Explicación de algunas funciones en R

Las indicaciones iniciales son las siguientes: Haz un conteo del número de beneficiarias por localidad y una suma de monto de inversión.

La base de datos que vamos a usar fue convertida de un PDF a un archivo de Excel. Por eso, puede haber algunos problemas, como columnas que se juntaron, espacios extras o que las columnas no se detectaron bien.

Mapa del sitio

Lo primero que vamos hacer es cargar la base de datos:

datos = readxl::read_excel("C:/Users/SIGEH/Desktop/Lalo/Gob/Documentacion Codigos/Summarize/Datos/24_MM_PUB_4t.xlsx")

Primero observamos como esta la base de datos:

Mapa del sitio

Vamos a renombrar las dos primeras columnas

colnames(datos)[1:2] = c("No", "cve_ent")

En la columna cve_ent, los datos vienen así: 13 Hidalgo. Vamos a separarlos en dos partes: 13 como una columna y Hidalgo como otra.

Entonces vamos hacerlo de la siguiente forma:

datos = datos |> 
  dplyr::mutate(cve_ent = gsub("Hidalgo", "", cve_ent),
                cve_ent = stringr::str_trim(cve_ent))

La función gsub busca la palabra "Hidalgo" y la remplaza por "", en otras palabras la elimina por completo, sin dejar ningún espacio. Después usamos la función str_trim de la librería stringr para quitar los espacios que estén al principio y al final del texto.

Ahora vamos a crear una nueva columna con el nombre de ent el cual indicaremos en cada fila tenga el valor de Hidalgo.

datos = datos |> 
  dplyr::mutate(ent = "Hidalgo")

Realizaremos algo parecido pero con la columna de C_Mun, dado que los datos vienen de la forma 063 Tepeji del Río de Ocampo.

datos = datos |> 
  dplyr::mutate(C_Mun = substring(C_Mun, first = 1, last = 3)) |>
  dplyr::rename(cve_mun = C_Mun)

municipios = sf::read_sf("C:/Users/SIGEH/Desktop/Lalo/Gob/Importantes_documentos_usar/Municipios/municipiosjair.shp")

municipios = municipios |> dplyr::select(CVE_MUN, NOM_MUN) |> sf::st_drop_geometry()
datos = merge(x = datos, y = municipios, by.x = "cve_mun", by.y = "CVE_MUN", all.x = T)
datos = datos |> dplyr::select(No, cve_ent, ent, cve_mun, NOM_MUN, Localidad:entrega) |> 
  dplyr::arrange(No) |>
  dplyr::rename(nom_mun = NOM_MUN)

Se aplicó la función substring a la columna C_Mun para extraer los primeros \(3\) caracteres. Luego, esa nueva columna se renombró como cve_mun.

Tomamos los nombres de los municipios de otra base de datos que sabemos que todos se encuentran escritos de forma correcta. Esa base viene en formato SHP (incluye geometría), así que:

  1. Abrimos el archivo con la librería sf.

  2. Con dplyr usamos select() para quedarnos solo con las columnas que nos interesan.

  3. Aplicamos st_drop_geometry() para quitar la parte de geometría.

Ademas vamos a usar la función merge para unir dos bases de datos. Donde en este caso vamos agregar una solo nueva columna a datos.

Después de hacer el merge, se realizo lo siguiente:

Vamos a realizar algo parecido con la columna de C_P Programa Presupuestario ya que se juntaron estas 2 columnas cuando se realizo la conversion, asi que toca separarla.

datos = datos |> dplyr::mutate(CP =  `C_P       Programa Presupuestario`,
                               CP = substr(x = CP, start = 1, stop = 5))

datos = datos |> dplyr::rename(Programa_Presupuestario = `C_P       Programa Presupuestario`) |>
  dplyr::mutate(Programa_Presupuestario = substr(x = Programa_Presupuestario, start = 6, stop = nchar(Programa_Presupuestario)),
                Programa_Presupuestario = stringr::str_trim(Programa_Presupuestario))

Primero creamos una copia de la columna C_P Programa Presupuestario y la llamamos CP para despues en CP usamos substr para quedarnos sólo con los primeros 5 caracteres de cada valor. Posteriormente renombramos la columna original C_P Programa Presupuestario como Programa_Presupuestario, en En Programa_Presupuestario tomamos, con substr, los caracteres desde el sexto hasta el final de cada cadena y finalmente usamos str_trim para quitar los espacios en blanco si existen de la cadena.

Ahora vamos a trabajar con la columna Cantidad Monto Año, ya que en ella se combinaron dos columnas por error. Lo que haremos es separarla en dos columnas: una llamada Cantidad y otra llamada Monto.

datos = datos |> dplyr::rename(Monto = `Cantidad    Monto           Año`) |>
  dplyr::mutate(Cantidad = Monto,
                Cantidad = sub(x = Cantidad, pattern = "\\$.*", replacement = ""),
                Cantidad = stringr::str_trim(Cantidad))


datos = datos |> dplyr::mutate(Monto = sub(x = Monto, pattern = ".*\\$", replacement = ""),
                               Monto = gsub(x = Monto, pattern = ",", replacement = ""),
                               Monto = as.numeric(Monto))

Renombramos la columna llamada Cantidad Monto Año como Monto. Luego, copiamos esa misma columna en una nueva columna llamada Cantidad, después usaremos la función sub para quedarnos solo con el texto que está antes del símbolo $. Esta función reemplaza todo lo que está después del $ por una cadena vacía (""), es decir, lo elimina. Por último, aplicamos la función str_trim para quitar los espacios en blanco que pueda haber al principio o al final del texto.

De manera similar, con la columna Monto vamos a extraer solo lo que está después del símbolo $ usando la función sub. Luego, usamos la función gsub para eliminar todas las comas(,) que puedan tener los valores y finalmente usamos as.numeric para convertir ese caracter en un número.

Ahora vamos a renombrar ciertas columnas y ordenadar la base de datos

datos = datos |> dplyr::rename(Año_entrega = `_entrega     mes_`,
                               Mes_entrega = `Entrega     Dia_`,
                               Dia_entrega = entrega)


datos = datos |> dplyr::select(No:Sexo, CP, Programa_Presupuestario, Subprograma, `Vertiente / Apoyo         Descripcion o comentario`, Cantidad, Monto, Año_entrega, Mes_entrega, Dia_entrega)

Usamos la función rename de la librería dplyr para cambiar los nombres de las siguientes columnas:

Después, utilizamos la función select para ordenar las columnas en la base de datos, solo escribimos los nombres de las columnas que queremos conservar, en el orden en que deseamos que aparezcan.

Finalmente limpiados un poco la columna Localidad

datos = datos |> dplyr::mutate(Localidad = stringr::str_trim(Localidad),
                               Localidad = gsub(x = Localidad, pattern = "  ", replacement = " "))

Con la función str_trim se quita los espacios en blanco si existen de inicio y final de los caracteres, ademas con la gsub indicamos que si existen espacios dobles estos sean remplazados unicamente con un espacio.

Ahora si lo solicitado

Lo que es necesario es crear un ID correcto, para hacer una agrupacion de manera adecuada

datos = datos |> dplyr::mutate(ID = paste0(cve_ent, cve_mun, "-", tolower(stringi::stri_trans_general(Localidad, "Latin-ASCII"))))

La forma de construir el ID fue la siguiente:

  • Primero vamos a trabajar con la variable Localidad. Usaremos la función stri_trans_general de la librería stringi para quitar los acentos, y luego aplicaremos tolower para convertir todo el texto a minúsculas. Esto es útil porque muchas veces las bases de datos se escriben a mano, y pueden tener muchos errores de mayúsculas, minúsculas o acentos dado que los llenas distintas personas. También hay que recordar que antes ya limpiamos los espacios del texto de esta columna.
  • Después, creamos una nueva columna llamada ID uniendo (concatenando) las variables cve_ent, cve_mun, un guion (-) y la variable localidad.

Vamos agrupar los datos apartir del ID, ademas de solicitar el monto y conteo de los elementos que fueron agrupados

interes = datos |> 
  dplyr::group_by(ID) |> 
  dplyr::summarise(conteo = dplyr::n(), Monto = sum(Monto))

Lo que hace el codigo es lo siguiente:

  1. Agrupar por ID

    • Usamos group_by(ID) para juntar todas las filas que tienen el mismo valor en la columna ID.

  2. Resumir los datos Con summarise() pedimos dos cosas para cada grupo:

    • conteo: cuántas filas hay en ese grupo, usando n().

    • Monto: la suma de la columna Monto dentro de ese grupo, usando sum(Monto).

Al final, interes será una tabla donde cada fila es un ID distinto, junto con el número de veces que aparece (conteo) y la suma de los montos asociados.

interes 
## # A tibble: 370 × 3
##    ID                             conteo  Monto
##    <chr>                           <int>  <dbl>
##  1 13006-baxthe                        1 15799.
##  2 13006-boxtho                        1 15799.
##  3 13006-cerro azul                    1 15799.
##  4 13006-el espiritu                   4 63197.
##  5 13006-la canada                     1 15799.
##  6 13006-la salitrera                  1 15799.
##  7 13006-la tercera manzana            1 15799.
##  8 13006-primera manzana               1 15799.
##  9 13006-san agustin tlalixticapa      3 47398.
## 10 13006-san antonio tezoquipan        1 15799.
## # ℹ 360 more rows

Notas:

  1. Diferencia entre sub() y gsub(): Tenemos que sub() como gsub() se utilizan para reemplazar texto mediante expresiones regulares, pero:

    • sub(): Reemplaza solo la primera aparición del patrón dentro de cada cadena.
    • gsub(): Reemplaza todas las apariciones del patrón dentro de cada cadena.

  2. Documentacion de codigos: Donde seleccionas para crear un nuevo archivo, existe un apartado llamado R Markdown el cual te permite crear archivos como el que estas leyendo.

  3. Proyectos: Si vas a trabajar con múltiples archivos de datos, scripts, gráficos, etc. Un proyecto te permite mantener todo bien organizado.