# Paquetes necesarios — instala los que falten con:
# install.packages(c("tidyverse", "readxl", "writexl", "DBI", "RSQLite"))
library(tidyverse)
library(readxl)
library(writexl)
library(DBI)
library(RSQLite)Semana 05 — Pipeline de Ingesta desde Múltiples Fuentes
Introducción al Lenguaje de Programación y Estadística R — ITLA
Nota técnica: Este documento genera los archivos
empleados.csvyempleados.xlsxautomáticamente antes de leerlos, por lo que no es necesario tenerlos descargados previamente.
1 Preparación — Crear los archivos de práctica
# ── Archivo 1: empleados.csv ─────────────────────────────────────────────────
empleados_base <- tibble(
id_empleado = sprintf("%03d", 1:20),
nombre = c("Ana Torres", "Pedro Méndez", "María López",
"Luis García", "Carmen Díaz", "Carlos Mendoza",
"Elena Rostova", "Jorge Ortiz", "Lucía Blanco",
"Andrés Castro", "Sofia Martínez", "Ricardo Gómez",
"Daniela Vega", "Manuel Soler", "Beatriz Luna",
"Roberto Peña", "Irene Castillo", "Fernando Plaza",
"Gabriela Núñez", "Héctor Vargas"),
departamento = c("Tecnología", "Auditoría", "Tecnología", "RRHH",
"Auditoría", "Tecnología", "Riesgo", "Finanzas",
"RRHH", "Riesgo", "Tecnología", "Auditoría",
"Finanzas", "Tecnología", "Riesgo", "Auditoría",
"RRHH", "Finanzas", "Tecnología", "Riesgo"),
salario_mensual = c(58000, 45000, 63000, 41000, 52000, 70000, 65000,
48000, 39000, 59000, 61000, 47000, 53000, 55000,
67000, 51000, 42000, 46000, 72000, 58000),
fecha_ingreso = as.Date(c(
"2019-03-15", "2021-07-01", "2018-11-20", "2022-01-10",
"2020-05-30", "2017-04-12", "2021-09-18", "2023-02-05",
"2022-11-11", "2020-08-24", "2019-06-30", "2022-04-15",
"2021-01-20", "2020-10-05", "2018-05-14", "2023-07-19",
"2021-12-01", "2022-08-10", "2016-11-03", "2020-02-28"
))
)
write_csv(empleados_base, "empleados.csv")
cat("empleados.csv creado correctamente\n")empleados.csv creado correctamente# ── Archivo 2: empleados.xlsx con sheets 2022 y 2023 ─────────────────────────
sheet_2022 <- tibble(
id_empleado = sprintf("%03d", 21:30),
nombre = c("Patricia Rojas", "Miguel Ángel Soto", "Valentina Cruz",
"Javier Morales", "Natalia Fuentes", "Diego Herrera",
"Camila Reyes", "Sebastián Pino", "Fernanda Ríos",
"Alejandro Vera"),
departamento = c("Tecnología", "Auditoría", "RRHH", "Finanzas", "Riesgo",
"Tecnología", "Auditoría", "RRHH", "Finanzas", "Riesgo"),
salario_mensual = c(60000, 43000, 40000, 49000, 64000,
68000, 44000, 37000, 51000, 62000)
)
sheet_2023 <- tibble(
id_empleado = sprintf("%03d", 31:40),
nombre = c("Isabella Romero", "Mateo Salinas", "Valeria Espinoza",
"Emilio Contreras", "Andrea Paredes", "Nicolás Bravo",
"Catalina Muñoz", "Tomás Aguilar", "Renata Cordero",
"Maximiliano Peña"),
departamento = c("Tecnología", "Auditoría", "RRHH", "Finanzas", "Riesgo",
"Tecnología", "Auditoría", "RRHH", "Finanzas", "Riesgo"),
salario_mensual = c(74000, 46000, 42000, 54000, 69000,
76000, 48000, 41000, 55000, 71000)
)
write_xlsx(
list("2022" = sheet_2022, "2023" = sheet_2023),
path = "empleados.xlsx"
)
cat("empleados.xlsx creado correctamente (sheets: 2022, 2023)\n")empleados.xlsx creado correctamente (sheets: 2022, 2023)2 Parte 1 — Lectura del CSV
2.1 Leer empleados.csv con tipos explícitos
id_empleado se fuerza a character para preservar los ceros a la izquierda (001 no se convierte en 1). fecha_ingreso se lee directamente como Date.
empleados_csv <- read_csv(
"empleados.csv",
col_types = cols(
id_empleado = col_character(),
nombre = col_character(),
departamento = col_character(),
salario_mensual = col_double(),
fecha_ingreso = col_date(format = "%Y-%m-%d")
)
)2.2 Verificación con glimpse()
glimpse(empleados_csv)Rows: 20
Columns: 5
$ id_empleado <chr> "001", "002", "003", "004", "005", "006", "007", "008"…
$ nombre <chr> "Ana Torres", "Pedro Méndez", "María López", "Luis Gar…
$ departamento <chr> "Tecnología", "Auditoría", "Tecnología", "RRHH", "Audi…
$ salario_mensual <dbl> 58000, 45000, 63000, 41000, 52000, 70000, 65000, 48000…
$ fecha_ingreso <date> 2019-03-15, 2021-07-01, 2018-11-20, 2022-01-10, 2020-…2.3 Vista previa
empleados_csv2.4 Estadísticas rápidas
cat("=== Resumen del CSV ===\n")=== Resumen del CSV ===cat("Total empleados: ", nrow(empleados_csv), "\n")Total empleados: 20 cat("Departamentos únicos: ", n_distinct(empleados_csv$departamento), "\n")Departamentos únicos: 5 cat("Salario mínimo: RD$", format(min(empleados_csv$salario_mensual),
big.mark = ","), "\n")Salario mínimo: RD$ 39,000 cat("Salario máximo: RD$", format(max(empleados_csv$salario_mensual),
big.mark = ","), "\n")Salario máximo: RD$ 72,000 cat("Salario promedio: RD$", format(round(mean(empleados_csv$salario_mensual)),
big.mark = ","), "\n")Salario promedio: RD$ 54,600 cat("Ingreso más antiguo: ", as.character(min(empleados_csv$fecha_ingreso)), "\n")Ingreso más antiguo: 2016-11-03 cat("Ingreso más reciente:", as.character(max(empleados_csv$fecha_ingreso)), "\n")Ingreso más reciente: 2023-07-19 3 Parte 2 — Lectura del Excel (dos sheets)
3.1 Leer sheet "2022" y sheet "2023"
sheet_2022_leido <- read_excel(
"empleados.xlsx",
sheet = "2022",
col_types = c("text", "text", "text", "numeric")
)
sheet_2023_leido <- read_excel(
"empleados.xlsx",
sheet = "2023",
col_types = c("text", "text", "text", "numeric")
)
cat("Filas en sheet 2022:", nrow(sheet_2022_leido), "\n")Filas en sheet 2022: 10 cat("Filas en sheet 2023:", nrow(sheet_2023_leido), "\n")Filas en sheet 2023: 10 3.2 Combinar con columna anio
empleados_excel <- bind_rows(
sheet_2022_leido |> mutate(anio = 2022L),
sheet_2023_leido |> mutate(anio = 2023L)
)
glimpse(empleados_excel)Rows: 20
Columns: 5
$ id_empleado <chr> "021", "022", "023", "024", "025", "026", "027", "028"…
$ nombre <chr> "Patricia Rojas", "Miguel Ángel Soto", "Valentina Cruz…
$ departamento <chr> "Tecnología", "Auditoría", "RRHH", "Finanzas", "Riesgo…
$ salario_mensual <dbl> 60000, 43000, 40000, 49000, 64000, 68000, 44000, 37000…
$ anio <int> 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, 2022, …3.3 Vista previa combinada
empleados_excel3.4 Promedio de salario por departamento
cat("=== Salario promedio por departamento (Excel) ===\n")=== Salario promedio por departamento (Excel) ===empleados_excel |>
group_by(departamento) |>
summarise(
n_empleados = n(),
salario_promedio = round(mean(salario_mensual), 0),
salario_minimo = min(salario_mensual),
salario_maximo = max(salario_mensual),
.groups = "drop"
) |>
arrange(desc(salario_promedio)) |>
print()# A tibble: 5 × 5
departamento n_empleados salario_promedio salario_minimo salario_maximo
<chr> <int> <dbl> <dbl> <dbl>
1 Tecnología 4 69500 60000 76000
2 Riesgo 4 66500 62000 71000
3 Finanzas 4 52250 49000 55000
4 Auditoría 4 45250 43000 48000
5 RRHH 4 40000 37000 420003.5 Promedio por departamento y año
cat("=== Salario promedio por departamento y año ===\n")=== Salario promedio por departamento y año ===empleados_excel |>
group_by(anio, departamento) |>
summarise(
salario_promedio = round(mean(salario_mensual), 0),
.groups = "drop"
) |>
arrange(anio, desc(salario_promedio)) |>
print()# A tibble: 10 × 3
anio departamento salario_promedio
<int> <chr> <dbl>
1 2022 Tecnología 64000
2 2022 Riesgo 63000
3 2022 Finanzas 50000
4 2022 Auditoría 43500
5 2022 RRHH 38500
6 2023 Tecnología 75000
7 2023 Riesgo 70000
8 2023 Finanzas 54500
9 2023 Auditoría 47000
10 2023 RRHH 415004 Parte 3 — Base de Datos SQLite
4.1 Crear conexión y escribir tabla
empleados_sql_data <- bind_rows(
empleados_csv |>
mutate(anio = 2022L,
monto_total_año = salario_mensual * 12) |>
select(id_empleado, anio, monto_total_año),
empleados_csv |>
mutate(anio = 2023L,
monto_total_año = round(salario_mensual * 12 * 1.05)) |>
select(id_empleado, anio, monto_total_año)
)
con <- dbConnect(RSQLite::SQLite(), dbname = "nomina_dgii.sqlite")
dbWriteTable(con, name = "empleados", value = empleados_sql_data,
overwrite = TRUE)
cat("Tabla 'empleados' creada en SQLite\n")Tabla 'empleados' creada en SQLitecat("Tablas disponibles:", dbListTables(con), "\n")Tablas disponibles: empleados cat("Columnas: ", dbListFields(con, "empleados"), "\n")Columnas: id_empleado anio monto_total_año 4.2 Consulta — todos los registros
cat("=== Todos los registros ===\n")=== Todos los registros ===dbGetQuery(con,
"SELECT * FROM empleados ORDER BY id_empleado, anio") |>
as_tibble() |>
print()# A tibble: 40 × 3
id_empleado anio monto_total_año
<chr> <int> <dbl>
1 001 2022 696000
2 001 2023 730800
3 002 2022 540000
4 002 2023 567000
5 003 2022 756000
6 003 2023 793800
7 004 2022 492000
8 004 2023 516600
9 005 2022 624000
10 005 2023 655200
# ℹ 30 more rows4.3 Consulta con WHERE anio = 2023
cat("=== Registros del año 2023 ===\n")=== Registros del año 2023 ===dbGetQuery(con,
"SELECT id_empleado,
anio,
monto_total_año,
ROUND(monto_total_año / 12.0, 0) AS salario_mensual_est
FROM empleados
WHERE anio = 2023
ORDER BY monto_total_año DESC") |>
as_tibble() |>
print()# A tibble: 20 × 4
id_empleado anio monto_total_año salario_mensual_est
<chr> <int> <dbl> <dbl>
1 019 2023 907200 75600
2 006 2023 882000 73500
3 015 2023 844200 70350
4 007 2023 819000 68250
5 003 2023 793800 66150
6 011 2023 768600 64050
7 010 2023 743400 61950
8 001 2023 730800 60900
9 020 2023 730800 60900
10 014 2023 693000 57750
11 013 2023 667800 55650
12 005 2023 655200 54600
13 016 2023 642600 53550
14 008 2023 604800 50400
15 012 2023 592200 49350
16 018 2023 579600 48300
17 002 2023 567000 47250
18 017 2023 529200 44100
19 004 2023 516600 43050
20 009 2023 491400 409504.4 Agregación por año
cat("=== Nómina total por año ===\n")=== Nómina total por año ===dbGetQuery(con,
"SELECT anio,
COUNT(id_empleado) AS n_empleados,
SUM(monto_total_año) AS nomina_total,
ROUND(AVG(monto_total_año), 0) AS promedio_anual
FROM empleados
GROUP BY anio
ORDER BY anio") |>
as_tibble() |>
print()# A tibble: 2 × 4
anio n_empleados nomina_total promedio_anual
<int> <int> <dbl> <dbl>
1 2022 20 13104000 655200
2 2023 20 13759200 687960dbDisconnect(con)
cat("Conexión SQLite cerrada\n")Conexión SQLite cerrada5 Consolidado Final
5.1 Unir las tres fuentes y enriquecer
consolidado <- empleados_csv |>
mutate(
antiguedad_años = floor(
as.numeric(Sys.Date() - fecha_ingreso) / 365.25
) |> as.integer(),
salario_anual = salario_mensual * 12,
banda_salarial = case_when(
salario_mensual < 45000 ~ "Banda A (<45k)",
salario_mensual < 60000 ~ "Banda B (45k–60k)",
salario_mensual < 70000 ~ "Banda C (60k–70k)",
TRUE ~ "Banda D (70k+)"
)
) |>
arrange(departamento, desc(salario_mensual))
cat("=== Dataset Consolidado ===\n")=== Dataset Consolidado ===glimpse(consolidado)Rows: 20
Columns: 8
$ id_empleado <chr> "005", "016", "012", "002", "013", "008", "018", "017"…
$ nombre <chr> "Carmen Díaz", "Roberto Peña", "Ricardo Gómez", "Pedro…
$ departamento <chr> "Auditoría", "Auditoría", "Auditoría", "Auditoría", "F…
$ salario_mensual <dbl> 52000, 51000, 47000, 45000, 53000, 48000, 46000, 42000…
$ fecha_ingreso <date> 2020-05-30, 2023-07-19, 2022-04-15, 2021-07-01, 2021-…
$ antiguedad_años <int> 6, 2, 4, 4, 5, 3, 3, 4, 4, 3, 8, 4, 5, 6, 9, 9, 7, 6, …
$ salario_anual <dbl> 624000, 612000, 564000, 540000, 636000, 576000, 552000…
$ banda_salarial <chr> "Banda B (45k–60k)", "Banda B (45k–60k)", "Banda B (45…5.2 Vista final del consolidado
consolidado5.3 Resumen por departamento
consolidado |>
group_by(departamento) |>
summarise(
n_empleados = n(),
salario_promedio = round(mean(salario_mensual), 0),
nomina_mensual = sum(salario_mensual),
nomina_anual = sum(salario_anual),
antiguedad_prom = round(mean(antiguedad_años), 1),
.groups = "drop"
) |>
arrange(desc(nomina_mensual)) |>
print()# A tibble: 5 × 6
departamento n_empleados salario_promedio nomina_mensual nomina_anual
<chr> <int> <dbl> <dbl> <dbl>
1 Tecnología 6 63167 379000 4548000
2 Riesgo 4 62250 249000 2988000
3 Auditoría 4 48750 195000 2340000
4 Finanzas 3 49000 147000 1764000
5 RRHH 3 40667 122000 1464000
# ℹ 1 more variable: antiguedad_prom <dbl>5.4 Distribución por banda salarial
consolidado |>
count(banda_salarial) |>
mutate(pct = round(n / sum(n) * 100, 1)) |>
print()# A tibble: 4 × 3
banda_salarial n pct
<chr> <int> <dbl>
1 Banda A (<45k) 3 15
2 Banda B (45k–60k) 11 55
3 Banda C (60k–70k) 4 20
4 Banda D (70k+) 2 10Sesión de R:R version: 4.6.0 tidyverse: 2.0.0 readxl: 1.4.5 writexl: 1.5.4 DBI: 1.3.0 RSQLite: 3.53.1 Fecha: 2026-06-05 install.packages("writexl")Práctica Semana 05 — Introducción al Lenguaje de Programación y Estadística R — ITLA T2 2026