1 Introducción
El procedimiento de generación de tablas de contingencia trae problemas si se consideran varias tablas referidas por ejemplo a varios años, cuyas categorías de divergen.
Ésta pregunta sólo se comenzó a aplicar en la Casen del 2006 y hasta la versión 2017
casen_2006 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2006_c.rds")
casen_2006 <- mutate_if(casen_2006, is.factor, as.character)
casen_2009 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2009_c.rds")
casen_2009 <- mutate_if(casen_2009, is.factor, as.character)
casen_2011 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2011_c.rds")
casen_2011 <- mutate_if(casen_2011, is.factor, as.character)
casen_2013 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2013_c.rds")
casen_2013 <- mutate_if(casen_2013, is.factor, as.character)
casen_2015 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2015_c.rds")
casen_2015 <- mutate_if(casen_2015, is.factor, as.character)
casen_2017 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2017_c.rds")
casen_2017 <- mutate_if(casen_2017, is.factor, as.character)
casen_2020 <- readRDS(file = "C:/Users/chris/Desktop/archivos grandes/casen_2020_c.rds")
casen_2020 <- mutate_if(casen_2020, is.factor, as.character)vv <- c("O20","O25","o17","o17","o17","o17","ft")
casen_2006 <- casen_2006[,c("EXPC", "COMUNA" ,vv[1], "T4","SEXO","E1")]
casen_2009 <- casen_2009[,c("EXPC", "COMUNA" ,vv[2], "T5","SEXO","E1")]
casen_2011 <- casen_2011[,c("expc_full", "comuna" ,vv[3], "r6","sexo","e1","r2p_cod")]
casen_2013 <- casen_2013[,c("expc", "comuna" ,vv[4], "r6","sexo","e1","r2_p_cod")]
casen_2015 <- casen_2015[,c("expc_todas", "comuna" ,vv[5], "r3","sexo","e1","r2espp_cod")]
casen_2017 <- casen_2017[,c("expc", "comuna" ,vv[6], "r3","sexo","e1","r2_p_cod")]
# casen_2020 <- casen_2020[,c("expc", "comuna" ,vv[7], "r3","sexo","e1","r2_pais_esp")]Homologación de alfabetismo
variable_alfa <- function(dataset){
variable <- switch(i,"E1","E1","e1","e1","e1","e1","e1")
dataset[,variable][dataset[,variable] == "No sabe /Sin dato" ] <- NA
dataset[,variable][dataset[,variable] == "Sí, lee y escribe" ] <- "Sí"
dataset[,variable][dataset[,variable] == "No, sólo lee" ] <- "No"
dataset[,variable][dataset[,variable] == "No, ninguno" ] <-"No"
dataset[,variable][dataset[,variable] == "No, sólo escribe" ] <- "No"
#dataset_1 <<- dataset
switch(i,
case = casen_2006 <<- dataset,
case = casen_2009 <<- dataset,
case = casen_2011 <<- dataset,
case = casen_2013 <<- dataset,
case = casen_2015 <<- dataset,
case = casen_2017 <<- dataset,
case = casen_2020 <<- dataset
)
}
for (i in 1:6) {
switch(i,
case = casen <- casen_2006,
case = casen <- casen_2009,
case = casen <- casen_2011,
case = casen <- casen_2013,
case = casen <- casen_2015,
case = casen <- casen_2017,
case = casen <- casen_2020
)
variable_alfa(casen)
}Homologación de etnia
variable_etnia <- function(dataset){
variable <- switch(i,"T4","T5","r6","r6","r3","r3","r3")
dataset[,variable][dataset[,variable] == "Aimara" ] <- "Aymara"
dataset[,variable][dataset[,variable] == "No pertenece a ninguno de estos pueblos indígenas" ] <- "No pertenece a ningún pueblo indígena"
dataset[,variable][dataset[,variable] == "Mapuche"] <- "Mapuche"
dataset[,variable][dataset[,variable] == "Diaguita"] <- "Diaguita"
dataset[,variable][dataset[,variable] == "Atacameño (Likan-Antai)" ] <- "Atacameño"
dataset[,variable][dataset[,variable] == "Atacameño (Likán Antai)" ] <- "Atacameño"
dataset[,variable][dataset[,variable] == "Atacameño (Likán-Antai)" ] <- "Atacameño"
dataset[,variable][dataset[,variable] == "Yámana o Yagán" ] <- "Yagán"
dataset[,variable][dataset[,variable] == "Yagan" ] <- "Yagán"
dataset[,variable][dataset[,variable] == "Yagán (Yámana)" ] <- "Yagán"
dataset[,variable][dataset[,variable] == "Rapa-Nui o Pascuenses"] <- "Pascuense"
dataset[,variable][dataset[,variable] == "Rapa-Nui"] <- "Pascuense"
dataset[,variable][dataset[,variable] == "Rapa Nui (Pascuense)"] <- "Pascuense"
dataset[,variable][dataset[,variable] == "Rapa Nui"] <- "Pascuense"
dataset[,variable][dataset[,variable] == "Collas"] <- "Coya"
dataset[,variable][dataset[,variable] == "Kawashkar o Alacalufes" ] <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Kawashkar" ] <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Kawésqar (Alacalufes)" ] <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Kawésqar" ] <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Kawaskar" ] <- "Alacalufe"
dataset[,variable][dataset[,variable] == "Sin dato"] <- NA
dataset[,variable][dataset[,variable] == "NS/NR" ] <- NA
dataset[,variable][dataset[,variable] == "No sabe/no responde" ] <- NA
# df <<- dataset
switch(i,
case = casen_2006 <<- dataset,
case = casen_2009 <<- dataset,
case = casen_2011 <<- dataset,
case = casen_2013 <<- dataset,
case = casen_2015 <<- dataset,
case = casen_2017 <<- dataset,
case = casen_2020 <<- dataset
)
}
for (i in 1:6) {
switch(i,
case = casen <- casen_2006,
case = casen <- casen_2009,
case = casen <- casen_2011,
case = casen <- casen_2013,
case = casen <- casen_2015,
case = casen <- casen_2017,
case = casen <- casen_2020
)
variable_etnia(casen)
}Homologación de migración
for (i in unique(casen_2020$r2_pais_esp)) {
pais <- gsub("(^[[:space:]]+|[[:space:]]+$)", "", i)
pais <- tolower(pais)
casen_2020$r2_pais_esp[casen_2020$r2_pais_esp == i] <- str_to_title(pais)
}
casen_2011$r2p_cod[casen_2011$r2p_cod == "No contesta"] <- "NS/NR"
casen_2013$r2_p_cod[casen_2013$r2_p_cod == "No contesta"] <- "NS/NR"
casen_2015$r2espp_cod[casen_2015$r2espp_cod == "No contesta"] <- "NS/NR"
casen_2017$r2_p_cod[casen_2017$r2_p_cod == "No Bien Especificado"] <- "NS/NR"
casen_2017$r2_p_cod[casen_2017$r2_p_cod == "No Responde"] <- "NS/NR"
casen_2020$r2_pais_esp[casen_2020$r2_pais_esp == "No Bien Especificado"] <- "NS/NR"
casen_2020$r2_pais_esp[casen_2020$r2_pais_esp == ""] <- NA
casen_2020$r2_pais_esp[casen_2020$r2_pais_esp == "No Responde"] <- "NS/NR"Homologación de variable
variable_en_estudio <- function(dataset){
variable <- switch(i,"O20","O25","o17","o17","o17","o17","ft")
dataset[,variable][dataset[,variable] == 'NA'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] == 'Sin dato'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] == 'NS/NR'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] == 'No sabe/no responde'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] == 'No se acuerda o no sabe si firmó contrato'] <- 'No se acuerda o no sabe si firmó contrato'
dataset[,variable][dataset[,variable] == 'No se acuerda o No sabe si firmó contrato'] <- 'No se acuerda o no sabe si firmó contrato'
dataset[,variable][dataset[,variable] == 'No tiene'] <- 'No tiene'
dataset[,variable][dataset[,variable] == 'Sí, firmó'] <- 'Sí, firmó'
dataset[,variable][dataset[,variable] == 'Si, pero no ha firmado'] <- 'Sí, pero no ha firmado'
dataset[,variable][dataset[,variable] == 'Sí, pero no ha firmado'] <- 'Sí, pero no ha firmado'
switch(i,
case = casen_2006 <<- dataset,
case = casen_2009 <<- dataset,
case = casen_2011 <<- dataset,
case = casen_2013 <<- dataset,
case = casen_2015 <<- dataset,
case = casen_2017 <<- dataset,
case = casen_2020 <<- dataset
)
}
for (i in 1:6) {
switch(i,
case = casen <- casen_2006,
case = casen <- casen_2009,
case = casen <- casen_2011,
case = casen <- casen_2013,
case = casen <- casen_2015,
case = casen <- casen_2017,
case = casen <- casen_2020
)
variable_en_estudio(casen)
}carrera <- read_xlsx("C:/Users/chris/Desktop/GitHub/ds_ttcc_ok/Diccionario/tabla_015_Diccionario_Trabajo_contrato.xlsx")## New names:
## * `` -> ...2
## * `` -> ...3
## * `` -> ...4
## * `` -> ...5
## * `` -> ...6
## * ...# carrera <- carrera[-c(1:1),c(1,3)]
carrera <- carrera[-c(1:1),c(3,4)]
# names(carrera)[2] <- "Homologacion_002"
#
dataf1 <- data.frame()
for (n in 1:nrow(carrera)) {
# dataf1 <- rbind(dataf1,paste0("dataset[,variable][dataset[,variable] == '",carrera[n,1],"']"," <- '",carrera[n,2],"'"))
dataf1 <- rbind(dataf1,paste0("dataset[,'cod_variable'][dataset[,'cod_variable'] == '",carrera[n,1],"']"," <- '",carrera[n,2],"'")) # <- codigo numerico
}
dataf1 <- as.data.frame(dataf1)
write_xlsx(dataf1,"el_total_final.xlsx")1.0.1 2006
ab <- casen_2006
b <- ab$COMUNA
c <- ab$O20
d <- ab$T4
e <- ab$SEXO
f <- ab$E1
cross_tab = xtabs(ab$EXPC ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$EXPC ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2006"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2006 <- d1.0.2 2009
Generamos las tablas de contingencia tal como acostumbramos:
ab <- casen_2009
b <- ab$COMUNA
c <- ab$O25
d <- ab$T5
e <- ab$SEXO
f <- ab$E1
cross_tab = xtabs(ab$EXPC~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$EXPC ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2009"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2009 <- d
d_2009$string_z <- d_2009$z1.0.3 2011
Generamos las tablas de contingencia tal como acostumbramos:
ab <- casen_2011
b <- ab$comuna
c <- ab$o17
d <- ab$r6
e <- ab$sexo
f <- ab$e1
cross_tab = xtabs(ab$expc_full ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$expc_full ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2011"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2011 <- d1.0.4 2013
Generamos las tablas de contingencia tal como acostumbramos:
ab <- casen_2013
b <- ab$comuna
c <- ab$o17
d <- ab$r6
e <- ab$sexo
f <- ab$e1
cross_tab = xtabs(ab$expc ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$expc ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2013"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2013 <- d1.0.5 2015
Generamos las tablas de contingencia tal como acostumbramos:
ab <- casen_2015
b <- ab$comuna
c <- ab$o17
d <- ab$r3
e <- ab$sexo
f <- ab$e1
cross_tab = xtabs(ab$expc_todas ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$expc_todas ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2015"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2015 <- d1.0.6 2017
Generamos las tablas de contingencia tal como acostumbramos:
ab <- casen_2017
b <- ab$comuna
c <- ab$o17
d <- ab$r3
e <- ab$sexo
f <- ab$e1
cross_tab = xtabs(ab$expc ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$expc ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Etnia"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2017 <- dUnimos y desplegamos la tabla corregida:
2 Tabla final etnia homologada
union_etnia <- rbind(d_2006,d_2009, d_2011, d_2013, d_2015, d_2017)
union_etnia <- mutate_if(union_etnia, is.factor, as.character)#fn_etnia(union)
cod_com <- readRDS("C:/Users/chris/Desktop/archivos grandes/codigos_comunales_2006-2020.rds")
names(cod_com)[2] <- "comuna"
tab_f <- merge(x=union_etnia, y=cod_com, by="comuna")
tab_f$cod_etnia[tab_f$Etnia == "Alacalufe" ] <- "01"
tab_f$cod_etnia[tab_f$Etnia == "Atacameño" ] <- "02"
tab_f$cod_etnia[tab_f$Etnia == "Aymara" ] <- "03"
tab_f$cod_etnia[tab_f$Etnia == "Chango" ] <- "04"
tab_f$cod_etnia[tab_f$Etnia == "Coya" ] <- "05"
tab_f$cod_etnia[tab_f$Etnia == "Diaguita" ] <- "06"
tab_f$cod_etnia[tab_f$Etnia == "Mapuche" ] <- "07"
tab_f$cod_etnia[tab_f$Etnia == "Pascuense" ] <- "08"
tab_f$cod_etnia[tab_f$Etnia == "Quechua" ] <- "09"
tab_f$cod_etnia[tab_f$Etnia == "Yagán" ] <- "10"
tab_f$cod_etnia[tab_f$Etnia == "No pertenece a ningún pueblo indígena" ] <- "11"
tab_f$cod_etnia[tab_f$Etnia == NA ] <- "12"
tab_f$cod_sexo <- tab_f$Sexo
tab_f$cod_sexo[tab_f$cod_sexo == "Hombre"] <- "01"
tab_f$cod_sexo[tab_f$cod_sexo == "Mujer"] <- "02"
tab_f$cod_alfa <- tab_f$`Sabe leer?`
tab_f$cod_alfa[tab_f$cod_alfa == "Sí"] <- "01"
tab_f$cod_alfa[tab_f$cod_alfa == "No"] <- "02"
tab_f$cod_variable <- tab_f$variables
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No sabe o no responde'] <- '1'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No sabe o no responde'] <- '1'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No sabe o no responde'] <- '1'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No sabe o no responde'] <- '1'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No se acuerda o no sabe si firmó contrato'] <- '2'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No se acuerda o no sabe si firmó contrato'] <- '2'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No tiene'] <- '3'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'Sí, firmó'] <- '4'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'Sí, pero no ha firmado'] <- '5'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'Sí, pero no ha firmado'] <- '5'
datatable(tab_f, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
options = list(dom = 'Bfrtip',
buttons = list('colvis', list(extend = 'collection',
buttons = list(
list(extend='copy'),
list(extend='excel',
filename = 'tabla'),
list(extend='pdf',
filename= 'tabla')),
text = 'Download')), scrollX = TRUE))3 MIGRA
3.0.1 2011
Generamos las tablas de contingencia tal como acostumbramos:
ab <- casen_2011
b <- ab$comuna
c <- ab$o17
d <- ab$r2p_cod
e <- ab$sexo
f <- ab$e1
cross_tab = xtabs(ab$expc_full ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$expc_full ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2011"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Origen"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2011 <- d3.0.2 2013
ab <- casen_2013
b <- ab$comuna
c <- ab$o17
d <- ab$r2_p_cod
e <- ab$sexo
f <- ab$e1
cross_tab = xtabs(ab$expc ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$expc ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2013"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Origen"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2013 <- d3.0.3 2015
ab <- casen_2015
b <- ab$comuna
c <- ab$o17
d <- ab$r2espp_cod
e <- ab$sexo
f <- ab$e1
cross_tab = xtabs(ab$expc_todas ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$expc_todas ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2015"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Origen"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2015 <- d 3.0.4 2017
ab <- casen_2017
b <- ab$comuna
c <- ab$o17
d <- ab$r2_p_cod
e <- ab$sexo
f <- ab$e1
cross_tab = xtabs(ab$expc~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f),aggregate(ab$expc ~ unlist(b) + unlist(c) + unlist(d) + unlist(e) + unlist(f) ,ab,mean))
tabla <- as.data.frame(cross_tab)
d <-tabla[!(tabla$Freq == 0),]
d$anio <- "2017"
names(d)[1] <- "comuna"
names(d)[2] <- "variables"
names(d)[3] <- "Origen"
names(d)[4] <- "Sexo"
names(d)[5] <- "Sabe leer?"
names(d)[6] <- "Frecuencia"
names(d)[7] <- "Año"
d_2017 <- dUnimos y desplegamos la tabla corregida:
4 Tabla final inmigración homologada
union_etnia <- rbind(d_2011, d_2013, d_2015, d_2017)
union <- mutate_if(union_etnia, is.factor, as.character)union$cod_sexo <- union$Sexo
union$cod_sexo[union$cod_sexo == "Hombre"] <- "01"
union$cod_sexo[union$cod_sexo == "Mujer"] <- "02"
union$cod_alfa <- union$`Sabe leer?`
union$cod_alfa[union$cod_alfa == "Sí"] <- "01"
union$cod_alfa[union$cod_alfa == "No"] <- "02"
union$cod_variable <- union$variables
tab_f <- union
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No sabe o no responde'] <- '1'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No sabe o no responde'] <- '1'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No sabe o no responde'] <- '1'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No sabe o no responde'] <- '1'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No se acuerda o no sabe si firmó contrato'] <- '2'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No se acuerda o no sabe si firmó contrato'] <- '2'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'No tiene'] <- '3'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'Sí, firmó'] <- '4'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'Sí, pero no ha firmado'] <- '5'
tab_f[,'cod_variable'][tab_f[,'cod_variable'] == 'Sí, pero no ha firmado'] <- '5'
datatable(tab_f, extensions = 'Buttons', escape = FALSE, rownames = FALSE,
options = list(dom = 'Bfrtip',
buttons = list('colvis', list(extend = 'collection',
buttons = list(
list(extend='copy'),
list(extend='excel',
filename = 'tabla'),
list(extend='pdf',
filename= 'tabla')),
text = 'Download')), scrollX = TRUE))