title: “Actividad 1” author: “Julian Diaz” date: “5/3/2022” output: html_document editor_options: chunk_output_type: console

Ejercicio 1 Paso 1. Filtrar un barrio de interes y solo apartamentos

library(readxl)
datos = read_excel("~/Datos.xlsx")
head (datos)
Zona piso Estrato precio_millon Area_contruida parqueaderos Banos Habitaciones Tipo Barrio cordenada_longitud Cordenada_latitud
Zona Sur 2 6 880 237 2 5 4 Casa pance -76.46300 3.43000
Zona Oeste 2 4 1200 800 3 6 7 Casa miraflores -76.46400 3.42800
Zona Sur 3 5 250 86 NA 2 3 Apartamento multicentro -76.46400 3.42900
Zona Sur NA 6 1280 346 4 6 5 Apartamento ciudad jardv<U+2260>n -76.46400 3.43300
Zona Sur 2 6 1300 600 4 7 5 Casa pance -76.46438 3.43463
Zona Sur 3 6 513 160 2 4 4 Casa pance -76.46438 3.43463 
ID=1:dim(datos)[1]
datos=data.frame(ID,datos)

pos=which(datos$Barrio=="pance")
datos_sub=datos[pos,]

require(RecordLinkage)
pos2=which(jarowinkler("caney",datos$Barrio)>0.8 & datos$Tipo=="Apartamento")
datos_sub=datos[pos2,]
head(datos_sub)
ID Zona piso Estrato precio_millon Area_contruida parqueaderos Banos Habitaciones Tipo Barrio cordenada_longitud Cordenada_latitud
1323 1323 Zona Sur 6 4 200 78 1 2 3 Apartamento caney -76.51500 3.38900
1401 1401 Zona Sur NA 4 150 57 NA 2 3 Apartamento caney -76.51593 3.38397
1469 1469 Zona Sur 7 4 160 60 NA 2 3 Apartamento caney -76.51600 3.38500
1470 1470 Zona Sur 3 5 300 105 1 2 3 Apartamento caney -76.51600 3.38300
1471 1471 Zona Sur 3 4 170 60 NA 2 3 Apartamento caney -76.51600 3.38200
1472 1472 Zona Sur 8 3 288 85 1 2 4 Apartamento caney -76.51600 3.38200

Paso 2. Exploración incial

#Caracteristicas de los apartamentos ofertados en el Barrio caney
total_aptos=nrow(datos_sub)

#Tabla precio
promedio_precio=mean(datos_sub$precio_millon,na.rm = TRUE)
mediana_precio=median(datos_sub$precio_millon,na.rm = TRUE)
maximo_precio=max(datos_sub$precio_millon)
minimo_precio=min(datos_sub$precio_millon)

#Tabla área construida
promedio_area=mean(datos_sub$Area_contruida,na.rm = TRUE)
mediana_area=median(datos_sub$Area_contruida,na.rm = TRUE)
maximo_area=max(datos_sub$Area_contruida)
minimo_area=min(datos_sub$Area_contruida)

#Tabla baños,habitaciones y parqueaderos
promedio_hab=mean(datos_sub$Habitaciones,na.rm = TRUE)
promedio_bano=mean(datos_sub$Banos,na.rm = TRUE)
mediana_parq=median(datos_sub$parqueaderos,na.rm = TRUE)

#Generación tablas resumen
resultado_precio=data.frame(promedio_precio,mediana_precio,maximo_precio,minimo_precio)
resultado_area=data.frame(promedio_area,mediana_area,maximo_area,minimo_area)
resultado_bhp=data.frame(promedio_hab,mediana_parq,promedio_bano)

total_aptos
## [1] 59
resultado_precio
promedio_precio mediana_precio maximo_precio minimo_precio
203.1356 170 330 125 
resultado_area
promedio_area mediana_area maximo_area minimo_area
71.74576 65 134 49 
resultado_bhp
promedio_hab mediana_parq promedio_bano
2.61017 1 2.084746

Paso 3. Visualización Mapa interactivo

require(leaflet)
leaflet()%>%addCircleMarkers(lng=datos_sub$cordenada_longitud,lat=datos_sub$Cordenada_latitud,radius=0.25,color="black",label=datos_sub$ID)%>%addTiles()

Paso 4. Exploración Bivariada entre Precio vs Area Construida

require(ggplot2)
## Loading required package: ggplot2
require(plotly)
## Loading required package: plotly
## 
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
## 
##     last_plot
## The following object is masked from 'package:stats':
## 
##     filter
## The following object is masked from 'package:graphics':
## 
##     layout
g1=ggplot(data=datos_sub,aes(y=precio_millon,x=Area_contruida))+geom_point()+geom_smooth()
ggplotly(g1)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
pos3=which(datos_sub$Area_contruida<130)
datos_sub2=datos_sub[pos3,]
g2=ggplot(data=datos_sub2,aes(y=precio_millon,x=Area_contruida))+geom_point()+geom_smooth()
ggplotly(g2)
## `geom_smooth()` using method = 'loess' and formula 'y ~ x'