3. Unión de tablas y limpieza de datos

Pueden encontrar la versión de las notas de datos limpuis usando gather() y spread() [aquí](https://tereom.github.io/tutoriales/datos_limpios.html.

Trabajaremos con los datos df_marital,

1. ¿Están limpios los datos? en caso de que no ¿qué principio no cumplen?

library(estcomp)
df_marital
#> # A tibble: 29,484 x 14
#>    state_code municipio_code region state_name state_abbr municipio_name
#>    <chr>      <chr>          <chr>  <chr>      <chr>      <chr>         
#>  1 01         001            01001  Aguascali… AGS        Aguascalientes
#>  2 01         001            01001  Aguascali… AGS        Aguascalientes
#>  3 01         001            01001  Aguascali… AGS        Aguascalientes
#>  4 01         001            01001  Aguascali… AGS        Aguascalientes
#>  5 01         001            01001  Aguascali… AGS        Aguascalientes
#>  6 01         001            01001  Aguascali… AGS        Aguascalientes
#>  7 01         001            01001  Aguascali… AGS        Aguascalientes
#>  8 01         001            01001  Aguascali… AGS        Aguascalientes
#>  9 01         001            01001  Aguascali… AGS        Aguascalientes
#> 10 01         001            01001  Aguascali… AGS        Aguascalientes
#> # … with 29,474 more rows, and 8 more variables: sex <chr>,
#> #   age_group <chr>, pop <dbl>, single <dbl>, married <dbl>,
#> #   living_w_partner <dbl>, separated <dbl>, other <dbl>

2. Limpia los datos y muestra las primeras y últimas líneas (usa head() y tail()).

3. Filtra para eliminar los casos a total en las variables sexo y edad, calcula a nivel nacional cuál es la proporción en cada situación conyugal por grupo de edad y sexo. ¿Cómo puedes graficar o presentar los resultados?

4. Regresando a los datos que obtuviste en 2, une la tabla de datos con df_edu, ¿qué variables se usarán para unir?