Semana 7 — Joins, Tidy Data y Relaciones entre Tablas

🎯 Objetivo: aprender a combinar, filtrar y auditar tablas mediante diferentes tipos de joins (controlando duplicados y registros huérfanos), así como a reestructurar datos aplicando los principios de Tidy Data.

Author

Adrian Rafael Guigni Guillen

- Librerías

Code

library(tidyverse)  
library(kableExtra)

- Dataset de practica:

Code

# Tabla 1: Clientes
clientes <- tibble(
  id_cliente = c("C001", "C002", "C003", "C004", "C005", "C006"),
  nombre     = c("Ana Torres", "Pedro Méndez", "María López", "Luis García", "Carmen Díaz", "Jorge Reyes"),
  ciudad     = c("Santo Domingo", "Santiago", "Santo Domingo", "La Vega", "San Pedro", "Santo Domingo"),
  tipo       = c("Premium", "Regular", "Premium", "Regular", "Regular", "Premium")
)

# Tabla 2: Facturas
facturas <- tibble(
  id_factura = c("F001", "F002", "F003", "F004", "F005", "F006", "F007", "F008"),
  id_cliente = c("C001", "C001", "C002", "C003", "C005", "C007", "C002", "C001"),
  mes        = c("Ene", "Feb", "Ene", "Feb", "Ene", "Feb", "Mar", "Ene"),
  monto      = c(15000, 22000, 8500, 31000, 4500, 12000, 9800, 15000)
)

# Tabla 3: Pagos
pagos <- tibble(
  id_factura   = c("F001", "F002", "F004", "F006", "F007"),
  monto_pagado = c(15000, 22000, 31000, 12000, 9800)
)

Clientes
id_cliente	nombre	ciudad	tipo
C001	Ana Torres	Santo Domingo	Premium
C002	Pedro Méndez	Santiago	Regular
C003	María López	Santo Domingo	Premium
C004	Luis García	La Vega	Regular
C005	Carmen Díaz	San Pedro	Regular
C006	Jorge Reyes	Santo Domingo	Premium

Facturas
id_factura	id_cliente	mes	monto
F001	C001	Ene	15000
F002	C001	Feb	22000
F003	C002	Ene	8500
F004	C003	Feb	31000
F005	C005	Ene	4500
F006	C007	Feb	12000
F007	C002	Mar	9800
F008	C001	Ene	15000

Pagos
id_factura	monto_pagado
F001	15000
F002	22000
F004	31000
F006	12000
F007	9800

Parte 1 — Diagnóstico Relacional

1.1 - Usa anti_join() para identificar qué facturas tienen un id_cliente que no existe en la tabla clientes. Documenta el hallazgo en un comentario.

Code

facturas_sin_cliente <- anti_join(facturas, clientes, by = "id_cliente")

Facturas sin cliente
id_factura	id_cliente	mes	monto
F006	C007	Feb	12000

La factura F006 pertenece al cliente C007, el cual no existe en la tabla clientes.

1.2 - Usa anti_join() para identificar qué clientes no tienen ninguna factura registrada. ¿Cuántos son?

Code

sin_factura_registrada <- clientes |> 
  anti_join(facturas, clientes, by = "id_cliente")

Clientes sin factura registrada
id_cliente	nombre	ciudad	tipo
C004	Luis García	La Vega	Regular
C006	Jorge Reyes	Santo Domingo	Premium

Hay 2 clientes sin facturas

1.3 - Usa anti_join() para identificar qué facturas no tienen pago registrado. Lista sus IDs.

Code

sin_pago_registrado <- anti_join(facturas, pagos, by = "id_factura" )

Facturas sin pago registrado
id_factura	id_cliente	mes	monto
F003	C002	Ene	8500
F005	C005	Ene	4500
F008	C001	Ene	15000

IDs: F003, F005, F008

1.4 - Verifica si hay duplicados en la tabla facturas usando count() + filter(n > 1). ¿Cuál es el id_cliente que tiene una factura duplicada? Documenta en un comentario qué decisión tomarías.

Code

duplicados <- facturas |>
  count(id_cliente) |>
  filter(n > 1)

Duplicados (facturas)
id_cliente	n
C001	3
C002	2

El cliente C001 tiene 3 facturas. El cliente C002 tiene 2 facturas.

Antes de eliminar alguna factura, primero me fijaria si son distintas, ya que un cliente puede tener varias facturas. Es entonces que tomaria una decision

Parte 2 — Aplicando los 4 Joins

2.1 — left_join: Une clientes con facturas por id_cliente. Llama al resultado clientes_con_facturas. ¿Cuántas filas tiene el resultado y por qué tiene más filas que la tabla clientes?

Code

nrow(clientes)

[1] 6

Code

clientes_con_facturas <- clientes |> left_join(facturas, by = "id_cliente")
nrow(clientes_con_facturas)

[1] 9

Resultado (left_join)
id_cliente	nombre	ciudad	tipo	id_factura	mes	monto
C001	Ana Torres	Santo Domingo	Premium	F001	Ene	15000
C001	Ana Torres	Santo Domingo	Premium	F002	Feb	22000
C001	Ana Torres	Santo Domingo	Premium	F008	Ene	15000
C002	Pedro Méndez	Santiago	Regular	F003	Ene	8500
C002	Pedro Méndez	Santiago	Regular	F007	Mar	9800
C003	María López	Santo Domingo	Premium	F004	Feb	31000
C004	Luis García	La Vega	Regular	NA	NA	NA
C005	Carmen Díaz	San Pedro	Regular	F005	Ene	4500
C006	Jorge Reyes	Santo Domingo	Premium	NA	NA	NA

Hay más filas porque algunos clientes tienen más de una factura, entonces se agregan al unir ambas filas.

2.2 — inner_join: Une clientes con facturas usando inner_join. ¿Qué clientes desaparecen del resultado comparado con el left_join? Documenta en un comentario.

Code

clientes_con_facturas_inner_join <- clientes |> inner_join(facturas, by = "id_cliente")

Resultado (inner_join)
id_cliente	nombre	ciudad	tipo	id_factura	mes	monto
C001	Ana Torres	Santo Domingo	Premium	F001	Ene	15000
C001	Ana Torres	Santo Domingo	Premium	F002	Feb	22000
C001	Ana Torres	Santo Domingo	Premium	F008	Ene	15000
C002	Pedro Méndez	Santiago	Regular	F003	Ene	8500
C002	Pedro Méndez	Santiago	Regular	F007	Mar	9800
C003	María López	Santo Domingo	Premium	F004	Feb	31000
C005	Carmen Díaz	San Pedro	Regular	F005	Ene	4500

Desaparecen: Luis García (C004) y Jorge Reyes (C006). Porque no tienen facturas registradas.

2.3 — full_join:

Une clientes con facturas usando full_join. ¿Qué fila extra aparece que no estaba en ninguna de las dos tablas originales? Explica en un comentario por qué aparece esa fila.

Code

clientes_con_facturas_full_join <- clientes |> full_join(facturas, by = "id_cliente")

Resultado (full_join)
id_cliente	nombre	ciudad	tipo	id_factura	mes	monto
C001	Ana Torres	Santo Domingo	Premium	F001	Ene	15000
C001	Ana Torres	Santo Domingo	Premium	F002	Feb	22000
C001	Ana Torres	Santo Domingo	Premium	F008	Ene	15000
C002	Pedro Méndez	Santiago	Regular	F003	Ene	8500
C002	Pedro Méndez	Santiago	Regular	F007	Mar	9800
C003	María López	Santo Domingo	Premium	F004	Feb	31000
C004	Luis García	La Vega	Regular	NA	NA	NA
C005	Carmen Díaz	San Pedro	Regular	F005	Ene	4500
C006	Jorge Reyes	Santo Domingo	Premium	NA	NA	NA
C007	NA	NA	NA	F006	Feb	12000

Aparece C007 porque está en facturas pero no en clientes. Lo que hace full_join() es que completa los datos faltantes con NA.

2.4 — Joins encadenados: Construye una tabla maestra uniendo las tres tablas en un solo pipeline:

Code

tabla_maestra <- clientes |>
  left_join(facturas, by = "id_cliente") |>
  left_join(pagos, by = "id_factura")

Tabla maestra
id_cliente	nombre	ciudad	tipo	id_factura	mes	monto	monto_pagado
C001	Ana Torres	Santo Domingo	Premium	F001	Ene	15000	15000
C001	Ana Torres	Santo Domingo	Premium	F002	Feb	22000	22000
C001	Ana Torres	Santo Domingo	Premium	F008	Ene	15000	NA
C002	Pedro Méndez	Santiago	Regular	F003	Ene	8500	NA
C002	Pedro Méndez	Santiago	Regular	F007	Mar	9800	9800
C003	María López	Santo Domingo	Premium	F004	Feb	31000	31000
C004	Luis García	La Vega	Regular	NA	NA	NA	NA
C005	Carmen Díaz	San Pedro	Regular	F005	Ene	4500	NA
C006	Jorge Reyes	Santo Domingo	Premium	NA	NA	NA	NA

¿Cuántas filas tiene? 9

¿Por qué algunos monto_pagado son NA? Sencillamente porque no hay un pago de forma registrada.

Parte 3 — Joins de Filtro: Auditoría

3.1 - Usa semi_join() para obtener solo los clientes que sí tienen al menos una factura. ¿Cuántos son?

Code

clientes_con_facturas_semi_join <- clientes |> semi_join(facturas, by = "id_cliente")

Resultado (semi_join)
id_cliente	nombre	ciudad	tipo
C001	Ana Torres	Santo Domingo	Premium
C002	Pedro Méndez	Santiago	Regular
C003	María López	Santo Domingo	Premium
C005	Carmen Díaz	San Pedro	Regular

Son: 4

3.2 - Usa anti_join() para obtener los clientes que nunca han facturado. Muestra su nombre y ciudad.

Code

clientes_con_facturas_anti_join <- clientes |> anti_join(facturas, by = "id_cliente") |> select(id_cliente, nombre, ciudad)

Resultado (anti_join)
id_cliente	nombre	ciudad
C004	Luis García	La Vega
C006	Jorge Reyes	Santo Domingo

3.3 - Usa anti_join() al revés: ¿qué facturas pertenecen a clientes que no están registrados? Muestra el id_factura, id_cliente y monto.

Code

clientes_no_registrados <- facturas |> anti_join(clientes, by = "id_cliente") |> select(id_factura, id_cliente, monto)

Resultado (anti_join)
id_factura	id_cliente	monto
F006	C007	12000

Parte 4 — Manejo de Duplicados

4.1 — Eliminar duplicados exactos:

Code

#facturas_sin_dup <- facturas |> filter(!duplicated(.))  <----- no funciona, tuve que usar: 
facturas_sin_dup <- facturas |> distinct()

Facturas sin duplicados
id_factura	id_cliente	mes	monto
F001	C001	Ene	15000
F002	C001	Feb	22000
F003	C002	Ene	8500
F004	C003	Feb	31000
F005	C005	Ene	4500
F006	C007	Feb	12000
F007	C002	Mar	9800
F008	C001	Ene	15000

¿Cuántas filas quedan? 8

4.2 — Quedarte con la factura de mayor monto por cliente:

Code

facturas_max <- facturas |>
  group_by(id_cliente) |>
  slice_max(order_by = monto, n = 1) |>
  ungroup()

Facturas de mayor monto por cliente
id_factura	id_cliente	mes	monto
F002	C001	Feb	22000
F007	C002	Mar	9800
F004	C003	Feb	31000
F005	C005	Ene	4500
F006	C007	Feb	12000

4.3 - Vuelve a construir la tabla_maestra de la Parte 2.4 pero esta vez usando facturas_sin_dup en lugar de facturas. ¿Cambió el número de filas?

Code

tabla_maestra2 <- clientes |>
  left_join(facturas_sin_dup, by = "id_cliente") |>
  left_join(pagos, by = "id_factura")

Tabla maestra 2
id_cliente	nombre	ciudad	tipo	id_factura	mes	monto	monto_pagado
C001	Ana Torres	Santo Domingo	Premium	F001	Ene	15000	15000
C001	Ana Torres	Santo Domingo	Premium	F002	Feb	22000	22000
C001	Ana Torres	Santo Domingo	Premium	F008	Ene	15000	NA
C002	Pedro Méndez	Santiago	Regular	F003	Ene	8500	NA
C002	Pedro Méndez	Santiago	Regular	F007	Mar	9800	9800
C003	María López	Santo Domingo	Premium	F004	Feb	31000	31000
C004	Luis García	La Vega	Regular	NA	NA	NA	NA
C005	Carmen Díaz	San Pedro	Regular	F005	Ene	4500	NA
C006	Jorge Reyes	Santo Domingo	Premium	NA	NA	NA	NA

El numero de filas no cambio, sigue siendo 9. no había duplicados exactos para eliminar

Parte 5 — Tidy Data con pivot

5.1 — Formato ancho: A partir de tabla_maestra (usando facturas_sin_dup), construye una tabla que muestre cuánto facturó cada cliente por mes. Usa group_by() + summarise() primero, luego pivot_wider():

Code

ventas_por_mes <- tabla_maestra |>
  filter(!is.na(mes)) |>
  group_by(nombre, mes) |>
  summarise(total = sum(monto, na.rm = TRUE), .groups = "drop") |>
  pivot_wider(
    names_from  = mes,
    values_from = total,
    values_fill = 0     # Rellenar con 0 donde no hay ventas
  )

Ventas por mes
nombre	Ene	Feb	Mar
Ana Torres	30000	22000	0
Carmen Díaz	4500	0	0
María López	0	31000	0
Pedro Méndez	8500	0	9800

5.2 — Volver a formato largo: Toma ventas_por_mes y conviértelo de vuelta a formato largo con pivot_longer():

Code

ventas_largo <- ventas_por_mes |>
  pivot_longer(
    cols      = -nombre,      # Todo excepto la columna nombre
    names_to  = "mes",
    values_to = "total"
  )

Formato largo
nombre	mes	total
Ana Torres	Ene	30000
Ana Torres	Feb	22000
Ana Torres	Mar	0
Carmen Díaz	Ene	4500
Carmen Díaz	Feb	0
Carmen Díaz	Mar	0
María López	Ene	0
María López	Feb	31000
María López	Mar	0
Pedro Méndez	Ene	8500
Pedro Méndez	Feb	0
Pedro Méndez	Mar	9800

5.3 - Con ventas_largo, usa group_by() + summarise() para calcular el total vendido por mes y ordena de mayor a menor.

Code

total_vendido_mes <- ventas_largo |> 
  group_by(mes) |> 
  summarise(
    total_vendido = sum(total), .groups = "drop"
  ) |>
  arrange(desc(total_vendido))

Formato largo
mes	total_vendido
Feb	53000
Ene	43000
Mar	9800