3.1 Transformación de datos

Es sorprendente que una gran variedad de necesidades de transformación de datos se pueden resolver con pocas funciones, en esta sección veremos 5 verbos que fueron diseñados para la tarea de transformación de datos y que comparten una filosofía en cuanto a su estructura. Estudiaremos las siguientes funciones:

• filter: obten un subconjunto de las filas de acuerdo a un criterio.
• select: selecciona columnas de acuerdo al nombre
• arrange: reordena las filas
• mutate: agrega nuevas variables
• summarise: reduce variables a valores (crear nuevas bases de datos con resúmenes de variables de la base original)

Estas funciones trabajan de manera similar, el primer argumento que reciben es un data.frame, los argumentos que siguen indican que operación se va a efectuar y el resultado es un nuevo data.frame.

Adicionalmente, se pueden usar con group_by() que veremos más adelante y que cambia el dominio de cada función, pasando de operar en el conjunto de datos completos a operar en grupos.

Datos

Usaremos datos de población municipal incluidos en el paquete mxmaps y datos de educación, situación conyugal y hogar incluídos en el estcomp, para tener acceso a ellos cargamos los paquetes correspondientes.

library(tidyverse, warn.conflicts = FALSE, quietly = TRUE)
library(mxmaps)
library(estcomp)

Una alternatica a instalar mxmaps es leer únicamente los datos, se descargan del repositorio de GitHub y se cargan con la función load().

download.file("https://github.com/diegovalle/mxmaps/blob/master/data/df_mxmunicipio.RData?raw=true", "df_mxmunicipio.RData")
load("df_mxmunicipio.RData")

Observemos la estructura de los datos:

df_mxmunicipio <- as_tibble(df_mxmunicipio)
glimpse(df_mxmunicipio)
#> Observations: 2,457
#> Variables: 18
#> $ state_code          <chr> "01", "01", "01", "01", "01", "01", "01", "01", "…
#> $ municipio_code      <chr> "001", "002", "003", "004", "005", "006", "007", …
#> $ region              <chr> "01001", "01002", "01003", "01004", "01005", "010…
#> $ state_name          <chr> "Aguascalientes", "Aguascalientes", "Aguascalient…
#> $ state_name_official <chr> "Aguascalientes", "Aguascalientes", "Aguascalient…
#> $ state_abbr          <chr> "AGS", "AGS", "AGS", "AGS", "AGS", "AGS", "AGS", …
#> $ state_abbr_official <chr> "Ags.", "Ags.", "Ags.", "Ags.", "Ags.", "Ags.", "…
#> $ municipio_name      <chr> "Aguascalientes", "Asientos", "Calvillo", "Cosío"…
#> $ pop                 <int> 877190, 46464, 56048, 15577, 120405, 46473, 53866…
#> $ pop_male            <int> 425731, 22745, 27298, 7552, 60135, 22490, 26693, …
#> $ pop_female          <int> 451459, 23719, 28750, 8025, 60270, 23983, 27173, …
#> $ afromexican         <dbl> 532, 3, 10, 0, 32, 3, 13, 13, 4, 0, 43, 1139, 351…
#> $ part_afromexican    <dbl> 2791, 130, 167, 67, 219, 74, 578, 37, 59, 60, 377…
#> $ indigenous          <dbl> 104125, 1691, 7358, 2213, 8679, 6232, 6714, 1733,…
#> $ part_indigenous     <dbl> 14209, 92, 2223, 191, 649, 251, 247, 84, 76, 244,…
#> $ metro_area          <chr> "Aguascalientes", NA, NA, NA, "Aguascalientes", N…
#> $ long                <dbl> -102.29605, -102.08928, -102.71875, -102.30004, -…
#> $ lat                 <dbl> 21.87982, 22.23832, 21.84691, 22.36641, 21.96127,…
glimpse(df_edu)
#> Observations: 7,371
#> Variables: 16
#> $ state_code     <chr> "01", "01", "01", "01", "01", "01", "01", "01", "01", …
#> $ municipio_code <chr> "001", "001", "001", "002", "002", "002", "003", "003"…
#> $ region         <chr> "01001", "01001", "01001", "01002", "01002", "01002", …
#> $ state_name     <chr> "Aguascalientes", "Aguascalientes", "Aguascalientes", …
#> $ state_abbr     <chr> "AGS", "AGS", "AGS", "AGS", "AGS", "AGS", "AGS", "AGS"…
#> $ municipio_name <chr> "Aguascalientes", "Aguascalientes", "Aguascalientes", …
#> $ sex            <chr> "Total", "Hombres", "Mujeres", "Total", "Hombres", "Mu…
#> $ pop_15         <dbl> 631064, 301714, 329350, 31013, 14991, 16022, 38678, 18…
#> $ no_school      <dbl> 2.662329, 2.355211, 2.943677, 4.011221, 4.389300, 3.65…
#> $ preschool      <dbl> 0.17335801, 0.17466873, 0.17215728, 0.25795634, 0.2935…
#> $ elementary     <dbl> 20.15247, 18.60073, 21.57401, 33.77938, 35.48129, 32.1…
#> $ secondary      <dbl> 29.31145, 30.37976, 28.33278, 39.21259, 37.45581, 40.8…
#> $ highschool     <dbl> 23.31824, 22.84912, 23.74799, 16.07068, 15.67607, 16.4…
#> $ higher_edu     <dbl> 24.291989, 25.560299, 23.130105, 6.355399, 6.357148, 6…
#> $ other          <dbl> 0.09016518, 0.08020841, 0.09928647, 0.31277206, 0.3468…
#> $ schoolyrs      <dbl> 10.211152, 10.380144, 10.056383, 7.854005, 7.692086, 8…

Filtrar

Creamos una tabla de datos de juguete para mostrar el funcionamiento de cada instrucción:

df_ej <- tibble(sexo = c("mujer", "hombre", "mujer", "mujer", "hombre"), 
  estatura = c(1.65, 1.80, 1.70, 1.60, 1.67))
df_ej
#> # A tibble: 5 x 2
#>   sexo   estatura
#>   <chr>     <dbl>
#> 1 mujer      1.65
#> 2 hombre     1.8 
#> 3 mujer      1.7 
#> 4 mujer      1.6 
#> 5 hombre     1.67

El primer argumento de filter() es el nombre del data frame, los subsecuentes son las expresiones que indican que filas filtrar.

filter(df_ej, sexo == "mujer")
#> # A tibble: 3 x 2
#>   sexo  estatura
#>   <chr>    <dbl>
#> 1 mujer     1.65
#> 2 mujer     1.7 
#> 3 mujer     1.6
filter(df_ej, estatura > 1.65 & estatura < 1.75)
#> # A tibble: 2 x 2
#>   sexo   estatura
#>   <chr>     <dbl>
#> 1 mujer      1.7 
#> 2 hombre     1.67

Algunos operadores importantes para filtrar son:

x > 1
x >= 1
x < 1
x <= 1
x != 1
x == 1
x %in% c("a", "b")

Crea un subconjunto de los datos df_mxmunicipio que contenga únicamente los municipios de la CDMX (state_abbr es CDMX)

• Los municipios de Nuevo León con más de 200,000 habitantes.

• Los municipios donde más de la mitad la población se autoidentifica como afromexicana o parte afromexicana.

Observación == y operadores booleanos

Debemos tener cuidado al usar ==, ¿qué devuelven las siguientes expresiones?

sqrt(2) ^ 2 == 2
1/49 * 49 == 1

Los resultados de arriba se deben a que las computadoras usan aritmética de precisión finita:

print(1/49 * 49, digits = 22)
#> [1] 0.9999999999999998889777

Para estos casos es útil usar la función near()

near(sqrt(2) ^ 2,  2)
#> [1] TRUE
near(1 / 49 * 49, 1)
#> [1] TRUE

Los operadores booleanos también son convenientes para filtrar:

# Conjuntos
a | b # a o b
a & b # a y b 
a & !b # a y no-b
xor(a, b)

El siguiente esquema nos ayuda a entender que hace cada operación, x está representada por el círculo del lado izquierdo y y por el círculo del lado derecho, la parte sombreada muestra las regiones que selecciona el operador:

Figure 3.1: Operaciones booleanas, imagen del libro r4ds.

Observación: faltantes NA

Un caso común es cuando se desea eliminar o localizar los registros con faltantes en una o más columnas de las tablas de datos, en R los datos faltantes se expresan como NA, para seleccionar los registros con faltante en la variable schoolyrs de los datos df_edu resulta natural escribir:

filter(df_edu, schoolyrs == NA)
#> # A tibble: 0 x 16
#> # … with 16 variables: state_code <chr>, municipio_code <chr>, region <chr>,
#> #   state_name <chr>, state_abbr <chr>, municipio_name <chr>, sex <chr>,
#> #   pop_15 <dbl>, no_school <dbl>, preschool <dbl>, elementary <dbl>,
#> #   secondary <dbl>, highschool <dbl>, higher_edu <dbl>, other <dbl>,
#> #   schoolyrs <dbl>

Y para eliminarlos

filter(df_edu, schoolyrs != NA)
#> # A tibble: 0 x 16
#> # … with 16 variables: state_code <chr>, municipio_code <chr>, region <chr>,
#> #   state_name <chr>, state_abbr <chr>, municipio_name <chr>, sex <chr>,
#> #   pop_15 <dbl>, no_school <dbl>, preschool <dbl>, elementary <dbl>,
#> #   secondary <dbl>, highschool <dbl>, higher_edu <dbl>, other <dbl>,
#> #   schoolyrs <dbl>

en ambos casos nos devuelve una tabla vacía!

El problema resulta de usar los operadores == y !=, pensemos ¿qué regresan las siguientes expresiones?

5 + NA
NA / 2
sum(c(5, 4, NA))
mean(c(5, 4,  NA))
NA < 3
NA == 3
NA == NA

Las expresiones anteriores regresan NA, el hecho que la media de un vector que incluye NAs o su suma regrese NAs se debe a que por defecto en R se propagan los valores faltantes, esto es, si deconozco el valor de una de las componentes de un vector, también desconozco la suma del mismo; sin embargo, muchas funciones tienen un argumento na.rm para eliminarlos,

sum(c(5, 4, NA), na.rm = TRUE)
#> [1] 9
mean(c(5, 4, NA), na.rm = TRUE)
#> [1] 4.5

Aún queda pendiente como filtrarlos en una tabla, para esto veamos que el manejo de datos faltantes en R utiliza una lógica ternaria (como SQL):

NA == NA
#> [1] NA

La expresión anterior puede resultar confusa, una manera de pensar en esto es considerar los NA como no sé, por ejemplo si no se la edad de Juan y no se la edad de Esteban, la respuesta a ¿Juan tiene la misma edad que Esteban? es no sé (NA).

edad_Juan <- NA
edad_Esteban <- NA
edad_Juan == edad_Esteban
#> [1] NA
edad_Jose <- 32
# Juan es menor que José?
edad_Juan < edad_Jose
#> [1] NA

Por tanto para determinar si un valor es faltante usamos la instrucción is.na().

is.na(NA)
#> [1] TRUE

Y finalmente podemos filtrar,

filter(df_edu, is.na(schoolyrs))

Seleccionar

Elegir columnas de un conjunto de datos.

df_ej
#> # A tibble: 5 x 2
#>   sexo   estatura
#>   <chr>     <dbl>
#> 1 mujer      1.65
#> 2 hombre     1.8 
#> 3 mujer      1.7 
#> 4 mujer      1.6 
#> 5 hombre     1.67
select(df_ej, sexo)
#> # A tibble: 5 x 1
#>   sexo  
#>   <chr> 
#> 1 mujer 
#> 2 hombre
#> 3 mujer 
#> 4 mujer 
#> 5 hombre
select(df_ej, -sexo)
#> # A tibble: 5 x 1
#>   estatura
#>      <dbl>
#> 1     1.65
#> 2     1.8 
#> 3     1.7 
#> 4     1.6 
#> 5     1.67

select(df_ej, starts_with("s"))
select(df_ej, contains("x"))

Ve la ayuda de select (?select) y escribe tres maneras de seleccionar las variables del estado en los datos df_mxmunicipio.

Ordenar

Ordenar de acuerdo al valor de una o más variables:

arrange(df_ej, sexo)
#> # A tibble: 5 x 2
#>   sexo   estatura
#>   <chr>     <dbl>
#> 1 hombre     1.8 
#> 2 hombre     1.67
#> 3 mujer      1.65
#> 4 mujer      1.7 
#> 5 mujer      1.6
arrange(df_ej, desc(estatura))
#> # A tibble: 5 x 2
#>   sexo   estatura
#>   <chr>     <dbl>
#> 1 hombre     1.8 
#> 2 mujer      1.7 
#> 3 hombre     1.67
#> 4 mujer      1.65
#> 5 mujer      1.6

Ordena los municipios por población, de mayor a menor.

• ¿Cuáles son los municipios con mayor disparidad de sexo (a total)?

• ¿Cuáles son los municipios con mayor disparidad de sexo (proporcional)?, elimina los municipios con menos de 5000 habitantes y repite.

Mutar

Mutar consiste en crear nuevas variables aplicando una función a columnas existentes:

mutate(df_ej, estatura_cm = estatura * 100) 
#> # A tibble: 5 x 3
#>   sexo   estatura estatura_cm
#>   <chr>     <dbl>       <dbl>
#> 1 mujer      1.65         165
#> 2 hombre     1.8          180
#> 3 mujer      1.7          170
#> 4 mujer      1.6          160
#> 5 hombre     1.67         167
mutate(df_ej, estatura_cm = estatura * 100, estatura_in = estatura_cm * 0.3937) 
#> # A tibble: 5 x 4
#>   sexo   estatura estatura_cm estatura_in
#>   <chr>     <dbl>       <dbl>       <dbl>
#> 1 mujer      1.65         165        65.0
#> 2 hombre     1.8          180        70.9
#> 3 mujer      1.7          170        66.9
#> 4 mujer      1.6          160        63.0
#> 5 hombre     1.67         167        65.7

Calcula el porcentaje de población indígena de cada municipio y almacenalo en una nueva variable.

• Crea una nueva variable que muestre el cociente entre la población femenina y masculina.

Hay muchas funciones que podemos usar para crear nuevas variables con mutate(), éstas deben cumplir ser funciones vectorizadas, es decir, reciben un vector de valores y devuelven un vector de la misma dimensión, por ejemplo multiplicar columnas o por un escalar.

¿Cuáles de las siguientes funciones son adecuadas para mutate()? Notar que hay escenarios en los que nos puede interesar usar funciones no vectorizadas con mutate() pero vale la pena entender que es lo que regresan.
* mean, pmin, max, *, ^, quantile

df_ej_2 <- add_column(df_ej, peso_actual = c(60, 80, 70, 50, 65), 
    peso_anterior = c(66, 78, 73, 54, 61))

mutate(df_ej_2, peso_medio = mean(c(peso_actual, peso_anterior)))
mutate(df_ej_2, peso_menor = pmin(peso_actual, peso_anterior))
mutate(df_ej_2, peso_mayor = max(peso_actual, peso_anterior))
mutate(df_ej_2, estatura_sq = estatura ^ 2, bmi = peso_actual / estatura_sq)

Summarise y resúmenes por grupo

Summarise sirve para crear nuevas bases de datos con resúmenes o agregaciones de los datos originales.

summarise(df_ej, promedio = mean(estatura))
#> # A tibble: 1 x 1
#>   promedio
#>      <dbl>
#> 1     1.68

Calcula la población total, indígena y afromexicana a total.

summarise(df_mxmunicipio, indigeonous = sum(indigenous), 
    afromexican = sum(afromexican))
#> # A tibble: 1 x 2
#>   indigeonous afromexican
#>         <dbl>       <dbl>
#> 1    25694928     1381853

La mayor utlidad de summarise es cuando la combinamos con una variable de agrupación y esta combinación es la estrategia separa-aplica combina.

Separa-aplica-combina (split-apply-combine)

Muchos problemas de análisis de datos involucran la aplicación de la estrategia separa-aplica-combina (Wickham 2011), esta consiste en romper un problema en pedazos (de acuerdo a una variable de interés), operar sobre cada subconjunto de manera independiente (ej. calcular la media de cada grupo, ordenar observaciones por grupo, estandarizar por grupo) y después unir los pedazos nuevamente. El siguiente diagrama ejemplifiaca el paradigma de divide-aplica-combina:

• Separa la base de datos original.
  
• Aplica funciones a cada subconjunto.
  
• Combina los resultados en una nueva base de datos.

Figure 3.2: Imagen de Software Carpentry con licencia CC-BY 4.0.

Ahora, cuando pensamos como implementar la estrategia divide-aplica-combina es natural pensar en iteraciones, por ejemplo utilizar un ciclo for para recorrer cada grupo de interés y aplicar las funciones resumen, sin embargo la aplicación de ciclos for desemboca en código difícil de entender por lo que preferimos trabajar con funciones creadas para estas tareas, usaremos el paquete dplyr que además de ser más claro suele ser más veloz.

Podemos hacer resúmenes por grupo, primero creamos una base de datos agrupada:

by_sexo <- group_by(df_ej, sexo)
by_sexo
#> # A tibble: 5 x 2
#> # Groups:   sexo [2]
#>   sexo   estatura
#>   <chr>     <dbl>
#> 1 mujer      1.65
#> 2 hombre     1.8 
#> 3 mujer      1.7 
#> 4 mujer      1.6 
#> 5 hombre     1.67

y después operamos sobre cada grupo, creando un resumen a nivel grupo y uniendo los subconjuntos en una base nueva:

Calcula la población total por estado.

• Calcula la población indígena y afromexicana por estado.

• ¿Qué otros resúmenes puedes hacer para explorar los datos?

Algunas funciones útiles con summarise son min(x), median(x), max(x), quantile(x, p), n(), sum(x), sum(x > 1), mean(x > 1), sd(x).

Por ejemplo, para cada área metropolitana: cuántos municipios engloba (n()), la población total (sum()) y al estado al que pertenece (first()).

by_metro_area <- group_by(df_mxmunicipio, metro_area)
no_miss <- filter(by_metro_area, !is.na(metro_area))
pop_metro_area <- summarise(no_miss, state = first(state_abbr), 
    n_municipios = n(), pop_total = sum(pop))
head(pop_metro_area)
#> # A tibble: 6 x 4
#>   metro_area     state n_municipios pop_total
#>   <chr>          <chr>        <int>     <int>
#> 1 Acapulco       GRO              2    886975
#> 2 Acayucan       VER              3    120340
#> 3 Aguascalientes AGS              3   1044049
#> 4 Cancún         QROO             2    763121
#> 5 Celaya         GTO              3    635706
#> 6 Chihuahua      CHIH             3    918339

Operador pipeline

En R, cuando uno hace varias operaciones es difícil leer y entender el código:

library(estcomp)

summarise(group_by(filter(election_2012, !is.na(section_type)), region,
    section_type), n = n(), pri_pvem = sum(pri_pvem), 
    prd_pt_mc = sum(prd_pt_mc), pan = sum(pan))
#> # A tibble: 24 x 6
#> # Groups:   region [8]
#>    region      section_type     n pri_pvem prd_pt_mc     pan
#>    <chr>       <chr>        <int>    <int>     <int>   <int>
#>  1 centronorte M             2071   331221    143225  228112
#>  2 centronorte R             5049   651507    211524  447886
#>  3 centronorte U             8940  1229241    653540 1171415
#>  4 centrosur   M             1839   324327    277470  126264
#>  5 centrosur   R             2541   495288    223978  181755
#>  6 centrosur   U            27515  3698793   4765575 1936586
#>  7 este        M             3158   462510    370352  306124
#>  8 este        R             6768   905078    521793  654839
#>  9 este        U            11403  1373876   1602217 1179497
#> 10 noreste     M             1259   176191     77062  169285
#> # … with 14 more rows

La dificultad radica en que usualmente los parámetros se asignan después del nombre de la función usando ().

Una alternativa es ir almacenando las salidas en tablas de datos intermedias pero esto resulta poco práctico porque: 1) almacenamos en el mismo objeto sobreescribiendo ó 2) terminamos con muchos objetos con nombres poco significativos.

El operador Forward Pipe (%>%) cambia el orden en que se asignan los parámetros, de manera que un parámetro que precede a la función es enviado (“piped”) a la función:

• x %>% f(y) se vuelve f(x, y),
  
• x %>% f(y) %>% g(z) se vuelve g(f(x, y), z).

Es así que podemos reescribir el código para poder leer las operaciones que vamos aplicando de izquierda a derecha y de arriba hacia abajo.

Veamos como cambia el código del ejemplo:

election_2012 %>% 
    filter(!is.na(section_type)) %>% 
    group_by(region, section_type) %>% 
    summarise(
        n = n(), 
        pri_pvem = sum(pri_pvem), 
        prd_pt_mc = sum(prd_pt_mc), 
        pan = sum(pan)
        ) 
#> # A tibble: 24 x 6
#> # Groups:   region [8]
#>    region      section_type     n pri_pvem prd_pt_mc     pan
#>    <chr>       <chr>        <int>    <int>     <int>   <int>
#>  1 centronorte M             2071   331221    143225  228112
#>  2 centronorte R             5049   651507    211524  447886
#>  3 centronorte U             8940  1229241    653540 1171415
#>  4 centrosur   M             1839   324327    277470  126264
#>  5 centrosur   R             2541   495288    223978  181755
#>  6 centrosur   U            27515  3698793   4765575 1936586
#>  7 este        M             3158   462510    370352  306124
#>  8 este        R             6768   905078    521793  654839
#>  9 este        U            11403  1373876   1602217 1179497
#> 10 noreste     M             1259   176191     77062  169285
#> # … with 14 more rows

podemos leer %>% como “después”.

Tip: Un atajo para producir el operador pipeline %>% es shift + ctrl/cmd + M

Siguiendo con los datos election_2012, ¿Qué estados tienen la mayor participación (esto es del total de votantes en la lista nominal que porcentaje asistió a votar)? Tip: debes eliminar las casillas especiales pues la lista nominal (ln) no está definida.

Variables por grupo

En ocasiones es conveniente crear variables por grupo, por ejemplo estandarizar dentro de cada grupo z = (x - mean(x)) / sd(x). Para esto usamos group_by() y mutate().

Veamos un ejemplo:

z_prd_pt_mc_state <- election_2012 %>%
    filter(total > 50, !is.na(section_type)) %>% 
    mutate(prd_pt_mc_pct = prd_pt_mc / total) %>% 
    group_by(state_abbr) %>% 
    mutate(
        n = n(),
        sd_prd_pt_mc = sd(prd_pt_mc_pct),
        mean_prd_pt_mc = mean(prd_pt_mc_pct),
        z_prd_pt_mc = (prd_pt_mc_pct - mean_prd_pt_mc) / sd_prd_pt_mc 
    )

Verbos de dos tablas

Muchas veces debemos reunir información que está almacenada a lo largo de muchas tablas, por ejemplo, si nos interesa conocer como se relaciona el año de escolaridad promedio (schoolyrs en el df_edu) con el porcentaje de población indígena (indigenous en df_mxmunicipios), debemos poder pegar las dos tablas.

Hay varias maneras de unir dos bases de datos y debemos pensar en el obejtivo:

x <- tibble(name = c("John", "Paul", "George", "Ringo", "Stuart", "Pete"),
  instrument = c("guitar", "bass", "guitar", "drums", "bass",
     "drums"))

y <- tibble(name = c("John", "Paul", "George", "Ringo", "Brian"),
  band = c("TRUE", "TRUE", "TRUE",  "TRUE", "FALSE"))
x
#> # A tibble: 6 x 2
#>   name   instrument
#>   <chr>  <chr>     
#> 1 John   guitar    
#> 2 Paul   bass      
#> 3 George guitar    
#> 4 Ringo  drums     
#> 5 Stuart bass      
#> 6 Pete   drums
y
#> # A tibble: 5 x 2
#>   name   band 
#>   <chr>  <chr>
#> 1 John   TRUE 
#> 2 Paul   TRUE 
#> 3 George TRUE 
#> 4 Ringo  TRUE 
#> 5 Brian  FALSE

inner_join(x, y)
#> Joining, by = "name"
#> # A tibble: 4 x 3
#>   name   instrument band 
#>   <chr>  <chr>      <chr>
#> 1 John   guitar     TRUE 
#> 2 Paul   bass       TRUE 
#> 3 George guitar     TRUE 
#> 4 Ringo  drums      TRUE
left_join(x, y)
#> Joining, by = "name"
#> # A tibble: 6 x 3
#>   name   instrument band 
#>   <chr>  <chr>      <chr>
#> 1 John   guitar     TRUE 
#> 2 Paul   bass       TRUE 
#> 3 George guitar     TRUE 
#> 4 Ringo  drums      TRUE 
#> 5 Stuart bass       <NA> 
#> 6 Pete   drums      <NA>
semi_join(x, y)
#> Joining, by = "name"
#> # A tibble: 4 x 2
#>   name   instrument
#>   <chr>  <chr>     
#> 1 John   guitar    
#> 2 Paul   bass      
#> 3 George guitar    
#> 4 Ringo  drums
anti_join(x, y)
#> Joining, by = "name"
#> # A tibble: 2 x 2
#>   name   instrument
#>   <chr>  <chr>     
#> 1 Stuart bass      
#> 2 Pete   drums

Resumamos lo que observamos arriba:

Tipo	Acción
inner	Incluye únicamente las filas que aparecen tanto en x como en y
left	Incluye todas las filas en x y las filas de y que coincidan
semi	Incluye las filas de x que coincidan con y
anti	Incluye las filas de x que no coinciden con y

Ahora tu turno, ¿cómo se relacionan los años de escolaridad con el porcentaje de población indígena. Utiliza los datos df_mxmunicipio y df_edu para explorar la relación. ¿cuál es el join adecuado? ¿de qué tamaño serán los datos finales?

glimpse(df_edu)
#> Observations: 7,371
#> Variables: 16
#> $ state_code     <chr> "01", "01", "01", "01", "01", "01", "01", "01", "01", …
#> $ municipio_code <chr> "001", "001", "001", "002", "002", "002", "003", "003"…
#> $ region         <chr> "01001", "01001", "01001", "01002", "01002", "01002", …
#> $ state_name     <chr> "Aguascalientes", "Aguascalientes", "Aguascalientes", …
#> $ state_abbr     <chr> "AGS", "AGS", "AGS", "AGS", "AGS", "AGS", "AGS", "AGS"…
#> $ municipio_name <chr> "Aguascalientes", "Aguascalientes", "Aguascalientes", …
#> $ sex            <chr> "Total", "Hombres", "Mujeres", "Total", "Hombres", "Mu…
#> $ pop_15         <dbl> 631064, 301714, 329350, 31013, 14991, 16022, 38678, 18…
#> $ no_school      <dbl> 2.662329, 2.355211, 2.943677, 4.011221, 4.389300, 3.65…
#> $ preschool      <dbl> 0.17335801, 0.17466873, 0.17215728, 0.25795634, 0.2935…
#> $ elementary     <dbl> 20.15247, 18.60073, 21.57401, 33.77938, 35.48129, 32.1…
#> $ secondary      <dbl> 29.31145, 30.37976, 28.33278, 39.21259, 37.45581, 40.8…
#> $ highschool     <dbl> 23.31824, 22.84912, 23.74799, 16.07068, 15.67607, 16.4…
#> $ higher_edu     <dbl> 24.291989, 25.560299, 23.130105, 6.355399, 6.357148, 6…
#> $ other          <dbl> 0.09016518, 0.08020841, 0.09928647, 0.31277206, 0.3468…
#> $ schoolyrs      <dbl> 10.211152, 10.380144, 10.056383, 7.854005, 7.692086, 8…
glimpse(df_mxmunicipio)
#> Observations: 2,457
#> Variables: 18
#> $ state_code          <chr> "01", "01", "01", "01", "01", "01", "01", "01", "…
#> $ municipio_code      <chr> "001", "002", "003", "004", "005", "006", "007", …
#> $ region              <chr> "01001", "01002", "01003", "01004", "01005", "010…
#> $ state_name          <chr> "Aguascalientes", "Aguascalientes", "Aguascalient…
#> $ state_name_official <chr> "Aguascalientes", "Aguascalientes", "Aguascalient…
#> $ state_abbr          <chr> "AGS", "AGS", "AGS", "AGS", "AGS", "AGS", "AGS", …
#> $ state_abbr_official <chr> "Ags.", "Ags.", "Ags.", "Ags.", "Ags.", "Ags.", "…
#> $ municipio_name      <chr> "Aguascalientes", "Asientos", "Calvillo", "Cosío"…
#> $ pop                 <int> 877190, 46464, 56048, 15577, 120405, 46473, 53866…
#> $ pop_male            <int> 425731, 22745, 27298, 7552, 60135, 22490, 26693, …
#> $ pop_female          <int> 451459, 23719, 28750, 8025, 60270, 23983, 27173, …
#> $ afromexican         <dbl> 532, 3, 10, 0, 32, 3, 13, 13, 4, 0, 43, 1139, 351…
#> $ part_afromexican    <dbl> 2791, 130, 167, 67, 219, 74, 578, 37, 59, 60, 377…
#> $ indigenous          <dbl> 104125, 1691, 7358, 2213, 8679, 6232, 6714, 1733,…
#> $ part_indigenous     <dbl> 14209, 92, 2223, 191, 649, 251, 247, 84, 76, 244,…
#> $ metro_area          <chr> "Aguascalientes", NA, NA, NA, "Aguascalientes", N…
#> $ long                <dbl> -102.29605, -102.08928, -102.71875, -102.30004, -…
#> $ lat                 <dbl> 21.87982, 22.23832, 21.84691, 22.36641, 21.96127,…

Si queremos un mapa del ganador de las elecciones por estado debemos unir los datos de elecciones con datos geográficos, estos estan incluídos en mxmaps, son mxstate.map.

election_2012_state <- election_2012 %>%
    group_by(state_code) %>%
    summarise(
        pri_pvem = 100 * sum(pri_pvem) / sum(total),
        pan = 100 * sum(pan) / sum(total),
        prd_pt_mc = 100 * sum(prd_pt_mc) / sum(total)
    ) %>%
    mutate(winner = case_when(
        pri_pvem > pan & pri_pvem > prd_pt_mc ~ "pri_pvem",
        pan > pri_pvem & pan > prd_pt_mc ~ "pan",
        TRUE ~ "prd_pt_mc"), 
        winner_pct = pmax(pri_pvem, pan, prd_pt_mc))


election_map <- mxstate.map %>% 
    left_join(election_2012_state, by = c("region" = "state_code")) 

ggplot(election_map, aes(long, lat, group = group)) +
    geom_polygon(aes(fill = winner)) +
    coord_map()

Podemos especificar el color de cada categoría y la intensidad puede variar de acuerdo al porcentaje de votos que se llevó el partido/alianza ganador.

library(gridExtra)
#> 
#> Attaching package: 'gridExtra'
#> The following object is masked from 'package:dplyr':
#> 
#>     combine
map_edo <- ggplot(election_map, aes(long, lat, group = group)) +
    geom_polygon(aes(fill = winner, alpha = winner_pct), color = "#666666", 
        size = .05, show.legend = FALSE) +
    coord_map() +
    scale_fill_manual(values = c("prd_pt_mc" = "#FFCC00", "pan" = "#3399FF", 
        "pri_pvem" = "#00CD66")) + 
    theme_void()

election_hexbinmap <- mxhexbin.map %>% 
    left_join(election_2012_state, by = c("region" = "state_code")) 
state_labels_map <- mxhexbin.map %>% 
    group_by(state_abbr) %>% 
    summarise(long = mean(long), lat = mean(lat), group = first(group))

hexbinmap_edo <- ggplot(election_hexbinmap, aes(long, lat, 
  group = group)) +
    geom_polygon(aes(fill = winner, alpha = winner_pct), color = "#666666", 
        size = .05, show.legend = FALSE) +
    coord_map() +
    scale_fill_manual(values = c("prd_pt_mc" = "#FFCC00", "pan" = "#3399FF", 
        "pri_pvem" = "#00CD66")) +
    geom_text(data = state_labels_map, aes(long, lat, label = state_abbr)) +
    theme_void()

grid.arrange(map_edo, hexbinmap_edo, nrow = 1)

Genera un mapa a nivel municipo que muestre el porcentaje de la población casada a total (mayores de 12 años).

Referencias

Wickham, Hadley. 2011. “The Split-Apply-Combine Strategy for Data Analysis.” Journal of Statistical Software 40 (1):1–29. http://www.jstatsoft.org/v40/i01/.