Introduccion I

Índice de materialidad

Índice de saneamiento

Índice de calidad global de la vivienda

Índice de hacinamiento

Allegamiento externo: Se refiere a la presencia en una vivienda de más de un hogar, evidenciándose con la figura de más de una vivienda, físicamente, dentro del predio.

-Allegamiento interno: Es la situación donde se constata la presencia de más de un núcleo familiar dentro de la vivienda. Es distinguible por la convivencia de los hogares, núcleos o ambos, dentro de la misma vivienda.

texto_alternativo

Lectura de tablas Casen

# dataset_2006 <- readRDS(file = "casen_2006_c.rds")
# dataset_2006 <- dataset_2006[,c("COMUNA","indmat","INDSAN","CVIV","IAE","IAI","T4","E1","SEXO","EXPC")]

dataset_2009 <- readRDS(file = "casen_2009_c.rds")
dataset_2009 <- dataset_2009[,c("COMUNA","INDMAT","INDSAN","CVIV","IAE","IAI","T5","E1","SEXO","EXPC")]

dataset_2011 <- readRDS(file = "casen_2011_c.rds")
dataset_2011 <- dataset_2011[,c("comuna","indmat","indsan","cviv","iae","iai","r6","e1","sexo","expc_full")]

dataset_2013 <- readRDS(file = "casen_2013_c.rds")
dataset_2013 <- dataset_2013[,c("comuna","indmat","indsan","calgobviv","iae","iai","r6","e1","sexo","expc")]

dataset_2015 <- readRDS(file = "casen_2015_c.rds")
dataset_2015 <- dataset_2015[,c("comuna","indmat","indsan","calglobviv","iae","iai","r3","e1","sexo","expc_todas")]

dataset_2017 <- readRDS(file = "casen_2017_c.rds")
dataset_2017 <- dataset_2017[,c("comuna","indmat","indsan","calglobviv","iae","iai","r3","e1","sexo","expc")]


1. Indicador de Materialidad

eliminated <- eliminated[!is.na(eliminated$INDMAT),]

funcion1 <- function(n){


  comunales<-switch(n, "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,"2009","2011","2013","2015","2017")
 # dataset_06 <<- NA


 if(xx==2009) {
  eliminated <- dataset_2009
   eliminated <- eliminated[!is.na(eliminated$INDMAT),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$INDMAT
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
   eliminated <- eliminated[!is.na(eliminated$indmat),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$indmat
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
   eliminated <- eliminated[!is.na(eliminated$indmat),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$indmat
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
   eliminated <- eliminated[!is.na(eliminated$indmat),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$indmat
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
   eliminated <- eliminated[!is.na(eliminated$indmat),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$indmat
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] <- "indmat"
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/indmat_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

for (n in 1:5){
  funcion1(n)
}

1.1 Tratamientos

1.1.1 Union de tablas

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 : 5){
    numero <- switch(n, "2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/indmat_",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$indmat)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/diccionario_indmat.xlsx")

1.2 Diccionarios

1.2.1 Diccionario alfabetismo

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo cat_alfa codigo_alfabetismo
No No 002
No, sólo lee No 002
No, ninguno No 002
No, sólo escribe No 002
No sabe /Sin dato NS/NR 003
NS/NR NS/NR 003
No sabe/responde NS/NR 003
Sí Sí 001
Sí, lee y escribe Sí 001

1.2.2 Diccionario etnia

categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia categorias_etnicas codigo_etnia
Kawashkar o Alacalufes Alacalufes 001
Kawaskar Alacalufes 001
Kawésqar Alacalufes 001
Kawésqar (Alacalufes) Alacalufes 001
Atacameño Atacameño 002
Atacameño (Likán Antai) Atacameño 002
Atacameño (Likan-Antai) Atacameño 002
Atacameño (Likán-Antai) Atacameño 002
Aimara Aymara 003
Aymara Aymara 003
Collas Coya 004
Coya Coya 004
Diaguita Diaguita 005
Mapuche Mapuche 006
No pertenece a ningún pueblo indígena No pertenece a ningún pueblo indígena 007
No sabe/no responde No pertenece a ningún pueblo indígena 007
NS/NR No pertenece a ningún pueblo indígena 007
Sin dato No pertenece a ningún pueblo indígena 007
Rapa Nui Pascuense 008
Rapa Nui (Pascuense) Pascuense 008
Rapa-Nui o Pascuenses Pascuense 008
Quechua Quechua 009
Yagan Yagán 010
Yagán Yagán 010
Yagán (Yámana) Yagán 010
Yámana o Yagán Yagán 010

1.2.3 Diccionario indmat

cat_disc <- read_xlsx("diccionario/diccionario_indmat.xlsx")

kbl(cat_disc) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
indmat cat_indmat
Viv. Recuperable Vivienda. Recuperable
Viv. Aceptable Vivienda Aceptable
Viv. Irrecuperable Vivienda. Irrecuperable
Vivienda Aceptable Vivienda Aceptable
Vivienda. Recuperable Vivienda. Recuperable
Vivienda. Irrecuperable Vivienda. Irrecuperable
Vivienda Recuperable Vivienda. Recuperable
Vivienda Irrecuperable Vivienda. Irrecuperable
SD/NR SD/NR

1.3 Unificación de categorías

cod_cat <- unique(cat_disc$cat_indmat)
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_indmat <- cadena
names(cod_cat)[1] <- "cat_indmat"

cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_indmat", 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 = "indmat", 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] <- "indmat"
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 indmat codigo_indmat etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
La Serena SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 85 2017 04101
Copiapó SD/NR 004 Diaguita 005 Sí 001 Mujer 19 2013 03101
Los Lagos SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 132 2013 14104
San Carlos SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 31 2017 16301
Calbuco SD/NR 004 Mapuche 006 Sí 001 Mujer 161 2013 10102
Castro SD/NR 004 Mapuche 006 Sí 001 Hombre 64 2013 10201
Calera SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 77 2013 05502
San Pedro de la Paz SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 166 2017 08108
Coquimbo SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 133 2013 04102
Mulchén SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 72 2017 08305
Sagrada Familia SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 72 2013 07307
San Bernardo SD/NR 004 No pertenece a ningún pueblo indígena 007 No 002 Hombre 213 2017 13401
Tirúa SD/NR 004 Mapuche 006 Sí 001 Mujer 28 2013 08207
Traiguén SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 117 2013 09210
Cañete SD/NR 004 Mapuche 006 Sí 001 Hombre 109 2013 08203
Los Andes SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 198 2017 05301
Romeral SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 91 2017 07306
Buin SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 852 2013 13402
Quemchi SD/NR 004 Mapuche 006 Sí 001 Mujer 18 2013 10209
Traiguén SD/NR 004 No pertenece a ningún pueblo indígena 007 No 002 Hombre 42 2013 09210
Canela SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 10 2013 04202
Olivar SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 76 2017 06111
Porvenir SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 28 2013 12301
Iquique SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 224 2017 01101
Chillán SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 229 2013 16101
Vallenar SD/NR 004 Diaguita 005 Sí 001 Mujer 266 2013 03301
Villa Alemana SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 570 2017 05804
Puerto Montt SD/NR 004 Mapuche 006 Sí 001 Mujer 225 2017 10101
Alto Hospicio SD/NR 004 Aymara 003 Sí 001 Mujer 44 2013 01107
Padre Las Casas SD/NR 004 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 114 2013 09112

1.3.1 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,'entrega_4_nivel_educ_padre',receptaculo, row.names=FALSE)

write_xlsx(receptaculo,"tablas_grandes/entrega_6_vivienda_alle_indmat.xlsx")
# receptaculo <- read_xlsx("tablas_grandes/4_nivel_educ_padre.xlsx")
# head(receptaculo,3)
# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad')
# tabla_grande

1.4 Gráficos

1.4.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~indmat) %>% add_histogram() %>%
    layout(title = "Ha tenido enfermedad o accidente",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

1.4.2 Gráfico II

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


2. Indicador Saneamiento

funcion1 <- function(n){


  comunales<-switch(n, "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,"2009","2011","2013","2015","2017")
 # dataset_06 <<- NA

 if(xx==2009) {
  eliminated <- dataset_2009
   eliminated <- eliminated[!is.na(eliminated$INDSAN),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$INDSAN
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
   eliminated <- eliminated[!is.na(eliminated$indsan),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$indsan
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
   eliminated <- eliminated[!is.na(eliminated$indsan),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$indsan
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
   eliminated <- eliminated[!is.na(eliminated$indsan),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$indsan
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
   eliminated <- eliminated[!is.na(eliminated$indsan),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$indsan
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] <- "indsan"
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/indsan_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

for (n in 1:5){
  funcion1(n)
}

2.1 Tratamientos

2.1.1 Union de tablas

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 : 5){
    numero <- switch(n,"2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/indsan_",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$indsan)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/diccionario_indsan.xlsx")

2.2 Diccionarios

2.2.1 Diccionario alfabetismo

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo cat_alfa codigo_alfabetismo
No No 002
No, sólo lee No 002
No, ninguno No 002
No, sólo escribe No 002
No sabe /Sin dato NS/NR 003
NS/NR NS/NR 003
No sabe/responde NS/NR 003
Sí Sí 001
Sí, lee y escribe Sí 001

2.2.2 Diccionario etnia

categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia categorias_etnicas codigo_etnia
Kawashkar o Alacalufes Alacalufes 001
Kawaskar Alacalufes 001
Kawésqar Alacalufes 001
Kawésqar (Alacalufes) Alacalufes 001
Atacameño Atacameño 002
Atacameño (Likán Antai) Atacameño 002
Atacameño (Likan-Antai) Atacameño 002
Atacameño (Likán-Antai) Atacameño 002
Aimara Aymara 003
Aymara Aymara 003
Collas Coya 004
Coya Coya 004
Diaguita Diaguita 005
Mapuche Mapuche 006
No pertenece a ningún pueblo indígena No pertenece a ningún pueblo indígena 007
No sabe/no responde No pertenece a ningún pueblo indígena 007
NS/NR No pertenece a ningún pueblo indígena 007
Sin dato No pertenece a ningún pueblo indígena 007
Rapa Nui Pascuense 008
Rapa Nui (Pascuense) Pascuense 008
Rapa-Nui o Pascuenses Pascuense 008
Quechua Quechua 009
Yagan Yagán 010
Yagán Yagán 010
Yagán (Yámana) Yagán 010
Yámana o Yagán Yagán 010

2.2.3 Diccionario indsan

cat_disc <- read_xlsx("diccionario/diccionario_indsan.xlsx")

kbl(cat_disc) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
indsan cat_indsan
Deficitario Deficitario
Aceptable Aceptable
Sin Dato Sin Dato

2.3 Unificación de categorías

cod_cat <- unique(cat_disc$cat_indsan)
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_indsan <- cadena
names(cod_cat)[1] <- "cat_indsan"

cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_indsan", 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 = "indsan", 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] <- "indsan"
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 indsan codigo_indsan etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
Retiro Aceptable 002 Aymara 003 Sí 001 Hombre 93 2015 07405
Arica Aceptable 002 Aymara 003 Sí 001 Hombre 10294 2017 15101
La Reina Aceptable 002 Aymara 003 Sí 001 Mujer 349 2015 13113
La Florida Aceptable 002 Aymara 003 Sí 001 Hombre 409 2017 13110
Coquimbo Aceptable 002 Aymara 003 Sí 001 Mujer 137 2017 04102
Calera Aceptable 002 Aymara 003 No 002 Hombre 63 2015 05502
Pica Aceptable 002 Aymara 003 No 002 Mujer 130 2017 01405
Lo Prado Aceptable 002 Aymara 003 Sí 001 Hombre 325 2015 13117
La Serena Aceptable 002 Aymara 003 Sí 001 Mujer 469 2017 04101
Putre Aceptable 002 Aymara 003 Sí 001 Mujer 75 2017 15201
Quillota Aceptable 002 Aymara 003 Sí 001 Mujer 165 2017 05501
Putre Aceptable 002 Aymara 003 Sí 001 Hombre 123 2015 15201
Independencia Aceptable 002 Aymara 003 Sí 001 Mujer 38 2017 13108
Nacimiento Aceptable 002 Mapuche 006 Sí 001 Hombre 176 2011 08306
Vilcún Aceptable 002 Aymara 003 Sí 001 Hombre 25 2017 09119
Palena Aceptable 002 Mapuche 006 No 002 Mujer 14 2009 10404
La Pintana Aceptable 002 Aymara 003 Sí 001 Mujer 137 2015 13112
Mostazal Aceptable 002 Aymara 003 Sí 001 Mujer 53 2017 06110
Valdivia Aceptable 002 Mapuche 006 Sí 001 Mujer 5002 2009 14101
Linares Aceptable 002 Aymara 003 Sí 001 Hombre 97 2015 07401
Camiña Aceptable 002 Aymara 003 No 002 Mujer 12 2015 01402
Temuco Aceptable 002 Aymara 003 Sí 001 Mujer 225 2015 09101
Pozo Almonte Aceptable 002 Aymara 003 No 002 Hombre 24 2015 01401
Chillán Viejo Aceptable 002 Mapuche 006 No 002 Mujer 227 2017 16103
Papudo Aceptable 002 Aymara 003 Sí 001 Mujer 100 2017 05403
Camarones Aceptable 002 Aymara 003 No 002 Hombre 17 2015 15102
Iquique Aceptable 002 Aymara 003 No 002 Mujer 80 2015 01101
Pozo Almonte Aceptable 002 Aymara 003 No 002 Mujer 24 2015 01401
Teno Aceptable 002 Aymara 003 Sí 001 Mujer 54 2015 07308
Sierra Gorda Aceptable 002 Aymara 003 No 002 Hombre 16 2017 02103

2.3.1 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/entrega_6_vivienda_alle_indsan.xlsx")
# receptaculo <- read_xlsx("tablas_grandes/4_nivel_educ_padre.xlsx")
# head(receptaculo,3)
# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad')
# tabla_grande

2.4 Gráficos

2.4.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~indsan) %>% add_histogram() %>%
    layout(title = "Ha tenido enfermedad o accidente",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

2.4.2 Gráfico II

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


3. Calidad Global De La Vivienda

funcion1 <- function(n){


  comunales<-switch(n, "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, "2009","2011","2013","2015","2017")
 # dataset_06 <<- NA
    

 if(xx==2009) {
  eliminated <- dataset_2009
   eliminated <- eliminated[!is.na(eliminated$CVIV),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$CVIV
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
   eliminated <- eliminated[!is.na(eliminated$cviv),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$cviv
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
   eliminated <- eliminated[!is.na(eliminated$calgobviv),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$calgobviv
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
   eliminated <- eliminated[!is.na(eliminated$calglobviv),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$calglobviv
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
   eliminated <- eliminated[!is.na(eliminated$calglobviv),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$calglobviv
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] <- "calglobviv"
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/calglobviv_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

for (n in 1:5){
  funcion1(n)
}

3.1 Tratamientos

1.1.1 Union de tablas

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 : 5){
    numero <- switch(n, "2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/calglobviv_",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$calglobviv)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/diccionario_calglobviv.xlsx")

3.2 Diccionarios

3.2.1 Diccionario alfabetismo

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo cat_alfa codigo_alfabetismo
No No 002
No, sólo lee No 002
No, ninguno No 002
No, sólo escribe No 002
No sabe /Sin dato NS/NR 003
NS/NR NS/NR 003
No sabe/responde NS/NR 003
Sí Sí 001
Sí, lee y escribe Sí 001

3.2.2 Diccionario etnia

categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia categorias_etnicas codigo_etnia
Kawashkar o Alacalufes Alacalufes 001
Kawaskar Alacalufes 001
Kawésqar Alacalufes 001
Kawésqar (Alacalufes) Alacalufes 001
Atacameño Atacameño 002
Atacameño (Likán Antai) Atacameño 002
Atacameño (Likan-Antai) Atacameño 002
Atacameño (Likán-Antai) Atacameño 002
Aimara Aymara 003
Aymara Aymara 003
Collas Coya 004
Coya Coya 004
Diaguita Diaguita 005
Mapuche Mapuche 006
No pertenece a ningún pueblo indígena No pertenece a ningún pueblo indígena 007
No sabe/no responde No pertenece a ningún pueblo indígena 007
NS/NR No pertenece a ningún pueblo indígena 007
Sin dato No pertenece a ningún pueblo indígena 007
Rapa Nui Pascuense 008
Rapa Nui (Pascuense) Pascuense 008
Rapa-Nui o Pascuenses Pascuense 008
Quechua Quechua 009
Yagan Yagán 010
Yagán Yagán 010
Yagán (Yámana) Yagán 010
Yámana o Yagán Yagán 010

3.2.3 Diccionario calglobviv

cat_disc <- read_xlsx("diccionario/diccionario_calglobviv.xlsx")

kbl(cat_disc) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
calglobviv cat_calglobviv
Recuperable Recuperable
Aceptable Aceptable
Irrecuperable Irrecuperable
Sin dato Sin dato

3.3 Unificación de categorías

cod_cat <- unique(cat_disc$cat_calglobviv)
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_calglobviv <- cadena
names(cod_cat)[1] <- "cat_calglobviv"

cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_calglobviv", 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 = "calglobviv", 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] <- "calglobviv"
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 calglobviv codigo_calglobviv etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
Linares Aceptable 002 Aymara 003 Sí 001 Hombre 97 2015 07401
Copiapó Aceptable 002 Aymara 003 No 002 Mujer 11 2015 03101
Chillán Viejo Aceptable 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 52 2011 16103
Llaillay Aceptable 002 Aymara 003 No 002 Hombre 72 2015 05703
Alto Hospicio Aceptable 002 Mapuche 006 Sí 001 Hombre 983 2017 01107
Coyhaique Aceptable 002 Aymara 003 Sí 001 Hombre 46 2015 11101
Ancud Aceptable 002 Aymara 003 Sí 001 Mujer 56 2015 10202
Valdivia Aceptable 002 Aymara 003 Sí 001 Hombre 82 2017 14101
Catemu Aceptable 002 Mapuche 006 Sí 001 Hombre 126 2015 05702
Maullín Aceptable 002 Mapuche 006 Sí 001 Mujer 615 2009 10108
Huasco Aceptable 002 Aymara 003 Sí 001 Hombre 56 2017 03304
La Serena Aceptable 002 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 116 2017 04101
Andacollo Aceptable 002 Aymara 003 Sí 001 Mujer 26 2017 04103
Angol Aceptable 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 28 2011 09201
Macul Aceptable 002 Mapuche 006 Sí 001 Hombre 1217 2015 13118
Putre Aceptable 002 Aymara 003 Sí 001 Mujer 22 2017 15201
Coquimbo Aceptable 002 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 225 2017 04102
Camiña Aceptable 002 Aymara 003 Sí 001 Hombre 67 2015 01402
Santiago Aceptable 002 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 25 2017 13101
Hualañé Aceptable 002 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 1496 2011 07302
Chillán Aceptable 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 489 2017 16101
Lebu Aceptable 002 Mapuche 006 No 002 Mujer 119 2017 08201
Quilpué Aceptable 002 Aymara 003 Sí 001 Mujer 62 2015 05801
Temuco Aceptable 002 Aymara 003 Sí 001 Mujer 225 2015 09101
Teodoro Schmidt Aceptable 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 33 2017 09117
Panquehue Aceptable 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 181 2017 05704
Curicó Aceptable 002 Aymara 003 Sí 001 Hombre 54 2015 07301
Los Andes Aceptable 002 Aymara 003 Sí 001 Hombre 41 2015 05301
Osorno Aceptable 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 86 2017 10301
Curanilahue Aceptable 002 Mapuche 006 No 002 Hombre 16 2015 08205

3.3.1 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/entrega_6_vivienda_alle_calglobviv.xlsx")
# receptaculo <- read_xlsx("tablas_grandes/4_nivel_educ_padre.xlsx")
# head(receptaculo,3)
# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad')
# tabla_grande

3.4 Gráficos

3.4.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~calglobviv) %>% add_histogram() %>%
    layout(title = "Ha tenido enfermedad o accidente",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

3.4.2 Gráfico II

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


4. Allegamiento Externo

funcion1 <- function(n){


  comunales<-switch(n, "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, "2009","2011","2013","2015","2017")
 # dataset_06 <<- NA

 
 if(xx==2009) {
  eliminated <- dataset_2009
   eliminated <- eliminated[!is.na(eliminated$IAE),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$IAE 
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
   eliminated <- eliminated[!is.na(eliminated$iae),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$iae
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
   eliminated <- eliminated[!is.na(eliminated$iae),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$iae
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
   eliminated <- eliminated[!is.na(eliminated$iae),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$iae
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
   eliminated <- eliminated[!is.na(eliminated$iae),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$iae
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] <- "iae"
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/iae_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

for (n in 1:5){
  funcion1(n)
}

4.1 Tratamientos

4.1.1 Union de tablas

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 : 5){
    numero <- switch(n, "2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/iae_",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$iae)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/diccionario_iae_.xlsx")

4.2 Diccionarios

4.2.1 Diccionario alfabetismo

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo cat_alfa codigo_alfabetismo
No No 002
No, sólo lee No 002
No, ninguno No 002
No, sólo escribe No 002
No sabe /Sin dato NS/NR 003
NS/NR NS/NR 003
No sabe/responde NS/NR 003
Sí Sí 001
Sí, lee y escribe Sí 001

4.2.2 Diccionario etnia

categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia categorias_etnicas codigo_etnia
Kawashkar o Alacalufes Alacalufes 001
Kawaskar Alacalufes 001
Kawésqar Alacalufes 001
Kawésqar (Alacalufes) Alacalufes 001
Atacameño Atacameño 002
Atacameño (Likán Antai) Atacameño 002
Atacameño (Likan-Antai) Atacameño 002
Atacameño (Likán-Antai) Atacameño 002
Aimara Aymara 003
Aymara Aymara 003
Collas Coya 004
Coya Coya 004
Diaguita Diaguita 005
Mapuche Mapuche 006
No pertenece a ningún pueblo indígena No pertenece a ningún pueblo indígena 007
No sabe/no responde No pertenece a ningún pueblo indígena 007
NS/NR No pertenece a ningún pueblo indígena 007
Sin dato No pertenece a ningún pueblo indígena 007
Rapa Nui Pascuense 008
Rapa Nui (Pascuense) Pascuense 008
Rapa-Nui o Pascuenses Pascuense 008
Quechua Quechua 009
Yagan Yagán 010
Yagán Yagán 010
Yagán (Yámana) Yagán 010
Yámana o Yagán Yagán 010

4.2.3 Diccionario iae

cat_disc <- read_xlsx("diccionario/diccionario_iae_.xlsx")

kbl(cat_disc) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
iae cat_iae
Sin allegamiento externo Sin allegamiento externo
Con allegamiento externo Con allegamiento externo
Sin Dato Sin Dato

4.3 Unificación de categorías

cod_cat <- unique(cat_disc$iae)
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_iae <- cadena
names(cod_cat)[1] <- "cat_iae"

cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_iae", 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 = "iae", 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] <- "iae"
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 iae codigo_iae etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
San Javier Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 242 2013 07406
Collipulli Con allegamiento externo 002 Mapuche 006 Sí 001 Mujer 195 2017 09202
San Rafael Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 28 2015 07110
Vicuña Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 33 2015 04106
Lota Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 129 2017 08106
Aysén Con allegamiento externo 002 Mapuche 006 Sí 001 Mujer 22 2017 11201
Recoleta Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 198 2009 13127
Lebu Con allegamiento externo 002 Mapuche 006 Sí 001 Mujer 77 2013 08201
Iquique Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 293 2013 01101
La Unión Con allegamiento externo 002 Mapuche 006 Sí 001 Mujer 13 2011 14201
Vallenar Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 499 2011 03301
Valparaíso Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 4519 2009 05101
Viña del Mar Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 164 2013 05109
Antofagasta Con allegamiento externo 002 Mapuche 006 Sí 001 Mujer 136 2017 02101
Alto Hospicio Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 156 2009 01107
Sagrada Familia Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 40 2017 07307
Colina Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 335 2017 13301
Santiago Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 96 2015 13101
Conchalí Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 174 2017 13104
Freirina Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 16 2009 03303
Loncoche Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 26 2013 09109
Rancagua Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 48 2013 06101
Ovalle Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 359 2009 04301
Copiapó Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 146 2017 03101
Chanco Con allegamiento externo 002 Mapuche 006 Sí 001 Mujer 22 2009 07202
La Ligua Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 95 2011 05401
Los Sauces Con allegamiento externo 002 Mapuche 006 Sí 001 Hombre 9 2009 09206
Huechuraba Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 8447 2013 13107
Iquique Con allegamiento externo 002 Aymara 003 Sí 001 Mujer 921 2015 01101
Quilpué Con allegamiento externo 002 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 1895 2017 05801

4.3.1 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/entrega_6_vivienda_alle_iae.xlsx")
# receptaculo <- read_xlsx("tablas_grandes/4_nivel_educ_padre.xlsx")
# head(receptaculo,3)
# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad')
# tabla_grande

4.4 Gráficos

4.4.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~iae) %>% add_histogram() %>%
    layout(title = "Ha tenido enfermedad o accidente",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

4.4.2 Gráfico II

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


5. Allegamiento Interno

funcion1 <- function(n){


  comunales<-switch(n, "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, "2009","2011","2013","2015","2017")
 # dataset_06 <<- NA

 
 if(xx==2009) {
  eliminated <- dataset_2009
   eliminated <- eliminated[!is.na(eliminated$IAI),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$IAI 
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
   eliminated <- eliminated[!is.na(eliminated$iai),]
# a <- eliminated$ytotaj
b <- eliminated$comuna
c <- eliminated$iai
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
   eliminated <- eliminated[!is.na(eliminated$iai),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$iai
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
   eliminated <- eliminated[!is.na(eliminated$iai),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$iai
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
   eliminated <- eliminated[!is.na(eliminated$iai),]
# a <- eliminated$ytotcor
b <- eliminated$comuna
c <- eliminated$iai
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] <- "iai"
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/iai_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

for (n in 1:5){
  funcion1(n)
}

5.1 Tratamientos

5.1.1 Union de tablas

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 : 5){
    numero <- switch(n, "2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/iai_",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$iai)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# write_xlsx(receptaculo_unicos,"diccionario/diccionario_iai.xlsx")

5.2 Diccionarios

5.2.1 Diccionario alfabetismo

alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo cat_alfa codigo_alfabetismo
No No 002
No, sólo lee No 002
No, ninguno No 002
No, sólo escribe No 002
No sabe /Sin dato NS/NR 003
NS/NR NS/NR 003
No sabe/responde NS/NR 003
Sí Sí 001
Sí, lee y escribe Sí 001

5.2.2 Diccionario etnia

categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia categorias_etnicas codigo_etnia
Kawashkar o Alacalufes Alacalufes 001
Kawaskar Alacalufes 001
Kawésqar Alacalufes 001
Kawésqar (Alacalufes) Alacalufes 001
Atacameño Atacameño 002
Atacameño (Likán Antai) Atacameño 002
Atacameño (Likan-Antai) Atacameño 002
Atacameño (Likán-Antai) Atacameño 002
Aimara Aymara 003
Aymara Aymara 003
Collas Coya 004
Coya Coya 004
Diaguita Diaguita 005
Mapuche Mapuche 006
No pertenece a ningún pueblo indígena No pertenece a ningún pueblo indígena 007
No sabe/no responde No pertenece a ningún pueblo indígena 007
NS/NR No pertenece a ningún pueblo indígena 007
Sin dato No pertenece a ningún pueblo indígena 007
Rapa Nui Pascuense 008
Rapa Nui (Pascuense) Pascuense 008
Rapa-Nui o Pascuenses Pascuense 008
Quechua Quechua 009
Yagan Yagán 010
Yagán Yagán 010
Yagán (Yámana) Yagán 010
Yámana o Yagán Yagán 010

5.2.3 Diccionario iai

cat_disc <- read_xlsx("diccionario/diccionario_iai.xlsx")

kbl(cat_disc) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
iai cat_iai
Sin allegamiento interno Sin allegamiento interno
Con allegamiento interno Con allegamiento interno

5.3 Unificación de categorías

cod_cat <- unique(cat_disc$iai)
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_iai <- cadena
names(cod_cat)[1] <- "cat_iai"

cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_iai", 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 = "iai", 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] <- "iai"
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 iai codigo_iai etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
San José de Maipo Con allegamiento interno 002 Mapuche 006 Sí 001 Hombre 20 2009 13203
Chépica Con allegamiento interno 002 Mapuche 006 Sí 001 Hombre 11 2009 06302
Talca Con allegamiento interno 002 Mapuche 006 Sí 001 Mujer 138 2009 07101
Cunco Con allegamiento interno 002 Mapuche 006 No 002 Mujer 29 2009 09103
Tierra Amarilla Con allegamiento interno 002 Aymara 003 Sí 001 Hombre 64 2015 03103
Iquique Con allegamiento interno 002 Aymara 003 No 002 Hombre 35 2015 01101
Estación Central Con allegamiento interno 002 Mapuche 006 Sí 001 Mujer 402 2015 13106
San Juan de la Costa Con allegamiento interno 002 Mapuche 006 Sí 001 Hombre 165 2017 10306
Lampa Con allegamiento interno 002 Mapuche 006 Sí 001 Mujer 1737 2015 13302
Coyhaique Con allegamiento interno 002 Alacalufes 001 Sí 001 Hombre 12 2013 11101
Los Andes Con allegamiento interno 002 Mapuche 006 Sí 001 Mujer 65 2009 05301
San Carlos Con allegamiento interno 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 357 2011 16301
Nancagua Con allegamiento interno 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 98 2009 06305
Punta Arenas Con allegamiento interno 002 Aymara 003 Sí 001 Mujer 16 2011 12101
Cabrero Con allegamiento interno 002 Mapuche 006 Sí 001 Hombre 55 2009 08303
Camiña Con allegamiento interno 002 Aymara 003 No 002 Mujer 6 2015 01402
Curicó Con allegamiento interno 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 499 2017 07301
Monte Patria Con allegamiento interno 002 Diaguita 005 Sí 001 Mujer 204 2015 04303
La Granja Con allegamiento interno 002 Mapuche 006 Sí 001 Hombre 868 2015 13111
Puerto Montt Con allegamiento interno 002 Mapuche 006 No 002 Hombre 56 2017 10101
Mariquina Con allegamiento interno 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 45 2013 14106
Vicuña Con allegamiento interno 002 Aymara 003 Sí 001 Mujer 24 2015 04106
Loncoche Con allegamiento interno 002 Mapuche 006 No 002 Mujer 86 2009 09109
Futrono Con allegamiento interno 002 Mapuche 006 No 002 Mujer 40 2017 14202
Chillán Con allegamiento interno 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 778 2011 16101
Pemuco Con allegamiento interno 002 Mapuche 006 No 002 Hombre 16 2017 16105
Huara Con allegamiento interno 002 Aymara 003 No 002 Mujer 10 2011 01404
Curarrehue Con allegamiento interno 002 Mapuche 006 No 002 Mujer 56 2017 09104
Arica Con allegamiento interno 002 Aymara 003 No 002 Mujer 19 2013 15101
El Carmen Con allegamiento interno 002 Mapuche 006 Sí 001 Mujer 48 2013 16104

5.3.1 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/entrega_6_vivienda_alle_iai.xlsx")
# receptaculo <- read_xlsx("tablas_grandes/4_nivel_educ_padre.xlsx")
# head(receptaculo,3)
# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad')
# tabla_grande

5.4 Gráficos

5.4.1 Gráfico I

p1 <- plot_ly(receptaculo , x = ~anio , color = ~iai) %>% add_histogram() %>%
    layout(title = "Ha tenido enfermedad o accidente",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1
## Warning in RColorBrewer::brewer.pal(N, "Set2"): minimal value for n is 3, returning requested palette with 3 different levels

## Warning in RColorBrewer::brewer.pal(N, "Set2"): minimal value for n is 3, returning requested palette with 3 different levels

5.4.2 Gráfico II

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~iai)  %>% 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"): minimal value for n is 3, returning requested palette with 3 different levels

## Warning in RColorBrewer::brewer.pal(N, "Set2"): minimal value for n is 3, returning requested palette with 3 different levels