A8U1

Caso de estudio 3

En este documento se realizara una serie del tiempo para analizar y comparar el estado de animo de las personas en méxico con base a sus tweets, y ver como este a cambiado respecto a la pandemia más reciente.

Imagen representativa

Importar datos

library(pacman, tidyverse)

p_load("prettydoc", "DT", "xfun","readr","datasets","fdth")

tweets <- read_csv("data.csv")

## Rows: 2255 Columns: 7

## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr  (2): tipo_usuario, lugar
## dbl  (4): tuits_negativos, indice, recoleccion_promedio, tuits_positivos
## date (1): fecha

## 
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.

datatable(tweets)

tuitsAntesNegativos= ts(tweets[2], start = c(2016), end = c(2020), frequency = 12)
tuitsAntesNegativos

##        Jan   Feb   Mar   Apr   May   Jun   Jul   Aug   Sep   Oct   Nov   Dec
## 2016 34401 34689 39431 46229 44575 43144 42547 46027 38919 40552 48545 43537
## 2017 47347 47837 39033 38003 40682 43126 41019 41634 39618 38079 34354 40478
## 2018 42117 41156 41919 40741 37697 35741 36328 41179 39212 40859 34781 27802
## 2019 35124 42267 38856 39781 39921 39653 38781 37918 39535 41594 40646 40679
## 2020 40914

tuitsAntesPositivos= ts(tweets[7], start = c(2016), end = c(2020), frequency = 12)
tuitsAntesPositivos

##         Jan    Feb    Mar    Apr    May    Jun    Jul    Aug    Sep    Oct
## 2016 102401  87432  94997 109772 100176  99458  96080 101565 100065  96689
## 2017  96110 100735  96099  95216  99796  92845  91236  92049  91049  92008
## 2018  92564  91793  94864  95124  97175  93764  95785  98240  92347  95664
## 2019  92330 106284  95356  96370 102481 101153 106535 103034 107637  97946
## 2020  94602                                                               
##         Nov    Dec
## 2016  97004  91623
## 2017  87731  96211
## 2018  83783  75733
## 2019  92341  94491
## 2020

tuitsDespuesNegativos= ts(tweets[2], start = c(2020), end = c(2022), frequency = 12)
tuitsDespuesNegativos

##        Jan   Feb   Mar   Apr   May   Jun   Jul   Aug   Sep   Oct   Nov   Dec
## 2020 34401 34689 39431 46229 44575 43144 42547 46027 38919 40552 48545 43537
## 2021 47347 47837 39033 38003 40682 43126 41019 41634 39618 38079 34354 40478
## 2022 42117

tuitsDespuesPositivos= ts(tweets[7], start = c(2020), end = c(2022), frequency = 12)
tuitsDespuesPositivos

##         Jan    Feb    Mar    Apr    May    Jun    Jul    Aug    Sep    Oct
## 2020 102401  87432  94997 109772 100176  99458  96080 101565 100065  96689
## 2021  96110 100735  96099  95216  99796  92845  91236  92049  91049  92008
## 2022  92564                                                               
##         Nov    Dec
## 2020  97004  91623
## 2021  87731  96211
## 2022

Tweets Negativos antes de la pandemia

plot(tuitsAntesNegativos, main ="Tweets negativos antes de la pandemia", xlab="fecha", ylab="Tweets negativos")

En la gráfica anterior se puede observar que varía mucho el número de tweets negativos.

Tweets Negativos después de la pandemia

plot(tuitsDespuesNegativos, main ="Tweets negativos después de la pandemia", xlab="fecha", ylab="Tweets negativos")

Después de la pandemia se puede observar que aunque hay momentos de caídas drásticas, al inicio si hubieron picos muy altos con respecto a tweets negativos.

Tweets Positivos antes de la pandemia

plot(tuitsAntesPositivos, main ="Tweets positivos antes de la pandemia", xlab="Año", ylab="Tweets positivos")

Se puede observar que el número de tweets positivos antes de la pandemia era un poco variante pero pero mayormente se mantenía en la misma cantidad, a excepción de la abrupta caída de 2019.

Tweets Positivos después de la pandemia

plot(tuitsDespuesPositivos, main ="Tweets positivos después de la pandemia", xlab="Año", ylab="Tweets positivos")

Después de la pandemia el número de tweet positivos fueron decayendo conforme avanzaba la situación, y aunque es verdad que es similar a la cantidad de tweets positivos antes de la pandemia se alcanza a notar que los ánimos fueron decayendo poco a poco.

Descarga este código y datos

xfun::embed_file("A8U1.Rmd")

Download A8U1.Rmd

xfun::embed_file("data.csv")

Download data.csv