Paso 1

library(readxl)
censo1 <- read_excel(path = "BOVINOS-CENSO-2020.xlsx", skip = 4)
censo1

Paso 2

names(censo1)

##  [1] "DEPARTAMENTO"                    "MUNICIPIO"                      
##  [3] "CODIGO MUNICIPIO"                "TERNERAS < 1 AÑO"               
##  [5] "TERNEROS < 1 AÑO"                "HEMBRAS 1 - 2 AÑOS"             
##  [7] "MACHOS 1 - 2 AÑOS"               "HEMBRAS 2 - 3 AÑOS"             
##  [9] "MACHOS 2 - 3 AÑOS"               "HEMBRAS > 3 AÑOS"               
## [11] "MACHOS > 3 AÑOS"                 "TOTAL BOVINOS - 2019"           
## [13] "No DE FINCAS 1 A 50"             "No DE FINCAS 51 A 100"          
## [15] "No DE FINCAS 101 A 500"          "No DE FINCAS 501 O MAS"         
## [17] "TOTAL FINCAS CON BOVINOS - 2019"

library(janitor)
censo2 <- clean_names(dat = censo1)
censo2

Paso 3

# todas las columnas con todas las filas excepto la 1123 (última)
censo3 <- censo2[-nrow(censo2), ] 
censo3

Paso 4

• Nota: se puede acceder a las columnas con la posición o con el nombre de la variable. Es posible manifestar cuáles seleccionar o cuáles no seleccionar.

# Filtrando variables de interés: son equivalentes
variables1 <- names(censo3)[c(1, 2, 4:11)] # todas
variables2 <- names(censo3)[-c(3, 17:12)] # todas menos

# Seleccionando columnas que coinciden con nombres de "variables1"
censo4 <- censo3[, variables1]
censo4

Paso 5

• Utilizamos los siguientes argumentos de la función pivot_longer():
  • data: base de datos implicada en el proceso de transformación. En este caso es “censo4”
  • cols: columnas o variables implicadas en la transformación. En nuestro caso son todas aquellas que poseen información del número de animales. Como son más variables (8) sobre las cuales se va a ejecutar el proceso, es más sencillo informar de cuáles no se van a tener en la transformación, es decir, el departamneto y municipio.
  • names_to: (carácter) nuevo nombre para la variable que contiene los encabezados.
  • values_to: (carácter) nuevo nombre para los valores que están en las celdas de las variables implicadas en la transformación.

library(tidyr)
censo5 <- pivot_longer(data = censo4,
                       cols = -c(departamento, municipio), #todas menos depto y mpio
                       names_to = "tipo",
                       values_to = "animales")
censo5

Paso 6

• Los argumentos a utilizar con la función separate() son los siguientes:
  • data: base de datos sobre la cuál se va a operar.
  • col: columna implicada en la separación o fraccionamiento. En nuestro es la variable “tipo”.
  • into: (vector de carácteres) nombre de nuevas variables que resultan luego de ejecutar la separación de columna.
  • sep: (carácter) tipo de separador. En este caso es el guión al piso "_".
  • remove: (lógico) permite controlar la remoción de la columna implicada en el fraccionamiento. Por defecto está igualado a “TRUE”, no obstante, se puede cambiar.

censo6 <- separate(data = censo5,
                   col = tipo,
                   into = c("sexo", "edad1", "edad2", "edad3"),
                   sep = "_",
                   remove = TRUE)
censo6

Paso 7

• Los argumentos a utilizar con la función unite() son los siguientes:
  • data: base de datos
  • col: (carácter) nombre para la nueva variable que resulta luego de la unión
  • …: variables implacadas en la unión. En este caso “edad1” y “edad2”
  • sep: (carácter) separador para las variables unidas. En este caso utilizamos el guión “-”
  • remove: (lógico) permite controlar la remoción de las variables implicadas en la unión.

censo7 <- unite(data = censo6, 
                col = "edad",
                edad1, edad2, # ...
                sep = "-",
                remove = TRUE)
censo7

Paso 8

censo8 <- censo7[, -5]
censo8