficio / apoyo administrativo | 12 | 3.6% |
Otro / no clasificado | 9 | 2.7% |
Estudiante / estudios incompletos | 6 | 1.8% |
Enseñanza básica | 4 | 1.2% |
Tabla cruzada entre formación y tipo de personal
tabla_formacion_personal <- remuneraciones |>
count(nivel_formacion, tipo_personal) |>
group_by(nivel_formacion) |>
mutate(
porcentaje = round(n / sum(n) * 100, 1)
) |>
ungroup()
ft_formacion_personal <- tabla_formacion_personal |>
flextable() |>
set_header_labels(
nivel_formacion = "Nivel de formación",
tipo_personal = "Tipo de personal",
n = "Frecuencia",
porcentaje = "Porcentaje dentro del nivel"
) |>
colformat_num(
j = "porcentaje",
digits = 1,
suffix = "%"
) |>
theme_vanilla() |>
autofit()
ft_formacion_personalNivel de formación | Tipo de personal | Frecuencia | Porcentaje dentro del nivel |
|---|---|---|---|
Enseñanza básica | contrata | 1 | 25.0% |
Enseñanza básica | honorarios | 2 | 50.0% |
Enseñanza básica | planta | 1 | 25.0% |
Enseñanza media | codigo_trabajo | 1 | 1.5% |
Enseñanza media | contrata | 20 | 29.9% |
Enseñanza media | honorarios | 27 | 40.3% |
Enseñanza media | planta | 19 | 28.4% |
Estudiante / estudios incompletos | contrata | 1 | 16.7% |
Estudiante / estudios incompletos | honorarios | 5 | 83.3% |
Oficio / apoyo administrativo | honorarios | 10 | 83.3% |
Oficio / apoyo administrativo | planta | 2 | 16.7% |
Otro / no clasificado | honorarios | 8 | 88.9% |
Otro / no clasificado | planta | 1 | 11.1% |
Profesional universitario | codigo_trabajo | 4 | 2.9% |
Profesional universitario | contrata | 11 | 8.0% |
Profesional universitario | honorarios | 91 | 66.4% |
Profesional universitario | planta | 31 | 22.6% |
Técnico | contrata | 23 | 22.5% |
Técnico | honorarios | 61 | 59.8% |
Técnico | planta | 18 | 17.6% |
20. Guardar base limpia
21. Ejemplo breve de left_join()
Ahora imaginemos que queremos agregar información externa del municipio.
Usamos left_join() porque queremos agregar columnas, no filas.
21. Ejemplo breve de left_join()
Revisamos:
# A tibble: 6 × 5
municipio provincia region_administrativa tipo_comuna tipo_personal
<chr> <chr> <chr> <chr> <chr>
1 Vilcún Cautín La Araucanía Municipio de referenc… planta
2 Vilcún Cautín La Araucanía Municipio de referenc… planta
3 Vilcún Cautín La Araucanía Municipio de referenc… planta
4 Vilcún Cautín La Araucanía Municipio de referenc… planta
5 Vilcún Cautín La Araucanía Municipio de referenc… planta
6 Vilcún Cautín La Araucanía Municipio de referenc… planta 22. Diferencia práctica
El número de filas no cambia, porque left_join() agregó columnas de contexto.
23. Actividad práctica
Cada grupo debe adaptar el script a su municipio.
Debe entregar una carpeta con:
24. Interpretación breve
Escriba un párrafo de 5 a 7 líneas que responda:
- ¿qué muestra la tabla?
- ¿qué tipo de personal concentra más registros?
- ¿qué diferencias se observan en remuneración bruta?
- ¿qué limitación debe considerarse?
Cierre
El objetivo de este laboratorio no es solo producir una tabla.
El objetivo es construir una base trazable, ordenada y reproducible, que luego pueda alimentar el póster descriptivo.
¿Dónde estamos en el curso?
La semana anterior trabajamos el paso desde archivos descargados a una base analizable:
Esta semana avanzamos al siguiente paso:
Propósito de la clase
El objetivo de esta clase no es solamente aprender comandos de
ggplot2.El objetivo es aprender a transformar resultados descriptivos en gráficos claros, interpretables y útiles para un póster.
Idea central
Un gráfico no es decoración.
Un gráfico es una forma de comunicar un patrón de los datos.
Conexión con la Evaluación 2
La Evaluación 2 será un póster científico descriptivo. Debe incluir:
- contexto comunal
- pregunta descriptiva orientadora
- fuente y datos utilizados
- tabla clave
- 2 a 3 gráficos
- hallazgos principales
- limitaciones
- respaldo técnico reproducible.
Calendario ajustado
| Semana | Actividad |
|---|---|
| Semana 11 | Gráficos descriptivos y avance del póster |
| Semana 12 | Avance en la construcción de póster |
| Semana 13 | Entrega digital final del póster y respaldo técnico |
| Semana 14 | Jornada de pósters impresos abierta a la comunidad |
Antes de graficar
Antes de hacer cualquier gráfico, debemos tener claro:
- qué pregunta descriptiva queremos responder
- qué variable o indicador vamos a usar
- qué tipo de gráfico corresponde
- qué resultado queremos destacar
- qué limitación debemos declarar.
Contexto comunal
El póster debe partir situando la comuna.
No basta con mostrar remuneraciones. También hay que indicar en qué tipo de comuna se está observando el fenómeno.
La sección de contexto comunal debe incluir:
- mapa de ubicación
- número de habitantes (Fuente: INE)
- superficie en km² (Fuente: SINIM)
- ruralidad (Fuente: INE)
- pobreza comunal (Fuente: CASEN)
- dependencia del Fondo Común Municipal (Fuente:SINIM)
- alcalde, tendencia política y continuidad/cambio durante el periodo. (Fuente: SERVEL)
Para qué sirve el contexto
El contexto comunal permite interpretar los datos con más cuidado.
No es lo mismo observar remuneraciones en:
- una comuna urbana y grande
- una comuna rural y extensa
- una comuna con alta dependencia del Fondo Común Municipal
- una comuna con alta pobreza
- una comuna que cambió de alcalde durante el periodo.
Importante
Estas variables contextualizan. No deben ser tratadas como causas en este ejercicio.
Tabla o gráfico: ¿cuándo usar cada uno?
| Situación | Mejor opción |
|---|---|
| Mostrar cifras exactas | Tabla |
| Comparar categorías | Gráfico de barras |
| Mostrar evolución temporal | Gráfico de líneas |
| Mostrar distribución de montos | Histograma o boxplot |
| Mostrar pocos indicadores contextuales | Ficha o tabla breve |
| Mostrar ubicación territorial | Mapa |
| Sintetizar resultados principales | Hallazgos con cifras |
Gramática básica de ggplot2
Un gráfico en ggplot2 se construye por capas.
Elementos centrales
| Elemento | Función |
|---|---|
data |
Base de datos que se usará |
aes() |
Variables que se asignan a los ejes o atributos visuales |
geom_col() |
Barras con valores ya calculados |
geom_line() |
Línea para evolución temporal |
geom_boxplot() |
Distribución por grupo |
geom_histogram() |
Distribución de una variable numérica |
labs() |
Títulos, ejes y fuente |
ggsave() |
Exportar gráfico |
Gráfico de barras
Sirve para comparar categorías.
Ejemplo de pregunta:
¿Qué tipo de vínculo contractual concentra más registros en la Municipalidad de Vilcún?
library(tidyverse)
remuneraciones |>
count(tipo_personal) |>
ggplot(aes(x = tipo_personal, y = n)) +
geom_col() +
labs(
title = "Registros por tipo de personal",
subtitle = "Municipalidad de Vilcún, marzo 2026",
x = "Tipo de personal",
y = "Número de registros",
caption = "Fuente: Transparencia Activa."
)
Podemos editar elementos de ggplot2
Recomendación, visitar el repositorio de ggplot2 https://r-graph-gallery.com/
También podemos modificar los colores.
En ggplot2, se puede identificar con el nombre, pero también con un Hex code. Los códigos hexadecimal se ven así: #2765F5
Para encontrar su Hex code, pueden visitar: https://htmlcolorcodes.com
library(tidyverse)
library(scales)
grafico_tipo_personal <- remuneraciones |>
count(tipo_personal) |>
mutate(
porcentaje = n / sum(n),
tipo_personal = fct_reorder(tipo_personal, n)
) |>
ggplot(aes(x = tipo_personal, y = n)) +
geom_col(
fill = "#1F4E79",
width = 0.68
) +
geom_text(
aes(
label = paste0(n, " registros\n", percent(porcentaje, accuracy = 0.1))
),
hjust = -0.10,
size = 3.8,
lineheight = 0.9
) +
coord_flip() +
scale_y_continuous(
expand = expansion(mult = c(0, 0.18))
) +
labs(
title = "Registros por tipo de personal",
subtitle = "Municipalidad de Vilcún, marzo 2026",
x = NULL,
y = "Número de registros",
caption = "Fuente: elaboración propia con datos de Transparencia Activa."
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(
face = "bold",
size = 18
),
plot.subtitle = element_text(
size = 12,
color = "grey30"
),
axis.text.y = element_text(
size = 11,
face = "bold"
),
axis.text.x = element_text(
size = 10,
color = "grey35"
),
axis.title.x = element_text(
size = 11,
margin = margin(t = 8)
),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank(),
plot.caption = element_text(
size = 9,
color = "grey35",
hjust = 0
),
plot.margin = margin(12, 25, 12, 12)
)
grafico_tipo_personal
geom_col() y geom_bar()
Hay que distinguir:
| Comando | Cuándo usarlo |
|---|---|
geom_bar() |
Cuando quiero que R cuente automáticamente los casos |
geom_col() |
Cuando ya calculé el valor que quiero graficar |
Para este curso, muchas veces usaremos geom_col(), porque antes construiremos tablas con count() o summarise().
Gráfico de barras con porcentaje
Si la pregunta es por composición, no basta con contar.
Conviene calcular porcentajes.
tabla_tipo <- remuneraciones |>
count(tipo_personal, name = "registros") |>
mutate(
porcentaje = registros / sum(registros) * 100
)
ggplot(tabla_tipo, aes(x = tipo_personal, y = porcentaje)) +
geom_col() +
labs(
title = "Composición porcentual del personal informado",
subtitle = "Municipalidad de Vilcún, marzo 2026",
x = "Tipo de personal",
y = "Porcentaje del total de registros",
caption = "Fuente: Transparencia Activa."
)
Interpretación de barras
Un gráfico de barras permite decir:
- qué categoría tiene más casos
- qué categoría tiene menos casos
- qué tan concentrada está la distribución
- qué proporción representa cada tipo de personal.
No permite decir:
- que un tipo de contrato causa otro fenómeno
- que una modalidad es mejor o peor.
Boxplot
Sirve para comparar la distribución de una variable numérica entre grupos.
Ejemplo de pregunta:
¿Cómo se distribuyen los montos brutos informados según tipo de vínculo?
ggplot(remuneraciones, aes(x = tipo_personal, y = monto_bruto)) +
geom_boxplot() +
scale_y_continuous(
labels = label_number(
prefix = "$",
big.mark = ".",
decimal.mark = ",",
accuracy = 1
)
) +
labs(
title = "Distribución de remuneraciones brutas por tipo de personal",
subtitle = "Municipalidad de Vilcún, marzo 2026",
x = "Tipo de personal",
y = "Monto bruto informado",
caption = "Fuente: Transparencia Activa."
)
library(tidyverse)
library(scales)
grafico_boxplot_remuneraciones_horizontal <- remuneraciones |>
mutate(
tipo_personal = case_when(
tipo_personal == "codigo_trabajo" ~ "Código del Trabajo",
tipo_personal == "contrata" ~ "Contrata",
tipo_personal == "planta" ~ "Planta",
tipo_personal == "honorarios" ~ "Honorarios",
TRUE ~ tipo_personal
),
tipo_personal = fct_reorder(tipo_personal, monto_bruto, .fun = median, na.rm = TRUE)
) |>
ggplot(aes(x = tipo_personal, y = monto_bruto)) +
geom_boxplot(
fill = "#1F4E79",
color = "grey20",
alpha = 0.80,
width = 0.60,
outlier.color = "#C00000",
outlier.alpha = 0.55,
outlier.size = 1.8
) +
coord_flip() +
scale_y_continuous(
labels = label_number(
prefix = "$",
big.mark = ".",
decimal.mark = ",",
accuracy = 1
)
) +
labs(
title = "Distribución de remuneraciones brutas por tipo de personal",
subtitle = "Municipalidad de Vilcún, marzo 2026",
x = NULL,
y = "Monto bruto informado",
caption = "Fuente: elaboración propia con datos de Transparencia Activa."
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(face = "bold", size = 17, color = "grey15"),
plot.subtitle = element_text(size = 12, color = "grey35", margin = margin(b = 10)),
axis.text.y = element_text(face = "bold", size = 10, color = "grey25"),
axis.text.x = element_text(size = 10, color = "grey35"),
axis.title.x = element_text(size = 11, margin = margin(t = 8)),
panel.grid.major.y = element_blank(),
panel.grid.minor = element_blank(),
plot.caption = element_text(hjust = 0, size = 9, color = "grey40"),
plot.margin = margin(12, 18, 12, 12)
)
grafico_boxplot_remuneraciones_horizontal
¿Cómo leer un boxplot?
Un boxplot permite observar:
- valores centrales
- dispersión
- diferencias entre grupos
- valores extremos.
Advertencia
En este caso, las diferencias entre tipos de personal deben interpretarse con cautela, porque no necesariamente corresponden a cargos, jornadas o funciones equivalentes.
Histograma
Sirve para observar la distribución general de una variable numérica.
library(tidyverse)
library(scales)
grafico_hist_remuneraciones <- ggplot(remuneraciones, aes(x = monto_bruto)) +
geom_histogram(
bins = 30,
fill = "#7675BF",
color = "white",
linewidth = 0.3,
alpha = 0.85
) +
geom_vline(
aes(xintercept = median(monto_bruto, na.rm = TRUE)),
linetype = "dashed",
linewidth = 0.9,
color = "#C00000"
) +
scale_x_continuous(
labels = label_number(
prefix = "$",
big.mark = ".",
decimal.mark = ",",
accuracy = 1
)
) +
labs(
title = "Distribución de remuneraciones brutas informadas",
subtitle = "Municipalidad de Vilcún, marzo 2026",
x = "Monto bruto informado",
y = "Número de registros",
caption = "Fuente: elaboración propia con datos de Transparencia Activa.\nNota: la línea roja segmentada indica la mediana."
) +
theme_minimal(base_size = 13) +
theme(
plot.title = element_text(
face = "bold",
size = 17,
color = "grey15"
),
plot.subtitle = element_text(
size = 12,
color = "grey35",
margin = margin(b = 10)
),
axis.text.x = element_text(
size = 10,
color = "grey35",
angle = 25,
hjust = 1
),
axis.text.y = element_text(
size = 10,
color = "grey35"
),
axis.title.x = element_text(
size = 11,
margin = margin(t = 8)
),
axis.title.y = element_text(
size = 11,
margin = margin(r = 8)
),
panel.grid.minor = element_blank(),
panel.grid.major.y = element_line(color = "grey88"),
panel.grid.major.x = element_blank(),
plot.caption = element_text(
hjust = 0,
size = 9,
color = "grey40"
),
plot.margin = margin(12, 18, 12, 12)
)
grafico_hist_remuneraciones
Hallazgos: estructura sugerida
Cada hallazgo debería tener:
- resultado observado
- cifra concreta
- interpretación descriptiva
- cautela o límite si corresponde.
Ejemplo:
El personal a contrata concentra XX registros, equivalente al XX% del total informado. Esto sugiere que, dentro de los registros disponibles, este vínculo tiene un peso relevante en la estructura municipal observada. Sin embargo, este resultado depende de los archivos disponibles y del periodo analizado.
Errores comunes en gráficos
| Error | Por qué es problema |
|---|---|
| No poner fuente | El lector no sabe de dónde vienen los datos |
| No indicar periodo | El resultado queda descontextualizado |
| Usar gráfico circular con muchas categorías | Se vuelve difícil de leer |
| Graficar montos sin limpiarlos | R puede ordenar o calcular mal |
| Usar nombres técnicos en ejes | El público no entiende la variable |
| Saturar el gráfico con etiquetas | Pierde legibilidad |
| Interpretar causalmente | Excede el objetivo descriptivo |
| Usar colores sin criterio | Confunde más de lo que ayuda |
Buenas prácticas visuales
Para el póster:
- usar títulos descriptivos
- evitar exceso de texto
- preferir gráficos simples
- usar máximo 2 o 3 gráficos principales
- no repetir la misma información en gráfico, tabla y texto
- agregar fuente y periodo
- usar notas cuando haya limitaciones importantes
- mantener coherencia visual entre gráficos.
¿Qué debe tener cada gráfico?
Todo gráfico que vaya al póster debe tener:
| Elemento | Pregunta que responde |
|---|---|
| Título | ¿Qué muestra el gráfico? |
| Subtítulo | ¿De qué comuna y periodo se trata? |
| Ejes claros | ¿Qué representa cada dimensión? |
| Fuente | ¿De dónde vienen los datos? |
| Nota si corresponde | ¿Qué cuidado debe tener el lector? |
Del gráfico al póster
Cada gráfico debe cumplir una función.
| Elemento del póster | Función |
|---|---|
| Contexto comunal | Situar el caso |
| Pregunta descriptiva | Orientar la lectura |
| Fuente y datos | Explicar de dónde vienen los datos |
| Tabla clave | Mostrar cifras precisas |
| Gráfico 1 | Mostrar composición |
| Gráfico 2 | Mostrar evolución o comparación |
| Hallazgos | Sintetizar mensajes principales |
| Limitaciones | Reconocer alcances del análisis |
Estructura esperada del póster
Cierre de cátedra
Mensaje final
Un buen gráfico no es el que se ve más complejo.
Es el que permite entender rápidamente un resultado descriptivo, con fuente clara, periodo definido y una interpretación prudente.
Gráfico de líneas
Sirve para mostrar evolución temporal.
Ejemplo de pregunta:
¿Cómo ha evolucionado la remuneración bruta mediana por tipo de personal entre marzo de 2023 y marzo de 2026?
tabla_tiempo <- remuneraciones |>
group_by(fecha_periodo, tipo_personal) |>
summarise(
mediana_bruto = median(monto_bruto, na.rm = TRUE),
.groups = "drop"
)
ggplot(tabla_tiempo, aes(x = fecha_periodo, y = mediana_bruto, group = tipo_personal)) +
geom_line() +
geom_point() +
labs(
title = "Evolución de la remuneración bruta mediana",
subtitle = "Según tipo de personal",
x = "Periodo",
y = "Monto bruto mediano",
caption = "Fuente: Transparencia Activa."
)Cuidado con el tiempo
Para gráficos de evolución, el periodo debe estar bien ordenado.
No basta con tener mes = "marzo" o periodo = "2026-03" como texto.
Conviene crear una fecha:
Esto permite que R ordene los meses correctamente.
tabla_tiempo <- remuneraciones |>
group_by(fecha_periodo, tipo_personal) |>
summarise(
mediana_bruto = median(monto_bruto, na.rm = TRUE),
.groups = "drop"
)
ggplot(tabla_tiempo, aes(x = fecha_periodo, y = mediana_bruto, group = tipo_personal)) +
geom_line() +
geom_point() +
labs(
title = "Evolución de la remuneración bruta mediana",
subtitle = "Según tipo de personal",
x = "Periodo",
y = "Monto bruto mediano",
caption = "Fuente: Transparencia Activa."
)
Cierre de cátedra
Mensaje final
Un buen gráfico no es el que se ve más complejo.
Es el que permite entender rápidamente un resultado descriptivo, con fuente clara, periodo definido y una interpretación prudente.
