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 = "dataset_2006_b.rds")
dataset_2006 <- dataset_2006[,c("COMUNA","O1","O2","O3","O8","O4","O5","T4","cat_alfa","SEXO","EXPC")]
eliminated <- dataset_2006
# a <- eliminated$ytotaj
b <- eliminated$COMUNA
c <- eliminated$O1
d <- eliminated$cat_alfa #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 No Sí No pertenece a ningún pueblo indígena Hombre 2042 2006 11201
Aisén No Sí No pertenece a ningún pueblo indígena Mujer 4861 2006 11201
Aisén Sí Sí Kawaskar Mujer 35 2006 11201
Aisén No No Mapuche Hombre 14 2006 11201
Aisén Sí No No pertenece a ningún pueblo indígena Hombre 81 2006 11201
Aisén No Sí Mapuche Mujer 655 2006 11201
Aisén No No No pertenece a ningún pueblo indígena Mujer 193 2006 11201
Aisén Sí Sí Mapuche Mujer 403 2006 11201
Aisén No Sí Mapuche Hombre 189 2006 11201
Aisén Sí Sí No pertenece a ningún pueblo indígena Mujer 2806 2006 11201
Aisén No No No pertenece a ningún pueblo indígena Hombre 145 2006 11201
Aisén No Sí Kawaskar Hombre 35 2006 11201
Aisén No No Mapuche Mujer 44 2006 11201
Aisén Sí Sí Mapuche Hombre 626 2006 11201
Aisén Sí Sí No pertenece a ningún pueblo indígena Hombre 5481 2006 11201
Algarrobo No Sí Mapuche Mujer 65 2006 05602
Algarrobo No No Mapuche Mujer 4 2006 05602
Algarrobo Sí Sí Mapuche Mujer 32 2006 05602
Algarrobo Sí No No pertenece a ningún pueblo indígena Mujer 29 2006 05602
Algarrobo Sí Sí No pertenece a ningún pueblo indígena Hombre 2538 2006 05602
Algarrobo Sí No No pertenece a ningún pueblo indígena Hombre 109 2006 05602
Algarrobo Sí Sí Atacameño Hombre 30 2006 05602
Algarrobo Sí Sí Mapuche Hombre 41 2006 05602
Algarrobo Sí Sí No pertenece a ningún pueblo indígena Mujer 1527 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 No Sí No pertenece a ningún pueblo indígena Mujer 2443 2006 05602
Algarrobo No Sí No pertenece a ningún pueblo indígena Hombre 1141 2006 05602
Alhué No No No pertenece a ningún pueblo indígena Hombre 91 2006 13502
Alhué Sí Sí Mapuche Mujer 3 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$cat_alfa =="Sí")
filtro <- filter(filtro, filtro$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 cat_alfa 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$cat_alfa =="Sí")
filtro <- filter(filtro, filtro$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 cat_alfa SEXO EXPC
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 14
Aisén Sí Mapuche Sí Hombre 34
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 8
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 37
Aisén Sí Mapuche Sí Hombre 42
Aisén Sí Mapuche Sí Hombre 8
Aisén Sí Mapuche Sí Hombre 31
Aisén Sí Mapuche Sí Hombre 31
Aisén Sí Mapuche Sí Hombre 66
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 8
Aisén Sí Mapuche Sí Hombre 34
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 9
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 35
Aisén Sí Mapuche Sí Hombre 42
Aisén Sí Mapuche Sí Hombre 14
Aisén Sí Mapuche Sí Hombre 9

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$O1
d <- eliminated$cat_alfa #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 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 Mujer 193 2006 11201
Aisén No Mapuche Hombre 14 2006 11201
Aisén Sí No pertenece a ningún pueblo indígena Mujer 7667 2006 11201
Aisén Sí Kawaskar Hombre 35 2006 11201
Aisén Sí Mapuche Mujer 1058 2006 11201
Aisén No No pertenece a ningún pueblo indígena Hombre 226 2006 11201
Aisén No Mapuche Mujer 44 2006 11201
Aisén Sí Kawaskar Mujer 35 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 cat_alfa SEXO EXPC
2009 COMUNA O1 O2 O3 O8 O4 O5 T5 cat_alfa SEXO EXPC
2011 comuna o1 o2 o3 o4 o6 o5 r6 cat_alfa sexo expc_full
2013 comuna o1 o2 o3 o4 o6 o5 r6 cat_alfa sexo expc
2015 comuna o1 o2 o3 o4 o6 o5 r3 cat_alfa sexo expc_todas
2017 comuna o1 o2 o3 o4 o6 o5 r3 cat_alfa sexo expc

Lectura de tablas Casen

dataset_2006 <- readRDS(file = "dataset_2006_b.rds")
# dataset_2006 <- dataset_2006[,c("COMUNA","O1","O2","O3","O8","O4","O5","T4","cat_alfa","SEXO","EXPC")]

dataset_2009 <- readRDS(file = "dataset_2009_b.rds")
# dataset_2009 <- dataset_2009[,c("COMUNA","O1","O2","O3","O8","O4","O5","T5","cat_alfa","SEXO","EXPC")]

dataset_2011 <- readRDS(file = "dataset_2011_b.rds")
# dataset_2011 <- dataset_2011[,c("comuna","o1","o2","o3","o4","o6","o5","r6","cat_alfa","sexo","expc_full")]

dataset_2013 <- readRDS(file = "dataset_2013_b.rds")
# dataset_2013 <- dataset_2013[,c("comuna","o1","o2","o3","o4","o6","o5","r6","cat_alfa","sexo","expc")]

dataset_2015 <- readRDS(file = "dataset_2015_b.rds")
# dataset_2015 <- dataset_2015[,c("comuna","o1","o2","o3","o4","o6","o5","r3","cat_alfa","sexo","expc_todas")]

dataset_2017 <- readRDS(file = "dataset_2017_b.rds")
# dataset_2017 <- dataset_2017[,c("comuna","o1","o2","o3","o4","o6","o5","r3","e1","sexo","expc")]

Diccionario alfabetismo

# alfabetismo <- read_xlsx("diccionario/alfabetismo_unicos.xlsx")
# names(alfabetismo)[1] <- "e1"
# alfabetismo
# kbl(alfabetismo) %>%
#   kable_styling(bootstrap_options = c("striped", "hover")) %>%
#   kable_paper() %>%
#   scroll_box(width = "100%", height = "300px")

Diccionario etnia

# categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
# names(categorias)[1] <- "r3"
# categorias
# kbl(categorias) %>%
#   kable_styling(bootstrap_options = c("striped", "hover")) %>%
#   kable_paper() %>%
#   scroll_box(width = "100%", height = "300px")
# categorias <- read_xlsx("diccionario/diccionario_trabajado_alguna_vez.xlsx")
# names(categorias)[1] <- "o4"
# categorias
# kbl(categorias) %>%
#   kable_styling(bootstrap_options = c("striped", "hover")) %>%
#   kable_paper() %>%
#   scroll_box(width = "100%", height = "300px")
# nuevas_cat = merge( x = dataset_2006, y = alfabetismo, by = "e1", all.x = TRUE)


# categoriasbuenas = merge( x = dataset_2017, y = categorias, by = "o4", all.x = TRUE)
# 
# 
# saveRDS(categoriasbuenas,"dataset_2017_b.rds")

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$O1
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$O1
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o1
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o1
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o1
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o1
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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_revision/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_revision/trabajo_una_hora_",numero,".rds", sep="")
    tablas <- readRDS(direc_tablas)

    receptaculo <<- rbind(receptaculo, tablas)

}

2.2.1 Diccionario alfabetismo

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

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo codigo_alfabetismo
No 002
No 002
No 002
No 002
NS/NR 003
NS/NR 003
NS/NR 003
Sí 001
Sí 001

2.2.2 Diccionario etnia

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

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia codigo_etnia
Alacalufes 001
Alacalufes 001
Alacalufes 001
Alacalufes 001
Atacameño 002
Atacameño 002
Atacameño 002
Atacameño 002
Aymara 003
Aymara 003
Coya 004
Coya 004
Diaguita 005
Mapuche 006
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
Pascuense 008
Pascuense 008
Pascuense 008
Quechua 009
Yagán 010
Yagán 010
Yagán 010
Yagán 010 
nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)

categoriasbuenas = merge( x = nuevas_cat, y = categorias, by = "Etnia", all.x = TRUE)

categoriasbuenas = merge( x = categoriasbuenas, y = cat_disc, by = "trabajo_una_hora", all.x = TRUE)
receptaculo<-categoriasbuenas[,c(4,1,11,2,10,3,9,5,6,7,8)]
names(receptaculo)[1] <- "comuna"
names(receptaculo)[4] <- "etnia"
names(receptaculo)[6] <- "alfabetismo"
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
Calle Larga No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 153 2006 05302
Arauco No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 57 2015 08202
Corral No 001 Mapuche 006 No 002 Mujer 50 2015 14102
San Pablo No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 163 2006 10307
San Ramón No 001 Mapuche 006 Sí 001 Hombre 637 2017 13131
María Pinto No 001 Mapuche 006 Sí 001 Hombre 26 2013 13504
Codegua No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 240 2009 06102
Providencia No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 213 2013 13123
Putre No 001 Aymara 003 No 002 Mujer 53 2011 15201
Panguipulli No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 199 2013 14108
Antofagasta No 001 Coya 004 Sí 001 Hombre 268 2013 02101
San Pedro de Atacama No 001 Atacameño 002 Sí 001 Hombre 707 2017 02203
Coyhaique No 001 Aymara 003 Sí 001 Mujer 73 2013 11101
Salamanca No 001 Mapuche 006 Sí 001 Hombre 166 2011 04204
Alto Hospicio No 001 Aymara 003 No 002 Mujer 57 2011 01107
Putre No 001 Aymara 003 No 002 Mujer 53 2011 15201
Alto Hospicio No 001 Aymara 003 Sí 001 Mujer 2756 2009 01107
Chonchi No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 125 2006 10203
Osorno No 001 Alacalufes 001 Sí 001 Hombre 49 2017 10301
Valdivia No 001 Mapuche 006 No 002 Mujer 105 2015 14101
Codegua No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 240 2009 06102
Pica No 001 Mapuche 006 Sí 001 Hombre 44 2015 01405
Tierra Amarilla No 001 Coya 004 No 002 Mujer 67 2015 03103
Iquique No 001 Aymara 003 No 002 Mujer 80 2017 01101
Estación Central No 001 Mapuche 006 Sí 001 Mujer 1375 2017 13106
Putre No 001 Aymara 003 No 002 Mujer 53 2011 15201
Alto Hospicio No 001 Aymara 003 Sí 001 Mujer 2756 2009 01107
Camarones No 001 Aymara 003 No 002 Mujer 14 2013 15102
Hijuelas No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 648 2009 05503
Florida No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 535 2009 08104

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(revision).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$O2
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$O2
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o2
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o2
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o2
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o2
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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_revision/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_revision/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$realizo_actividad)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# receptaculo_unicos
# #write_xlsx(receptaculo_unicos,"diccionario/diccionario_realizo_actividad.xlsx")
cod_cat <- unique(receptaculo$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)
alfabetismo <- read_xlsx("diccionario/codigos_alfa.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo codigo_alfabetismo
No 002
No 002
No 002
No 002
NS/NR 003
NS/NR 003
NS/NR 003
Sí 001
Sí 001

2.2.2 Diccionario etnia

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

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia codigo_etnia
Alacalufes 001
Alacalufes 001
Alacalufes 001
Alacalufes 001
Atacameño 002
Atacameño 002
Atacameño 002
Atacameño 002
Aymara 003
Aymara 003
Coya 004
Coya 004
Diaguita 005
Mapuche 006
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
Pascuense 008
Pascuense 008
Pascuense 008
Quechua 009
Yagán 010
Yagán 010
Yagán 010
Yagán 010 
nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)

categoriasbuenas = merge( x = nuevas_cat, y = categorias, by = "Etnia", all.x = TRUE)

categoriasbuenas = merge( x = categoriasbuenas, y = cat_disc, by = "realizo_actividad", all.x = TRUE)
receptaculo<-categoriasbuenas[,c(4,1,11,2,10,3,9,5,6,7,8)]
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
Chile Chico No 001 Alacalufes 001 Sí 001 Mujer 10 2011 11401
Chile Chico No 001 Alacalufes 001 Sí 001 Mujer 10 2011 11401
Chile Chico No 001 Alacalufes 001 Sí 001 Mujer 10 2011 11401
Chile Chico No 001 Alacalufes 001 Sí 001 Mujer 10 2011 11401
Cerro Navia No 001 Alacalufes 001 Sí 001 Mujer 124 2013 13103
Cerro Navia No 001 Alacalufes 001 Sí 001 Mujer 124 2013 13103
Cerro Navia No 001 Alacalufes 001 Sí 001 Mujer 124 2013 13103
Cerro Navia No 001 Alacalufes 001 Sí 001 Mujer 124 2013 13103
Chile Chico No 001 Alacalufes 001 No 002 Mujer 7 2011 11401
Chile Chico No 001 Alacalufes 001 No 002 Mujer 7 2011 11401
Chile Chico No 001 Alacalufes 001 No 002 Mujer 7 2011 11401
Chile Chico No 001 Alacalufes 001 No 002 Mujer 7 2011 11401
Quellón No 001 Alacalufes 001 No 002 Mujer 17 2015 10208
Quellón No 001 Alacalufes 001 No 002 Mujer 17 2015 10208
Quellón No 001 Alacalufes 001 No 002 Mujer 17 2015 10208
Quellón No 001 Alacalufes 001 No 002 Mujer 17 2015 10208
Puerto Montt No 001 Alacalufes 001 Sí 001 Mujer 77 2013 10101
Puerto Montt No 001 Alacalufes 001 Sí 001 Mujer 77 2013 10101
Puerto Montt No 001 Alacalufes 001 Sí 001 Mujer 77 2013 10101
Puerto Montt No 001 Alacalufes 001 Sí 001 Mujer 77 2013 10101
Quellón No 001 Alacalufes 001 No 002 Mujer 17 2015 10208
Quellón No 001 Alacalufes 001 No 002 Mujer 17 2015 10208
Quellón No 001 Alacalufes 001 No 002 Mujer 17 2015 10208
Quellón No 001 Alacalufes 001 No 002 Mujer 17 2015 10208
La Serena No 001 Alacalufes 001 Sí 001 Hombre 66 2013 04101
La Serena No 001 Alacalufes 001 Sí 001 Hombre 66 2013 04101
La Serena No 001 Alacalufes 001 Sí 001 Hombre 66 2013 04101
La Serena No 001 Alacalufes 001 Sí 001 Hombre 66 2013 04101
La Florida No 001 Alacalufes 001 Sí 001 Hombre 211 2015 13110
La Florida No 001 Alacalufes 001 Sí 001 Hombre 211 2015 13110

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(revision).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$O3
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$O3
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o3
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o3
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o3
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o3
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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_revision/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_revision/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$tenia_algun_empleo)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# receptaculo_unicos
# #write_xlsx(receptaculo_unicos,"diccionario/diccionario_realizo_actividad.xlsx")
cod_cat <- unique(receptaculo$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)
alfabetismo <- read_xlsx("diccionario/codigos_alfa.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo codigo_alfabetismo
No 002
No 002
No 002
No 002
NS/NR 003
NS/NR 003
NS/NR 003
Sí 001
Sí 001

2.2.2 Diccionario etnia

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

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia codigo_etnia
Alacalufes 001
Alacalufes 001
Alacalufes 001
Alacalufes 001
Atacameño 002
Atacameño 002
Atacameño 002
Atacameño 002
Aymara 003
Aymara 003
Coya 004
Coya 004
Diaguita 005
Mapuche 006
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
Pascuense 008
Pascuense 008
Pascuense 008
Quechua 009
Yagán 010
Yagán 010
Yagán 010
Yagán 010 
nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)

categoriasbuenas = merge( x = nuevas_cat, y = categorias, by = "Etnia", all.x = TRUE)

categoriasbuenas = merge( x = categoriasbuenas, y = cat_disc, by = "tenia_algun_empleo", all.x = TRUE)
receptaculo<-categoriasbuenas[,c(4,1,11,2,10,3,9,5,6,7,8)]
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
Villa Alemana No 002 Alacalufes 001 Sí 001 Hombre 59 2011 05804
Villa Alemana No 002 Alacalufes 001 Sí 001 Hombre 59 2011 05804
Villa Alemana No 002 Alacalufes 001 Sí 001 Hombre 59 2011 05804
Villa Alemana No 002 Alacalufes 001 Sí 001 Hombre 59 2011 05804
Alto del Carmen No 002 Alacalufes 001 Sí 001 Mujer 31 2017 03302
Alto del Carmen No 002 Alacalufes 001 Sí 001 Mujer 31 2017 03302
Alto del Carmen No 002 Alacalufes 001 Sí 001 Mujer 31 2017 03302
Alto del Carmen No 002 Alacalufes 001 Sí 001 Mujer 31 2017 03302
Iquique No 002 Alacalufes 001 Sí 001 Hombre 113 2015 01101
Iquique No 002 Alacalufes 001 Sí 001 Hombre 113 2015 01101
Iquique No 002 Alacalufes 001 Sí 001 Hombre 113 2015 01101
Iquique No 002 Alacalufes 001 Sí 001 Hombre 113 2015 01101
Punta Arenas No 002 Alacalufes 001 Sí 001 Mujer 72 2013 12101
Punta Arenas No 002 Alacalufes 001 Sí 001 Mujer 72 2013 12101
Punta Arenas No 002 Alacalufes 001 Sí 001 Mujer 72 2013 12101
Punta Arenas No 002 Alacalufes 001 Sí 001 Mujer 72 2013 12101
Villa Alemana No 002 Alacalufes 001 Sí 001 Hombre 59 2011 05804
Villa Alemana No 002 Alacalufes 001 Sí 001 Hombre 59 2011 05804
Villa Alemana No 002 Alacalufes 001 Sí 001 Hombre 59 2011 05804
Villa Alemana No 002 Alacalufes 001 Sí 001 Hombre 59 2011 05804
Renca No 002 Alacalufes 001 Sí 001 Hombre 93 2015 13128
Renca No 002 Alacalufes 001 Sí 001 Hombre 93 2015 13128
Renca No 002 Alacalufes 001 Sí 001 Hombre 93 2015 13128
Renca No 002 Alacalufes 001 Sí 001 Hombre 93 2015 13128
Aysén No 002 Alacalufes 001 Sí 001 Hombre 32 2013 11201
Aysén No 002 Alacalufes 001 Sí 001 Hombre 32 2013 11201
Aysén No 002 Alacalufes 001 Sí 001 Hombre 32 2013 11201
Aysén No 002 Alacalufes 001 Sí 001 Hombre 32 2013 11201
Punta Arenas No 002 Alacalufes 001 Sí 001 Hombre 42 2011 12101
Punta Arenas No 002 Alacalufes 001 Sí 001 Hombre 42 2011 12101

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(revision).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$cat_trabajado_alguna_vez
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_trabajado_alguna_vez
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_trabajado_alguna_vez
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_trabajado_alguna_vez
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_trabajado_alguna_vez
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_trabajado_alguna_vez
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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_revision/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_revision/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

4.3 Unificación de categorías

cod_cat <- unique(receptaculo$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] <- "trabajado_alguna_vez"

cat_disc = merge( x = receptaculo, y = cod_cat, by = "trabajado_alguna_vez", all.x = TRUE)
cat_disc <- cat_disc[,c(1,9)]
cat_disc <- unique(cat_disc)
alfabetismo <- read_xlsx("diccionario/codigos_alfa.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo codigo_alfabetismo
No 002
No 002
No 002
No 002
NS/NR 003
NS/NR 003
NS/NR 003
Sí 001
Sí 001

2.2.2 Diccionario etnia

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

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia codigo_etnia
Alacalufes 001
Alacalufes 001
Alacalufes 001
Alacalufes 001
Atacameño 002
Atacameño 002
Atacameño 002
Atacameño 002
Aymara 003
Aymara 003
Coya 004
Coya 004
Diaguita 005
Mapuche 006
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
Pascuense 008
Pascuense 008
Pascuense 008
Quechua 009
Yagán 010
Yagán 010
Yagán 010
Yagán 010 
nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)

categoriasbuenas = merge( x = nuevas_cat, y = categorias, by = "Etnia", all.x = TRUE)

categoriasbuenas = merge( x = categoriasbuenas, y = cat_disc, by = "trabajado_alguna_vez", all.x = TRUE)
receptaculo<-categoriasbuenas[,c(4,1,11,2,10,3,9,5,6,7,8)]
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
Quellón No 002 Mapuche 006 Sí 001 Mujer 853 2011 10208
Purén No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 76 2011 09208
Antofagasta No 002 Mapuche 006 Sí 001 Mujer 790 2017 02101
Recoleta No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 234 2013 13127
Litueche No 002 Mapuche 006 NS/NR 003 Hombre 10 2017 06203
Navidad No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 7 2011 06205
Purén No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 28 2015 09208
Contulmo No 002 Mapuche 006 No 002 Hombre 16 2017 08204
Tierra Amarilla No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 25 2013 03103
Calama No 002 Atacameño 002 Sí 001 Hombre 9 2009 02201
La Estrella No 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 35 2013 06202
Punta Arenas No 002 Aymara 003 Sí 001 Mujer 15 2011 12101
Tirúa No 002 Mapuche 006 No 002 Hombre 40 2017 08207
Copiapó No 002 Coya 004 Sí 001 Mujer 736 2011 03101
Ancud No 002 Mapuche 006 No 002 Mujer 207 2011 10202
Purén No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 28 2015 09208
Curepto No 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 105 2013 07103
San Vicente No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 101 2011 06117
Viña del Mar No 002 Mapuche 006 Sí 001 Mujer 857 2015 05109
Coyhaique No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 152 2013 11101
Purén No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 28 2015 09208
Contulmo No 002 Mapuche 006 Sí 001 Hombre 170 2011 08204
Quilpué No 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 195 2011 05801
Perquenco No 002 Mapuche 006 No 002 Mujer 52 2011 09113
Lonquimay No 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 56 2015 09205
Machalí No 002 No pertenece a ningún pueblo indígena 007 No 002 Mujer 173 2015 06108
Conchalí No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 987 2011 13104
Natales No 002 Aymara 003 Sí 001 Hombre 15 2015 12401
Placilla No 002 No pertenece a ningún pueblo indígena 007 No 002 Hombre 18 2011 06308
Lo Espejo No 002 Mapuche 006 Sí 001 Mujer 648 2011 13116

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(revision).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$O4
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$O4
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o6
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o6
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o6
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$o6
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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_revision/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_revision/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$busco_trabajo)
# receptaculo_unicos <- as.data.frame(receptaculo_unicos)
# receptaculo_unicos
# #write_xlsx(receptaculo_unicos,"diccionario/diccionario_trabajado_alguna_vez.xlsx")
cod_cat <- unique(receptaculo$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)
alfabetismo <- read_xlsx("diccionario/codigos_alfa.xlsx")

kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo codigo_alfabetismo
No 002
No 002
No 002
No 002
NS/NR 003
NS/NR 003
NS/NR 003
Sí 001
Sí 001

2.2.2 Diccionario etnia

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

kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia codigo_etnia
Alacalufes 001
Alacalufes 001
Alacalufes 001
Alacalufes 001
Atacameño 002
Atacameño 002
Atacameño 002
Atacameño 002
Aymara 003
Aymara 003
Coya 004
Coya 004
Diaguita 005
Mapuche 006
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
Pascuense 008
Pascuense 008
Pascuense 008
Quechua 009
Yagán 010
Yagán 010
Yagán 010
Yagán 010 
nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)

categoriasbuenas = merge( x = nuevas_cat, y = categorias, by = "Etnia", all.x = TRUE)

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

5.3 Unificación de categorías

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
Los Ángeles No 001 Alacalufes 001 No 002 Mujer 50 2013 08301
Los Ángeles No 001 Alacalufes 001 No 002 Mujer 50 2013 08301
Los Ángeles No 001 Alacalufes 001 No 002 Mujer 50 2013 08301
Los Ángeles No 001 Alacalufes 001 No 002 Mujer 50 2013 08301
Arica No 001 Alacalufes 001 Sí 001 Mujer 15 2011 15101
Arica No 001 Alacalufes 001 Sí 001 Mujer 15 2011 15101
Arica No 001 Alacalufes 001 Sí 001 Mujer 15 2011 15101
Arica No 001 Alacalufes 001 Sí 001 Mujer 15 2011 15101
Chile Chico No 001 Alacalufes 001 No 002 Mujer 7 2011 11401
Chile Chico No 001 Alacalufes 001 No 002 Mujer 7 2011 11401
Chile Chico No 001 Alacalufes 001 No 002 Mujer 7 2011 11401
Chile Chico No 001 Alacalufes 001 No 002 Mujer 7 2011 11401
Pichilemu No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 372 2006 06201
Pichilemu No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 372 2006 06201
Pichilemu No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 372 2006 06201
Pichilemu No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 372 2006 06201
Pichilemu No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 372 2006 06201
Pichilemu No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 372 2006 06201
Mejillones No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 75 2011 02102
Mejillones No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 75 2011 02102
Mejillones No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 75 2011 02102
Mejillones No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 75 2011 02102
Calama No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 634 2009 02201
Calama No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 634 2009 02201
Valdivia No 001 Alacalufes 001 Sí 001 Mujer 18 2011 14101
Valdivia No 001 Alacalufes 001 Sí 001 Mujer 18 2011 14101
Valdivia No 001 Alacalufes 001 Sí 001 Mujer 18 2011 14101
Valdivia No 001 Alacalufes 001 Sí 001 Mujer 18 2011 14101
Lo Prado No 001 Alacalufes 001 Sí 001 Mujer 72 2009 13117
Lo Prado No 001 Alacalufes 001 Sí 001 Mujer 72 2009 13117

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(revision).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$cat_disponeble_para_trabajar
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_disponeble_para_trabajar
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_disponeble_para_trabajar
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_disponeble_para_trabajar
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_disponeble_para_trabajar
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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$cat_disponeble_para_trabajar
d <- eliminated$cat_alfa #alfabetismo
e <- eliminated$categorias_etnicas #etnia
f <- eliminated$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")
alfabetismo <- alfabetismo[,c(2,3)]
names(alfabetismo)[1] <- "Alfabetismo"
kbl(alfabetismo) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Alfabetismo codigo_alfabetismo
No 002
No 002
No 002
No 002
NS/NR 003
NS/NR 003
NS/NR 003
Sí 001
Sí 001

6.2.2 Diccionario etnia

categorias <- read_xlsx("diccionario/categorias_etnia.xlsx")
categorias <- categorias[,c(2,3)]
names(categorias)[1] <- "Etnia"
kbl(categorias) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
Etnia codigo_etnia
Alacalufes 001
Alacalufes 001
Alacalufes 001
Alacalufes 001
Atacameño 002
Atacameño 002
Atacameño 002
Atacameño 002
Aymara 003
Aymara 003
Coya 004
Coya 004
Diaguita 005
Mapuche 006
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
No pertenece a ningún pueblo indígena 007
Pascuense 008
Pascuense 008
Pascuense 008
Quechua 009
Yagán 010
Yagán 010
Yagán 010
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"
cat_disc = merge( x = cat_disc, y = cod_cat, by = "cat_disponeble_para_trabajar", all.x = TRUE)
cat_disc <- cat_disc[,c(1,3)]
names(cat_disc)[1] <- "disponeble_para_trabajar"
nuevas_cat = merge( x = receptaculo, y = alfabetismo, by = "Alfabetismo", all.x = TRUE)
# alfa_corr <- nuevas_cat[,c(-1)]


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

categoriasbuenas = merge( x = categoriasbuenas, y = cat_disc, by = "disponeble_para_trabajar", all.x = TRUE)
# discapacidad_corr <- categoriasbuenas[,c(-1)]
receptaculo<-categoriasbuenas[,c(4,1,11,2,10,3,9,5,6,7,8)]
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
Los Ángeles No 001 Alacalufes 001 No 002 Mujer 50 2013 08301
Los Ángeles No 001 Alacalufes 001 No 002 Mujer 50 2013 08301
Los Ángeles No 001 Alacalufes 001 No 002 Mujer 50 2013 08301
Los Ángeles No 001 Alacalufes 001 No 002 Mujer 50 2013 08301
Cochrane No 001 Alacalufes 001 Sí 001 Mujer 7 2011 11301
Cochrane No 001 Alacalufes 001 Sí 001 Mujer 7 2011 11301
Cochrane No 001 Alacalufes 001 Sí 001 Mujer 7 2011 11301
Cochrane No 001 Alacalufes 001 Sí 001 Mujer 7 2011 11301
Olivar No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 131 2011 06111
Olivar No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 131 2011 06111
Olivar No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 131 2011 06111
Olivar No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 131 2011 06111
Curicó No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 2820 2017 07301
Curicó No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 2820 2017 07301
Curicó No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 2820 2017 07301
Curicó No 001 No pertenece a ningún pueblo indígena 007 No 002 Mujer 2820 2017 07301
Taltal No 001 Alacalufes 001 Sí 001 Mujer 17 2009 02104
Taltal No 001 Alacalufes 001 Sí 001 Mujer 17 2009 02104
Taltal No 001 Alacalufes 001 Sí 001 Mujer 17 2009 02104
Taltal No 001 Alacalufes 001 Sí 001 Mujer 17 2009 02104
Vicuña No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 394 2009 04106
Vicuña No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 394 2009 04106
Vicuña No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 394 2009 04106
Vicuña No 001 No pertenece a ningún pueblo indígena 007 No 002 Hombre 394 2009 04106
Punta Arenas No 001 Alacalufes 001 Sí 001 Hombre 46 2015 12101
Punta Arenas No 001 Alacalufes 001 Sí 001 Hombre 46 2015 12101
Punta Arenas No 001 Alacalufes 001 Sí 001 Hombre 46 2015 12101
Punta Arenas No 001 Alacalufes 001 Sí 001 Hombre 46 2015 12101
Ancud No 001 Alacalufes 001 Sí 001 Mujer 29 2015 10202
Ancud No 001 Alacalufes 001 Sí 001 Mujer 29 2015 10202

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