1. ¿Cuántas personas hay?

Es la pregunta básica que respondemos en esta serie de entregas. Queremos determinar cuántas personas hay en el cruce de tres variables esenciales: sexo, alfabetismo y etnia, para todas las comunas y para los 6 años de las Casen en referencia a una pregunta de investigación especifica. Veamos el siguiente ejemplo.

La tabla que sigue muestra el resultado de filtro sobre la Casen del 2006 en las respuestas categoricas “Hombre”, “No”, “Mapuche”, para Temuco.

Registro Sexo Comuna Alfabetismo Etnia Año
Persona 1 Hombre Temuco No Mapuche 2006
Persona 2 Hombre Temuco No Mapuche 2006
Persona 3 Hombre Temuco No Mapuche 2006

Vemos que el resultado son 3 registros, tres personas.

Estamos trabajando a nivel de muestras. La Casen nos entrega una herramienta para poder expandir el resultado a nivel poblacional: Es el factor de expansión.

El factor de expansión,

El fe es un valor asociado a cada registro, en una columna llamémosla “expc”, representativo de la población a la que pertenece la muestra. La respuesta asociada a un registro puede equivaler a la respuesta de 65 personas y la de otro, por ejemplo a 81. Con el factor de expansión se responde a la proporción: si 35 personas pertenecen a nuestra categorización en la muestra, a cuántas personas equivaldrá en la población total. Si en nuestro ejemplo anterior la persona 1 hubiese tenido un factor de expansión igual a 3, la persona 2 uno de 7 y la persona 3 uno de 5, el resultado esperado por nosotros debiese ser igual a 15. Y lo es. A continuación lo demostraremos.

Primero aplicaremos nuestro código y verificaremos que las frecuencias obtenidas para los primeros dos registros correspondan al valor calculado de forma independiente con la metodología expuesta previamente, la de la simple suma de los factores de expansión:

Nuestro código

Tabla de contingencia para la pregunta ¿La semana pasada trabajo al menos una hora? para el año 2006 en la comuna de Temuco

dataset_2006 <- readRDS(file = "casen_2006_c.rds")
dataset_2006 <- dataset_2006[,c("COMUNA","O1","O2","O3","O8","O4","O5","T4","E1","SEXO","EXPC")]
eliminated <- dataset_2006
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$O1
d <- eliminated$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))

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

names(d)[1] <- "Comuna"
names(d)[2] <- "v1"
names(d)[3] <- "Alfabetismo"
names(d)[4] <- "Etnia"
names(d)[5] <- "sexo"
codigos_comunales <- readRDS(file = "codigos_comunales_2006.rds")
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
# codigos_comunales

df = merge( x = d, y = codigos_comunales, by = "Comuna", all.x = TRUE)
df_tab <- df[1:30,]
kbl(df_tab) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")
Comuna v1 Alfabetismo Etnia sexo Freq Año Código
Aisén Sí Sí Kawaskar Mujer 35 2006 11201
Aisén Sí Sí Mapuche Hombre 626 2006 11201
Aisén Sí Sí No pertenece a ningún pueblo indígena Mujer 2806 2006 11201
Aisén Sí Sí No pertenece a ningún pueblo indígena Hombre 5481 2006 11201
Aisén No No No pertenece a ningún pueblo indígena Hombre 145 2006 11201
Aisén Sí Sí Mapuche Mujer 403 2006 11201
Aisén No Sí Kawaskar Hombre 35 2006 11201
Aisén No No Mapuche Hombre 14 2006 11201
Aisén No Sí No pertenece a ningún pueblo indígena Hombre 2042 2006 11201
Aisén No Sí Mapuche Mujer 655 2006 11201
Aisén No Sí Mapuche Hombre 189 2006 11201
Aisén No No No pertenece a ningún pueblo indígena Mujer 193 2006 11201
Aisén Sí No No pertenece a ningún pueblo indígena Hombre 81 2006 11201
Aisén No Sí No pertenece a ningún pueblo indígena Mujer 4861 2006 11201
Aisén No No Mapuche Mujer 44 2006 11201
Algarrobo No Sí No pertenece a ningún pueblo indígena Hombre 1141 2006 05602
Algarrobo No Sí Mapuche Mujer 65 2006 05602
Algarrobo No No Mapuche Mujer 4 2006 05602
Algarrobo Sí Sí Atacameño Hombre 30 2006 05602
Algarrobo No No No pertenece a ningún pueblo indígena Hombre 102 2006 05602
Algarrobo No No No pertenece a ningún pueblo indígena Mujer 244 2006 05602
Algarrobo Sí No No pertenece a ningún pueblo indígena Hombre 109 2006 05602
Algarrobo Sí Sí Mapuche Mujer 32 2006 05602
Algarrobo Sí Sí No pertenece a ningún pueblo indígena Hombre 2538 2006 05602
Algarrobo Sí No No pertenece a ningún pueblo indígena Mujer 29 2006 05602
Algarrobo No Sí No pertenece a ningún pueblo indígena Mujer 2443 2006 05602
Algarrobo Sí Sí No pertenece a ningún pueblo indígena Mujer 1527 2006 05602
Algarrobo Sí Sí Mapuche Hombre 41 2006 05602
Alhué No Sí Mapuche Mujer 31 2006 13502
Alhué No No No pertenece a ningún pueblo indígena Mujer 174 2006 13502

El primer registro nos entrega una frecuencia de 35 y el segundo una de 626. Verificaremos que las cantidades de personas en éstas categorías sean las poblacionales.

Calculo independiente

  1. Realizaremos la búsqueda en la base de datos original, filtrando por Aísen, ¿La semana pasada trabajo al menos una hora? igual Sí, alfabeto, Kawaskar y Mujer para el 2006.
filtro <- filter(dataset_2006, dataset_2006$COMUNA =="Aisén")
filtro <- filter(filtro, filtro$O1 =="Sí")
filtro <- filter(filtro, filtro$E1 =="Sí")
filtro <- filter(filtro, filtro$T4 =="Kawaskar")
filtro <- filter(filtro, filtro$SEXO =="Mujer")
filtro <- filtro[,c(1,2,8,9,10,11)]
kbl(filtro) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "100px")
COMUNA O1 T4 E1 SEXO EXPC
Aisén Sí Kawaskar Sí Mujer 35

Tenemos un solo registro y su EXPC es igual a 35, el mismo valor que obtuvimos en nuestra tabla de contingencia.

  1. Realizaremos la búsqueda en la base de datos original, filtrando por Aisén, ¿La semana pasada trabajo al menos una hora? igual Sí, alfabeto, Mapuche y Hombre para el 2006.
filtro <- filter(dataset_2006, dataset_2006$COMUNA =="Aisén")
filtro <- filter(filtro, filtro$O1 =="Sí")
filtro <- filter(filtro, filtro$E1 =="Sí")
filtro <- filter(filtro, filtro$T4 =="Mapuche")
filtro <- filter(filtro, filtro$SEXO =="Hombre")
filtro <- filtro[,c(1,2,8,9,10,11)]
kbl(filtro) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")
COMUNA O1 T4 E1 SEXO EXPC
Aisén Sí Mapuche Sí Hombre 31
Aisén Sí Mapuche Sí Hombre 34
Aisén Sí Mapuche Sí Hombre 31
Aisén Sí Mapuche Sí Hombre 37
Aisén Sí Mapuche Sí Hombre 66
Aisén Sí Mapuche Sí Hombre 42
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 34
Aisén Sí Mapuche Sí Hombre 42
Aisén Sí Mapuche Sí Hombre 14
Aisén Sí Mapuche Sí Hombre 14
Aisén Sí Mapuche Sí Hombre 14
Aisén Sí Mapuche Sí Hombre 14
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 8
Aisén Sí Mapuche Sí Hombre 8
Aisén Sí Mapuche Sí Hombre 8

Si sumamos los factores de expansión de todos los registros vamos a obtener el valor de la frecuencia de nuestro segundo registro de la tabla de contingencias.

fac_ex <- filtro$EXPC
fac_ex <- as.data.frame(fac_ex)
total_factor_ex <- colSums(fac_ex)
total_factor_ex
## fac_ex 
##    626
eliminated <- dataset_2006
   eliminated <- eliminated[!is.na(eliminated$O1),]
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
# c <- eliminated$O1
d <- eliminated$E1 #alfabetismo
e <- eliminated$T4 #etnia
f <- eliminated$SEXO
anio <- 2006
cross_tab =  xtabs(eliminated$EXPC ~  +  unlist(b)  + unlist(d)  + unlist(e)+ unlist(f) ,aggregate(eliminated$EXPC ~  +  unlist(b) + 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] <- "Alfabetismo"
names(d)[3] <- "Etnia"
names(d)[4] <- "sexo"
codigos_comunales <- readRDS(file = "codigos_comunales_2006.rds")
names(codigos_comunales)[1] <- "Código"
names(codigos_comunales)[2] <- "Comuna"
# codigos_comunales

df = merge( x = d, y = codigos_comunales, by = "Comuna", all.x = TRUE)
df <- filter(df,df$Comuna=="Aisén")
# df <- na.omit(df)

df_tab <- df[1:10,]
kbl(df_tab) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "500px")
Comuna Alfabetismo Etnia sexo Freq Año Código
Aisén Sí Mapuche Mujer 1058 2006 11201
Aisén Sí No pertenece a ningún pueblo indígena Mujer 7667 2006 11201
Aisén Sí Kawaskar Mujer 35 2006 11201
Aisén Sí Kawaskar Hombre 35 2006 11201
Aisén Sí No pertenece a ningún pueblo indígena Hombre 7523 2006 11201
Aisén Sí Mapuche Hombre 815 2006 11201
Aisén No No pertenece a ningún pueblo indígena Hombre 226 2006 11201
Aisén No No pertenece a ningún pueblo indígena Mujer 193 2006 11201
Aisén No Mapuche Mujer 44 2006 11201
Aisén No Mapuche Hombre 14 2006 11201


La suma de la frecuencias de la tabla precedente nos entrega la población total de Aisén. Son frecuencias totales para comuna y año, por lo que las comparaciones deberían hacerse sobre la estimación población comunal.

2. Preguntas

  1. La semana pasada trabajo almenos una hora?,
  2. Si bien no trabajo la semana pasada, realizo algun actividad?,
  3. Si bien no trabajo la semana pasada, enia algun empleo?.
  4. Otra pregunta relevante es, Ah trabajado alguna vez? esta le responden los desocupados.

La siguiente pregunta la responden los inactivos

  1. Busco trabajo remunerado en las ultimas 4 semanas?
  2. Esta disponeble para empezar a trabajar?

Tabla de variables

Año Comuna v1 v2 v3 v4 v5 v6 Etnia Alfabetismo Sexo Expansión
2006 COMUNA O1 O2 O3 O8 O4 O5 T4 E1 SEXO EXPC
2009 COMUNA O1 O2 O3 O8 O4 O5 T5 E1 SEXO EXPC
2011 comuna o1 o2 o3 o4 o6 o5 r6 e1 sexo expc_full
2013 comuna o1 o2 o3 o4 o6 o5 r6 e1 sexo expc
2015 comuna o1 o2 o3 o4 o6 o5 r3 e1 sexo expc_todas
2017 comuna o1 o2 o3 o4 o6 o5 r3 e1 sexo expc

Lectura de tablas Casen

dataset_2006 <- readRDS(file = "casen_2006_c.rds")
dataset_2006 <- dataset_2006[,c("COMUNA","O1","O2","O3","O8","O4","O5","T4","E1","SEXO","EXPC")]

dataset_2009 <- readRDS(file = "casen_2009_c.rds")
dataset_2009 <- dataset_2009[,c("COMUNA","O1","O2","O3","O8","O4","O5","T5","E1","SEXO","EXPC")]

dataset_2011 <- readRDS(file = "casen_2011_c.rds")
dataset_2011 <- dataset_2011[,c("comuna","o1","o2","o3","o4","o6","o5","r6","e1","sexo","expc_full")]

dataset_2013 <- readRDS(file = "casen_2013_c.rds")
dataset_2013 <- dataset_2013[,c("comuna","o1","o2","o3","o4","o6","o5","r6","e1","sexo","expc")]

dataset_2015 <- readRDS(file = "casen_2015_c.rds")
dataset_2015 <- dataset_2015[,c("comuna","o1","o2","o3","o4","o6","o5","r3","e1","sexo","expc_todas")]

dataset_2017 <- readRDS(file = "casen_2017_c.rds")
dataset_2017 <- dataset_2017[,c("comuna","o1","o2","o3","o4","o6","o5","r3","e1","sexo","expc")]

1. Primer pregunta

La semana pasada trabajo al menos una hora?

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$O1
d <- eliminated$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$O1
d <- eliminated$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$o1
d <- eliminated$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$o1
d <- eliminated$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$o1
d <- eliminated$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$o1
d <- eliminated$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] <- "trabajo_una_hora"
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/trabajo_una_hora_",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

receptaculo <- data.frame()
for (n in 1 : 6){
    numero <- switch(n, "2006","2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/trabajo_una_hora_",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 de la variable en cuestion, luego se guarda como xlsx para hacer el tratamiento

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

No se necesita diccionario para la variable en cuestion

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

1.3 Unificación de categorías

cod_cat <- unique(receptaculo$trabajo_una_hora)
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_trabajo_una_hora <- cadena
names(cod_cat)[1] <- "trabajo_una_hora"

cat_disc = merge( x = receptaculo, y = cod_cat, by = "trabajo_una_hora", all.x = TRUE)
cat_disc <- cat_disc[,c(1,9)]
cat_disc <- unique(cat_disc)



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 = "trabajo_una_hora", all.x = TRUE)
receptaculo<-categoriasbuenas[,c(2,1,11,9,10,7,8,3,4,5,6)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "trabajo_una_hora"
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 trabajo_una_hora codigo_trabajo_una_hora etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
Osorno No 002 Mapuche 006 Sí 001 Mujer 10419 2013 10301
Panguipulli No 002 Mapuche 006 Sí 001 Hombre 1360 2013 14108
Caldera No 002 Atacameño 002 Sí 001 Mujer 42 2017 03102
Quintero No 002 Aymara 003 Sí 001 Mujer 700 2017 05107
Frutillar No 002 Mapuche 006 Sí 001 Mujer 585 2009 10105
Pelluhue No 002 Mapuche 006 Sí 001 Hombre 72 2017 07203
San José de Maipo No 002 Mapuche 006 Sí 001 Hombre 49 2013 13203
Curarrehue No 002 Mapuche 006 Sí 001 Mujer 1398 2017 09104
Placilla No 002 Diaguita 005 Sí 001 Mujer 39 2011 06308
Galvarino No 002 Mapuche 006 No 002 Hombre 94 2015 09106
Porvenir No 002 Mapuche 006 Sí 001 Hombre 70 2009 12301
Puchuncaví No 002 Mapuche 006 Sí 001 Mujer 89 2013 05105
Arica No 002 Mapuche 006 Sí 001 Mujer 1038 2011 15101
Osorno No 002 Alacalufes 001 Sí 001 Mujer 76 2015 10301
Coquimbo No 002 Coya 004 Sí 001 Mujer 249 2013 04102
San Miguel No 002 Mapuche 006 Sí 001 Mujer 493 2015 13130
Cochamó No 002 Mapuche 006 No 002 Mujer 13 2006 10103
Cochrane No 002 Mapuche 006 Sí 001 Mujer 107 2017 11301
Alto Hospicio No 002 Mapuche 006 Sí 001 Mujer 993 2013 01107
Tiltil No 002 Mapuche 006 Sí 001 Hombre 9 2006 13303
San Pedro de la Paz No 002 Mapuche 006 No 002 Hombre 69 2011 08108
San Ramón No 002 Mapuche 006 Sí 001 Hombre 408 2009 13131
La Ligua No 002 Atacameño 002 Sí 001 Mujer 212 2009 05401
Chañaral No 002 Diaguita 005 Sí 001 Hombre 115 2013 03201
Gorbea No 002 Mapuche 006 No 002 Mujer 45 2013 09107
Peralillo No 002 Mapuche 006 Sí 001 Mujer 12 2009 06307
San Pedro de Atacama No 002 Atacameño 002 Sí 001 Hombre 540 2009 02203
Laja No 002 Mapuche 006 Sí 001 Hombre 105 2015 08304
La Cruz No 002 Aymara 003 Sí 001 Mujer 52 2006 05504
Taltal No 002 Diaguita 005 Sí 001 Hombre 8 2013 02104

1.3.1 Guardado de tablas

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_7_trabajo_una_hora.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

Nuestra tabla de frecuencias observamos que casi la misma cantidad de personas esta activa laboralmente que las que no en todas las comunas

p1 <- plot_ly(receptaculo , x = ~trabajo_una_hora , color = ~comuna) %>% add_histogram() %>%
    layout(title = "La semana pasada trabajo al menos una hora? ",
         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

1.4.2 Gráfico II

En nuestra tabla de contingencia obtenemos que la mayoria de las personas que dicen no pertenecer a un pueblo indigena no estuvieron activas la semana pasada a la encuesta.

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~trabajo_una_hora)  %>% add_histogram()%>%
    layout(title = "La semana pasada trabajo al menos una hora? grupo etnico",
         xaxis = list(title = "Etnia"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p2


2. Segunda pregunta

  1. Si bien no trabajo la semana pasada, realizo algun actividad?
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$O2
d <- eliminated$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$O2
d <- eliminated$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$o2
d <- eliminated$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$o2
d <- eliminated$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$o2
d <- eliminated$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$o2
d <- eliminated$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] <- "realizo_actividad"
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/realizo_actividad_",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

receptaculo <- data.frame()
for (n in 1 : 6){
    numero <- switch(n, "2006","2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/realizo_actividad_",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 de la variable en cuestion, luego se guarda como xlsx para hacer el tratamiento

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

No se necesita diccionario para la variable en cuestion

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

2.3 Unificación de categorías

cod_cat <- unique(receptaculo$realizo_actividad)
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_realizo_actividad <- cadena
names(cod_cat)[1] <- "realizo_actividad"

cat_disc = merge( x = receptaculo, y = cod_cat, by = "realizo_actividad", all.x = TRUE)
cat_disc <- cat_disc[,c(1,9)]
cat_disc <- unique(cat_disc)



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 = "realizo_actividad", all.x = TRUE)
receptaculo<-categoriasbuenas[,c(2,1,11,9,10,7,8,3,4,5,6)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "realizo_actividad"
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 realizo_actividad codigo_realizo_actividad etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
Vicuña No 001 Aymara 003 Sí 001 Mujer 92 2015 04106
Punta Arenas No 001 Aymara 003 Sí 001 Mujer 54 2017 12101
Curicó No 001 Aymara 003 Sí 001 Mujer 54 2015 07301
Huara No 001 Aymara 003 No 002 Hombre 10 2015 01404
Conchalí No 001 Aymara 003 Sí 001 Hombre 44 2015 13104
La Florida No 001 Aymara 003 Sí 001 Hombre 270 2017 13110
Negrete No 001 Aymara 003 Sí 001 Hombre 88 2017 08307
Vichuquén No 001 Mapuche 006 No 002 Hombre 10 2006 07309
Rancagua No 001 Aymara 003 Sí 001 Mujer 93 2017 06101
Vallenar No 001 Aymara 003 Sí 001 Mujer 60 2015 03301
La Florida No 001 Aymara 003 Sí 001 Mujer 222 2015 13110
Camarones No 001 Aymara 003 No 002 Hombre 17 2015 15102
Putre No 001 Aymara 003 No 002 Hombre 6 2017 15201
Llaillay No 001 Aymara 003 Sí 001 Mujer 87 2015 05703
Pozo Almonte No 001 Aymara 003 No 002 Hombre 24 2015 01401
Chanco No 001 Aymara 003 Sí 001 Hombre 21 2017 07202
Tierra Amarilla No 001 Aymara 003 Sí 001 Hombre 32 2015 03103
San Rafael No 001 Aymara 003 Sí 001 Hombre 65 2017 07110
Pozo Almonte No 001 Aymara 003 Sí 001 Mujer 638 2015 01401
Mejillones No 001 Aymara 003 Sí 001 Mujer 73 2017 02102
Camiña No 001 Aymara 003 No 002 Hombre 6 2015 01402
Máfil No 001 Aymara 003 No 002 Mujer 21 2017 14105
Camarones No 001 Aymara 003 No 002 Mujer 28 2015 15102
Huara No 001 Aymara 003 Sí 001 Hombre 213 2015 01404
Puerto Varas No 001 Mapuche 006 Sí 001 Hombre 196 2009 10109
Iquique No 001 Aymara 003 Sí 001 Mujer 2356 2017 01101
Alto Hospicio No 001 Aymara 003 No 002 Mujer 38 2015 01107
Lebu No 001 Aymara 003 Sí 001 Hombre 99 2017 08201
Lampa No 001 Aymara 003 Sí 001 Hombre 69 2017 13302
Arica No 001 Aymara 003 Sí 001 Mujer 5601 2015 15101

2.3.1 Guardado de tablas

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_7_realizo_actividad.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

Las personas que manifiestan no haber trabajado la semana pasada en su gran mayoria declaran tampoco haber realizado actividad remunerada alguna

p1 <- plot_ly(receptaculo , x = ~anio , color = ~realizo_actividad) %>% add_histogram() %>%
    layout(title = "Si bien no trabajo la semana pasada, realizo algun actividad? ",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

2.4.2 Gráfico II

La mayor diferencia entre los desocupados y los que declaran no haber tenido actividad alguna en relacion con los que sí la tuvieron se da en la etnia mapuche

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~realizo_actividad)  %>% add_histogram()%>%
    layout(title = "Si bien no trabajó la semana pasada, realizó alguna actividad? grupo étnico",
         xaxis = list(title = "Etnia"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p2


3. Tercer pregunta

  1. Si bien no trabajo la semana pasada, tenia algun empleo?.
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$O3
d <- eliminated$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$O3
d <- eliminated$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$o3
d <- eliminated$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$o3
d <- eliminated$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$o3
d <- eliminated$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$o3
d <- eliminated$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] <- "tenia_algun_empleo"
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/tenia_algun_empleo_",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

receptaculo <- data.frame()
for (n in 1 : 6){
    numero <- switch(n, "2006","2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/tenia_algun_empleo_",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 de la variable en cuestion, luego se guarda como xlsx para hacer el tratamiento

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

No se necesita diccionario para la variable en cuestion

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

3.3 Unificación de categorías

cod_cat <- unique(receptaculo$tenia_algun_empleo)
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_tenia_algun_empleo <- cadena
names(cod_cat)[1] <- "tenia_algun_empleo"

cat_disc = merge( x = receptaculo, y = cod_cat, by = "tenia_algun_empleo", all.x = TRUE)
cat_disc <- cat_disc[,c(1,9)]
cat_disc <- unique(cat_disc)



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 = "tenia_algun_empleo", all.x = TRUE)
receptaculo<-categoriasbuenas[,c(2,1,11,9,10,7,8,3,4,5,6)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "tenia_algun_empleo"
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 tenia_algun_empleo codigo_tenia_algun_empleo etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
Temuco No 001 Aymara 003 Sí 001 Mujer 96 2015 09101
Iquique No 001 Aymara 003 No 002 Hombre 35 2015 01101
Putre No 001 Aymara 003 Sí 001 Mujer 109 2015 15201
Copiapó No 001 Aymara 003 No 002 Hombre 16 2017 03101
Quinta Normal No 001 Aymara 003 Sí 001 Mujer 74 2015 13126
Santiago No 001 Aymara 003 Sí 001 Mujer 25 2015 13101
Iquique No 001 Aymara 003 No 002 Hombre 58 2017 01101
Pica No 001 Mapuche 006 Sí 001 Mujer 54 2011 01405
Maipú No 001 Mapuche 006 No 002 Mujer 476 2009 13119
Los Andes No 001 Aymara 003 Sí 001 Mujer 35 2015 05301
Coquimbo No 001 Aymara 003 Sí 001 Hombre 477 2015 04102
Villa Alegre No 001 Mapuche 006 Sí 001 Hombre 36 2017 07407
San Felipe No 001 Aymara 003 Sí 001 Mujer 117 2015 05701
Camiña No 001 Aymara 003 Sí 001 Hombre 20 2017 01402
Pica No 001 Aymara 003 No 002 Hombre 51 2015 01405
Arica No 001 Aymara 003 NS/NR 003 Mujer 47 2017 15101
Huara No 001 Aymara 003 No 002 Mujer 10 2015 01404
Ovalle No 001 Aymara 003 Sí 001 Mujer 83 2017 04301
Camarones No 001 Aymara 003 No 002 Mujer 34 2015 15102
Ancud No 001 Aymara 003 Sí 001 Mujer 56 2015 10202
Coyhaique No 001 Aymara 003 Sí 001 Hombre 36 2017 11101
Antofagasta No 001 Aymara 003 No 002 Hombre 77 2017 02101
Coltauco No 001 Aymara 003 Sí 001 Hombre 11 2015 06104
Dalcahue No 001 Mapuche 006 No 002 Mujer 68 2017 10205
Putre No 001 Aymara 003 Sí 001 Hombre 68 2017 15201
Viña del Mar No 001 Aymara 003 Sí 001 Mujer 160 2017 05109
Arica No 001 Aymara 003 No 002 Hombre 22 2017 15101
Putre No 001 Aymara 003 Sí 001 Hombre 52 2015 15201
Alto Hospicio No 001 Aymara 003 No 002 Mujer 36 2015 01107
Cauquenes No 001 Aymara 003 Sí 001 Mujer 26 2015 07201

3.3.1 Guardado de tablas

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_7_tenia_algun_empleo.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

La brecha entre los desempleados momentaneos y permanentes a aumentado en el tiempo

p1 <- plot_ly(receptaculo , x = ~anio , color = ~tenia_algun_empleo) %>% add_histogram() %>%
    layout(title = "Si bien no trabajó la semana pasada, tenia algun empleo? ",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

3.4.2 Gráfico II

En la etnia mapuche en general los que no trabajaron la semana pasada, no tienen empleo

p2 <- plot_ly(receptaculo , x = ~etnia , color = ~tenia_algun_empleo)  %>% add_histogram()%>%
    layout(title = "Si bien no trabajó la semana pasada, tenia algun empleo? grupo étnico",
         xaxis = list(title = "Etnia"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p2


4. Cuarta pregunta

Ha trabajado alguna vez? esta le responden los desocupados

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$O8
d <- eliminated$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$O8
d <- eliminated$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$o4
d <- eliminated$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$o4
d <- eliminated$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$o4
d <- eliminated$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$o4
d <- eliminated$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] <- "trabajado_alguna_vez"
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/trabajado_alguna_vez_",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

receptaculo <- data.frame()
for (n in 1 : 6){
    numero <- switch(n, "2006","2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/trabajado_alguna_vez_",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 de la variable en cuestion, luego se guarda como xlsx para hacer el tratamiento

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

No se necesita diccionario para la variable en cuestion

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 indsan

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

kbl(cat_disc) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
trabajado_alguna_vez cat_trabajado_alguna_vez
Sí Sí
No No
Sin dato NS/NR
NS/NR NS/NR
No sabe/no responde NS/NR

4.3 Unificación de categorías

cod_cat <- unique(cat_disc$cat_trabajado_alguna_vez)
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_trabajado_alguna_vez <- cadena
names(cod_cat)[1] <- "cat_trabajado_alguna_vez"
cod_cat
##   cat_trabajado_alguna_vez codigo_trabajado_alguna_vez
## 1                       Sí                         001
## 2                       No                         002
## 3                    NS/NR                         003
cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_trabajado_alguna_vez", 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 = "trabajado_alguna_vez", 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] <- "trabajado_alguna_vez"
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 trabajado_alguna_vez codigo_trabajado_alguna_vez etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
Vallenar No 002 Diaguita 005 Sí 001 Hombre 501 2017 03301
Palena No 002 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 7 2009 10404
Futrono No 002 Mapuche 006 No 002 Mujer 76 2017 14202
San Vicente No 002 Mapuche 006 Sí 001 Mujer 109 2011 06117
Arica No 002 Diaguita 005 Sí 001 Mujer 158 2011 15101
Las Cabras No 002 Mapuche 006 Sí 001 Hombre 24 2011 06107
San Pedro de Atacama No 002 Atacameño 002 No 002 Mujer 22 2015 02203
Antuco No 002 Mapuche 006 Sí 001 Mujer 15 2015 08302
El Bosque No 002 Mapuche 006 Sí 001 Hombre 278 2017 13105
Sagrada Familia No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 134 2015 07307
Empedrado No 002 Atacameño 002 Sí 001 Mujer 14 2011 07104
Santa Cruz No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 66 2015 06310
Calbuco No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 83 2015 10102
Casablanca No 002 Mapuche 006 Sí 001 Mujer 295 2011 05102
Huara No 002 Aymara 003 Sí 001 Mujer 132 2011 01404
Peñalolén No 002 Aymara 003 Sí 001 Mujer 104 2013 13122
Las Condes No 002 Aymara 003 No 002 Mujer 162 2013 13114
Máfil No 002 Mapuche 006 No 002 Mujer 8 2011 14105
Ovalle No 002 Diaguita 005 Sí 001 Mujer 165 2015 04301
Ercilla No 002 Mapuche 006 No 002 Mujer 80 2017 09204
Lanco No 002 Mapuche 006 No 002 Mujer 61 2013 14103
Los Ángeles No 002 Mapuche 006 Sí 001 Hombre 431 2017 08301
Caldera No 002 Coya 004 Sí 001 Hombre 108 2017 03102
Vallenar No 002 Aymara 003 Sí 001 Mujer 24 2011 03301
Villarrica No 002 Mapuche 006 Sí 001 Mujer 2100 2011 09120
San Pedro de Atacama No 002 Mapuche 006 Sí 001 Hombre 34 2013 02203
Perquenco No 002 Mapuche 006 No 002 Mujer 52 2011 09113
Antofagasta No 002 Mapuche 006 Sí 001 Mujer 790 2017 02101
San Ignacio No 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 338 2017 16108
Santa Cruz No 002 Mapuche 006 No 002 Mujer 18 2015 06310

4.3.1 Guardado de tablas

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_7_trabajado_alguna_vez.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

Hay mayor cantidad de mujeres inactivas que hombres y en ambos sexoses mayoria la cantidad que ha trabajado alguna vez

p1 <- plot_ly(receptaculo , x = ~sexo , color = ~trabajado_alguna_vez) %>% add_histogram() %>%
    layout(title = "Ha trabajado alguna vez? ",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

4.4.2 Gráfico II

En Nacimiento la mayoria de los inactivos declara no haber trabajado nunca

p2 <- plot_ly(receptaculo , x = ~trabajado_alguna_vez , color = ~comuna)  %>% add_histogram()%>%
    layout(title = "Ha trabajado alguna vez?",
         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. Quinta pregunta

  1. Buscó trabajo remunerado en las últimas 4 semanas?
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$O4
d <- eliminated$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$O4
d <- eliminated$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$o6
d <- eliminated$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$o6
d <- eliminated$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$o6
d <- eliminated$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$o6
d <- eliminated$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] <- "busco_trabajo"
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/busco_trabajo_",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

receptaculo <- data.frame()
for (n in 1 : 6){
    numero <- switch(n, "2006","2009","2011","2013","2015","2017")
    direc_tablas <- paste("tablas_peque/busco_trabajo_",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 de la variable en cuestion, luego se guarda como xlsx para hacer el tratamiento

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

No se necesita diccionario para la variable en cuestion

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

5.3 Unificación de categorías

cod_cat <- unique(receptaculo$busco_trabajo)
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_busco_trabajo <- cadena
names(cod_cat)[1] <- "busco_trabajo"

cat_disc = merge( x = receptaculo, y = cod_cat, by = "busco_trabajo", all.x = TRUE)
cat_disc <- cat_disc[,c(1,9)]
cat_disc <- unique(cat_disc)



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 = "busco_trabajo", all.x = TRUE)
receptaculo<-categoriasbuenas[,c(2,1,11,9,10,7,8,3,4,5,6)]

names(receptaculo)[1] <- "comuna"
names(receptaculo)[2] <- "busco_trabajo"
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 busco_trabajo codigo_busco_trabajo etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
Ovalle No 002 Diaguita 005 Sí 001 Hombre 835 2017 04301
Pica No 002 Aymara 003 Sí 001 Mujer 585 2006 01405
Huara No 002 Aymara 003 No 002 Mujer 34 2017 01404
Colbún No 002 Aymara 003 Sí 001 Mujer 14 2006 07402
Panguipulli No 002 Aymara 003 Sí 001 Mujer 18 2011 14108
Porvenir No 002 Mapuche 006 Sí 001 Hombre 148 2006 12301
Pica No 002 Aymara 003 Sí 001 Mujer 1227 2011 01405
San Pedro de Atacama No 002 Atacameño 002 Sí 001 Hombre 368 2006 02203
Vallenar No 002 Atacameño 002 Sí 001 Hombre 13 2011 03301
Lanco No 002 Mapuche 006 No 002 Mujer 319 2015 14103
San Pedro de Atacama No 002 Atacameño 002 No 002 Mujer 169 2006 02203
Vicuña No 002 Aymara 003 Sí 001 Mujer 19 2009 04106
Lago Ranco No 002 Mapuche 006 No 002 Hombre 95 2015 14203
Arica No 002 Aymara 003 Sí 001 Mujer 4531 2006 15101
La Serena No 002 Aymara 003 Sí 001 Mujer 194 2011 04101
Chillán No 002 Mapuche 006 No 002 Hombre 79 2017 16101
Temuco No 002 Mapuche 006 No 002 Hombre 264 2009 09101
Alto del Carmen No 002 Diaguita 005 Sí 001 Hombre 70 2011 03302
Curanilahue No 002 Mapuche 006 No 002 Hombre 26 2006 08205
Lonquimay No 002 Mapuche 006 Sí 001 Hombre 563 2006 09205
Chañaral No 002 Aymara 003 Sí 001 Mujer 199 2013 03201
Valparaíso No 002 Aymara 003 Sí 001 Hombre 346 2017 05101
Panquehue No 002 Mapuche 006 Sí 001 Hombre 9 2006 05704
Cartagena No 002 Mapuche 006 No 002 Mujer 267 2017 05603
Camiña No 002 Aymara 003 No 002 Mujer 42 2006 01402
Puqueldón No 002 Mapuche 006 Sí 001 Hombre 53 2006 10206
Chañaral No 002 Diaguita 005 Sí 001 Mujer 54 2015 03201
Teno No 002 Aymara 003 Sí 001 Mujer 54 2015 07308
Pozo Almonte No 002 Aymara 003 No 002 Mujer 14 2015 01401
Conchalí No 002 Aymara 003 Sí 001 Hombre 44 2015 13104

5.3.1 Guardado de tablas

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_7_busco_trabajo.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

Transversalmente los desocupados en su mayoria no estan en la busqueda activa de empleo

p1 <- plot_ly(receptaculo , x = ~sexo , color = ~busco_trabajo) %>% add_histogram() %>%
    layout(title = "Buscó trabajo remunerado en las últimas 4 semanas? ",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

5.4.2 Gráfico II

Transversalmente por comuna se aprecia que los desocupados que no buscan trabajo superan a los que si

p2 <- plot_ly(receptaculo , x = ~busco_trabajo , color = ~comuna)  %>% add_histogram()%>%
    layout(title = "Buscó trabajo remunerado en las últimas 4 semanas?",
         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. Sexta pregunta

  1. Esta disponeble para empezar a trabajar?
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$O5
d <- eliminated$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$O5
d <- eliminated$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$o5
d <- eliminated$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$o5
d <- eliminated$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$o5
d <- eliminated$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$o5
d <- eliminated$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] <- "disponeble_para_trabajar"
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/disponeble_para_trabajar_",anio,".rds", sep="")
saveRDS(df,ingreso_rds)

# print(head(df,10))

}

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

6.1 Tratamientos

6.1.1 Union de tablas

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

    receptaculo <<- rbind(receptaculo, tablas)

}

6.1.2 Diccionario

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

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

No se necesita diccionario para la variable en cuestion

6.2 Diccionarios

6.2.1 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

6.2.2 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

6.2.3 Diccionario indsan

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

kbl(cat_disc) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
disponeble_para_trabajar cat_disponeble_para_trabajar
No No
Si, ahora mismo Sí
Sí, en otra época del año Sí
Sí, ahora mismo Sí
NS/NR NS/NR
Sin dato NS/NR
No sabe/no responde NS/NR

6.3 Unificación de categorías

cod_cat <- unique(cat_disc$cat_disponeble_para_trabajar)
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_disponeble_para_trabajar <- cadena
names(cod_cat)[1] <- "cat_disponeble_para_trabajar"
cod_cat
##   cat_disponeble_para_trabajar codigo_disponeble_para_trabajar
## 1                           No                             001
## 2                           Sí                             002
## 3                        NS/NR                             003
cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_disponeble_para_trabajar", 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 = "disponeble_para_trabajar", 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] <- "disponeble_para_trabajar"
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 disponeble_para_trabajar codigo_disponeble_para_trabajar etnia codigo_etnia alfabetismo codigo_alfabetismo sexo frec anio codigo_comuna
Río Bueno No 001 Alacalufes 001 Sí 001 Hombre 24 2013 14204
Catemu No 001 Diaguita 005 No 002 Mujer 62 2013 05702
Loncoche No 001 Aymara 003 Sí 001 Mujer 93 2009 09109
San Vicente No 001 Atacameño 002 Sí 001 Mujer 104 2011 06117
Arica No 001 Coya 004 Sí 001 Mujer 23 2011 15101
Graneros No 001 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 4468 2017 06106
Copiapó No 001 Diaguita 005 Sí 001 Hombre 585 2015 03101
Huasco No 001 Diaguita 005 Sí 001 Hombre 54 2015 03304
María Pinto No 001 Mapuche 006 Sí 001 Hombre 16 2009 13504
Temuco No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 1166 2009 09101
Temuco No 001 Aymara 003 Sí 001 Hombre 77 2017 09101
Freirina No 001 Diaguita 005 Sí 001 Hombre 20 2011 03303
Pelluhue No 001 No pertenece a ningún pueblo indígena 007 Sí 001 Mujer 1590 2013 07203
Lonquimay No 001 Mapuche 006 No 002 Hombre 31 2013 09205
Panguipulli No 001 Mapuche 006 No 002 Hombre 23 2017 14108
Coquimbo No 001 Aymara 003 Sí 001 Hombre 142 2013 04102
La Serena No 001 Diaguita 005 Sí 001 Mujer 67 2009 04101
Santa María No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 56 2015 05706
Valdivia No 001 Alacalufes 001 Sí 001 Mujer 18 2011 14101
Cholchol No 001 Atacameño 002 Sí 001 Mujer 11 2006 09121
Huara No 001 Aymara 003 Sí 001 Mujer 220 2017 01404
Estación Central No 001 Aymara 003 Sí 001 Mujer 138 2011 13106
Ercilla No 001 Mapuche 006 No 002 Mujer 80 2017 09204
Monte Patria No 001 No pertenece a ningún pueblo indígena 007 Sí 001 Hombre 1318 2011 04303
Punitaqui No 001 Diaguita 005 Sí 001 Hombre 127 2017 04304
Carahue No 001 Mapuche 006 No 002 Hombre 48 2017 09102
San Fernando No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 82 2017 06301
Temuco No 001 Mapuche 006 No 002 Hombre 42 2011 09101
Lo Espejo No 001 Mapuche 006 Sí 001 Mujer 374 2009 13116
Pitrufquén No 001 Mapuche 006 Sí 001 Hombre 813 2006 09114

6.3.1 Guardado de tablas

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_7_disponeble_para_trabajar.xlsx")
# receptaculo <- read_xlsx("tablas_grandes/4_nivel_educ_padre.xlsx")
# head(receptaculo,3)
# tabla_grande <- dbGetQuery(con, 'SELECT * FROM tabla_discapacidad')
# tabla_grande

6.4 Gráficos

6.4.1 Gráfico I

En ambos sexos es mayor la cantidad de los desocupados que estan con disposicion para trabajar que los que no

p1 <- plot_ly(receptaculo , x = ~sexo , color = ~disponeble_para_trabajar) %>% add_histogram() %>%
    layout(title = "Está dísponeble para empezar a trabajar? ",
         xaxis = list(title = "Años"),showlegend = TRUE, autosize = F, legend = list(font = list(size = 8)))
p1

6.4.2 Gráfico II

En la generalidad de las comunas se observa que los desocupados que tienen disponibilidad para trabajar superan a los que no

p2 <- plot_ly(receptaculo , x = ~disponeble_para_trabajar , color = ~comuna)  %>% add_histogram()%>%
    layout(title = "Está dísponeble para empezar a trabajar? ",
         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