SOC4001 Procesamiento avanzado de bases de datos en R

Author

Tarea 4

Ponderación: 12% de la nota final del curso

Entrega: Desde el momento de entrega, los estudiantes una semana de plazo para completar esta tarea.

Formato: Desarrollar esta tarea en un RScript, agregando comentarios cuando sea necesario.

El código a continuación carga la Base de Datos Histórica Proyectos Adjudicados ANID (ex-conicyt) y extrae una selección de variables que son almacenados en el objecto data_anid. Además, carga otra base con datos del IPC anual.

library("tidyverse")
library("readr")

path <- url("https://raw.githubusercontent.com/ANID-GITHUB/Historico-de-Proyectos-Adjudicados/da63cab4fa424eaaac2a108b0582c83fa4f229c1/BDH_Proyectos.csv")

data_anid <- read_delim(path, delim = ";")

data_anid <- data_anid %>% rename(codigo_proyecto = CODIGO_PROYECTO, anno = ANO_FALLO, sexo = SEXO, area = AREA_OCDE, duracion =  DURACION_MESES, monto = `MONTO ADJUDICADO (MILES $)`) %>% select(codigo_proyecto,anno, sexo,area,monto)

datos_ipc <- read.csv("https://raw.githubusercontent.com/mebucca/dar_soc4001/master/homework/ipc.csv")

Descripción de los datos: La Agencia Nacional de Investigación y Desarrollo (ANID) cada año adjudica financiamiento para proyectos en Ciencia y Tecnología a través de sus diferentes concursos. La base de datos denominada “BDH_Proyectos” contiene la información disponible de proyectos adjudicados por la Agencia (antes del 2020, CONICYT) desde el año 1982 hasta el 2020, con fecha de corte al 31 de diciembre del 2020. Cada fila representa una iniciativa adjudicada. Los datos deben verse así:

# A tibble: 6 × 5
  codigo_proyecto  anno sexo   area                           monto
  <chr>           <dbl> <chr>  <chr>                          <dbl>
1 1820005          1982 HOMBRE CIENCIAS NATURALES               300
2 1820006          1982 HOMBRE CIENCIAS MEDICAS Y DE LA SALUD   130
3 1820009          1982 HOMBRE CIENCIAS NATURALES               506
4 1820010          1982 HOMBRE HUMANIDADES                      335
5 1820015          1982 HOMBRE CIENCIAS NATURALES               260
6 1820043          1982 HOMBRE CIENCIAS AGRICOLAS               464
  1. Usando los comandos group_by() y summarise() produce la siguiente tabla y asígnala al objeto tabla_1. El resultado debe verse así y corresponde al monto promedio asignado a cada investigadores de caga sexo en cada area:
# A tibble: 6 × 4
# Groups:   area, anno [4]
  area                anno sexo   monto
  <chr>              <dbl> <chr>  <dbl>
1 CIENCIAS AGRICOLAS  1982 HOMBRE  408.
2 CIENCIAS AGRICOLAS  1982 MUJER   549 
3 CIENCIAS AGRICOLAS  1983 HOMBRE  382.
4 CIENCIAS AGRICOLAS  1984 HOMBRE  355.
5 CIENCIAS AGRICOLAS  1984 MUJER   373 
6 CIENCIAS AGRICOLAS  1985 HOMBRE  414.
  1. En la base de datos datos_ipc remueve los años con valores perdidos en la variable datos_ipc$ipc, usa. Conserva sólo las variables anno e ipc. Los datos deben verse así:
  X anno       ipc
1 1 1982  2.794501
2 2 1983  8.982651
3 3 1984  6.534480
4 4 1985 10.142088
5 5 1986  6.450049
6 6 1987  6.541436
  1. Usando algunos de los comandos _join() junta los datos en tabla_1 y datos_ipc preservando toda la información disponible en tabla_1. El resultado debe verse así:
# A tibble: 6 × 6
# Groups:   area, anno [4]
  area                anno sexo   monto     X   ipc
  <chr>              <dbl> <chr>  <dbl> <int> <dbl>
1 CIENCIAS AGRICOLAS  1982 HOMBRE  408.     1  2.79
2 CIENCIAS AGRICOLAS  1982 MUJER   549      1  2.79
3 CIENCIAS AGRICOLAS  1983 HOMBRE  382.     2  8.98
4 CIENCIAS AGRICOLAS  1984 HOMBRE  355.     3  6.53
5 CIENCIAS AGRICOLAS  1984 MUJER   373      3  6.53
6 CIENCIAS AGRICOLAS  1985 HOMBRE  414.     4 10.1
  1. Crea la nueva variable monto_precios2021 multiplicando las variables monto e ipc. Posteriormente remueve las variables monto e ipc. El resultado debe verse así:
# A tibble: 608 × 5
# Groups:   area, anno [277]
   area                anno sexo       X monto_precios2021
   <chr>              <dbl> <chr>  <int>             <dbl>
 1 CIENCIAS AGRICOLAS  1982 HOMBRE     1             1141.
 2 CIENCIAS AGRICOLAS  1982 MUJER      1             1534.
 3 CIENCIAS AGRICOLAS  1983 HOMBRE     2             3428.
 4 CIENCIAS AGRICOLAS  1984 HOMBRE     3             2317.
 5 CIENCIAS AGRICOLAS  1984 MUJER      3             2437.
 6 CIENCIAS AGRICOLAS  1985 HOMBRE     4             4198.
 7 CIENCIAS AGRICOLAS  1986 HOMBRE     5             7220.
 8 CIENCIAS AGRICOLAS  1986 MUJER      5             3161.
 9 CIENCIAS AGRICOLAS  1987 HOMBRE     6            15665.
10 CIENCIAS AGRICOLAS  1987 MUJER      6             9688.
# ℹ 598 more rows
  1. Usando el comando pivot_wider() transforma los datos de la siguiente manera.
# A tibble: 277 × 6
# Groups:   area, anno [277]
   area                anno     X   HOMBRE   MUJER `SIN INFORMACION`
   <chr>              <dbl> <int>    <dbl>   <dbl>             <dbl>
 1 CIENCIAS AGRICOLAS  1982     1    1141.   1534.                NA
 2 CIENCIAS AGRICOLAS  1983     2    3428.     NA                 NA
 3 CIENCIAS AGRICOLAS  1984     3    2317.   2437.                NA
 4 CIENCIAS AGRICOLAS  1985     4    4198.     NA                 NA
 5 CIENCIAS AGRICOLAS  1986     5    7220.   3161.                NA
 6 CIENCIAS AGRICOLAS  1987     6   15665.   9688.                NA
 7 CIENCIAS AGRICOLAS  1988     7   41485.     NA                 NA
 8 CIENCIAS AGRICOLAS  1989     8   44183.     NA                 NA
 9 CIENCIAS AGRICOLAS  1990     9   77329.  84307.                NA
10 CIENCIAS AGRICOLAS  1991    10 1118740. 462418.                NA
# ℹ 267 more rows
  1. Usa la función replace_na() para reemplazar los valores perdidos en las variables HOMBRE y MUJER por ceros. El resultado debe verse así:
# A tibble: 277 × 6
# Groups:   area, anno [277]
   area                anno     X   HOMBRE   MUJER `SIN INFORMACION`
   <chr>              <dbl> <int>    <dbl>   <dbl>             <dbl>
 1 CIENCIAS AGRICOLAS  1982     1    1141.   1534.                NA
 2 CIENCIAS AGRICOLAS  1983     2    3428.      0                 NA
 3 CIENCIAS AGRICOLAS  1984     3    2317.   2437.                NA
 4 CIENCIAS AGRICOLAS  1985     4    4198.      0                 NA
 5 CIENCIAS AGRICOLAS  1986     5    7220.   3161.                NA
 6 CIENCIAS AGRICOLAS  1987     6   15665.   9688.                NA
 7 CIENCIAS AGRICOLAS  1988     7   41485.      0                 NA
 8 CIENCIAS AGRICOLAS  1989     8   44183.      0                 NA
 9 CIENCIAS AGRICOLAS  1990     9   77329.  84307.                NA
10 CIENCIAS AGRICOLAS  1991    10 1118740. 462418.                NA
# ℹ 267 more rows
  1. Crea una nueva variable llamada dif_hombremujer que mida la diferencia entre el monto asignado a hombres y mujeres = HOMBRE - MUJER. Posteriormente conserva sólo las variables anno, area y dif_hombremujer. El resultado debe verse así:
# A tibble: 277 × 3
# Groups:   area, anno [277]
    anno area               dif_hombremujer
   <dbl> <chr>                        <dbl>
 1  1982 CIENCIAS AGRICOLAS           -394.
 2  1983 CIENCIAS AGRICOLAS           3428.
 3  1984 CIENCIAS AGRICOLAS           -120.
 4  1985 CIENCIAS AGRICOLAS           4198.
 5  1986 CIENCIAS AGRICOLAS           4060.
 6  1987 CIENCIAS AGRICOLAS           5978.
 7  1988 CIENCIAS AGRICOLAS          41485.
 8  1989 CIENCIAS AGRICOLAS          44183.
 9  1990 CIENCIAS AGRICOLAS          -6978.
10  1991 CIENCIAS AGRICOLAS         656322.
# ℹ 267 more rows
  1. Usando el comando pivot_wider() modifica la tabla producida en (7) y produce la siguiente tabla:
# A tibble: 39 × 10
# Groups:   anno [39]
    anno `CIENCIAS AGRICOLAS` CIENCIAS MEDICAS Y DE LA SA…¹ `CIENCIAS NATURALES`
   <dbl>                <dbl>                         <dbl>                <dbl>
 1  1982                -394.                         -147.                 76.6
 2  1983                3428.                         3425.               -344. 
 3  1984                -120.                          305.                 63.6
 4  1985                4198.                          189.                389. 
 5  1986                4060.                         1025.               4238. 
 6  1987                5978.                        16343.               -509. 
 7  1988               41485.                        11794.              -6313. 
 8  1989               44183.                        14803.              -1604. 
 9  1990               -6978.                        30467.               8112. 
10  1991              656322.                        18343.             117489. 
# ℹ 29 more rows
# ℹ abbreviated name: ¹​`CIENCIAS MEDICAS Y DE LA SALUD`
# ℹ 6 more variables: `CIENCIAS SOCIALES` <dbl>, HUMANIDADES <dbl>,
#   `INGENIERIA Y TECNOLOGIA` <dbl>, MULTIDISCIPLINARIO <dbl>,
#   `NO APLICA` <dbl>, `SIN INFORMACION` <dbl>
  1. Elige el valor correspondiente a una celda cualquiera y describe la información que comunica.