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

Entrega numero 3:Presencia de enfermedades y accidentes y el modo de enfrentarlas

DataIntelligence

Abstract

Este trabajo comprende el despliegue de las frecuencias por las enfermedades y accidentes que sufren las personas, si consulto y el porqué. Se peregunta especificamente para medicina general, de urgencia y mental, cuantas consultas se tubienron, donde se realizaron y cuanto costaron. Esta informacion aparece transversalmente en todas las casen. Se generaran 6 tablas.

Preguntas:

1. Tuvo algun problema de salud?.
2. Consulto por ese problema de salud?.
3. Porqué no tuvo consulta?.

Medicina general:

4. Cuantas consultas tuvo?.
5. Donde las tuvo?.
6. Cuanto le costaron?.

La pregunta de “Cuanto le costaron?” parece no existir en las primeras Casen, evaluar la posibilidad de integrar la pregunta sobre medicamento, su costo y la forma de adquisicion

Lectura de tablas Casen

dataset_2006 <- readRDS(file = "casen_2006_c.rds")
dataset_2006 <- dataset_2006[,c("COMUNA","S5","S6","S7","S8A","S8B","T4","E1","SEXO","EXPC")]

dataset_2009 <- readRDS(file = "casen_2009_c.rds")
dataset_2009 <- dataset_2009[,c("COMUNA","S9","S10","S11","S14A","S14B","T5","E1","SEXO","EXPC")]

dataset_2011 <- readRDS(file = "casen_2011_c.rds")
dataset_2011 <- dataset_2011[,c("comuna","s20","s22","s23","s25a","s25b","r6","e1","sexo","expc_full")]

dataset_2013 <- readRDS(file = "casen_2013_c.rds")
dataset_2013 <- dataset_2013[,c("comuna","s17","s19","s20","s22a","s22b","r6","e1","sexo","expc")]

dataset_2015 <- readRDS(file = "casen_2015_c.rds")
dataset_2015 <- dataset_2015[,c("comuna","s15","s16","s17","s19a","s19b","r3","e1","sexo","expc_todas")]

dataset_2017 <- readRDS(file = "casen_2017_c.rds")
dataset_2017 <- dataset_2017[,c("comuna","s15","s16","s17","s19a","s19b","r3","e1","sexo","expc")]

---

1. enfermedad o accidente

Últimos 3. meses ¿Tuvo algún problema de salud, enfermedad o accidente?

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$S5
d <- eliminated$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$S9
d <- eliminated$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$s20
d <- eliminated$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$s17
d <- eliminated$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$s15
d <- eliminated$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$s15
d <- eliminated$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] <- "enfermedad_accidente"
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/enfermedad_accidente_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

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

1.1 Tratamientos

1.1.1 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/enfermedad_accidente_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

1.1.2 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$enfermedad_accidente)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/unico_enfermedad_accidente.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/unico_enfermedad_accidente.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 = "enfermedad_accidente", 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] <- "enfermedad_accidente"
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	enfermedad_accidente	codigo_enfermedad_accidente	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
Coronel	No	001	Mapuche	006	Sí	001	Mujer	2261	2006	08102
San Ignacio	No	001	No pertenece a ningún pueblo indígena	007	No	002	Hombre	691	2009	16108
Gorbea	No	001	Alacalufes	001	Sí	001	Hombre	21	2006	09107
San Pablo	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	1750	2006	10307
Quillota	No	001	Mapuche	006	Sí	001	Hombre	594	2006	05501
La Estrella	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	1193	2006	06202
Puqueldón	No	001	Mapuche	006	Sí	001	Mujer	188	2009	10206
Quilicura	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	59159	2009	13125
Valdivia	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	38163	2009	14101
Aisén	No	001	Alacalufes	001	Sí	001	Mujer	35	2006	11201
La Cisterna	No	001	No pertenece a ningún pueblo indígena	007	NS/NR	003	Hombre	83	2006	13109
Freire	No	001	Mapuche	006	No	002	Hombre	260	2009	09105
Lago Ranco	No	001	Mapuche	006	Sí	001	Mujer	892	2006	14203
Chiguayante	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	32492	2006	08103
Codegua	No	001	Mapuche	006	Sí	001	Hombre	144	2009	06102
Contulmo	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	1045	2009	08204
Copiapó	No	001	Atacameño	002	Sí	001	Mujer	356	2009	03101
Futaleufú	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	44	2006	10402
Curicó	No	001	Mapuche	006	Sí	001	Mujer	303	2009	07301
Rinconada	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	2128	2006	05303
Toltén	No	001	No pertenece a ningún pueblo indígena	007	No	002	Hombre	152	2006	09118
La Pintana	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	57874	2009	13112
Vilcún	No	001	Mapuche	006	Sí	001	Hombre	3247	2009	09119
Quellón	No	001	Mapuche	006	Sí	001	Mujer	2845	2009	10208
Huechuraba	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	25253	2009	13107
San Ramón	No	001	Atacameño	002	Sí	001	Hombre	94	2006	13131
San Pablo	No	001	Mapuche	006	Sí	001	Hombre	1077	2006	10307
Limache	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	13490	2009	05802
Teodoro Schimdt	No	001	Mapuche	006	No	002	Mujer	336	2006	09117
Mariquina	No	001	Mapuche	006	Sí	001	Mujer	1636	2006	14106

1.1.3 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/s_enfermedad_accidente.xlsx")

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

1.2 Gráficos

1.2.1 Gráfico I

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

1.2.2 Gráfico II

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

---

2. consulta_medica

¿Tuvo alguna consulta o atención médica por esa enfermedad o accidente?

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$S6
d <- eliminated$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$S10
d <- eliminated$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$s22
d <- eliminated$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$s19
d <- eliminated$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$s16
d <- eliminated$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$s16
d <- eliminated$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] <- "consulta_medica"
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/consulta_medica_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

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

2.1 Tratamientos

2.1.1 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/consulta_medica_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

2.1.2 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$consulta_medica)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/unico_consulta_medica.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/unico_consulta_medica.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 = "consulta_medica", 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] <- "consulta_medica"
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	consulta_medica	codigo_consulta_medica	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
Pica	No	001	Aymara	003	Sí	001	Mujer	38	2015	01405
Huara	No	001	Aymara	003	Sí	001	Mujer	42	2017	01404
Lumaco	No	001	Mapuche	006	Sí	001	Hombre	33	2006	09207
Alto del Carmen	No	001	Diaguita	005	Sí	001	Mujer	10	2009	03302
Arica	No	001	Aymara	003	No	002	Mujer	21	2017	15101
Paillaco	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	77	2013	14107
San Miguel	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	28	2015	13130
Pica	No	001	Aymara	003	Sí	001	Hombre	216	2017	01405
Máfil	No	001	No pertenece a ningún pueblo indígena	007	No	002	Hombre	9	2009	14105
Curacautín	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	19	2015	09203
Andacollo	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	182	2015	04103
Pozo Almonte	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	39	2015	01401
San Carlos	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	48	2006	16301
Toltén	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	139	2006	09118
Tierra Amarilla	No	001	No pertenece a ningún pueblo indígena	007	No	002	Hombre	7	2006	03103
Viña del Mar	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	4670	2009	05109
Rancagua	No	001	Aymara	003	Sí	001	Hombre	75	2015	06101
Santa Juana	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	21	2011	08109
Cobquecura	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	28	2009	16202
Aisén	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	117	2006	11201
Santa Juana	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	52	2011	08109
Fresia	No	001	No pertenece a ningún pueblo indígena	007	No	002	Hombre	13	2011	10104
Copiapó	No	001	Diaguita	005	Sí	001	Hombre	21	2009	03101
Arica	No	001	Aymara	003	Sí	001	Hombre	298	2015	15101
Toltén	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	120	2006	09118
Santa María	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	24	2011	05706
Valdivia	No	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	875	2009	14101
Rancagua	No	001	Mapuche	006	Sí	001	Hombre	180	2009	06101
La Reina	No	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	114	2006	13113
La Unión	No	001	Mapuche	006	Sí	001	Mujer	118	2006	14201

2.1.3 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/s_consulta_medica.xlsx")

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

2.2 Gráficos

2.2.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~consulta_medica) %>% add_histogram() %>%
    layout(title = "Discapacidad 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

2.2.2 Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~consulta_medica)  %>% add_histogram()%>%
    layout(title = "Discapacidad 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

---

3. motivo_no_consulta_medica

¿Por qué no tuvo consulta ni atención?

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$S7
d <- eliminated$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$S11
d <- eliminated$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$s23
d <- eliminated$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$s20
d <- eliminated$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$s17
d <- eliminated$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$s17
d <- eliminated$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_no_consulta_medica"
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_no_consulta_medica_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

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

3.1 Tratamientos

3.1.1 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/motivo_no_consulta_medica_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

3.1.2 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_no_consulta_medica)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/unico_motivo_no_consulta_medica.xlsx")

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

## New names:
## * `` -> ...3

cod_cat <- unique(cat_disc$cat_motivo_no_consulta_medica)
cod_cat<- as.data.frame(cod_cat)
rango <- seq(1:nrow(cod_cat))
cadena<- paste("000",seq(1:nrow(cod_cat)), sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4-2),5)
cod_cat$codigo_discapacidad <- cadena
names(cod_cat)[1] <- "cat_motivo_no_consulta_medica"

cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_motivo_no_consulta_medica", all.x = TRUE)
cat_disc <- cat_disc[,c(2,1,4)]

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_no_consulta_medica", 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_consulta_medica"
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_consulta_medica	codigo_discapacidad	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
San Pedro	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	10	2006	13505
Limache	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	104	2006	05802
Coyhaique	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	418	2006	11101
Toltén	No lo consideró necesario así que no hizo nada	005	Mapuche	006	Sí	001	Mujer	32	2006	09118
Contulmo	No lo consideró necesario así que no hizo nada	005	Mapuche	006	Sí	001	Mujer	15	2006	08204
Río Bueno	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	31	2006	14204
Marchihue	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	27	2006	06204
Curicó	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	314	2006	07301
Curarrehue	No lo consideró necesario así que no hizo nada	005	Mapuche	006	Sí	001	Mujer	12	2006	09104
Futrono	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	19	2006	14202
Coltauco	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	63	2006	06104
Las Cabras	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	No	002	Mujer	62	2006	06107
Villarrica	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	179	2006	09120
Tomé	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	357	2006	08111
Valparaíso	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	1138	2006	05101
Nogales	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	137	2006	05506
María Elena	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	19	2006	02302
María Elena	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	6	2006	02302
María Pinto	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	No	002	Hombre	16	2006	13504
Peñalolén	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	476	2006	13122
Hijuelas	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	80	2006	05503
Graneros	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	39	2006	06106
Cartagena	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	66	2006	05603
El Bosque	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	876	2006	13105
Villa Alegre	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	No	002	Hombre	13	2006	07407
Puerto Varas	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	162	2006	10109
Chépica	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	43	2006	06302
Papudo	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	18	2006	05403
Gorbea	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	101	2006	09107
Machalí	No lo consideró necesario así que no hizo nada	005	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	88	2006	06108

3.1.3 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/s_motivo_no_consulta_medica.xlsx")

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

3.2 Gráficos

3.2.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~motivo_no_consulta_medica) %>% add_histogram() %>%
    layout(title = "Discapacidad 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

3.2.2 Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~motivo_no_consulta_medica)  %>% add_histogram()%>%
    layout(title = "Discapacidad 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

---

---

4. cuantas_consulta_medica

¿Cuántas Consultas de Medicina General recibió?

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$S8A
d <- eliminated$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$S14A
d <- eliminated$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$s25a
d <- eliminated$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$s22a
d <- eliminated$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$s19a
d <- eliminated$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$s19a
d <- eliminated$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] <- "cuantas_consulta_medica"
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/cuantas_consulta_medica_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

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

4.1 Tratamientos

4.1.1 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/cuantas_consulta_medica_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

4.1.2 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$cuantas_consulta_medica)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/unico_cuantas_consulta_medica.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/unico_cuantas_consulta_medica.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 = "cuantas_consulta_medica", 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] <- "cuantas_consulta_medicina_gen"
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	cuantas_consulta_medicina_gen	codigo_cuantas_consulta_medica	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
Coquimbo	0	001	Aymara	003	Sí	001	Mujer	765	2015	04102
Petorca	0	001	Mapuche	006	No	002	Hombre	52	2015	05404
Recoleta	0	001	Quechua	009	Sí	001	Mujer	123	2015	13127
Santiago	0	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	188	2013	13101
Alto Biobío	0	001	No pertenece a ningún pueblo indígena	007	No	002	Hombre	23	2015	08314
Pozo Almonte	0	001	Aymara	003	No	002	Mujer	25	2015	01401
Punta Arenas	0	001	Aymara	003	Sí	001	Mujer	73	2015	12101
Ancud	0	001	Alacalufes	001	Sí	001	Mujer	29	2015	10202
Arica	0	001	Aymara	003	Sí	001	Hombre	8021	2015	15101
Alto Hospicio	0	001	Aymara	003	Sí	001	Mujer	3894	2015	01107
Puente Alto	0	001	Quechua	009	Sí	001	Mujer	96	2011	13201
Conchalí	0	001	Aymara	003	Sí	001	Mujer	73	2015	13104
Curicó	0	001	Mapuche	006	Sí	001	Mujer	1462	2013	07301
Rancagua	0	001	Mapuche	006	Sí	001	Hombre	8957	2011	06101
Arica	0	001	Aymara	003	Sí	001	Mujer	9899	2015	15101
Palmilla	0	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	104	2015	06306
Camiña	0	001	Aymara	003	Sí	001	Hombre	187	2015	01402
Melipeuco	0	001	Mapuche	006	Sí	001	Mujer	400	2011	09110
Vilcún	0	001	Mapuche	006	Sí	001	Mujer	1959	2011	09119
Curaco de Vélez	0	001	No pertenece a ningún pueblo indígena	007	No	002	Mujer	21	2011	10204
Aysén	0	001	Aymara	003	Sí	001	Mujer	41	2015	11201
Valdivia	0	001	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	43037	2011	14101
Camarones	0	001	Aymara	003	Sí	001	Mujer	355	2015	15102
Estación Central	0	001	Mapuche	006	Sí	001	Mujer	4461	2013	13106
Zapallar	0	001	No pertenece a ningún pueblo indígena	007	No	002	Hombre	16	2013	05405
Curanilahue	0	001	Mapuche	006	No	002	Hombre	27	2011	08205
Marchihue	0	001	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	2429	2015	06204
Camiña	0	001	Aymara	003	No	002	Mujer	12	2015	01402
Pozo Almonte	0	001	Aymara	003	No	002	Hombre	12	2015	01401
Laja	0	001	Mapuche	006	Sí	001	Hombre	100	2011	08304

4.1.3 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/s_cuantas_consulta_medica.xlsx")

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

4.2 Gráficos

4.2.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~cuantas_consulta_medicina_gen) %>% add_histogram() %>%
    layout(title = "Discapacidad 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

4.2.2 Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~cuantas_consulta_medicina_gen)  %>% add_histogram()%>%
    layout(title = "Discapacidad 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

---

5. Lugar de consulta

¿En qué establecimiento recibió Medicina General?

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$S8B
d <- eliminated$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$S14B
d <- eliminated$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$s25b
d <- eliminated$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$s22b
d <- eliminated$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$s19b
d <- eliminated$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$s19b
d <- eliminated$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] <- "donde_consulta_medicina_gen"
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/donde_consulta_medicina_gen_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

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

5.1 Tratamientos

5.1.1 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/donde_consulta_medicina_gen_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

5.1.2 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$donde_consulta_medicina_gen)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/unico_donde_consulta_medicina_gen.xlsx")

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
cat_disc <- read_xlsx("diccionario/unico_donde_consulta_medicina_gen.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 = "donde_consulta_medicina_gen", 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] <- "donde_consulta_medicina_gen"
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	donde_consulta_medicina_gen	codigo_donde_consulta_medicina_gen	etnia	codigo_etnia	alfabetismo	codigo_alfabetismo	sexo	frec	anio	codigo_comuna
Putaendo	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	15	2006	05705
Canela	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	14	2006	04202
Las Cabras	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	51	2006	06107
Machalí	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	37	2006	06108
Angol	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	95	2006	09201
Lolol	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	19	2006	06304
Huara	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	2	2006	01404
Lo Espejo	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	176	2006	13116
San Joaquín	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	67	2006	13129
Osorno	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	147	2006	10301
Queilén	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	4	2006	10207
San Vicente	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	46	2006	06117
Pirque	En una farmacia	010	Mapuche	006	Sí	001	Mujer	21	2006	13202
Recoleta	En una farmacia	010	Mapuche	006	Sí	001	Mujer	114	2006	13127
Melipilla	En una farmacia	010	Mapuche	006	Sí	001	Mujer	226	2006	13501
Requínoa	En una farmacia	010	No pertenece a ningún pueblo indígena	007	No	002	Hombre	30	2006	06116
Quinchao	En una farmacia	010	No pertenece a ningún pueblo indígena	007	No	002	Mujer	9	2006	10210
Cerrillos	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	80	2006	13102
Talagante	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	73	2006	13601
Hualañé	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	11	2006	07302
Maipú	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	601	2006	13119
Pirque	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	19	2006	13202
Valdivia	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	178	2006	14101
Casablanca	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	27	2006	05102
Iquique	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	199	2006	01101
Marchihue	En una farmacia	010	No pertenece a ningún pueblo indígena	007	No	002	Mujer	14	2006	06204
Lolol	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	30	2006	06304
Concepción	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	278	2006	08101
San Ramón	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Hombre	90	2006	13131
Linares	En una farmacia	010	No pertenece a ningún pueblo indígena	007	Sí	001	Mujer	186	2006	07401

5.1.3 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/s_donde_consulta_medicina_gen.xlsx")

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

5.2 Gráficos

5.2.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~donde_consulta_medicina_gen) %>% add_histogram() %>%
    layout(title = "Discapacidad 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

5.2.2 Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~donde_consulta_medicina_gen)  %>% add_histogram()%>%
    layout(title = "Discapacidad 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

---

6. Lugar de consulta

¿En qué establecimiento recibió Medicina General?

PENDIENTE!!!