date: 20-01-2022

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.

casen_2006 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2006_c.rds")
casen_2006 <- mutate_if(casen_2006, is.factor, as.character)
casen_2009 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2009_c.rds")
casen_2009 <- mutate_if(casen_2009, is.factor, as.character)
casen_2011 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2011_c.rds")
casen_2011 <- mutate_if(casen_2011, is.factor, as.character)
casen_2013 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2013_c.rds")
casen_2013 <- mutate_if(casen_2013, is.factor, as.character)
casen_2015 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2015_c.rds")
casen_2015 <- mutate_if(casen_2015, is.factor, as.character)
casen_2017 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2017_c.rds")
casen_2017 <- mutate_if(casen_2017, is.factor, as.character)
 
casen_2020 <<- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/casen/casen_2020_c.rds")
casen_2020 <- mutate_if(casen_2020, is.factor, as.character)

cod_com <- readRDS("C:/Users/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/codigos_comunales_2006-2020.rds") 
names(cod_com)[2] <- "comuna"

vv <- c("","","h11e_esp","r1a_cod","r1aesp_cod","r1a_cod")

# 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 3:6) {
  
  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 3:6) {
  
  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,"ft","ft","h11e_esp","r1a_cod","r1aesp_cod","r1a_cod")
  

dataset[,variable][dataset[,variable] ==  'Albania'] <- 'Albania'
dataset[,variable][dataset[,variable] ==  'Alemania'] <- 'Alemania'
dataset[,variable][dataset[,variable] ==  'Angola'] <- 'Angola'
dataset[,variable][dataset[,variable] ==  'Argelia'] <- 'Argelia'
dataset[,variable][dataset[,variable] ==  'Argentina'] <- 'Argentina'
dataset[,variable][dataset[,variable] ==  'Australia'] <- 'Australia'
dataset[,variable][dataset[,variable] ==  'Austria'] <- 'Austria'
dataset[,variable][dataset[,variable] ==  'Bélgica'] <- 'Bélgica'
dataset[,variable][dataset[,variable] ==  'Bolivia'] <- 'Bolivia'
dataset[,variable][dataset[,variable] ==  'Brasil'] <- 'Brasil'
dataset[,variable][dataset[,variable] ==  'Canadá'] <- 'Canadá'
dataset[,variable][dataset[,variable] ==  'China'] <- 'China'
dataset[,variable][dataset[,variable] ==  'Colombia'] <- 'Colombia'
dataset[,variable][dataset[,variable] ==  'Corea del Sur'] <- 'Corea del Sur'
dataset[,variable][dataset[,variable] ==  'Corea Del Sur'] <- 'Corea del Sur'
dataset[,variable][dataset[,variable] ==  'Costa Rica'] <- 'Costa Rica'
dataset[,variable][dataset[,variable] ==  'Croacia'] <- 'Croacia'
dataset[,variable][dataset[,variable] ==  'Cuba'] <- 'Cuba'
dataset[,variable][dataset[,variable] ==  'Dinamarca'] <- 'Dinamarca'
dataset[,variable][dataset[,variable] ==  'Ecuador'] <- 'Ecuador'
dataset[,variable][dataset[,variable] ==  'Egipto'] <- 'Egipto'
dataset[,variable][dataset[,variable] ==  'El Salvador'] <- 'El Salvador'
dataset[,variable][dataset[,variable] ==  'Eslovaquia'] <- 'Eslovaquia'
dataset[,variable][dataset[,variable] ==  'Eslovenia'] <- 'Eslovenia'
dataset[,variable][dataset[,variable] ==  'España'] <- 'España'
dataset[,variable][dataset[,variable] ==  'Estados Unidos'] <- 'Estados Unidos'
dataset[,variable][dataset[,variable] ==  'Etiopía'] <- 'Etiopía'
dataset[,variable][dataset[,variable] ==  'Filipinas'] <- 'Filipinas'
dataset[,variable][dataset[,variable] ==  'Finlandia'] <- 'Finlandia'
dataset[,variable][dataset[,variable] ==  'Francia'] <- 'Francia'
dataset[,variable][dataset[,variable] ==  'Ghana'] <- 'Ghana'
dataset[,variable][dataset[,variable] ==  'Grecia'] <- 'Grecia'
dataset[,variable][dataset[,variable] ==  'Guatemala'] <- 'Guatemala'
dataset[,variable][dataset[,variable] ==  'Haití'] <- 'Haití'
dataset[,variable][dataset[,variable] ==  'Holanda'] <- 'Holanda'
dataset[,variable][dataset[,variable] ==  'Honduras'] <- 'Honduras'
dataset[,variable][dataset[,variable] ==  'Hungría'] <- 'Hungría'
dataset[,variable][dataset[,variable] ==  'India'] <- 'India'
dataset[,variable][dataset[,variable] ==  'Indonesia'] <- 'Indonesia'
dataset[,variable][dataset[,variable] ==  'Irlanda'] <- 'Irlanda'
dataset[,variable][dataset[,variable] ==  'Israel'] <- 'Israel'
dataset[,variable][dataset[,variable] ==  'Italia'] <- 'Italia'
dataset[,variable][dataset[,variable] ==  'Japón'] <- 'Japón'
dataset[,variable][dataset[,variable] ==  'Jordania'] <- 'Jordania'
dataset[,variable][dataset[,variable] ==  'Kenia'] <- 'Kenia'
dataset[,variable][dataset[,variable] ==  'Kirguistán'] <- 'Kirguistán'
dataset[,variable][dataset[,variable] ==  'Líbano'] <- 'Líbano'
dataset[,variable][dataset[,variable] ==  'Libia'] <- 'Libia'
dataset[,variable][dataset[,variable] ==  'Lituania'] <- 'Lituania'
dataset[,variable][dataset[,variable] ==  'Marruecos'] <- 'Marruecos'
dataset[,variable][dataset[,variable] ==  'México'] <- 'México'
dataset[,variable][dataset[,variable] ==  'Nicaragua'] <- 'Nicaragua'
dataset[,variable][dataset[,variable] ==  'Nigeria'] <- 'Nigeria'
dataset[,variable][dataset[,variable] ==  'No bien especificado'] <- 'No bien especificado'
dataset[,variable][dataset[,variable] ==  'No Bien Especificado'] <- 'No bien especificado'
dataset[,variable][dataset[,variable] ==  'No Responde'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] ==  'NA'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] ==  'No contesta'] <- 'No sabe o no responde'
dataset[,variable][dataset[,variable] ==  'Noruega'] <- 'Noruega'
dataset[,variable][dataset[,variable] ==  'Nueva Zelanda'] <- 'Nueva Zelanda'
dataset[,variable][dataset[,variable] ==  'Otro país de Africa'] <- 'Otro país de Africa'
dataset[,variable][dataset[,variable] ==  'Otro país de Asia'] <- 'Otro país de Asia'
dataset[,variable][dataset[,variable] ==  'Otro país de Europa'] <- 'Otro país de Europa'
dataset[,variable][dataset[,variable] ==  'Pakistán'] <- 'Pakistán'
dataset[,variable][dataset[,variable] ==  'Palestina'] <- 'Palestina'
dataset[,variable][dataset[,variable] ==  'Panamá'] <- 'Panamá'
dataset[,variable][dataset[,variable] ==  'Paraguay'] <- 'Paraguay'
dataset[,variable][dataset[,variable] ==  'Perú'] <- 'Perú'
dataset[,variable][dataset[,variable] ==  'Polonia'] <- 'Polonia'
dataset[,variable][dataset[,variable] ==  'Portugal'] <- 'Portugal'
dataset[,variable][dataset[,variable] ==  'Puerto Rico'] <- 'Puerto Rico'
dataset[,variable][dataset[,variable] ==  'Qatar'] <- 'Qatar'
dataset[,variable][dataset[,variable] ==  'Reino Unido'] <- 'Reino Unido'
dataset[,variable][dataset[,variable] ==  'República Checa'] <- 'República Checa'
dataset[,variable][dataset[,variable] ==  'República Democrática Del Congo'] <- 'República Democrática Del Congo'
dataset[,variable][dataset[,variable] ==  'República Dominicana'] <- 'República Dominicana'
dataset[,variable][dataset[,variable] ==  'Rumanía'] <- 'Rumanía'
dataset[,variable][dataset[,variable] ==  'Rusia'] <- 'Rusia'
dataset[,variable][dataset[,variable] ==  'Serbia'] <- 'Serbia'
dataset[,variable][dataset[,variable] ==  'Siria'] <- 'Siria'
dataset[,variable][dataset[,variable] ==  'Sri Lanka'] <- 'Sri Lanka'
dataset[,variable][dataset[,variable] ==  'Sudáfrica'] <- 'Sudáfrica'
dataset[,variable][dataset[,variable] ==  'Suecia'] <- 'Suecia'
dataset[,variable][dataset[,variable] ==  'Suiza'] <- 'Suiza'
dataset[,variable][dataset[,variable] ==  'Tailandia'] <- 'Tailandia'
dataset[,variable][dataset[,variable] ==  'Turquía'] <- 'Turquía'
dataset[,variable][dataset[,variable] ==  'Ucrania'] <- 'Ucrania'
dataset[,variable][dataset[,variable] ==  'Uruguay'] <- 'Uruguay'
dataset[,variable][dataset[,variable] ==  'Venezuela'] <- 'Venezuela'








  
    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 3:6) {
  
  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/enamo/Desktop/Shiny-R/ds_ttcc_ok/diccionarios/tabla_026_Diccionario_Identidad_país.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"
carrera

## # A tibble: 89 x 2
##    ...3      ...4 
##    <chr>     <chr>
##  1 Albania   1    
##  2 Alemania  2    
##  3 Angola    3    
##  4 Argelia   4    
##  5 Argentina 5    
##  6 Australia 6    
##  7 Austria   7    
##  8 Bélgica   8    
##  9 Bolivia   9    
## 10 Brasil    10   
## # ... with 79 more rows

#
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 2011

ab <- casen_2011
b <- ab$comuna
c <- ab$h11e_esp
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 <- d

1.0.2 2013

ab <- casen_2013

b <- ab$comuna
c <- ab$r1a_cod
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 <- d

1.0.3 2015

ab <- casen_2015

b <- ab$comuna
c <- ab$r1aesp_cod
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 <- d

1.0.4 2017

ab <- casen_2017

b <- ab$comuna
c <- ab$r1a_cod
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 <- d

Unimos y desplegamos la tabla corregida:

2 Tabla final etnia homologada

union_etnia <- rbind( 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/enamo/Desktop/Shiny-R/Casen_en_pandemia_2020/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
dataset <- tab_f
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Albania'] <- '1'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Alemania'] <- '2'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Angola'] <- '3'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Argelia'] <- '4'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Argentina'] <- '5'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Australia'] <- '6'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Austria'] <- '7'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Bélgica'] <- '8'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Bolivia'] <- '9'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Brasil'] <- '10'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Canadá'] <- '11'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'China'] <- '12'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Colombia'] <- '13'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Corea del Sur'] <- '14'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Corea del Sur'] <- '14'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Costa Rica'] <- '15'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Croacia'] <- '16'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Cuba'] <- '17'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Dinamarca'] <- '18'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Ecuador'] <- '19'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Egipto'] <- '20'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'El Salvador'] <- '21'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Eslovaquia'] <- '22'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Eslovenia'] <- '23'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'España'] <- '24'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Estados Unidos'] <- '25'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Etiopía'] <- '26'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Filipinas'] <- '27'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Finlandia'] <- '28'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Francia'] <- '29'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Ghana'] <- '30'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Grecia'] <- '31'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Guatemala'] <- '32'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Haití'] <- '33'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Holanda'] <- '34'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Honduras'] <- '35'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Hungría'] <- '36'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'India'] <- '37'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Indonesia'] <- '38'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Irlanda'] <- '39'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Israel'] <- '40'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Italia'] <- '41'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Japón'] <- '42'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Jordania'] <- '43'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Kenia'] <- '44'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Kirguistán'] <- '45'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Líbano'] <- '46'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Libia'] <- '47'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Lituania'] <- '48'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Marruecos'] <- '49'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'México'] <- '50'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Nicaragua'] <- '51'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Nigeria'] <- '52'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'No bien especificado'] <- '53'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'No bien especificado'] <- '53'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'No sabe o no responde'] <- '54'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'No sabe o no responde'] <- '54'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'No sabe o no responde'] <- '54'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Noruega'] <- '55'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Nueva Zelanda'] <- '56'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Otro país de Africa'] <- '57'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Otro país de Asia'] <- '58'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Otro país de Europa'] <- '59'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Pakistán'] <- '60'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Palestina'] <- '61'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Panamá'] <- '62'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Paraguay'] <- '63'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Perú'] <- '64'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Polonia'] <- '65'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Portugal'] <- '66'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Puerto Rico'] <- '67'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Qatar'] <- '68'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Reino Unido'] <- '69'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'República Checa'] <- '70'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'República Democrática Del Congo'] <- '71'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'República Dominicana'] <- '72'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Rumanía'] <- '73'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Rusia'] <- '74'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Serbia'] <- '75'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Siria'] <- '76'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Sri Lanka'] <- '77'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Sudáfrica'] <- '78'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Suecia'] <- '79'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Suiza'] <- '80'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Tailandia'] <- '81'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Turquía'] <- '82'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Ucrania'] <- '83'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Uruguay'] <- '84'
dataset[,'cod_variable'][dataset[,'cod_variable'] ==  'Venezuela'] <- '85'



datatable(dataset, 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$comuna
c <- ab$h11e_esp
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 <- d

3.0.2 2013

ab <- casen_2013

b <- ab$comuna
c <- ab$r1a_cod
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 <- d

3.0.3 2015

 ab <- casen_2015

b <- ab$comuna 
c <- ab$r1aesp_cod 
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$comuna
c <- ab$r1a_cod
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 <- d