1 Variables presentes en el Censo 2017 de personas a correlacionar con ingresos promedios comunales.

Leemos los datos del censo personas 2017:

# library("rio")
# x <- import("Microdato_Censo2017-Personas.csv")

Construimos la clave:

# codigos <- x$COMUNA
# 
# rango <- seq(1:nrow(x))
# 
# cadena<- paste("0",codigos[rango], sep = "")
# 
# cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
# codigos <- as.data.frame(codigos)
# cadena <- as.data.frame(cadena)
# comuna_corr <- cbind(codigos,cadena)
# 
# codigos <- x$DC
# 
# rango <- seq(1:nrow(x))
# 
# cadena <- paste("0",codigos[rango], sep = "")
# 
# cadena <- substr(cadena,(nchar(cadena)[rango])-(1),(nchar(cadena)[rango]))
# 
# codigos <- as.data.frame(codigos)
# cadena <- as.data.frame(cadena)
# dc <- cbind(codigos,cadena)
# 
# codigos <- x$ZC_LOC
# rango <- seq(1:nrow(x))
# cadena<- paste("00",codigos[rango], sep = "")
# cadena <- substr(cadena,(nchar(cadena)[rango])-(2),nchar(cadena)[rango])
# codigos <- as.data.frame(codigos)
# cadena <- as.data.frame(cadena)
# cadena_c <- cbind(codigos,cadena)
# 
# x$clave <- paste(x$COMUNA, dc$cadena, x$AREA,  cadena_c$cadena, sep="")
# 
# saveRDS(x, "censo_personas_con_clave_17.rds")
# 
# tablamadre <- head(x,50)
# 
# kbl(tablamadre) %>%
#   kable_styling(bootstrap_options = c("striped", "hover")) %>%
#   kable_paper() %>%
#   scroll_box(width = "100%", height = "300px")

1.1 P08: Sexo

1 Hombre
2 Mujer

tabla_con_clave <- readRDS("censo_personas_con_clave_17.rds")
b <- tabla_con_clave$COMUNA
c <- tabla_con_clave$P08
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"
# head(d,5)

# Debemos apilar lado a lado los datos de frecuencias de sexos y agregar un cero al campo de codigo comunal.
censo_2017_hombres <- filter(d, d$unlist.c. == 1)
names(censo_2017_hombres)[3] <- "Hombres"  

censo_2017_mujeres <- filter(d, d$unlist.c. == 2)
names(censo_2017_mujeres)[3] <- "Mujeres"  

#Unimos:
df_final = merge( x = censo_2017_hombres, y = censo_2017_mujeres, by = "unlist.b.", all.x = TRUE)

# Limpiamos y renombramos columnas:

df_final <- df_final[,-c(2,5,7),drop=FALSE] 
names(df_final)[1] <- "comuna"  

# Agregamos un cero a los codigos comunales de 4 digitos:
  
# recogemos el campo Comuna:
codigos <- df_final$comuna
# construimos una secuencia llamada rango del 1 al total de filas del dataset:
rango <- seq(1:nrow(df_final))
# Creamos un string que agrega un cero a todos los registros:
cadena <- paste("0",codigos[rango], sep = "")

# El string cadena tiene o 5 o 6 digitos, los cuales siempre deben ser siempre 5 agregandole un cero al inicio de los que tienen 4.
# Para ello extraemos un substring de la cadena sobre todas las filas (rangos) comenzando desde el primero o el segundo y llegando siempre al 6.

cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(df_final,cadena)

comuna_corr <- comuna_corr[,-c(1),drop=FALSE] 
names(comuna_corr)[4] <- "código" 

# Hacemos el merge con los ingresos comunales:

ingresos_expandidos_2017 <- readRDS("ingresos_expandidos_17.rds")

df_2017_2 = merge( x = comuna_corr, y = ingresos_expandidos_2017, by = "código", all.x = TRUE)

tablamadre <- head(df_2017_2,50)

kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código Hombres anio.x Mujeres comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 94897 2017 96571 Iquique 354820.7 2017 1101 191468 67936815240
01107 54206 2017 54169 Alto Hospicio 301933.4 2017 1107 108375 32722034397
01401 8987 2017 6724 Pozo Almonte 285981.8 2017 1401 15711 4493059532
01402 657 2017 593 Camiña 262850.3 2017 1402 1250 328562901
01403 995 2017 733 NA NA NA NA NA NA
01404 1501 2017 1229 Huara 253968.5 2017 1404 2730 693334131
01405 6550 2017 2746 Pica 313007.5 2017 1405 9296 2909717399
02101 181846 2017 180027 Antofagasta 347580.2 2017 2101 361873 125779893517
02102 8035 2017 5432 Mejillones 369770.7 2017 2102 13467 4979702302
02103 8662 2017 1524 Sierra Gorda 403458.5 2017 2103 10186 4109628188
02104 7481 2017 5836 Taltal 364539.1 2017 2104 13317 4854566842
02201 86049 2017 79682 Calama 409671.3 2017 2201 165731 67895226712
02202 207 2017 114 NA NA NA NA NA NA
02203 6161 2017 4835 San Pedro de Atacama 426592.0 2017 2203 10996 4690805471
02301 12481 2017 12705 Tocopilla 246615.3 2017 2301 25186 6211253937
02302 4092 2017 2365 María Elena 466266.9 2017 2302 6457 3010685220
03101 76627 2017 77310 Copiapó 330075.2 2017 3101 153937 50810778473
03102 9094 2017 8568 Caldera 299314.8 2017 3102 17662 5286498241
03103 7796 2017 6223 Tierra Amarilla 314643.9 2017 3103 14019 4410992711
03201 6270 2017 5949 Chañaral 286389.3 2017 3201 12219 3499391196
03202 7486 2017 6439 Diego de Almagro 336256.8 2017 3202 13925 4682376047
03301 25422 2017 26495 Vallenar 304336.7 2017 3301 51917 15800246795
03302 2925 2017 2374 Alto del Carmen 227130.4 2017 3302 5299 1203563833
03303 3557 2017 3484 Freirina 253086.7 2017 3303 7041 1781983257
03304 5243 2017 4906 Huasco 287406.6 2017 3304 10149 2916889629
04101 105836 2017 115218 La Serena 270221.9 2017 4101 221054 59733627577
04102 109872 2017 117858 Coquimbo 261852.6 2017 4102 227730 59631700074
04103 5519 2017 5525 Andacollo 248209.3 2017 4103 11044 2741223967
04104 2236 2017 2005 La Higuera 228356.8 2017 4104 4241 968461330
04105 2240 2017 2257 Paiguano 205942.1 2017 4105 4497 926121774
04106 13792 2017 13979 Vicuña 211431.9 2017 4106 27771 5871675449
04201 14739 2017 16109 Illapel 238674.4 2017 4201 30848 7362627007
04202 4632 2017 4461 Canela 207933.6 2017 4202 9093 1890740321
04203 11061 2017 10321 Los Vilos 255200.4 2017 4203 21382 5456695139
04204 15712 2017 13635 Salamanca 242879.5 2017 4204 29347 7127783272
04301 53619 2017 57653 Ovalle 266522.9 2017 4301 111272 29656533187
04302 6656 2017 6666 Combarbalá 210409.7 2017 4302 13322 2803077721
04303 15270 2017 15481 Monte Patria 211907.9 2017 4303 30751 6516380780
04304 5452 2017 5504 Punitaqui 194997.8 2017 4304 10956 2136395349
04305 2138 2017 2140 Río Hurtado 182027.2 2017 4305 4278 778712384
05101 144945 2017 151710 Valparaíso 298720.7 2017 5101 296655 88616992249
05102 13346 2017 13521 Casablanca 312802.7 2017 5102 26867 8404070481
05103 20321 2017 21831 Concón 318496.3 2017 5103 42152 13425257057
05104 499 2017 427 NA NA NA NA NA NA
05105 9358 2017 9188 Puchuncaví 288737.2 2017 5105 18546 5354920887
05107 15834 2017 16089 Quintero 316659.1 2017 5107 31923 10108709691
05109 158669 2017 175579 Viña del Mar 337006.1 2017 5109 334248 112643604611
05201 3819 2017 3931 NA NA NA NA NA NA
05301 33289 2017 33419 Los Andes 338182.5 2017 5301 66708 22559476922
05302 7328 2017 7504 Calle Larga 245165.4 2017 5302 14832 3636293159 
saveRDS(df_2017_2, "h_y_m_2017_censo.rds")


Correlacionamos:

Hombres e Ingresos expandidos:

dat1 <- data.frame(df_2017_2$Hombres, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Mujeres e Ingresos expandidos:

dat1 <- data.frame(df_2017_2$Mujeres, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

1.2 P09: Edad

(0-100)
100 años y más

1.2.1 Queremos saber la frecuencia de personas entre 40 y 49 años que viven por comuna:

tabla_con_clave <- readRDS("censo_personas_con_clave_17.rds")
b <- tabla_con_clave$COMUNA
c <- tabla_con_clave$P09
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
names(d)[1] <- "comuna"
names(d)[2] <- "edad"
d$anio <- "2017"

# Hay que construir un dataframe solo con el rango de edad entre 40 y 49 años:

d_rango <- filter(d, as.numeric(d$edad) > 40 & as.numeric(d$edad) < 51)

para nuestro requerimiento los rangos deben establecerse entre > 40 y < 51

head(d_rango,10)
##    comuna edad Freq anio
## 1    1101   40 2816 2017
## 2    1107   40 1419 2017
## 3    1401   40  213 2017
## 4    1402   40   21 2017
## 5    1403   40   22 2017
## 6    1404   40   26 2017
## 7    1405   40  200 2017
## 8    2101   40 5299 2017
## 9    2102   40  201 2017
## 10   2103   40  307 2017
tail(d_rango,10)
##      comuna edad Freq anio
## 3451  16203   49  238 2017
## 3452  16204   49   96 2017
## 3453  16205   49   82 2017
## 3454  16206   49   92 2017
## 3455  16207   49   94 2017
## 3456  16301   49  803 2017
## 3457  16302   49  405 2017
## 3458  16303   49  170 2017
## 3459  16304   49   68 2017
## 3460  16305   49  188 2017
# Hay que sumar todos los rangos:
d_rango_sum <- aggregate(d_rango$Freq, by=list(Category=d_rango$comuna), FUN=sum)

# Agregamos un cero al codigo comunal de cuatro cifras:

# recogemos el campo Comuna:
codigos <- d_rango_sum$Category
# construimos una secuencia llamada rango del 1 al total de filas del dataset:
rango <- seq(1:nrow(d_rango_sum))
# Creamos un string que agrega un cero a todos los registros:
cadena <- paste("0",codigos[rango], sep = "")

# El string cadena tiene o 5 o 6 digitos, los cuales siempre deben ser siempre 5 agregandole un cero al inicio de los que tienen 4.
# Para ello extraemos un substring de la cadena sobre todas las filas (rangos) comenzando desde el primero o el segundo y llegando siempre al 6.

cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(d_rango_sum,cadena)

comuna_corr <- comuna_corr[,-c(1),drop=FALSE] 
names(comuna_corr)[2] <- "código"

Unimos con ingresos promedios expandidos:

df_2017_2 = merge( x = comuna_corr, y = ingresos_expandidos_2017, by = "código", all.x = TRUE)

names(df_2017_2)[2] <- "40_49"

tablamadre <- head(df_2017_2,50)

kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código 40_49 comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 24918 Iquique 354820.7 2017 1101 191468 67936815240
01107 13429 Alto Hospicio 301933.4 2017 1107 108375 32722034397
01401 2034 Pozo Almonte 285981.8 2017 1401 15711 4493059532
01402 173 Camiña 262850.3 2017 1402 1250 328562901
01403 227 NA NA NA NA NA NA
01404 325 Huara 253968.5 2017 1404 2730 693334131
01405 1916 Pica 313007.5 2017 1405 9296 2909717399
02101 50203 Antofagasta 347580.2 2017 2101 361873 125779893517
02102 2096 Mejillones 369770.7 2017 2102 13467 4979702302
02103 2787 Sierra Gorda 403458.5 2017 2103 10186 4109628188
02104 1976 Taltal 364539.1 2017 2104 13317 4854566842
02201 23872 Calama 409671.3 2017 2201 165731 67895226712
02202 56 NA NA NA NA NA NA
02203 1722 San Pedro de Atacama 426592.0 2017 2203 10996 4690805471
02301 3148 Tocopilla 246615.3 2017 2301 25186 6211253937
02302 1177 María Elena 466266.9 2017 2302 6457 3010685220
03101 20052 Copiapó 330075.2 2017 3101 153937 50810778473
03102 2192 Caldera 299314.8 2017 3102 17662 5286498241
03103 2009 Tierra Amarilla 314643.9 2017 3103 14019 4410992711
03201 1505 Chañaral 286389.3 2017 3201 12219 3499391196
03202 2131 Diego de Almagro 336256.8 2017 3202 13925 4682376047
03301 6595 Vallenar 304336.7 2017 3301 51917 15800246795
03302 750 Alto del Carmen 227130.4 2017 3302 5299 1203563833
03303 882 Freirina 253086.7 2017 3303 7041 1781983257
03304 1232 Huasco 287406.6 2017 3304 10149 2916889629
04101 28642 La Serena 270221.9 2017 4101 221054 59733627577
04102 29587 Coquimbo 261852.6 2017 4102 227730 59631700074
04103 1441 Andacollo 248209.3 2017 4103 11044 2741223967
04104 571 La Higuera 228356.8 2017 4104 4241 968461330
04105 642 Paiguano 205942.1 2017 4105 4497 926121774
04106 3774 Vicuña 211431.9 2017 4106 27771 5871675449
04201 3995 Illapel 238674.4 2017 4201 30848 7362627007
04202 1168 Canela 207933.6 2017 4202 9093 1890740321
04203 2782 Los Vilos 255200.4 2017 4203 21382 5456695139
04204 4433 Salamanca 242879.5 2017 4204 29347 7127783272
04301 14439 Ovalle 266522.9 2017 4301 111272 29656533187
04302 1913 Combarbalá 210409.7 2017 4302 13322 2803077721
04303 4153 Monte Patria 211907.9 2017 4303 30751 6516380780
04304 1407 Punitaqui 194997.8 2017 4304 10956 2136395349
04305 537 Río Hurtado 182027.2 2017 4305 4278 778712384
05101 35900 Valparaíso 298720.7 2017 5101 296655 88616992249
05102 3718 Casablanca 312802.7 2017 5102 26867 8404070481
05103 5763 Concón 318496.3 2017 5103 42152 13425257057
05104 126 NA NA NA NA NA NA
05105 2420 Puchuncaví 288737.2 2017 5105 18546 5354920887
05107 4089 Quintero 316659.1 2017 5107 31923 10108709691
05109 38544 Viña del Mar 337006.1 2017 5109 334248 112643604611
05201 1105 NA NA NA NA NA NA
05301 9106 Los Andes 338182.5 2017 5301 66708 22559476922
05302 1927 Calle Larga 245165.4 2017 5302 14832 3636293159


Correlacionamos:

dat1 <- data.frame(df_2017_2$`40_49`, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

1.2.2 Queremos saber la frecuencia de personas entre 30 y 39 años que viven por comuna:

b <- tabla_con_clave$COMUNA
c <- tabla_con_clave$P09
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
names(d)[1] <- "comuna"
names(d)[2] <- "edad"
d$anio <- "2017"
# Hay que construir un dataframe solo con el rango de edad entre 30 y 39 años:

d_rango <- filter(d, as.numeric(d$edad) > 30 & as.numeric(d$edad) < 41)

# Hay que sumar todos los rangos:
d_rango_sum <- aggregate(d_rango$Freq, by=list(Category=d_rango$comuna), FUN=sum)

# Agregamos un cero al codigo comunal de cuatro cifras:

# recogemos el campo Comuna:
codigos <- d_rango_sum$Category
# construimos una secuencia llamada rango del 1 al total de filas del dataset:
rango <- seq(1:nrow(d_rango_sum))
# Creamos un string que agrega un cero a todos los registros:
cadena <- paste("0",codigos[rango], sep = "")

# El string cadena tiene o 5 o 6 digitos, los cuales siempre deben ser siempre 5 agregandole un cero al inicio de los que tienen 4.
# Para ello extraemos un substring de la cadena sobre todas las filas (rangos) comenzando desde el primero o el segundo y llegando siempre al 6.

cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(d_rango_sum,cadena)

comuna_corr <- comuna_corr[,-c(1),drop=FALSE] 
names(comuna_corr)[2] <- "código"

Unimos con ingresos promedios expandidos:

df_2017_2 = merge( x = comuna_corr, y = ingresos_expandidos_2017, by = "código", all.x = TRUE)

names(df_2017_2)[2] <- "30_39"

tablamadre <- head(df_2017_2,50)

kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código 30_39 comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 31454 Iquique 354820.7 2017 1101 191468 67936815240
01107 16399 Alto Hospicio 301933.4 2017 1107 108375 32722034397
01401 2650 Pozo Almonte 285981.8 2017 1401 15711 4493059532
01402 134 Camiña 262850.3 2017 1402 1250 328562901
01403 290 NA NA NA NA NA NA
01404 368 Huara 253968.5 2017 1404 2730 693334131
01405 2235 Pica 313007.5 2017 1405 9296 2909717399
02101 57275 Antofagasta 347580.2 2017 2101 361873 125779893517
02102 2343 Mejillones 369770.7 2017 2102 13467 4979702302
02103 3226 Sierra Gorda 403458.5 2017 2103 10186 4109628188
02104 2119 Taltal 364539.1 2017 2104 13317 4854566842
02201 28132 Calama 409671.3 2017 2201 165731 67895226712
02202 70 NA NA NA NA NA NA
02203 2458 San Pedro de Atacama 426592.0 2017 2203 10996 4690805471
02301 3461 Tocopilla 246615.3 2017 2301 25186 6211253937
02302 1316 María Elena 466266.9 2017 2302 6457 3010685220
03101 22252 Copiapó 330075.2 2017 3101 153937 50810778473
03102 2440 Caldera 299314.8 2017 3102 17662 5286498241
03103 2083 Tierra Amarilla 314643.9 2017 3103 14019 4410992711
03201 1632 Chañaral 286389.3 2017 3201 12219 3499391196
03202 2292 Diego de Almagro 336256.8 2017 3202 13925 4682376047
03301 7013 Vallenar 304336.7 2017 3301 51917 15800246795
03302 720 Alto del Carmen 227130.4 2017 3302 5299 1203563833
03303 887 Freirina 253086.7 2017 3303 7041 1781983257
03304 1409 Huasco 287406.6 2017 3304 10149 2916889629
04101 29444 La Serena 270221.9 2017 4101 221054 59733627577
04102 31304 Coquimbo 261852.6 2017 4102 227730 59631700074
04103 1294 Andacollo 248209.3 2017 4103 11044 2741223967
04104 502 La Higuera 228356.8 2017 4104 4241 968461330
04105 577 Paiguano 205942.1 2017 4105 4497 926121774
04106 3607 Vicuña 211431.9 2017 4106 27771 5871675449
04201 4046 Illapel 238674.4 2017 4201 30848 7362627007
04202 1011 Canela 207933.6 2017 4202 9093 1890740321
04203 3037 Los Vilos 255200.4 2017 4203 21382 5456695139
04204 4510 Salamanca 242879.5 2017 4204 29347 7127783272
04301 14914 Ovalle 266522.9 2017 4301 111272 29656533187
04302 1600 Combarbalá 210409.7 2017 4302 13322 2803077721
04303 3865 Monte Patria 211907.9 2017 4303 30751 6516380780
04304 1405 Punitaqui 194997.8 2017 4304 10956 2136395349
04305 501 Río Hurtado 182027.2 2017 4305 4278 778712384
05101 39802 Valparaíso 298720.7 2017 5101 296655 88616992249
05102 3613 Casablanca 312802.7 2017 5102 26867 8404070481
05103 5373 Concón 318496.3 2017 5103 42152 13425257057
05104 184 NA NA NA NA NA NA
05105 2438 Puchuncaví 288737.2 2017 5105 18546 5354920887
05107 4151 Quintero 316659.1 2017 5107 31923 10108709691
05109 43798 Viña del Mar 337006.1 2017 5109 334248 112643604611
05201 1535 NA NA NA NA NA NA
05301 9604 Los Andes 338182.5 2017 5301 66708 22559476922
05302 2093 Calle Larga 245165.4 2017 5302 14832 3636293159


Correlacionamos:

dat1 <- data.frame(df_2017_2$`30_39`, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)


  1. Hay que analizar la relevancia de las preguntas de la P10 a la P13

  2. Hay que hacer un análisis conjunto entre P14 (Curso o año más alto aprobado), P15 (Nivel del curso más alto aprobado) y P15A (Completó el nivel especificado).


1.3 P15: Nivel del curso más alto aprobado

1 Sala cuna o jardín infantil
2 Prekínder
3 Kínder
4 Especial o diferencial
5 Educación básica
6 Primaria o preparatorio (sistema antiguo)
7 Científico-humanista
8 Técnica profesional
9 Humanidades (sistema antiguo)
10 Técnica comercial, industrial/normalista (sistema antiguo)
11 Técnico superior (1-3 años)
12 Profesional (4 o más años)
13 Magíster
14 Doctorado
98 No aplica
99 Missing


1.3.1 Queremos saber la frecuencia de personas por nivel que viven por comuna:

Leemos la base de datos Censal:

tabla_con_clave <- readRDS("censo_personas_con_clave_17.rds")
b <- tabla_con_clave$COMUNA
c <- tabla_con_clave$P15
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
names(d)[1] <- "comuna"
names(d)[2] <- "nivel"
tablamadre <- head(d,50)

kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
comuna nivel Freq
1101 1 5890
1107 1 4592
1401 1 532
1402 1 42
1403 1 29
1404 1 74
1405 1 200
2101 1 9518
2102 1 335
2103 1 46
2104 1 348
2201 1 3849
2202 1 9
2203 1 260
2301 1 764
2302 1 100
3101 1 4781
3102 1 566
3103 1 468
3201 1 417
3202 1 508
3301 1 1674
3302 1 150
3303 1 270
3304 1 398
4101 1 6654
4102 1 7007
4103 1 302
4104 1 133
4105 1 140
4106 1 783
4201 1 959
4202 1 198
4203 1 565
4204 1 710
4301 1 3230
4302 1 290
4303 1 714
4304 1 233
4305 1 110
5101 1 6687
5102 1 733
5103 1 1177
5104 1 39
5105 1 505
5107 1 790
5109 1 7339
5201 1 262
5301 1 1688
5302 1 404


Apilamos los registros comunales uno al lado del otro:

d_t <- filter(d,d$nivel == 1)
for(i in 2:17){
  d_i <- filter(d,d$nivel == i)
  d_t = merge( x = d_t, y = d_i, by = "comuna", all.x = TRUE)
}


Agregamos un cero a los codigos comunales de 4 digitos:

codigos <- d_t$comuna
rango <- seq(1:nrow(d_t))
cadena <- paste("0",codigos[rango], sep = "")
cadena <- substr(cadena,(nchar(cadena)[rango])-(4),6)
codigos <- as.data.frame(codigos)
cadena <- as.data.frame(cadena)
comuna_corr <- cbind(d_t,cadena)
comuna_corr <- comuna_corr[,-c(1),drop=FALSE] 
names(comuna_corr)[35] <- "código" 
tablamadre <- head(comuna_corr,50)

kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
nivel.x Freq.x nivel.y Freq.y nivel.x.1 Freq.x.1 nivel.y.1 Freq.y.1 nivel.x.2 Freq.x.2 nivel.y.2 Freq.y.2 nivel.x.3 Freq.x.3 nivel.y.3 Freq.y.3 nivel.x.4 Freq.x.4 nivel.y.4 Freq.y.4 nivel.x.5 Freq.x.5 nivel.y.5 Freq.y.5 nivel.x.6 Freq.x.6 nivel.y.6 Freq.y.6 nivel.x.7 Freq.x.7 nivel.y.7 Freq.y.7 nivel Freq código
1 5890 2 2977 3 4311 4 629 5 35364 6 3734 7 42856 8 26764 9 3945 10 2260 11 14681 12 35222 13 2288 14 281 NA NA NA NA NA NA 01101
1 4592 2 2302 3 3166 4 482 5 31291 6 1257 7 25030 8 19924 9 969 10 406 11 4220 12 6395 13 178 14 12 NA NA NA NA NA NA 01107
1 532 2 273 3 380 4 19 5 4181 6 302 7 3790 8 2748 9 159 10 69 11 979 12 1136 13 68 14 4 NA NA NA NA NA NA 01401
1 42 2 5 3 28 NA NA 5 518 6 35 7 181 8 145 9 1 10 1 11 22 12 62 13 12 14 1 NA NA NA NA NA NA 01402
1 29 2 12 3 27 4 7 5 661 6 18 7 213 8 213 9 6 10 1 11 110 12 149 13 9 14 3 NA NA NA NA NA NA 01403
1 74 2 36 3 63 4 3 5 1024 6 98 7 510 8 343 9 19 10 20 11 95 12 135 13 11 14 1 NA NA NA NA NA NA 01404
1 200 2 75 3 132 4 19 5 1475 6 137 7 2056 8 2010 9 78 10 63 11 995 12 1499 13 153 14 5 NA NA NA NA NA NA 01405
1 9518 2 5095 3 8011 4 1296 5 71800 6 6068 7 81128 8 53259 9 5956 10 2993 11 27914 12 60800 13 3799 14 738 NA NA NA NA NA NA 02101
1 335 2 175 3 277 4 41 5 3063 6 222 7 4078 8 2325 9 103 10 61 11 854 12 1003 13 25 14 5 NA NA NA NA NA NA 02102
1 46 2 25 3 31 NA NA 5 602 6 26 7 2757 8 2434 9 38 10 40 11 1510 12 2306 13 262 14 3 NA NA NA NA NA NA 02103
1 348 2 176 3 272 4 34 5 3782 6 311 7 2825 8 2601 9 156 10 89 11 670 12 1025 13 45 14 5 NA NA NA NA NA NA 02104
1 3849 2 2178 3 3610 4 584 5 35342 6 2165 7 41401 8 24017 9 1795 10 971 11 13498 12 20699 13 1128 14 115 NA NA NA NA NA NA 02201
1 9 2 3 3 5 NA NA 5 90 6 6 7 70 8 47 9 2 NA NA 11 25 12 34 13 3 NA NA NA NA NA NA NA NA 02202
1 260 2 115 3 194 4 13 5 2212 6 131 7 2410 8 1757 9 50 10 50 11 906 12 1846 13 203 14 52 NA NA NA NA NA NA 02203
1 764 2 456 3 703 4 145 5 6653 6 664 7 6511 8 3700 9 459 10 150 11 1285 12 1764 13 49 14 6 NA NA NA NA NA NA 02301
1 100 2 53 3 112 4 2 5 1268 6 57 7 1852 8 1294 9 65 10 14 11 532 12 791 13 45 14 2 NA NA NA NA NA NA 02302
1 4781 2 2719 3 3740 4 630 5 35106 6 3540 7 36296 8 18400 9 2868 10 1070 11 11684 12 22917 13 900 14 177 NA NA NA NA NA NA 03101
1 566 2 290 3 466 4 51 5 4573 6 408 7 4794 8 2047 9 334 10 127 11 1182 12 1553 13 70 14 7 NA NA NA NA NA NA 03102
1 468 2 212 3 337 4 44 5 4542 6 358 7 3293 8 2379 9 127 10 44 11 606 12 733 13 25 14 2 NA NA NA NA NA NA 03103
1 417 2 207 3 282 4 97 5 3347 6 554 7 2680 8 2138 9 189 10 90 11 648 12 893 13 18 NA NA NA NA NA NA NA NA 03201
1 508 2 197 3 355 4 69 5 3282 6 325 7 3457 8 2215 9 147 10 69 11 997 12 1523 13 76 14 6 NA NA NA NA NA NA 03202
1 1674 2 921 3 1197 4 249 5 13586 6 1336 7 11111 8 9102 9 766 10 570 11 2827 12 4418 13 176 14 38 NA NA NA NA NA NA 03301
1 150 2 52 3 114 4 8 5 1771 6 215 7 988 8 871 9 49 10 31 11 165 12 281 13 15 NA NA NA NA NA NA NA NA 03302
1 270 2 139 3 148 4 23 5 2281 6 209 7 1519 8 1086 9 65 10 25 11 312 12 334 13 18 NA NA NA NA NA NA NA NA 03303
1 398 2 167 3 271 4 32 5 2626 6 302 7 2392 8 1503 9 196 10 97 11 628 12 847 13 24 14 2 NA NA NA NA NA NA 03304
1 6654 2 3535 3 5047 4 956 5 45201 6 5006 7 47501 8 28690 9 4752 10 1872 11 16345 12 39812 13 2529 14 507 NA NA NA NA NA NA 04101
1 7007 2 3890 3 5454 4 1101 5 50785 6 5527 7 52386 8 33468 9 4710 10 2369 11 15424 12 29419 13 1331 14 232 NA NA NA NA NA NA 04102
1 302 2 198 3 276 4 19 5 3518 6 491 7 3126 8 1186 9 85 10 33 11 525 12 556 13 10 14 2 NA NA NA NA NA NA 04103
1 133 2 77 3 97 4 18 5 1721 6 148 7 703 8 580 9 38 10 22 11 105 12 133 13 7 14 6 NA NA NA NA NA NA 04104
1 140 2 50 3 82 4 10 5 1417 6 211 7 1069 8 504 9 70 10 20 11 197 12 451 13 40 14 15 NA NA NA NA NA NA 04105
1 783 2 482 3 677 4 68 5 9057 6 813 7 7313 8 2860 9 403 10 129 11 1206 12 2021 13 72 14 21 NA NA NA NA NA NA 04106
1 959 2 491 3 691 4 128 5 10258 6 929 7 7201 8 3594 9 404 10 196 11 1604 12 2137 13 88 14 12 NA NA NA NA NA NA 04201
1 198 2 67 3 164 4 19 5 4178 6 396 7 1582 8 718 9 51 10 20 11 285 12 377 13 10 NA NA NA NA NA NA NA NA 04202
1 565 2 337 3 474 4 94 5 6787 6 632 7 5788 8 1541 9 282 10 102 11 1252 12 1645 13 81 14 11 NA NA NA NA NA NA 04203
1 710 2 420 3 631 4 74 5 9795 6 806 7 7865 8 2442 9 267 10 87 11 1658 12 2295 13 114 14 12 NA NA NA NA NA NA 04204
1 3230 2 1855 3 2626 4 460 5 33123 6 3423 7 27089 8 14003 9 1565 10 567 11 5696 12 8941 13 308 14 55 NA NA NA NA NA NA 04301
1 290 2 160 3 229 4 31 5 5456 6 591 7 2925 8 998 9 110 10 39 11 488 12 772 13 31 NA NA NA NA NA NA NA NA 04302
1 714 2 432 3 735 4 89 5 13043 6 921 7 6576 8 2983 9 176 10 79 11 930 12 1174 13 33 14 3 NA NA NA NA NA NA 04303
1 233 2 152 3 237 4 60 5 4342 6 329 7 2490 8 959 9 99 10 29 11 372 12 455 13 21 14 1 NA NA NA NA NA NA 04304
1 110 2 36 3 83 4 11 5 1912 6 170 7 847 8 327 9 33 10 17 11 135 12 199 13 14 14 2 NA NA NA NA NA NA 04305
1 6687 2 3910 3 5405 4 1576 5 53843 6 10426 7 73967 8 33359 9 11211 10 2409 11 24447 12 48746 13 3591 14 834 NA NA NA NA NA NA 05101
1 733 2 405 3 553 4 136 5 7404 6 941 7 6991 8 2945 9 446 10 79 11 1817 12 2541 13 132 14 38 NA NA NA NA NA NA 05102
1 1177 2 623 3 794 4 124 5 7673 6 969 7 9077 8 3345 9 1068 10 226 11 3534 12 9879 13 1419 14 211 NA NA NA NA NA NA 05103
1 39 2 15 3 15 4 1 5 230 6 24 7 251 8 85 9 10 10 3 11 68 12 137 13 11 14 2 NA NA NA NA NA NA 05104
1 505 2 226 3 406 4 75 5 4669 6 853 7 5100 8 1738 9 409 10 90 11 1469 12 1780 13 96 14 11 NA NA NA NA NA NA 05105
1 790 2 493 3 681 4 190 5 7365 6 1142 7 8264 8 3122 9 908 10 202 11 2748 12 3495 13 208 14 49 NA NA NA NA NA NA 05107
1 7339 2 4047 3 5553 4 1539 5 54389 6 10098 7 72051 8 35656 9 12645 10 2919 11 29468 12 72008 13 7476 14 1636 NA NA NA NA NA NA 05109
1 262 2 111 3 140 4 15 5 1417 6 103 7 1636 8 834 9 91 10 17 11 853 12 1512 13 157 14 30 NA NA NA NA NA NA 05201
1 1688 2 929 3 1374 4 252 5 14071 6 2134 7 14949 8 10456 9 1772 10 617 11 5575 12 8071 13 428 14 51 NA NA NA NA NA NA 05301
1 404 2 272 3 362 4 59 5 3980 6 578 7 3199 8 2407 9 208 10 96 11 764 12 1284 13 92 14 11 NA NA NA NA NA NA 05302


Hacemos el merge con los ingresos comunales:

ingresos_expandidos_2017 <- readRDS("ingresos_expandidos_17.rds")

df_2017_2 = merge( x = comuna_corr, y = ingresos_expandidos_2017, by = "código", all.x = TRUE)

tablamadre <- head(df_2017_2,50)

kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
código nivel.x Freq.x nivel.y Freq.y nivel.x.1 Freq.x.1 nivel.y.1 Freq.y.1 nivel.x.2 Freq.x.2 nivel.y.2 Freq.y.2 nivel.x.3 Freq.x.3 nivel.y.3 Freq.y.3 nivel.x.4 Freq.x.4 nivel.y.4 Freq.y.4 nivel.x.5 Freq.x.5 nivel.y.5 Freq.y.5 nivel.x.6 Freq.x.6 nivel.y.6 Freq.y.6 nivel.x.7 Freq.x.7 nivel.y.7 Freq.y.7 nivel Freq comuna.x promedio_i año comuna.y personas Ingresos_expandidos
01101 1 5890 2 2977 3 4311 4 629 5 35364 6 3734 7 42856 8 26764 9 3945 10 2260 11 14681 12 35222 13 2288 14 281 NA NA NA NA NA NA Iquique 354820.7 2017 1101 191468 67936815240
01107 1 4592 2 2302 3 3166 4 482 5 31291 6 1257 7 25030 8 19924 9 969 10 406 11 4220 12 6395 13 178 14 12 NA NA NA NA NA NA Alto Hospicio 301933.4 2017 1107 108375 32722034397
01401 1 532 2 273 3 380 4 19 5 4181 6 302 7 3790 8 2748 9 159 10 69 11 979 12 1136 13 68 14 4 NA NA NA NA NA NA Pozo Almonte 285981.8 2017 1401 15711 4493059532
01402 1 42 2 5 3 28 NA NA 5 518 6 35 7 181 8 145 9 1 10 1 11 22 12 62 13 12 14 1 NA NA NA NA NA NA Camiña 262850.3 2017 1402 1250 328562901
01403 1 29 2 12 3 27 4 7 5 661 6 18 7 213 8 213 9 6 10 1 11 110 12 149 13 9 14 3 NA NA NA NA NA NA NA NA NA NA NA NA
01404 1 74 2 36 3 63 4 3 5 1024 6 98 7 510 8 343 9 19 10 20 11 95 12 135 13 11 14 1 NA NA NA NA NA NA Huara 253968.5 2017 1404 2730 693334131
01405 1 200 2 75 3 132 4 19 5 1475 6 137 7 2056 8 2010 9 78 10 63 11 995 12 1499 13 153 14 5 NA NA NA NA NA NA Pica 313007.5 2017 1405 9296 2909717399
02101 1 9518 2 5095 3 8011 4 1296 5 71800 6 6068 7 81128 8 53259 9 5956 10 2993 11 27914 12 60800 13 3799 14 738 NA NA NA NA NA NA Antofagasta 347580.2 2017 2101 361873 125779893517
02102 1 335 2 175 3 277 4 41 5 3063 6 222 7 4078 8 2325 9 103 10 61 11 854 12 1003 13 25 14 5 NA NA NA NA NA NA Mejillones 369770.7 2017 2102 13467 4979702302
02103 1 46 2 25 3 31 NA NA 5 602 6 26 7 2757 8 2434 9 38 10 40 11 1510 12 2306 13 262 14 3 NA NA NA NA NA NA Sierra Gorda 403458.5 2017 2103 10186 4109628188
02104 1 348 2 176 3 272 4 34 5 3782 6 311 7 2825 8 2601 9 156 10 89 11 670 12 1025 13 45 14 5 NA NA NA NA NA NA Taltal 364539.1 2017 2104 13317 4854566842
02201 1 3849 2 2178 3 3610 4 584 5 35342 6 2165 7 41401 8 24017 9 1795 10 971 11 13498 12 20699 13 1128 14 115 NA NA NA NA NA NA Calama 409671.3 2017 2201 165731 67895226712
02202 1 9 2 3 3 5 NA NA 5 90 6 6 7 70 8 47 9 2 NA NA 11 25 12 34 13 3 NA NA NA NA NA NA NA NA NA NA NA NA NA NA
02203 1 260 2 115 3 194 4 13 5 2212 6 131 7 2410 8 1757 9 50 10 50 11 906 12 1846 13 203 14 52 NA NA NA NA NA NA San Pedro de Atacama 426592.0 2017 2203 10996 4690805471
02301 1 764 2 456 3 703 4 145 5 6653 6 664 7 6511 8 3700 9 459 10 150 11 1285 12 1764 13 49 14 6 NA NA NA NA NA NA Tocopilla 246615.3 2017 2301 25186 6211253937
02302 1 100 2 53 3 112 4 2 5 1268 6 57 7 1852 8 1294 9 65 10 14 11 532 12 791 13 45 14 2 NA NA NA NA NA NA María Elena 466266.9 2017 2302 6457 3010685220
03101 1 4781 2 2719 3 3740 4 630 5 35106 6 3540 7 36296 8 18400 9 2868 10 1070 11 11684 12 22917 13 900 14 177 NA NA NA NA NA NA Copiapó 330075.2 2017 3101 153937 50810778473
03102 1 566 2 290 3 466 4 51 5 4573 6 408 7 4794 8 2047 9 334 10 127 11 1182 12 1553 13 70 14 7 NA NA NA NA NA NA Caldera 299314.8 2017 3102 17662 5286498241
03103 1 468 2 212 3 337 4 44 5 4542 6 358 7 3293 8 2379 9 127 10 44 11 606 12 733 13 25 14 2 NA NA NA NA NA NA Tierra Amarilla 314643.9 2017 3103 14019 4410992711
03201 1 417 2 207 3 282 4 97 5 3347 6 554 7 2680 8 2138 9 189 10 90 11 648 12 893 13 18 NA NA NA NA NA NA NA NA Chañaral 286389.3 2017 3201 12219 3499391196
03202 1 508 2 197 3 355 4 69 5 3282 6 325 7 3457 8 2215 9 147 10 69 11 997 12 1523 13 76 14 6 NA NA NA NA NA NA Diego de Almagro 336256.8 2017 3202 13925 4682376047
03301 1 1674 2 921 3 1197 4 249 5 13586 6 1336 7 11111 8 9102 9 766 10 570 11 2827 12 4418 13 176 14 38 NA NA NA NA NA NA Vallenar 304336.7 2017 3301 51917 15800246795
03302 1 150 2 52 3 114 4 8 5 1771 6 215 7 988 8 871 9 49 10 31 11 165 12 281 13 15 NA NA NA NA NA NA NA NA Alto del Carmen 227130.4 2017 3302 5299 1203563833
03303 1 270 2 139 3 148 4 23 5 2281 6 209 7 1519 8 1086 9 65 10 25 11 312 12 334 13 18 NA NA NA NA NA NA NA NA Freirina 253086.7 2017 3303 7041 1781983257
03304 1 398 2 167 3 271 4 32 5 2626 6 302 7 2392 8 1503 9 196 10 97 11 628 12 847 13 24 14 2 NA NA NA NA NA NA Huasco 287406.6 2017 3304 10149 2916889629
04101 1 6654 2 3535 3 5047 4 956 5 45201 6 5006 7 47501 8 28690 9 4752 10 1872 11 16345 12 39812 13 2529 14 507 NA NA NA NA NA NA La Serena 270221.9 2017 4101 221054 59733627577
04102 1 7007 2 3890 3 5454 4 1101 5 50785 6 5527 7 52386 8 33468 9 4710 10 2369 11 15424 12 29419 13 1331 14 232 NA NA NA NA NA NA Coquimbo 261852.6 2017 4102 227730 59631700074
04103 1 302 2 198 3 276 4 19 5 3518 6 491 7 3126 8 1186 9 85 10 33 11 525 12 556 13 10 14 2 NA NA NA NA NA NA Andacollo 248209.3 2017 4103 11044 2741223967
04104 1 133 2 77 3 97 4 18 5 1721 6 148 7 703 8 580 9 38 10 22 11 105 12 133 13 7 14 6 NA NA NA NA NA NA La Higuera 228356.8 2017 4104 4241 968461330
04105 1 140 2 50 3 82 4 10 5 1417 6 211 7 1069 8 504 9 70 10 20 11 197 12 451 13 40 14 15 NA NA NA NA NA NA Paiguano 205942.1 2017 4105 4497 926121774
04106 1 783 2 482 3 677 4 68 5 9057 6 813 7 7313 8 2860 9 403 10 129 11 1206 12 2021 13 72 14 21 NA NA NA NA NA NA Vicuña 211431.9 2017 4106 27771 5871675449
04201 1 959 2 491 3 691 4 128 5 10258 6 929 7 7201 8 3594 9 404 10 196 11 1604 12 2137 13 88 14 12 NA NA NA NA NA NA Illapel 238674.4 2017 4201 30848 7362627007
04202 1 198 2 67 3 164 4 19 5 4178 6 396 7 1582 8 718 9 51 10 20 11 285 12 377 13 10 NA NA NA NA NA NA NA NA Canela 207933.6 2017 4202 9093 1890740321
04203 1 565 2 337 3 474 4 94 5 6787 6 632 7 5788 8 1541 9 282 10 102 11 1252 12 1645 13 81 14 11 NA NA NA NA NA NA Los Vilos 255200.4 2017 4203 21382 5456695139
04204 1 710 2 420 3 631 4 74 5 9795 6 806 7 7865 8 2442 9 267 10 87 11 1658 12 2295 13 114 14 12 NA NA NA NA NA NA Salamanca 242879.5 2017 4204 29347 7127783272
04301 1 3230 2 1855 3 2626 4 460 5 33123 6 3423 7 27089 8 14003 9 1565 10 567 11 5696 12 8941 13 308 14 55 NA NA NA NA NA NA Ovalle 266522.9 2017 4301 111272 29656533187
04302 1 290 2 160 3 229 4 31 5 5456 6 591 7 2925 8 998 9 110 10 39 11 488 12 772 13 31 NA NA NA NA NA NA NA NA Combarbalá 210409.7 2017 4302 13322 2803077721
04303 1 714 2 432 3 735 4 89 5 13043 6 921 7 6576 8 2983 9 176 10 79 11 930 12 1174 13 33 14 3 NA NA NA NA NA NA Monte Patria 211907.9 2017 4303 30751 6516380780
04304 1 233 2 152 3 237 4 60 5 4342 6 329 7 2490 8 959 9 99 10 29 11 372 12 455 13 21 14 1 NA NA NA NA NA NA Punitaqui 194997.8 2017 4304 10956 2136395349
04305 1 110 2 36 3 83 4 11 5 1912 6 170 7 847 8 327 9 33 10 17 11 135 12 199 13 14 14 2 NA NA NA NA NA NA Río Hurtado 182027.2 2017 4305 4278 778712384
05101 1 6687 2 3910 3 5405 4 1576 5 53843 6 10426 7 73967 8 33359 9 11211 10 2409 11 24447 12 48746 13 3591 14 834 NA NA NA NA NA NA Valparaíso 298720.7 2017 5101 296655 88616992249
05102 1 733 2 405 3 553 4 136 5 7404 6 941 7 6991 8 2945 9 446 10 79 11 1817 12 2541 13 132 14 38 NA NA NA NA NA NA Casablanca 312802.7 2017 5102 26867 8404070481
05103 1 1177 2 623 3 794 4 124 5 7673 6 969 7 9077 8 3345 9 1068 10 226 11 3534 12 9879 13 1419 14 211 NA NA NA NA NA NA Concón 318496.3 2017 5103 42152 13425257057
05104 1 39 2 15 3 15 4 1 5 230 6 24 7 251 8 85 9 10 10 3 11 68 12 137 13 11 14 2 NA NA NA NA NA NA NA NA NA NA NA NA
05105 1 505 2 226 3 406 4 75 5 4669 6 853 7 5100 8 1738 9 409 10 90 11 1469 12 1780 13 96 14 11 NA NA NA NA NA NA Puchuncaví 288737.2 2017 5105 18546 5354920887
05107 1 790 2 493 3 681 4 190 5 7365 6 1142 7 8264 8 3122 9 908 10 202 11 2748 12 3495 13 208 14 49 NA NA NA NA NA NA Quintero 316659.1 2017 5107 31923 10108709691
05109 1 7339 2 4047 3 5553 4 1539 5 54389 6 10098 7 72051 8 35656 9 12645 10 2919 11 29468 12 72008 13 7476 14 1636 NA NA NA NA NA NA Viña del Mar 337006.1 2017 5109 334248 112643604611
05201 1 262 2 111 3 140 4 15 5 1417 6 103 7 1636 8 834 9 91 10 17 11 853 12 1512 13 157 14 30 NA NA NA NA NA NA NA NA NA NA NA NA
05301 1 1688 2 929 3 1374 4 252 5 14071 6 2134 7 14949 8 10456 9 1772 10 617 11 5575 12 8071 13 428 14 51 NA NA NA NA NA NA Los Andes 338182.5 2017 5301 66708 22559476922
05302 1 404 2 272 3 362 4 59 5 3980 6 578 7 3199 8 2407 9 208 10 96 11 764 12 1284 13 92 14 11 NA NA NA NA NA NA Calle Larga 245165.4 2017 5302 14832 3636293159


Correlacionamos:

Nivel 1:

dat1 <- data.frame(df_2017_2$Freq.x, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 2:

dat1 <- data.frame(df_2017_2$Freq.y, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 3:

dat1 <- data.frame(df_2017_2$Freq.x.1, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 4:

dat1 <- data.frame(df_2017_2$Freq.y.1, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 5:

dat1 <- data.frame(df_2017_2$Freq.x.2, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 6:

dat1 <- data.frame(df_2017_2$Freq.y.2, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 7:

dat1 <- data.frame(df_2017_2$Freq.x.3, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 8:

dat1 <- data.frame(df_2017_2$Freq.y.3, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 9:

dat1 <- data.frame(df_2017_2$Freq.x.4, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 10:

dat1 <- data.frame(df_2017_2$Freq.y.4, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 11:

dat1 <- data.frame(df_2017_2$Freq.x.5, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 12:

dat1 <- data.frame(df_2017_2$Freq.y.5, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 13:

dat1 <- data.frame(df_2017_2$Freq.x.6, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)

Nivel 14:

dat1 <- data.frame(df_2017_2$Freq.y.6, df_2017_2$Ingresos_expandidos)
chart.Correlation(dat1)


1.4 P16: Se considera perteneciente a un pueblo indígena u originario?

1 Sí
2 No
98 No aplica
99 Missing

1.4.1 Queremos saber la frecuencia de personas que se consideran pertenecientes a un pueblo indígena que viven por comuna:

Leemos la base de datos Censal:

b <- tabla_con_clave$COMUNA
c <- tabla_con_clave$P16
cross_tab =  xtabs( ~ unlist(b) + unlist(c))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
names(d)[1] <- "comuna"
names(d)[2] <- "pertenencia_a_po"
tablamadre <- head(d,50)

kbl(tablamadre) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
  kable_paper() %>%
  scroll_box(width = "100%", height = "300px")
comuna pertenencia_a_po Freq
1101 1 33021
1107 1 32079
1401 1 6616
1402 1 1071
1403 1 1403
1404 1 1649
1405 1 4226
2101 1 28174
2102 1 1245
2103 1 1386
2104 1 3393
2201 1 39724
2202 1 215
2203 1 5523
2301 1 1965
2302 1 787
3101 1 27078
3102 1 3129
3103 1 4375
3201 1 1299
3202 1 1789
3301 1 12369
3302 1 2723
3303 1 1106
3304 1 1545
4101 1 18994
4102 1 18274
4103 1 692
4104 1 492
4105 1 364
4106 1 2984
4201 1 2090
4202 1 417
4203 1 1336
4204 1 2676
4301 1 11025
4302 1 1272
4303 1 2739
4304 1 1334
4305 1 267
5101 1 20153
5102 1 1674
5103 1 2288
5104 1 60
5105 1 1143
5107 1 2285
5109 1 20573
5201 1 3976
5301 1 3671
5302 1 849


Apilamos los registros comunales uno al lado del otro:

library(dplyr)
d_1 <- filter(d,d$pertenencia_a_po == 1)
d_2 <- filter(d,d$pertenencia_a_po == 2)
d_12 = merge( x = d_1, y = d_2, by = "comuna", all.x = TRUE)
# d_12
# v <- 1
# vv <- switch(v, glaciares_19_q1, glaciares_20_q1)
# vv