Lectura de tablas Casen

dataset_2006 <- readRDS(file = "casen_2006_c.rds")
dataset_2006 <- dataset_2006[,c("COMUNA","S10B","S10A","T1A","T4","E1","SEXO","EXPC")]

dataset_2009 <- readRDS(file = "casen_2009_c.rds")
dataset_2009 <- dataset_2009[,c("COMUNA","S16B","S16A","T1A","T5","E1","SEXO","EXPC")]

dataset_2011 <- readRDS(file = "casen_2011_c.rds")
dataset_2011 <- dataset_2011[,c("comuna","s16","s15","s27b","s27a","s37t1","r6","e1","sexo","expc_full")]

dataset_2013 <- readRDS(file = "casen_2013_c.rds")
dataset_2013 <- dataset_2013[,c("comuna","s13","s12","s24b","s24a","s34t1","r6","e1","sexo","expc")]

dataset_2015 <- readRDS(file = "casen_2015_c.rds")
dataset_2015 <- dataset_2015[,c("comuna","s11","s10","s21b","s21a","s31c1","r3","e1","sexo","expc_todas")]

dataset_2017 <- readRDS(file = "casen_2017_c.rds")
dataset_2017 <- dataset_2017[,c("comuna","s11","s10","s21b","s21a","s31a1","r3","e1","sexo","expc")]

ttcc-Discapacidad

funcion1 <- function(n){
  
  comunales<-switch(n, "codigos_comunales_2006.rds","codigos_comunales_2009.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds")
 xx<-switch(n, "2006","2009","2011","2013","2015","2017")
 # dataset_06 <<- NA
 

 if(xx==2006) { 
  eliminated <- dataset_2006
# a <- eliminated$ytotaj 
b <- eliminated$COMUNA
c <- eliminated$T1A
d <- eliminated$E1 #alfabetismo
e <- eliminated$T4 #etnia
f <- eliminated$SEXO
anio <- 2006
cross_tab =  xtabs(eliminated$EXPC ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$EXPC ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}
 
 if(xx==2009) { 
  eliminated <- dataset_2009
# a <- eliminated$ytotaj 
b <- eliminated$COMUNA
c <- eliminated$T1A
d <- eliminated$E1 #alfabetismo
e <- eliminated$T5 #etnia
f <- eliminated$SEXO
anio <- 2009
cross_tab =  xtabs(eliminated$EXPC ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$EXPC ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
 }
 
if(xx==2011) { 
  eliminated <- dataset_2011
# a <- eliminated$ytotaj 
b <- eliminated$comuna
c <- eliminated$s37t1
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2011
cross_tab =  xtabs(eliminated$expc_full ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_full ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}
 
if(xx==2013) { 
  eliminated <- dataset_2013
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s34t1
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2013
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}
 
if(xx==2015) { 
  eliminated <- dataset_2015
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s31c1
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2015
cross_tab =  xtabs(eliminated$expc_todas ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_todas ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}
 
if(xx==2017) { 
  eliminated <- dataset_2017
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s31a1
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2017
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}



tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$Año <- anio 

names(d)[1] <- "Comuna"
names(d)[2] <- "discapacidad"
names(d)[3] <- "Alfabetismo"
names(d)[4] <- "Etnia"
names(d)[5] <- "sexo"
codigos_comunales <- readRDS(file = comunales)
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
# codigos_comunales

df = merge( x = d, y = codigos_comunales, by = "Comuna", all.x = TRUE)

ingreso_rds <- paste("tablas_peque/discapacidad_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

for (n in 1:6){
  funcion1(n)
}

Tratamientos

Union de tablas

Unión de subtablas, homologación de categorías de respuesta con código independiente para la variable de estudio de la ttcc y creación de la tabla general.

receptaculo <- data.frame()
for (n in 1 : 6){
    numero <- switch(n, "2006","2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/discapacidad_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)
    
}

Diccionario

Para la creación del diccionario se necesita el dataset “receptáculo” al que se le hará un unique() en la columna a la que se le hará el diccionario, luego se guarda como xlsx para hacer el tratamiento

# receptaculo_unicos <- unique(receptaculo$discapacidad)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"tablas_grandes/cat_discapacidad.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/cat_discapacidad.xlsx")

cod_cat <- unique(cat_disc$discapacidad_n)
cod_cat<- as.data.frame(cod_cat)
cod_cat$codigo_discapacidad <- paste("00",seq(1:nrow(cod_cat)), sep = "")
names(cod_cat)[1] <- "discapacidad_n"
cat_disc = merge( x = cat_disc, y = cod_cat, by = "discapacidad_n", all.x = TRUE)
cat_disc <- cat_disc[,c(2,1,3)]


nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
alfa_corr <- nuevas_cat[,c(-1)]


categoriasbuenas = merge( x = alfa_corr, y = categorias, by = "Etnia", all.x = TRUE)
etnia_corr <- categoriasbuenas[,c(-1)]

categoriasbuenas = merge( x = etnia_corr, y = cat_disc, by = "discapacidad", all.x = TRUE)
discapacidad_corr <- categoriasbuenas[,c(-1)]

receptaculo<-discapacidad_corr[,c(1,10,11,8,9,6,7,2,3,4,5)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "discapacidad"
names(receptaculo)[4] <- "etnia"
names(receptaculo)[6] <- "alfabetismo"
names(receptaculo)[8] <- "sexo"
names(receptaculo)[9] <- "frec"
names(receptaculo)[10] <- "anio"
names(receptaculo)[11] <- "codigo_comuna"

receptaculo_tab <- receptaculo[1:30,]
kbl(receptaculo_tab) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")

comuna	discapacidad	codigo_discapacidad	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
Nancagua	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	89	2006	06305
Punitaqui	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	41	2006	04304
Natales	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	169	2006	12401
Estación Central	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	117	2006	13106
Taltal	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	167	2006	02104
Navidad	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	39	2006	06205
Navidad	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	19	2006	06205
Concón	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	69	2006	05103
Negrete	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	35	2006	08307
Hualqui	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	34	2006	08105
Puqueldón	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	6	2006	10206
Ninhue	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	38	2006	16204
Purén	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	15	2006	09208
Ninhue	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	62	2006	16204
Camiña	NA	NA	Aymara	003	No	002	Hombre	3	2006	01402
Nogales	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	409	2006	05506
Nueva Imperial	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	202	2006	09111
Purranque	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	108	2006	10303
San Juan de la Costa	NA	NA	Mapuche	006	No	002	Hombre	25	2006	10306
Padre Las Casas	NA	NA	Mapuche	006	Sí	001	Mujer	69	2006	09112
Chile Chico	NA	NA	Alacalufes	001	Sí	001	Hombre	4	2006	11401
Putaendo	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	22	2006	05705
Illapel	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Hombre	110	2006	04201
Ñiquén	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	87	2006	16303
Purén	NA	NA	Mapuche	006	Sí	001	Mujer	18	2006	09208
Tiltil	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	162	2006	13303
Tiltil	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	168	2006	13303
Tirúa	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	77	2006	08207
Ñuñoa	NA	NA	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	841	2006	13120
Queilén	NA	NA	No pertenece a ningún pueblo indígena	007	No	002	Mujer	15	2006	10207

Guardado de tablas

El siguiente código establece una conexión con nuestra base de datos en postgres donde estaremos guardando la tabla resultado del código previo. También se guardará la tabla de forma local en formato xlsx

db <- 'trabajo-con-casen'  #provide the name of your db
host_db <- 'post-to-r.postgres.database.azure.com' #i.e. # i.e. 'ec2-54-83-201-96.compute-1.amazonaws.com'  
db_port <- '5432'  # or any other port specified by the DBA
db_user <- 'yomismo@post-to-r'  
db_password <- '123456Fg*'
con <- dbConnect(RPostgres::Postgres(), dbname = db, host=host_db, port=db_port, user=db_user, password=db_password) 

library('RPostgreSQL')
# tn <- 'links'
# dbWriteTable(con,'tabla_discapacidad',receptaculo, row.names=FALSE)

write_xlsx(receptaculo,"tablas_grandes/tabla_discapacidad.xlsx")

# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad') 
# tabla_grande

Gráficos

Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~discapacidad) %>% add_histogram() %>%
    layout(title = "Discapacidad en los años",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~discapacidad)  %>% add_histogram()%>%
    layout(title = "Discapacidad por grupo etnico",
         xaxis = list(title = "Etnia"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p2

ttcc-Consultas de salud mental

funcion1 <- function(n){

  comunales<-switch(n, "codigos_comunales_2006.rds","codigos_comunales_2009.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds")
 xx<-switch(n, "2006","2009","2011","2013","2015","2017")
 # dataset_06 <<- NA


 if(xx==2006) {
  eliminated <- dataset_2006#[!is.na(dataset_2006 ),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$S10A
d <- eliminated$E1 #alfabetismo
e <- eliminated$T4 #etnia
f <- eliminated$SEXO
anio <- 2006
cross_tab =  xtabs(eliminated$EXPC ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$EXPC ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

 if(xx==2009) {
  eliminated <- dataset_2009#[!is.na(dataset_2009),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$S16A
d <- eliminated$E1 #alfabetismo
e <- eliminated$T5 #etnia
f <- eliminated$SEXO
anio <- 2009
cross_tab =  xtabs(eliminated$EXPC ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$EXPC ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
 }

 if(xx==2011) {
  eliminated <- dataset_2011#[!is.na(dataset_2011),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$s27a
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2011
cross_tab =  xtabs(eliminated$expc_full ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_full ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2013) {
  eliminated <- dataset_2013#[!is.na(dataset_2013),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s24a
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2013
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2015) {
  eliminated <- dataset_2015#[!is.na(dataset_2015),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s21a
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2015
cross_tab =  xtabs(eliminated$expc_todas ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_todas ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2017) {
  eliminated <- dataset_2017#[!is.na(dataset_2017),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s21a
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2017
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}



tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$Año <- anio

names(d)[1] <- "Comuna"
names(d)[2] <- "consultas"
names(d)[3] <- "Alfabetismo"
names(d)[4] <- "Etnia"
names(d)[5] <- "sexo"
codigos_comunales <- readRDS(file = comunales)
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
# codigos_comunales

df = merge( x = d, y = codigos_comunales, by = "Comuna", all.x = TRUE)

ingreso_rds <- paste("tablas_peque/mental_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}
for (n in 1:6){
  funcion1(n)
}

Tratamientos

Unión de subtablas, homologación de categorías de respuesta con código independiente para la variable de estudio de la ttcc y creación de la tabla general.

receptaculo <- data.frame()
for (n in 1 : 6){
    numero <- switch(n, "2006","2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/mental_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

Diccionario

Para la creación del diccionario se necesita el dataset “receptáculo” al que se le hará un unique() en la columna a la que se le hará el diccionario, luego se guarda como xlsx para hacer el tratamiento

# receptaculo_unicos <- unique(receptaculo$discapacidad)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"tablas_grandes/unicos_mental.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/unicos_mental.xlsx")

nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
alfa_corr <- nuevas_cat[,c(-1)]


categoriasbuenas = merge( x = alfa_corr, y = categorias, by = "Etnia", all.x = TRUE)
etnia_corr <- categoriasbuenas[,c(-1)]

categoriasbuenas = merge( x = etnia_corr, y = cat_disc, by = "consultas", all.x = TRUE)
discapacidad_corr <- categoriasbuenas[,c(-1)]

receptaculo<-discapacidad_corr[,c(1,10,8,9,6,7,2,3,4,5)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "consultas"
names(receptaculo)[3] <- "etnia"
names(receptaculo)[5] <- "alfabetismo"
names(receptaculo)[7] <- "sexo"
names(receptaculo)[8] <- "frec"
names(receptaculo)[9] <- "anio"
names(receptaculo)[10] <- "codigo_comuna"

receptaculo_tab <- receptaculo[1:30,]
kbl(receptaculo_tab) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")

comuna	consultas	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
El Bosque	No tuvo	No pertenece a ningún pueblo indígena	007	No	002	Mujer	95	2015	13105
Diego de Almagro	No tuvo	Coya	004	No	002	Mujer	3	2013	03202
Coyhaique	No tuvo	Mapuche	006	Sí	001	Hombre	3454	2011	11101
Temuco	No tuvo	Aymara	003	Sí	001	Mujer	112	2011	09101
Quinchao	No tuvo	Mapuche	006	No	002	Mujer	15	2013	10210
Quemchi	No tuvo	Mapuche	006	Sí	001	Mujer	875	2015	10209
Coronel	No tuvo	Mapuche	006	Sí	001	Hombre	2278	2013	08102
Hijuelas	No tuvo	Atacameño	002	Sí	001	Hombre	12	2011	05503
Padre Hurtado	No tuvo	Mapuche	006	Sí	001	Hombre	2075	2011	13604
Cisnes	No tuvo	No pertenece a ningún pueblo indígena	007	No	002	Mujer	126	2015	11202
Victoria	No tuvo	Mapuche	006	Sí	001	Mujer	2109	2011	09211
Iquique	No tuvo	Atacameño	002	Sí	001	Hombre	106	2011	01101
Arica	No tuvo	Aymara	003	No	002	Hombre	75	2015	15101
Lampa	No tuvo	Mapuche	006	Sí	001	Mujer	4788	2015	13302
Mariquina	No tuvo	Aymara	003	Sí	001	Hombre	12	2011	14106
Huara	No tuvo	Aymara	003	Sí	001	Hombre	521	2011	01404
Estación Central	No tuvo	Aymara	003	Sí	001	Hombre	224	2015	13106
Putre	No tuvo	Aymara	003	Sí	001	Mujer	273	2013	15201
Limache	No tuvo	Mapuche	006	Sí	001	Hombre	9	2011	05802
Melipeuco	No tuvo	Aymara	003	Sí	001	Hombre	11	2013	09110
Alto Biobío	No tuvo	Mapuche	006	No	002	Mujer	141	2015	08314
La Higuera	No tuvo	Aymara	003	Sí	001	Hombre	18	2013	04104
Calama	No tuvo	Atacameño	002	No	002	Mujer	99	2015	02201
Valdivia	No tuvo	Aymara	003	Sí	001	Mujer	115	2013	14101
Huasco	No tuvo	Aymara	003	Sí	001	Mujer	75	2013	03304
Temuco	No tuvo	Mapuche	006	No	002	Mujer	58	2011	09101
Caldera	No tuvo	Coya	004	Sí	001	Mujer	38	2011	03102
Tiltil	No tuvo	Mapuche	006	Sí	001	Hombre	449	2011	13303
Pinto	No tuvo	No pertenece a ningún pueblo indígena	007	No	002	Mujer	230	2013	16106
Lago Ranco	No tuvo	Mapuche	006	No	002	Mujer	159	2015	14203

Guardado de tablas

El siguiente código establece una conexión con nuestra base de datos en postgres donde estaremos guardando la tabla resultado del código previo. También se guardará la tabla de forma local en formato xlsx

db <- 'trabajo-con-casen'  #provide the name of your db
host_db <- 'post-to-r.postgres.database.azure.com' #i.e. # i.e. 'ec2-54-83-201-96.compute-1.amazonaws.com'  
db_port <- '5432'  # or any other port specified by the DBA
db_user <- 'yomismo@post-to-r'  
db_password <- '123456Fg*'
con <- dbConnect(RPostgres::Postgres(), dbname = db, host=host_db, port=db_port, user=db_user, password=db_password) 

library('RPostgreSQL')
# tn <- 'links'
dbWriteTable(con,'tabla_consulta_mental',receptaculo, row.names=FALSE)

write_xlsx(receptaculo,"tablas_grandes/tabla_consulta_mental.xlsx")

# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad') 
# tabla_grande

Gráficos

Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~consultas) %>% add_histogram() %>%
    layout(title = "consultas en los años",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~consultas)  %>% add_histogram()%>%
    layout(title = "consultas por grupo etnico",
         xaxis = list(title = "Etnia"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p2

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

ttcc-Lugar de consultas de salud mental

funcion1 <- function(n){

  comunales<-switch(n, "codigos_comunales_2006.rds","codigos_comunales_2009.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds")
 xx<-switch(n, "2006","2009","2011","2013","2015","2017")
 # dataset_06 <<- NA


 if(xx==2006) {
  eliminated <- dataset_2006#[!is.na(dataset_2006 ),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$S10B
d <- eliminated$E1 #alfabetismo
e <- eliminated$T4 #etnia
f <- eliminated$SEXO
anio <- 2006
cross_tab =  xtabs(eliminated$EXPC ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$EXPC ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

 if(xx==2009) {
  eliminated <- dataset_2009#[!is.na(dataset_2009),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$S16B
d <- eliminated$E1 #alfabetismo
e <- eliminated$T5 #etnia
f <- eliminated$SEXO
anio <- 2009
cross_tab =  xtabs(eliminated$EXPC ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$EXPC ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
 }

 if(xx==2011) {
  eliminated <- dataset_2011#[!is.na(dataset_2011),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$s27b
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2011
cross_tab =  xtabs(eliminated$expc_full ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_full ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2013) {
  eliminated <- dataset_2013#[!is.na(dataset_2013),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s24b
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2013
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2015) {
  eliminated <- dataset_2015#[!is.na(dataset_2015),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s21b
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2015
cross_tab =  xtabs(eliminated$expc_todas ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_todas ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2017) {
  eliminated <- dataset_2017#[!is.na(dataset_2017),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s21b
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2017
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}



tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$Año <- anio

names(d)[1] <- "Comuna"
names(d)[2] <- "lugat_de_consultas"
names(d)[3] <- "Alfabetismo"
names(d)[4] <- "Etnia"
names(d)[5] <- "sexo"
codigos_comunales <- readRDS(file = comunales)
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
# codigos_comunales

df = merge( x = d, y = codigos_comunales, by = "Comuna", all.x = TRUE)

ingreso_rds <- paste("tablas_peque/lugar_mental_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}
for (n in 1:6){
  funcion1(n)
}

Tratamientos

Unión de subtablas, homologación de categorías de respuesta con código independiente para la variable de estudio de la ttcc y creación de la tabla general.

receptaculo <- data.frame()
for (n in 1 : 6){
    numero <- switch(n, "2006","2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/lugar_mental_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

Diccionario

Para la creación del diccionario se necesita el dataset “receptáculo” al que se le hará un unique() en la columna a la que se le hará el diccionario, luego se guarda como xlsx para hacer el tratamiento

# receptaculo_unicos <- unique(receptaculo$lugat_de_consultas)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/unico_lugar_consulta_mental.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/unico_lugar_consulta_mental.xlsx")

cod_cat <- unique(cat_disc$lugat_de_consultas_cat)
cod_cat<- as.data.frame(cod_cat)
rango <- seq(1:nrow(cod_cat))
cadena<- paste("00",seq(1:nrow(cod_cat)), sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4-2),5)
cod_cat$codigo_discapacidad <- cadena
names(cod_cat)[1] <- "lugat_de_consultas_cat"
cat_disc = merge( x = cat_disc, y = cod_cat, by = "lugat_de_consultas_cat", all.x = TRUE)
cat_disc <- cat_disc[,c(2,1,3)]


nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
alfa_corr <- nuevas_cat[,c(-1)]

categoriasbuenas = merge( x = alfa_corr, y = categorias, by = "Etnia", all.x = TRUE)
etnia_corr <- categoriasbuenas[,c(-1)]

categoriasbuenas = merge( x = etnia_corr, y = cat_disc, by = "lugat_de_consultas", all.x = TRUE)
discapacidad_corr <- categoriasbuenas[,c(-1)]


receptaculo<-discapacidad_corr[,c(1,10,11,8,9,6,7,2,3,4,5)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "lugar_de_consultas"
names(receptaculo)[4] <- "etnia"
names(receptaculo)[6] <- "alfabetismo"
names(receptaculo)[8] <- "sexo"
names(receptaculo)[9] <- "frec"
names(receptaculo)[10] <- "anio"
names(receptaculo)[11] <- "codigo_comuna"

receptaculo_tab <- receptaculo[1:30,]
kbl(receptaculo_tab) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")

comuna	lugar_de_consultas	codigo_discapacidad	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
Maipú	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	363	2015	13119
Independencia	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	15	2013	13108
Las Condes	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	917	2013	13114
Concepción	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	100	2013	08101
Pelarco	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	34	2011	07106
Temuco	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	31	2011	09101
Osorno	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	32	2013	10301
Temuco	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	108	2013	09101
Providencia	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	179	2011	13123
Talcahuano	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	92	2013	08110
Linares	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	103	2017	07401
Santiago	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	124	2013	13101
Pudahuel	Centro de salud mental privado	001	Mapuche	006	Sí	001	Mujer	235	2017	13124
Coquimbo	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	85	2015	04102
Osorno	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	99	2013	10301
Quilpué	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	106	2017	05801
Concepción	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	178	2013	08101
Providencia	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	55	2013	13123
Viña del Mar	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	161	2011	05109
Osorno	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	56	2017	10301
Las Condes	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	218	2013	13114
Valdivia	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	47	2013	14101
Iquique	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	90	2015	01101
Quinta Normal	Centro de salud mental privado	001	Mapuche	006	Sí	001	Hombre	470	2015	13126
Arica	Centro de salud mental privado	001	Diaguita	005	Sí	001	Hombre	30	2013	15101
Iquique	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	37	2011	01101
Villarrica	Centro de salud mental privado	001	Mapuche	006	Sí	001	Hombre	22	2015	09120
San Bernardo	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	308	2011	13401
Maipú	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	782	2017	13119
Antofagasta	Centro de salud mental privado	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	41	2011	02101

Guardado de tablas

El siguiente código establece una conexión con nuestra base de datos en postgres donde estaremos guardando la tabla resultado del código previo. También se guardará la tabla de forma local en formato xlsx

db <- 'trabajo-con-casen'  #provide the name of your db
host_db <- 'post-to-r.postgres.database.azure.com' #i.e. # i.e. 'ec2-54-83-201-96.compute-1.amazonaws.com'  
db_port <- '5432'  # or any other port specified by the DBA
db_user <- 'yomismo@post-to-r'  
db_password <- '123456Fg*'
con <- dbConnect(RPostgres::Postgres(), dbname = db, host=host_db, port=db_port, user=db_user, password=db_password) 

library('RPostgreSQL')
# tn <- 'links'
dbWriteTable(con,'tabla_lugar_consulta_mental',receptaculo, row.names=FALSE)

write_xlsx(receptaculo,"tablas_grandes/tabla_lugar_consulta_mental.xlsx")

# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad') 
# tabla_grande

Gráficos

Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~lugar_de_consultas) %>% add_histogram() %>%
    layout(title = "lugar_de_consultas en los años",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~lugar_de_consultas)  %>% add_histogram()%>%
    layout(title = "lugar_de_consultas por grupo etnico",
         xaxis = list(title = "Etnia"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p2

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

ttcc-Práctica de mamografía

funcion1 <- function(n){

  comunales<-switch(n,"codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds")
 xx<-switch(n,"2011","2013","2015","2017")


 if(xx==2011) {
  eliminated <- dataset_2011#[!is.na(dataset_2011),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$s15
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2011
cross_tab =  xtabs(eliminated$expc_full ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_full ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2013) {
  eliminated <- dataset_2013#[!is.na(dataset_2013),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s12
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2013
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2015) {
  eliminated <- dataset_2015#[!is.na(dataset_2015),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s10
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2015
cross_tab =  xtabs(eliminated$expc_todas ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_todas ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2017) {
  eliminated <- dataset_2017#[!is.na(dataset_2017),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s10
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2017
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}



tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$Año <- anio

names(d)[1] <- "Comuna"
names(d)[2] <- "mamografia"
names(d)[3] <- "Alfabetismo"
names(d)[4] <- "Etnia"
names(d)[5] <- "sexo"
codigos_comunales <- readRDS(file = comunales)
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
# codigos_comunales

df = merge( x = d, y = codigos_comunales, by = "Comuna", all.x = TRUE)

ingreso_rds <- paste("tablas_peque/mamografia_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}
for (n in 1:4){
  funcion1(n)
}

Tratamientos

Unión de subtablas, homologación de categorías de respuesta con código independiente para la variable de estudio de la ttcc y creación de la tabla general.

receptaculo <- data.frame()
for (n in 1 : 4){
    numero <- switch(n,"2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/mamografia_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

Diccionario

Para la creación del diccionario se necesita el dataset “receptáculo” al que se le hará un unique() en la columna a la que se le hará el diccionario, luego se guarda como xlsx para hacer el tratamiento

# receptaculo_unicos <- unique(receptaculo$mamografia)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/unico_mamografia.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/unico_mamografia.xlsx")

cod_cat <- unique(cat_disc$mamografia_cat)
cod_cat<- as.data.frame(cod_cat)
cod_cat$codigo_discapacidad <- paste("00",seq(1:nrow(cod_cat)), sep = "")
names(cod_cat)[1] <- "mamografia_cat"
cat_disc = merge( x = cat_disc, y = cod_cat, by = "mamografia_cat", all.x = TRUE)
cat_disc <- cat_disc[,c(2,1,3)]

nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
alfa_corr <- nuevas_cat[,c(-1)]


categoriasbuenas = merge( x = alfa_corr, y = categorias, by = "Etnia", all.x = TRUE)
etnia_corr <- categoriasbuenas[,c(-1)]

categoriasbuenas = merge( x = etnia_corr, y = cat_disc, by = "mamografia", all.x = TRUE)
discapacidad_corr <- categoriasbuenas[,c(-1)]

receptaculo<-discapacidad_corr[,c(1,10,11,8,9,6,7,2,3,4,5)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "mamografia"
names(receptaculo)[4] <- "etnia"
names(receptaculo)[6] <- "alfabetismo"
names(receptaculo)[8] <- "sexo"
names(receptaculo)[9] <- "frec"
names(receptaculo)[10] <- "anio"
names(receptaculo)[11] <- "codigo_comuna"

receptaculo_tab <- receptaculo[1:30,]
kbl(receptaculo_tab) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")

comuna	mamografia	codigo_discapacidad	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
Huara	No	001	Aymara	003	Sí	001	Mujer	250	2017	01404
Tierra Amarilla	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	34	2011	03103
Chañaral	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	1250	2015	03201
Chañaral	No	001	Mapuche	006	Sí	001	Mujer	13	2015	03201
Paredones	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	126	2013	06206
Chillán Viejo	No	001	Mapuche	006	Sí	001	Mujer	213	2015	16103
Gorbea	No	001	Mapuche	006	No	002	Mujer	54	2015	09107
Curarrehue	No	001	Mapuche	006	Sí	001	Mujer	429	2011	09104
San Felipe	No	001	Coya	004	Sí	001	Mujer	153	2017	05701
Yungay	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	206	2015	16109
Panguipulli	No	001	Mapuche	006	No	002	Mujer	45	2011	14108
Quilpué	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	51	2011	05801
Chiguayante	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	1000	2015	08103
Machalí	No	001	Mapuche	006	Sí	001	Mujer	104	2011	06108
Valdivia	No	001	Mapuche	006	No	002	Mujer	82	2017	14101
Cerrillos	No	001	Mapuche	006	Sí	001	Mujer	389	2011	13102
Colina	No	001	Aymara	003	Sí	001	Mujer	123	2011	13301
Maullín	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	68	2013	10108
Teodoro Schmidt	No	001	Mapuche	006	No	002	Mujer	67	2017	09117
Petorca	No	001	Mapuche	006	Sí	001	Mujer	43	2015	05404
Saavedra	No	001	Mapuche	006	No	002	Mujer	164	2011	09116
Lo Espejo	No	001	Mapuche	006	Sí	001	Mujer	995	2015	13116
Vilcún	No	001	Mapuche	006	No	002	Mujer	416	2011	09119
Rancagua	No	001	Coya	004	Sí	001	Mujer	63	2017	06101
Salamanca	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	67	2017	04204
Caldera	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	38	2017	03102
Tucapel	No	001	Mapuche	006	Sí	001	Mujer	54	2017	08312
María Elena	No	001	Aymara	003	Sí	001	Mujer	14	2013	02302
Canela	No	001	Diaguita	005	Sí	001	Mujer	9	2015	04202
Monte Patria	No	001	Diaguita	005	Sí	001	Mujer	62	2011	04303

Guardado de tablas

El siguiente código establece una conexión con nuestra base de datos en postgres donde estaremos guardando la tabla resultado del código previo. También se guardará la tabla de forma local en formato xlsx

db <- 'trabajo-con-casen'  #provide the name of your db
host_db <- 'post-to-r.postgres.database.azure.com' #i.e. # i.e. 'ec2-54-83-201-96.compute-1.amazonaws.com'  
db_port <- '5432'  # or any other port specified by the DBA
db_user <- 'yomismo@post-to-r'  
db_password <- '123456Fg*'
con <- dbConnect(RPostgres::Postgres(), dbname = db, host=host_db, port=db_port, user=db_user, password=db_password) 

library('RPostgreSQL')
# tn <- 'links'
dbWriteTable(con,'tabla_practica_mamografia',receptaculo, row.names=FALSE)

write_xlsx(receptaculo,"tablas_grandes/tabla_practica_mamografia.xlsx")

# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad') 
# tabla_grande

Gráficos

Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~mamografia) %>% add_histogram() %>%
    layout(title = "Practica de mamografía en los años",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~mamografia)  %>% add_histogram()%>%
    layout(title = "Practica de mamografía por grupo etnico",
         xaxis = list(title = "Etnia"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p2

ttcc-Razon de práctica de mamografía

funcion1 <- function(n){

  comunales<-switch(n,"codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds","codigos_comunales_2011-2017.rds")
 xx<-switch(n,"2011","2013","2015","2017")


 if(xx==2011) {
  eliminated <- dataset_2011#[!is.na(dataset_2011),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$s16
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2011
cross_tab =  xtabs(eliminated$expc_full ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_full ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2013) {
  eliminated <- dataset_2013#[!is.na(dataset_2013),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s13
d <- eliminated$e1 #alfabetismo
e <- eliminated$r6 #etnia
f <- eliminated$sexo
anio <- 2013
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2015) {
  eliminated <- dataset_2015#[!is.na(dataset_2015),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s11
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2015
cross_tab =  xtabs(eliminated$expc_todas ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc_todas ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}

if(xx==2017) {
  eliminated <- dataset_2017#[!is.na(dataset_2017),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$s11
d <- eliminated$e1 #alfabetismo
e <- eliminated$r3 #etnia
f <- eliminated$sexo
anio <- 2017
cross_tab =  xtabs(eliminated$expc ~  +  unlist(b) + unlist(c)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$expc ~  +  unlist(b) + unlist(c) + unlist(d) + unlist(e)+ unlist(f),eliminated,mean))
}



tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$Año <- anio

names(d)[1] <- "Comuna"
names(d)[2] <- "motivo_mamografia"
names(d)[3] <- "Alfabetismo"
names(d)[4] <- "Etnia"
names(d)[5] <- "sexo"
codigos_comunales <- readRDS(file = comunales)
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
# codigos_comunales

df = merge( x = d, y = codigos_comunales, by = "Comuna", all.x = TRUE)

ingreso_rds <- paste("tablas_peque/motivo_mamografia_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}
for (n in 1:4){
  funcion1(n)
}

Tratamientos

Unión de subtablas, homologación de categorías de respuesta con código independiente para la variable de estudio de la ttcc y creación de la tabla general.

receptaculo <- data.frame()
for (n in 1 : 4){
    numero <- switch(n,"2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/motivo_mamografia_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

Diccionario

Para la creación del diccionario se necesita el dataset “receptáculo” al que se le hará un unique() en la columna a la que se le hará el diccionario, luego se guarda como xlsx para hacer el tratamiento

# receptaculo_unicos <- unique(receptaculo$motivo_mamografia)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/unico_motivo_mamografia.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/unico_motivo_mamografia.xlsx")

cod_cat <- unique(cat_disc$motivo_mamografia_cat)
cod_cat<- as.data.frame(cod_cat)
rango <- seq(1:nrow(cod_cat))
cadena<- paste("00",seq(1:nrow(cod_cat)), sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4-2),5)
cod_cat$codigo_discapacidad <- cadena
names(cod_cat)[1] <- "motivo_mamografia_cat"
cat_disc = merge( x = cat_disc, y = cod_cat, by = "motivo_mamografia_cat", all.x = TRUE)
cat_disc <- cat_disc[,c(2,1,3)]

nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
alfa_corr <- nuevas_cat[,c(-1)]


categoriasbuenas = merge( x = alfa_corr, y = categorias, by = "Etnia", all.x = TRUE)
etnia_corr <- categoriasbuenas[,c(-1)]

categoriasbuenas = merge( x = etnia_corr, y = cat_disc, by = "motivo_mamografia", all.x = TRUE)
discapacidad_corr <- categoriasbuenas[,c(-1)]

receptaculo<-discapacidad_corr[,c(1,10,11,8,9,6,7,2,3,4,5)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "motivo_no_mamografia"
names(receptaculo)[4] <- "etnia"
names(receptaculo)[6] <- "alfabetismo"
names(receptaculo)[8] <- "sexo"
names(receptaculo)[9] <- "frec"
names(receptaculo)[10] <- "anio"
names(receptaculo)[11] <- "codigo_comuna"

receptaculo_tab <- receptaculo[1:30,]
kbl(receptaculo_tab) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")

comuna	motivo_no_mamografia	codigo_discapacidad	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
Cauquenes	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	52	2011	07201
San Felipe	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	132	2015	05701
Temuco	El horario del consultorio no le sirve	001	Mapuche	006	No	002	Mujer	58	2011	09101
Natales	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	48	2015	12401
Puerto Octay	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	49	2013	10302
Cabrero	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	271	2011	08303
Coinco	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	32	2013	06103
Putre	El horario del consultorio no le sirve	001	Aymara	003	Sí	001	Mujer	5	2011	15201
La Unión	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	24	2013	14201
Gorbea	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	67	2011	09107
Talca	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	673	2011	07101
Aysén	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	16	2017	11201
Maipú	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	517	2011	13119
Cabrero	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	147	2011	08303
Futrono	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	10	2011	14202
Valdivia	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	18	2013	14101
Natales	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	25	2011	12401
Fresia	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	13	2011	10104
Colina	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	365	2017	13301
Chiguayante	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	237	2015	08103
Coyhaique	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	111	2011	11101
Galvarino	El horario del consultorio no le sirve	001	Mapuche	006	Sí	001	Mujer	13	2017	09106
Coelemu	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	61	2015	16203
Curicó	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	79	2011	07301
San Javier	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	444	2011	07406
Saavedra	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	27	2013	09116
La Cruz	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	63	2013	05504
Copiapó	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	337	2011	03101
Renaico	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	64	2013	09209
Papudo	El horario del consultorio no le sirve	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	43	2015	05403

Guardado de tablas

El siguiente código establece una conexión con nuestra base de datos en postgres donde estaremos guardando la tabla resultado del código previo. También se guardará la tabla de forma local en formato xlsx

db <- 'trabajo-con-casen'  #provide the name of your db
host_db <- 'post-to-r.postgres.database.azure.com' #i.e. # i.e. 'ec2-54-83-201-96.compute-1.amazonaws.com'  
db_port <- '5432'  # or any other port specified by the DBA
db_user <- 'yomismo@post-to-r'  
db_password <- '123456Fg*'
con <- dbConnect(RPostgres::Postgres(), dbname = db, host=host_db, port=db_port, user=db_user, password=db_password) 

library('RPostgreSQL')
# tn <- 'links'
dbWriteTable(con,'tabla_no_practica_mamografia',receptaculo, row.names=FALSE)

write_xlsx(receptaculo,"tablas_grandes/tabla_no_practica_mamografia.xlsx")

# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad') 
# tabla_grande

Gráficos

Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~motivo_no_mamografia) %>% add_histogram() %>%
    layout(title = "Motivo de no practicar una mamografía en los años",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~motivo_no_mamografia)  %>% add_histogram()%>%
    layout(title = "Motivo de no practicar una mamografía por grupo etnico",
         xaxis = list(title = "Etnia"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p2

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

## Warning in RColorBrewer::brewer.pal(N, "Set2"): n too large, allowed maximum for palette Set2 is 8
## Returning the palette you asked for with that many colors

Generación de ttcc sobre variables de interés para La Casen en diferentes años

Lectura de tablas Casen

ttcc-Discapacidad

Tratamientos

Union de tablas

Diccionario

Guardado de tablas

Gráficos

Gráfico I

Gráfico II

ttcc-Consultas de salud mental

Tratamientos

Diccionario

Guardado de tablas

Gráficos

Gráfico I

Gráfico II

ttcc-Lugar de consultas de salud mental

Tratamientos

Diccionario

Guardado de tablas

Gráficos

Gráfico I

Gráfico II

ttcc-Práctica de mamografía

Tratamientos

Diccionario

Guardado de tablas

Gráficos

Gráfico I

Gráfico II

ttcc-Razon de práctica de mamografía

Tratamientos

Diccionario

Guardado de tablas

Gráficos

Gráfico I

Gráfico II