Juntando tablas.

Juntar tablas es una actividad muy importante para realizar análisis de datos, debido a que, muchas veces, los datos que nos interesa analizar estan en dos tablas distintas.

Ejemplos de joins.

Para el presente ejemplo, vamos a realizar uniones de las siguientes tablas:

Estas tablas las vamos a generar con el siguiente código:

casos <-  tibble::tribble(
    ~Municipios, ~Casos,
     "Ocuituco",    10L,
   "Yecapixtla",    13L,
  "Jonacatepec",    23L,
       "Tetela",     5L,
    "Tepoztlán",    50L
  )

fall <- tibble::tribble(
    ~Municipios, ~Fallecimientos,
   "Yecapixtla",              1L,
  "Jonacatepec",              2L,
    "Tepoztlán",             20L
  )

hosp <- tibble::tribble(
    ~Municipios, ~Hospitales,
     "Ocuituco",          1L,
  "Jonacatepec",          1L,
       "Tetela",          1L,
    "Tepoztlán",          2L
  )

pop <- tibble::tribble(
    ~Municipios, ~Poblacion,
     "Ocuituco",     18000L,
   "Yecapixtla",     40000L,
  "Jonacatepec",     35000L,
       "Tetela",     20000L,
    "Tepoztlán",     45000L
  )

Paso 1 Identificamos la variable llave.

En estos casos, la variable llave es la variable Municipios.

Paso 2. Identificamos las relaciones.

En estos casos, la relación es 1 a 1, ya que la unidad de observación para las cuatro tablas es el municipio.

Paso 3. Realizamos el join

Para esto, vamos a experimentar con las 4 formas de hacer join vistas arriba:

Primero, leemos la librería tidyverse, la cual contiene a la biblioteca dplyr, la cual a su vez contiene las funciones para hacer unión de tablas.

# Librerias
library(tidyverse)

Ahora si, procedemos a hacer las uniones.

Dada la explicación brindada arriba (y otras explicaciones que pudieras buscar por tu cuenta en Google), trata de entender por qué las uniones de las tablas se dieron como se dieron.

• 1. inner_join(x = base_izq, y = base_der, by = "llave")

Corroboramos:

# Juntamos tablas con inner_join()
inner_join(casos, fall, by = "Municipios")

## # A tibble: 3 x 3
##   Municipios  Casos Fallecimientos
##   <chr>       <int>          <int>
## 1 Yecapixtla     13              1
## 2 Jonacatepec    23              2
## 3 Tepoztlán      50             20

inner_join(fall, hosp, by = "Municipios")   

## # A tibble: 2 x 3
##   Municipios  Fallecimientos Hospitales
##   <chr>                <int>      <int>
## 1 Jonacatepec              2          1
## 2 Tepoztlán               20          2

inner_join(casos, pop, by = "Municipios")

## # A tibble: 5 x 3
##   Municipios  Casos Poblacion
##   <chr>       <int>     <int>
## 1 Ocuituco       10     18000
## 2 Yecapixtla     13     40000
## 3 Jonacatepec    23     35000
## 4 Tetela          5     20000
## 5 Tepoztlán      50     45000

• 2. left_join(x = base_izq, y = base_der, by = "llave")

Corroboramos:

# Juntamos con left_join()
left_join(casos, fall, by = "Municipios")   

## # A tibble: 5 x 3
##   Municipios  Casos Fallecimientos
##   <chr>       <int>          <int>
## 1 Ocuituco       10             NA
## 2 Yecapixtla     13              1
## 3 Jonacatepec    23              2
## 4 Tetela          5             NA
## 5 Tepoztlán      50             20

left_join(fall, hosp, by = "Municipios")    

## # A tibble: 3 x 3
##   Municipios  Fallecimientos Hospitales
##   <chr>                <int>      <int>
## 1 Yecapixtla               1         NA
## 2 Jonacatepec              2          1
## 3 Tepoztlán               20          2

left_join(casos, pop, by = "Municipios")

## # A tibble: 5 x 3
##   Municipios  Casos Poblacion
##   <chr>       <int>     <int>
## 1 Ocuituco       10     18000
## 2 Yecapixtla     13     40000
## 3 Jonacatepec    23     35000
## 4 Tetela          5     20000
## 5 Tepoztlán      50     45000

• 3. right_join(x = base_izq, y = base_der, by = "llave")

Corroboramos:

# Juntamos con right_join()
right_join(casos, fall, by = "Municipios")      

## # A tibble: 3 x 3
##   Municipios  Casos Fallecimientos
##   <chr>       <int>          <int>
## 1 Yecapixtla     13              1
## 2 Jonacatepec    23              2
## 3 Tepoztlán      50             20

right_join(fall, hosp, by = "Municipios")       

## # A tibble: 4 x 3
##   Municipios  Fallecimientos Hospitales
##   <chr>                <int>      <int>
## 1 Jonacatepec              2          1
## 2 Tepoztlán               20          2
## 3 Ocuituco                NA          1
## 4 Tetela                  NA          1

right_join(casos, pop, by = "Municipios")

## # A tibble: 5 x 3
##   Municipios  Casos Poblacion
##   <chr>       <int>     <int>
## 1 Ocuituco       10     18000
## 2 Yecapixtla     13     40000
## 3 Jonacatepec    23     35000
## 4 Tetela          5     20000
## 5 Tepoztlán      50     45000

• 4. full_join(x = base_izq, y = base_der, by = "llave")

Corroboramos:

# Juntamos con full_join()
full_join(casos, fall, by = "Municipios")   

## # A tibble: 5 x 3
##   Municipios  Casos Fallecimientos
##   <chr>       <int>          <int>
## 1 Ocuituco       10             NA
## 2 Yecapixtla     13              1
## 3 Jonacatepec    23              2
## 4 Tetela          5             NA
## 5 Tepoztlán      50             20

full_join(fall, hosp, by = "Municipios")    

## # A tibble: 5 x 3
##   Municipios  Fallecimientos Hospitales
##   <chr>                <int>      <int>
## 1 Yecapixtla               1         NA
## 2 Jonacatepec              2          1
## 3 Tepoztlán               20          2
## 4 Ocuituco                NA          1
## 5 Tetela                  NA          1

full_join(casos, pop, by = "Municipios")

## # A tibble: 5 x 3
##   Municipios  Casos Poblacion
##   <chr>       <int>     <int>
## 1 Ocuituco       10     18000
## 2 Yecapixtla     13     40000
## 3 Jonacatepec    23     35000
## 4 Tetela          5     20000
## 5 Tepoztlán      50     45000

Una vez que ya entendimos como estuvo la cosa, vamos a trabajar con bases más grandes.

A continuación, se muestra el código necesario para acceder a los datos de Centros Educativos registrados en el CEMABE.

La tabla centros contiene datos de los centros educativos del Censo de Escuelas, Maestros y Alumnos de Educación Básica y Especial, mientras que la tabla inmuebles contiene información de los inmuebles en los cuales se encuentran ubicados dichos centros.

# CEMABE - Usando URLs
centros <- 
  read_csv("http://segasi.com.mx/clases/cide/vis_man/datos/cemabe_cdmx.csv", col_types = cols(ID_INM = col_character()), 
           locale = locale(asciify = TRUE)) %>% 
  arrange(ID_INM)

inmuebles <- 
  read_csv("http://segasi.com.mx/clases/cide/vis_man/datos/TR_inmuebles_09.csv", col_types = cols(ID_INM = col_character()),
           locale = locale(asciify = TRUE))  %>% 
  arrange(ID_INM)

Supongamos que nos interesa armar una gran base con ambas bases de datos.

1. Identificando la variable llave.

De las tablas anteriores, vemos que la variable que liga las observaciones es la variable ID_INM. Esta variable es el numero identificador del inmueble, y tiene información en ambas tablas.

2. Identificamos el tipo de relación

De las tablas, vemos que centros tiene mas de un registro por ID_INM, esto es, que más de un centro educativo se encuentra dentro de un inmueble. Esto seguramente es por aquellos centros educativos que tienen mas de un turno escolar.

3. Realizamos el join

Como nos interesa tener una base conjuntando la información de los centros educativos con la de sus respectivos inmuebles, hacemos un join conservando todos los datos posibles. Para esto, utilizaremos la función full_join().

gran_base <- 
  full_join(centros, inmuebles, by = "ID_INM")

# Checamos las dimensiones
dim(gran_base)

## [1] 8601  427

Cuadro 1. Cuadro mostrando los primeros renglones y columnas de la gran base.

De esta manera, observamos que acabamos de juntar ambas tablas en una sola, la cual tiene ahora el mismo numero de renglones que la tabla centros y un numero de columnas equivalente a la suma del numero de columnas de centros y de inmuebles junta, menos 1 (por la variable llave).