En esta memoria se presenta la selección, auditoría de calidad y conceptualización analítica del conjunto de datos destinado a la práctica de la asignatura Visualización de datos (Máster en Ciencia de Datos, Universitat Oberta de Catalunya). Con el objetivo de analizar cómo las desigualdades socioeconómicas y las barreras de acceso sanitario condicionan el cribado preventivo del cáncer en Estados Unidos, se ha integrado a escala de distrito censal (Census Tract) la información clínica de CDC PLACES (edición 2025) con los indicadores sociodemográficos del CDC/ATSDR Social Vulnerability Index (SVI 2022).
El conjunto maestro resultante abarca 83.522 distritos censales de los 51 estados y territorios estadounidenses —de los cuales 83.287 disponen de cruce válido con el índice de vulnerabilidad social y 60.269 cuentan con registros completos en las siete dimensiones empleadas para segmentar el territorio en cuatro perfiles mediante k-means—. La validación exploratoria inicial confirma la consistencia y riqueza del conjunto de datos para desarrollar y responder en la Parte II: proyecto de visualización a las preguntas de investigación formuladas.
La elección de esta temática responde al interés profesional y analítico por aplicar la ciencia de datos y la visualización de información al ámbito de la epidemiología social, la salud pública y la equidad territorial. En salud pública suele afirmarse que el código postal condiciona la salud tanto como el código genético: tal como advierte la Asociación Española Contra el Cáncer (AECC) bajo su lema «El cáncer es igual para todos, pero no todos somos iguales frente al cáncer», el nivel socioeconómico y el lugar de residencia condicionan de forma determinante la participación en los programas de cribado y el diagnóstico precoz. Sin embargo, en la gestión sanitaria convencional, los indicadores de prevención suelen analizarse de forma agregada por estados, comunidades o grandes regiones administrativas, lo que oculta las fracturas socioeconómicas que separan a barrios contiguos dentro de una misma área metropolitana.
Aunque la motivación inicial surge de esta realidad cercana, al explorar repositorios públicos en España (como el INE o los portales autonómicos de salud) no se localizaron conjuntos de datos abiertos que ofrecieran simultáneamente prevalencias de cribado oncológico e indicadores de vulnerabilidad socioeconómica y una clave geográfica común para cruzarlos. Por este motivo, y frente a las fuentes estadísticas genéricas mencionadas de forma ilustrativa en los materiales docentes (World Bank, Kaggle, UCI ML, INE o Eurostat; Minguillón, 2024, Introducción a la preparación de datos), se optó por acudir directamente a los repositorios especializados de los Centers for Disease Control and Prevention (CDC) de Estados Unidos.
Desde una perspectiva aplicada a la ciencia de datos, cruzar métricas clínicas de cribado preventivo con indicadores estructurales de vulnerabilidad social a escala inframunicipal permite abordar un problema real de planificación sanitaria: identificar dónde se concentran las bolsas de exclusión preventiva y qué barreras estructurales (carencia de seguro médico, pobreza, bajo nivel educativo o falta de transporte) condicionan el acceso al diagnóstico precoz. Este enfoque resulta directamente transferible a la toma de decisiones institucionales, como el despliegue territorial de unidades móviles de mamografía, campañas comunitarias de detección precoz de cáncer colorrectal o programas de refuerzo de atención primaria.
En consonancia con el marco metodológico de la asignatura (Minguillón, 2024, Introducción a la preparación de datos), la preparación del conjunto de datos establece las bases para recorrer la pirámide DIKW (Data, Information, Knowledge, Wisdom):
"78,5" o
cadenas espaciales WKT).C1), maximizando el impacto social del
diagnóstico temprano.Ambos conjuntos de datos proceden de organismos federales de referencia internacional en vigilancia epidemiológica y cartografía sociodemográfica:
Siguiendo el modelo de cinco estrellas de Open Data
recogido en los materiales docentes (Minguillón, 2024, Introducción
a la preparación de datos), ambas fuentes se sitúan en el
nivel de 3 estrellas (datos abiertos disponibles en
formatos tabulares estructurados y no propietarios CSV), se
obtienen mediante acceso estático (snapshots
oficiales verificados) y pertenecen al dominio público federal sin
restricciones legales ni problemas de privacidad o des-anonimización, al
tratarse de estimaciones poblacionales agregadas.
Para garantizar el rigor científico y evitar interpretaciones engañosas, se han auditado las principales limitaciones y sesgos documentados tanto en las fichas técnicas y notas metodológicas oficiales de los portales de descarga (CDC PLACES: https://data.cdc.gov/500-Cities-Places/PLACES-Census-Tract-Data-GIS-Friendly-Format-2025-/yjkw-uj5s/data_preview; CDC/ATSDR SVI: https://atsdr.cdc.gov/place-health/php/svi/svi-data-documentation-download.html) como en la inspección empírica directa de los ficheros CSV:
_Crude95CI) más amplios en barrios con baja densidad de
población.MAMMOUSE_CrudePrev, COLON_SCREEN_CrudePrev)
se basan en respuestas autodeclaradas por teléfono y no en historias
clínicas hospitalarias, por lo que pueden presentar una ligera
sobreestimación por deseabilidad social o sesgo de recuerdo.-999. Asimismo, la auditoría directa del
CSV de PLACES 2025 revela ausencias sistemáticas por estado
en indicadores opcionales (como LACKTRPT_CrudePrev, con
23.103 registros ausentes), lo que reduce la muestra completa para el
algoritmo k-means desde los 83.522 distritos iniciales hasta
60.269 distritos con información íntegra en las 7
variables simultáneas.El proyecto supera ampliamente los umbrales de volumen y dimensionalidad recomendados para una visualización avanzada (entre 1.000 y 10.000 registros y entre 10 y 100 variables), combinando 83.522 filas y 33 variables depuradas en el dataset maestro.
| Dimensión técnica | Dataset Principal: CDC PLACES (2025) | Dataset Secundario: CDC/ATSDR SVI (2022) |
|---|---|---|
| Organismo y repositorio oficial | Centers for Disease Control and Prevention (CDC — data.cdc.gov) | CDC / Agency for Toxic Substances and Disease Registry (atsdr.cdc.gov) |
| Edición y marco temporal | 2025 Release (basada en BRFSS 2022-2023 y ACS) | SVI 2022 (basado en ACS 2018-2022, publicado en 2024) |
| Volumen en origen | 83.522 distritos censales x 88 columnas | 84.120 distritos censales x 158 columnas |
| Granularidad espacial | Distrito censal (Census Tract, Censo 2020) | Distrito censal (Census Tract, Censo 2020) |
| Tipología de datos combinada | Cuantitativas continuas (tasas %), discretas (población), categóricas nominales, claves FIPS y geometrías WKT | Cuantitativas continuas (percentiles 0-1 y tasas %), discretas (estimaciones poblacionales) y claves FIPS |
Además de integrar variables cuantitativas continuas (prevalencias en
porcentaje e índices percentiles), cuantitativas discretas (población
residente) y categóricas nominales y ordinales (estados, condados,
cuartiles SVI y clústeres), el conjunto combina estructuras
tabulares relacionales con datos espaciales
semiestructurados: en el fichero original
PLACES 2025, la localización geográfica de cada centroide
viene encapsulada como una cadena de texto en formato cartográfico
estándar Well-Known Text
(POINT (-86.1234 32.3567)), que ha sido parseada mediante
limpieza de cadenas para extraer las coordenadas decimales
Longitud y Latitud sobre el sistema geodésico
WGS84.
tidyverse)Siguiendo el principio GIGO (Garbage In, Garbage
Out) y los cinco criterios de control de calidad
establecidos en los apuntes de preparación de datos (Minguillón, 2024,
Introducción a la preparación de datos), se implementó un flujo
reproducible ETL (Extract, Transform, Load) en
R (tidyverse):
| Criterio GIGO | Anomalía detectada en los datos crudos | Transformación ETL aplicada en R |
|---|---|---|
| 1. Uniformidad | En PLACES 2025, las tasas porcentuales venían formateadas como cadenas de texto con coma decimal (ej. ‘78,5’) y la población con puntos de millar, generando conflictos con el separador CSV. | Lectura inicial forzada como texto (col_types = cols(.default = ‘c’)), sustitución de coma por punto decimal (str_replace) y conversión explícita a tipo numérico (as.numeric). |
| 2. Consistencia | Los códigos administrativos TractFIPS (11 dígitos) y CountyFIPS (5 dígitos) perdían los ceros iniciales al importarse como enteros en estados con código < 10 (ej. Alabama ‘01’, California ‘06’). | Tratamiento estricto como identificadores textuales (Dimensiones) y relleno por la izquierda con ceros mediante str_pad(…, width = 11 / 5, pad = ‘0’). |
| 3. Validez | En SVI 2022, los distritos despoblados o sin estimación válida codifican los valores ausentes mediante el número centinela -999. | Recodificación sistemática de -999 a NA real mediante na_if(., -999) antes de calcular cuantiles, medias o distancias euclídeas. |
| 4. Completitud | Existencia de valores perdidos parciales en indicadores opcionales de cribado o en distritos no residenciales tras la fusión multi-fuente. | Unión a la izquierda (left_join) por FIPS_11 preservando los 83.522 distritos (83.287 con SVI válido) y filtrado de casos completos (n = 60.269) únicamente para el algoritmo k-means. |
| 5. Exactitud | Las coordenadas geográficas venían agrupadas en una única columna textual WKT (‘POINT (lon lat)’), incumpliendo la atomicidad de Tidy Data. | Descomposición de la cadena WKT en dos columnas numéricas atómicas independientes: Longitud y Latitud (WGS84). |
Este proyecto aporta valor mediante una triple estrategia de actualización, integración multi-fuente y creación de nuevas variables analíticas:
CDC PLACES (2025 Release) constituye la
expansión nacional completa del antiguo proyecto 500 Cities
(2019), pasando de cubrir únicamente 27.210 distritos
urbanos a abarcar los 83.522 distritos censales urbanos
y rurales de todo Estados Unidos, e incorporando determinantes sociales
clínicos de nueva generación como la falta de transporte médico
(LACKTRPT_CrudePrev) y la inseguridad alimentaria
(FOODINSECU_CrudePrev).FIPS_11 permite cuantificar el gradiente social de la
prevención clínica en todo el territorio nacional.Cuartil_SVI): Discretización del índice global
RPL_THEMES en cuatro cuartiles
(Q1: Baja Vulnerabilidad a
Q4: Alta Vulnerabilidad).Cluster_Perfil): Aplicación del algoritmo
k-means (k = 4) sobre 7
variables estandarizadas (Z-score: mamografía, cribado
colorrectal, falta de seguro médico, pobreza <150%, falta de
educación secundaria, falta de transporte y obesidad), descubriendo
cuatro tipologías estructurales de barrios ordenadas de menor a mayor
cobertura preventiva.| Clúster Territorial (K-Means) | Distritos | % | Mamografía | Cribado Colon | Sin Seguro | Pobreza <150% | Sin Secund. | Falta Transp. | Obesidad |
|---|---|---|---|---|---|---|---|---|---|
| C1: Exclusión Crítica y Bajo Cribado | 4942 | 8.2 | 69.19 | 49.89 | 22.90 | 47.45 | 32.40 | 20.39 | 40.96 |
| C2: Vulnerabilidad Moderada-Alta | 12669 | 21.0 | 73.09 | 59.30 | 13.90 | 35.51 | 17.37 | 13.77 | 39.10 |
| C3: Riesgo Metabólico Intermedio | 21789 | 36.2 | 75.64 | 65.37 | 9.13 | 19.56 | 9.44 | 8.30 | 35.32 |
| C4: Alta Cobertura y Baja Vulnerabilidad | 20869 | 34.6 | 79.95 | 69.74 | 5.68 | 9.62 | 4.50 | 5.55 | 27.99 |
Siguiendo la metodología de diseño centrada en el usuario y en la pregunta analítica (el qué antes que el cómo del recurso La importancia del qué y el cómo en visualización de datos; UOC, 2025), la visualización interactiva que se desarrollará en la Parte II: proyecto de visualización se orientará a dos perfiles de audiencia complementarios:
Con este propósito, se formulan cuatro preguntas de investigación fundamentadas en hipótesis explícitas sobre relaciones multivariables:
ACCESS2_CrudePrev)
desploma la realización de mamografías (MAMMOUSE_CrudePrev)
y cómo se estratifican los distritos según su perfil de
vulnerabilidad?
Cuartil_SVI: de Q1 a Q4)
y qué prueba sufre mayor penalización al comparar el cribado femenino
(MAMMOUSE_CrudePrev), el cribado colorrectal
(COLON_SCREEN_CrudePrev) y el chequeo médico anual
(CHECKUP_CrudePrev)?
Q1 a Q4, pero que los
cribados oncológicos específicos sufran una caída más pronunciada que la
consulta médica rutinaria debido a sus mayores barreras logísticas y
económicas.EP_POV150), nivel
educativo (EP_NOHSDP), falta de transporte
(LACKTRPT_CrudePrev) y obesidad
(OBESITY_CrudePrev) configuran las cuatro tipologías de
distritos descubiertas por k-means?
C1)
acumule altas desviaciones estándar positivas en pobreza, falta de
seguro y falta de transporte.C1) frente
a los distritos de alta cobertura (C4) en Estados
Unidos?
A modo de avance exploratorio preliminar —con el
único objetivo de comprobar que los datos cargan con integridad y
verificar que es posible construir las visualizaciones planteadas en la
Parte II: proyecto de visualización—, se presenta en la
Figura 1 una vista de validación generada en R
(ggplot2):
Figura 1. Avance exploratorio de viabilidad: comprobación del enlace Left Join entre SVI 2022 (eje horizontal) y PLACES 2025 (series verticales).
Esta prueba diagnóstica demuestra la unión exitosa de las dos fuentes
en una sola vista: el eje horizontal (Cuartil_SVI: de
Q1: Baja Vulnerabilidad a
Q4: Alta Vulnerabilidad) proviene del dataset SVI
2022, mientras que las tres series del eje vertical
(MAMMOUSE_CrudePrev, CHECKUP_CrudePrev y
COLON_SCREEN_CrudePrev) provienen de PLACES
2025. De un solo vistazo confirma que el Left Join por
FIPS_11 y la variable derivada Cuartil_SVI
funcionan sin errores y capturan un gradiente analítico consistente,
dejando el desarrollo visual e interactivo completo para la
Parte II: proyecto de visualización.
Siguiendo los criterios de clasificación de variables de los materiales de la asignatura (Pascual Cid, 2017, Introducción a Tableau y Minguillón, 2024, Introducción a la preparación de datos), se establece una separación estricta entre:
| Variable | Fuente | Rol analítico | Tipología | Significado y unidad de medida |
|---|---|---|---|---|
| FIPS_11 | PLACES / SVI | Dimensión (Clave) | Categórica nominal (Texto 11 díg.) | Código censal único de 11 dígitos del distrito (Census Tract) empleado como clave relacional. |
| StateAbbr / StateDesc | PLACES 2025 | Dimensión | Categórica nominal (51 estados) | Abreviatura oficial y nombre completo del estado o distrito federal de EE. UU. |
| CountyName / County_05 | PLACES 2025 | Dimensión | Categórica nominal (3.143 condados) | Nombre administrativo y código FIPS textual de 5 dígitos del condado. |
| Longitud / Latitud | Derivada (WKT) | Dimensión (Espacial) | Geoespacial continua (WGS84) | Coordenadas decimales del centroide del distrito extraídas de la geometría WKT POINT. |
| Cuartil_SVI | Derivada (SVI) | Dimensión (Derivada) | Categórica ordinal (Q1 a Q4) | Estrato socioeconómico ordinal obtenido al dividir el índice global RPL_THEMES en cuatro cuartiles. |
| Cluster_Perfil | Derivada (K-Means) | Dimensión (Derivada) | Categórica nominal (C1 a C4) | Tipología territorial asignada mediante clustering no supervisado K-Means (k = 4). |
| TotalPopulation | PLACES 2025 | Hecho (Ponderador) | Cuantitativa discreta (habitantes) | Población total residente en el distrito censal; se utiliza como peso en agregaciones por condado. |
| MAMMOUSE_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje estimado de mujeres de 50 a 74 años que se han realizado una mamografía en los últimos 2 años. |
| COLON_SCREEN_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje estimado de adultos de 45 a 75 años que cumplen las pautas de cribado de cáncer colorrectal. |
| CHECKUP_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje estimado de adultos (>= 18 años) que acudieron a una revisión médica rutinaria en el último año. |
| ACCESS2_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje estimado de adultos de 18 a 64 años que carecen de seguro médico (barrera de acceso). |
| LACKTRPT_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje estimado de adultos que sufrieron falta de transporte fiable para acudir a citas médicas o actividades. |
| FOODINSECU_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje estimado de adultos que experimentan inseguridad alimentaria en el hogar. |
| HOUSINSECU_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje estimado de adultos con inseguridad o sobrecarga en los costes de vivienda. |
| OBESITY_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Prevalencia estimada de obesidad (IMC >= 30 kg/m2) en población adulta. |
| CSMOKING_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Prevalencia estimada de tabaquismo activo en población adulta. |
| CANCER_CrudePrev | PLACES 2025 | Hecho (Primario) | Cuantitativa continua (0-100%) | Prevalencia estimada de cáncer diagnosticado (excluyendo cáncer de piel no melanoma). |
| RPL_THEMES | SVI 2022 | Hecho (Índice) | Cuantitativa continua (percentil 0-1) | Índice global de vulnerabilidad social CDC/ATSDR (percentil nacional de 0 = mínima a 1 = máxima). |
| RPL_THEME1..4 | SVI 2022 | Hecho (Índice) | Cuantitativa continua (percentil 0-1) | Percentiles específicos de los 4 subtemas SVI: Socioeconómico (1), Hogar/Discapacidad (2), Minorías (3) y Vivienda/Transporte (4). |
| EP_POV150 | SVI 2022 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje de población con ingresos inferiores al 150% del umbral federal de pobreza. |
| EP_NOHSDP | SVI 2022 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje de población de 25 años o más sin título de educación secundaria completa. |
| EP_UNEMP | SVI 2022 | Hecho (Primario) | Cuantitativa continua (0-100%) | Tasa de desempleo en población civil activa (>= 16 años) (%). |
| EP_HBURD | SVI 2022 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje de hogares con sobrecarga del coste de la vivienda (> 30% de ingresos). |
| EP_UNINSUR | SVI 2022 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje de población civil no institucionalizada sin seguro médico (estimación ACS). |
| EP_NOVEH | SVI 2022 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje de hogares que no disponen de vehículo privado propio. |
| EP_MINRTY | SVI 2022 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje de población perteneciente a minorías raciales o étnicas. |
| EP_AGE65 | SVI 2022 | Hecho (Primario) | Cuantitativa continua (0-100%) | Porcentaje de población de 65 años o más residente en el distrito. |
# ==============================================================================
# PRÁCTICA (PARTE I): EXTRACCIÓN, AUDITORÍA GIGO, CRUCE Y PREPARACIÓN EN R
# Autora: Begoña Escrig Andrés (bescrig@uoc.edu)
# Visualización de datos — Máster Universitario en Ciencia de Datos (UOC)
# ==============================================================================
library(tidyverse)
library(stringr)
# Rutas de los conjuntos de datos originales
ruta_places <- "PLACES__Census_Tract_Data_(GIS_Friendly_Format),_2025_release_20261114.csv"
ruta_svi <- "SVI_2022_US.csv"
# 1. Lectura directa en modo texto
df_places <- read_csv(ruta_places, col_types = cols(.default = "c"), show_col_types = FALSE)
df_svi <- read_csv(ruta_svi, show_col_types = FALSE)
# 2. Limpieza ETL y auditoría GIGO de PLACES 2025
vars_places <- c(
"MAMMOUSE_CrudePrev", "COLON_SCREEN_CrudePrev", "CHECKUP_CrudePrev",
"ACCESS2_CrudePrev", "CANCER_CrudePrev", "OBESITY_CrudePrev",
"CSMOKING_CrudePrev", "LACKTRPT_CrudePrev", "FOODINSECU_CrudePrev",
"HOUSINSECU_CrudePrev"
)
places_clean <- df_places %>%
select(
StateAbbr, StateDesc, CountyName, CountyFIPS, TractFIPS,
TotalPopulation, Geolocation, all_of(vars_places)
) %>%
mutate(
FIPS_11 = str_pad(str_trim(TractFIPS), width = 11, side = "left", pad = "0"),
County_05 = str_pad(str_trim(CountyFIPS), width = 5, side = "left", pad = "0"),
TotalPopulation = as.numeric(str_replace_all(TotalPopulation, "\\.", "")),
across(all_of(vars_places), ~ as.numeric(str_replace(str_trim(.), ",", "."))),
coords_clean = Geolocation %>% str_remove(fixed("POINT (")) %>% str_remove(fixed(")")),
Longitud = as.numeric(word(coords_clean, 1)),
Latitud = as.numeric(word(coords_clean, 2))
) %>%
select(-TractFIPS, -CountyFIPS, -Geolocation, -coords_clean)
# 3. Limpieza de SVI 2022 y recodificación de centinelas (-999 -> NA)
vars_svi <- c(
"EP_POV150", "EP_UNEMP", "EP_HBURD", "EP_NOHSDP",
"EP_UNINSUR", "EP_NOVEH", "EP_MINRTY", "EP_AGE65",
"RPL_THEME1", "RPL_THEME2", "RPL_THEME3", "RPL_THEME4", "RPL_THEMES"
)
svi_clean <- df_svi %>%
select(FIPS, all_of(vars_svi)) %>%
mutate(
FIPS_11 = str_pad(str_trim(as.character(FIPS)), width = 11, side = "left", pad = "0"),
across(all_of(vars_svi), as.numeric),
across(all_of(vars_svi), ~ na_if(., -999))
) %>%
select(-FIPS)
# 4. Left Join por código censal FIPS_11 y discretización en cuartiles SVI
df_merged <- places_clean %>%
left_join(svi_clean, by = "FIPS_11") %>%
mutate(
Cuartil_SVI = case_when(
is.na(RPL_THEMES) ~ NA_character_,
RPL_THEMES <= quantile(RPL_THEMES, 0.25, na.rm = TRUE) ~ "Q1: Baja Vulnerabilidad",
RPL_THEMES <= quantile(RPL_THEMES, 0.50, na.rm = TRUE) ~ "Q2: Vulnerabilidad Media-Baja",
RPL_THEMES <= quantile(RPL_THEMES, 0.75, na.rm = TRUE) ~ "Q3: Vulnerabilidad Media-Alta",
TRUE ~ "Q4: Alta Vulnerabilidad"
)
)
# 5. Segmentación no supervisada K-Means (k = 4) para crear Cluster_Perfil
vars_kmeans <- c(
"MAMMOUSE_CrudePrev", "COLON_SCREEN_CrudePrev", "ACCESS2_CrudePrev",
"EP_POV150", "EP_NOHSDP", "LACKTRPT_CrudePrev", "OBESITY_CrudePrev"
)
df_km_valid <- df_merged %>%
filter(if_all(all_of(vars_kmeans), ~ !is.na(.)))
X_scaled <- scale(df_km_valid %>% select(all_of(vars_kmeans)))
set.seed(42)
modelo_km <- kmeans(X_scaled, centers = 4, nstart = 25, iter.max = 100)
df_km_valid$Cluster_Raw <- modelo_km$cluster
orden_clusters <- df_km_valid %>%
group_by(Cluster_Raw) %>%
summarise(Media_Mamografia = mean(MAMMOUSE_CrudePrev)) %>%
arrange(Media_Mamografia) %>%
mutate(
Cluster_Perfil = c(
"C1: Exclusión Crítica y Bajo Cribado",
"C2: Vulnerabilidad Moderada-Alta",
"C3: Riesgo Metabólico Intermedio",
"C4: Alta Cobertura y Baja Vulnerabilidad"
)
)
df_km_valid <- df_km_valid %>%
left_join(orden_clusters %>% select(Cluster_Raw, Cluster_Perfil), by = "Cluster_Raw") %>%
select(-Cluster_Raw)
df_final <- df_merged %>%
left_join(df_km_valid %>% select(FIPS_11, Cluster_Perfil), by = "FIPS_11")
# 6. Exportación del dataset maestro enriquecido para la Parte II
write_csv(df_final, "dataset_enriquecido_distritos_EEUU.csv", na = "")En cumplimiento de la normativa de integridad académica de la Universitat Oberta de Catalunya (UOC), detallo a continuación el uso limitado y supervisado que he realizado de herramientas de inteligencia artificial generativa como apoyo técnico y editorial durante la elaboración de esta memoria:
stringr) destinadas a separar coordenadas Well-Known
Text (POINT (lon lat)).data.frame / knitr::kable) y estandarizar las
descripciones de las 33 variables del conjunto maestro.