-
Notifications
You must be signed in to change notification settings - Fork 2
/
20-tidyverse_2.Rmd
294 lines (207 loc) · 9.89 KB
/
20-tidyverse_2.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
```{r echo = FALSE}
library(knitr)
# Color text
colorize <- function(x, color) {
if (knitr::is_latex_output()) {
sprintf("\\textcolor{%s}{%s}", color, x)
} else if (knitr::is_html_output()) {
sprintf("<span style='color: %s;'>%s</span>", color, x)
} else { x }
}
```
# Profundizando tidyverse: encuestas electorales {#tidyverse-2}
:::: {.blackbox data-latex=""}
Scripts usados:
* [**script20.R**](https://github.com/dadosdelaplace/courses-ECI-2022/blob/main/scripts/script20.R): profundizando tidyverse. Ver en <https://github.com/dadosdelaplace/courses-ECI-2022/blob/main/scripts/script20.>
::::
Vamos a profundizar un poco en el uso de funciones `{tidyverse}` para el análisis de <mark>**datos de encuestas**</mark>, <mark>**datos de Our World in Data**</mark> y <mark>**datos de Spotify**</mark>
En la denostada <mark>**wikipedia**</mark> se publican de forma **bastante completa** las encuestas electorales previas a las elecciones de un país, en este caso de España. El enlace donde están los datos es <https://en.wikipedia.org/wiki/Opinion_polling_for_the_next_Spanish_general_election>
Lo que vamos a hacer primero <mark>**extraer la información de la web**</mark>, analizando desde `R` su código HTML y quedándonos con las <mark>**encuestas de 2021 y 2022**</mark>. Para ello haremos uso del paquete `{rvest}` (cargaremos también `{tidyverse}`):
* `read_html()`: nos permite obtener el código HTML de la web
* `html_elements()`: nos permite seleccionar elementos de dicho html
* `html_table()`: nos convierte una tabla HTML en un `tibble`.
De esta manera leeremos el HTML, localizaremos las tablas de datos y seleccionaremos solo las dos primeras (encuestas de 2022 y 2021).
```{r lectura-HTML}
library(rvest)
library(tidyverse)
wiki <-
paste0("https://en.wikipedia.org/wiki/Opinion_polling_for_the_next_Spanish_general_election")
# Leemos html
html <- read_html(wiki)
# Seleccionamos las tablas del HTML
tablas <- html_elements(html, ".wikitable")
# Obtenemos las dos primeras tablas: encuestas de 2022 y 2021
encuestas_2022 <- html_table(tablas[[1]])
encuestas_2022
encuestas_2021 <- html_table(tablas[[2]])
encuestas_2021
```
## Nombrar columnas
Dado que la **mayoría de las columnas** tienen como nombre de partido el logo del mismo, vamos a <mark>**renombrar las variables**</mark>.
```{r}
nombre_cols <-
c("casa", "fechas", "muestra", "participacion", "PSOE", "PP", "Vox",
"UP", "Cs", "ERC", "MP", "JxCat", "PNV", "EHBildu", "CUP",
"CC", "BNG", "NA+", "PRC", "EV", "ventaja")
names(encuestas_2022) <- names(encuestas_2021) <- nombre_cols
encuestas_2022
encuestas_2021
```
## Eliminar filas
Tras la lectura sin salirnos de `R`, tenemos <mark>**dos tablas de encuestas electorales**</mark>, a las que les vamos a quitar la primera fila (vacía) con `slice(-1)`.
```{r slice}
encuestas_2022 <- encuestas_2022 %>% slice(-1)
encuestas_2022
encuestas_2021 <- encuestas_2021 %>% slice(-1)
encuestas_2021
```
## Añadir columna de año
En cada tabla vamos a <mark>**añadir una nueva columna que indique el año**</mark>.
```{r}
encuestas_2022 <- encuestas_2022 %>% mutate(anno = 2022)
encuestas_2021 <- encuestas_2021 %>% mutate(anno = 2021)
```
## Juntar tablas
Dado que queremos <mark>**un solo dataset**</mark> con las encuestas de ambos años, vamos a juntar ambas tablas con `rbind()` para tener una sola tabla `encuestas`.
```{r}
encuestas <- rbind(encuestas_2022, encuestas_2021)
```
```{r data-table-2}
DT::datatable(encuestas, options = list(pageLength = 10),
caption = "Encuestas de 2021 y 2022")
```
## Convertir a numéricas
Si te fijas los <mark>**valores de muchas variables son erróneos**</mark>, como tamaño de la muestra o participación: son de tipo texto cuando **deberían ser numéricas**.
```{r}
encuestas
```
Para ello vamos antes a <mark>**eliminar las comas**</mark> `","` que separan los millares de los números, con `gsub()`. Dicha orden nos permite <mark>**sustituir en un vector los caracteres**</mark> que queramos. Por ejemplo, de un vector de palabras vamos a cambiar la letra `a` por un punto `*`: primero le indicamos el patrón a buscar, después el valor nuevo que le daremos, y por último la variable en la que lo vamos a aplicar.
```{r}
variable <- c("hola", "cama", "elefante", "cerrojo", "león", "gata")
gsub("a", "*", variable)
```
Con esta función localizaremos las `","` de `muestra` para sustituirlas por `""` (sin nada), y lo mismo haremos con `"?"` en la variable `participacion` con los datos ausentes `"?"`.
```{r}
encuestas_depurado <-
encuestas %>%
# Quitamos "," como millares en números
mutate(muestra = gsub("?", "", gsub(",", "", muestra)),
participacion = gsub("?", NA, participacion))
encuestas_depurado
```
Tras estos cambios, aunque muchas variables numéricas siguen siendo caracter, ya podemos aplicar la función `as.numeric()`, que aplicaremos a todas las variables menos `casa` y `fechas`, con `mutate_at`, indicándole con `vars()` primero las columnas a seleccionar (aquellas que no contengan la palabra `casa` ni `fechas`), y después la función a aplicar.
```{r warning = FALSE}
encuestas_depurado <-
encuestas_depurado %>%
mutate_at(vars(!contains(c("casa", "fechas"))), as.numeric)
encuestas_depurado
```
## Convertir las fechas de campo
Las <mark>**fechas del trabajo de campo**</mark> deben ser tratadas previamente:
* las fechas de tipo `"28 Dec–2 Jan"` (por ejemplo, de 2021) deberemos de convertirlas en dos fechas, `2021-12-28` y `2022-01-02`.
* las fechas de tipo `"12–14 Jan"` (por ejemplo, de 2021) deberemos de convertirlas en dos fechas, `2021-01-12` y `2021-01-14`.
* las fechas de tipo `"15 Jan"` (por ejemplo, de 2021), las convertiremos a dos fechas, `2021-01-15` y `2021-01-15`.
Para ello primero que vamos a hacer va a ser <mark>**separar las fechas por los guiones `-`**</mark> con `str_plit()` (que nos devolverá una lista).
```{r}
fechas_intermedias <- str_split(encuestas_depurado$fechas, "–")
fechas_intermedias[1:6]
```
En cada lugar de la lista vemos que tenemos dos fechas en la mayoría de casos: las pondremos en columnas `fecha_inicio` y `fecha_inicial`, devolviendo un `tibble` con `map_dfr` aplicado a la lista
```{r}
fechas_intermedias <-
map_dfr(fechas_intermedias,
function(x) { tibble("fecha_inicio" = x[1],
"fecha_final" = x[2]) })
fechas_intermedias
```
Los registros donde `fecha_final` está ausente significa que toma el mismo valor que la fecha de inicio, y así lo modificaremos.
```{r}
fechas_intermedias <-
fechas_intermedias %>%
mutate(fecha_final = ifelse(is.na(fecha_final),
fecha_inicio, fecha_final))
fechas_intermedias
```
Las fechas que no tenga mes en `fecha_inicio`, asumiremos que es el mismo mes que `fecha_final`: si solo hay números (dos o menos caracteres), obtenemos el mes de la `fecha_final` (últimos 3 caracteres) y lo pegamos al día.
```{r}
fechas_intermedias <-
fechas_intermedias %>%
mutate(fecha_inicio =
ifelse(nchar(fecha_inicio) <= 2,
paste(fecha_inicio,
paste0(rev(rev(unlist(str_split(fecha_final, "")))[1:3]),
collapse = "")), fecha_inicio))
fechas_intermedias
```
Esas fechas intermedias las vamos añadir como columnas y, pegándole el año, **vamos a convertirlas en datos de tipo fecha**. De todas las fechas nos vamos a quedar solo con la `fecha_final` (recolocando dicha columna tras el nombre de la casa encuestadora).
```{r}
library(lubridate)
encuestas_depurado <-
bind_cols(encuestas_depurado,
fechas_intermedias) %>%
mutate(fecha_inicio = dmy(paste(fecha_inicio, anno)),
fecha_final = dmy(paste(fecha_final, anno))) %>%
select(-c(fechas, anno, fecha_inicio)) %>%
relocate(fecha_final, .after = casa)
encuestas_depurado
```
## Limpiamos nombres de encuestas
Por último, vamos <mark>**limpiar los nombres de las encuestas**</mark> eliminando la referencia a los enlaces de la wikipedia
```{r}
encuestas_depurado <-
encuestas_depurado %>%
# Limpiamos nombre encuestas
mutate(casa = toupper(map_chr(str_split(casa, "\\["),
function (y) { y[1] } )))
```
```{r echo = FALSE}
DT::datatable(encuestas_depurado, options = list(pageLength = 10),
caption = "Encuestas depuradas de 2021 y 2022")
```
## Consultas
Una vez que tenemos los datos depurados vamos a <mark>**realizar algunas consultas sencillas**</mark> usando `{tidyverse}`.
<mark>**¿Cuáles son las 10 encuestas con mayor tamaño muestral?**</mark>
```{r}
encuestas_depurado %>% slice_max(muestra, n = 10)
```
<mark>**¿Cuáles son las encuestas más recientes?**</mark>
```{r}
encuestas_depurado %>% arrange(desc(fecha_final))
```
<mark>**¿Cuáles son las 5 encuestas en las que el PSOE tiene mayor proyección?**</mark>
```{r}
encuestas_depurado %>% slice_max(PSOE, n = 5)
```
<mark>**¿Cuál es la encuesta del CIS en la que el PP tiene mayor proyección?**</mark>
```{r}
encuestas_depurado %>%
filter(casa == "CIS") %>%
slice_max(PP, n = 1)
```
<mark>**¿Cuál es el promedio de las encuestas del PSOE y PP por casa encuestadora?**</mark>
```{r}
encuestas_depurado %>%
select(-fecha_final) %>%
group_by(casa) %>%
summarise(media_PSOE = mean(PSOE), media_PP = mean(PP)) %>%
ungroup()
```
<mark>**¿Cuál es son las 3 casas encuestadoras más sesgada hacia el PSOE (con mayor diferencia de promedio de PSOE vs PP)? ¿Y hacia el PP?**</mark>
```{r}
encuestas_depurado %>%
select(-fecha_final) %>%
group_by(casa) %>%
summarise(media_PSOE = mean(PSOE), media_PP = mean(PP)) %>%
ungroup() %>%
mutate(diferencia = media_PSOE - media_PP) %>%
slice_max(diferencia, n = 3)
```
```{r}
encuestas_depurado %>%
select(-fecha_final) %>%
group_by(casa) %>%
summarise(media_PSOE = mean(PSOE), media_PP = mean(PP)) %>%
ungroup() %>%
mutate(diferencia = media_PP - media_PSOE) %>%
slice_max(diferencia, n = 3)
```