library(readxl)
library(here)
library(janitor)
library(dplyr)
sercotec <- read_xlsx(
here("data-raw/ejemplo_sercotec_beneficiarios.xlsx")) |>
clean_names() |>
rename(año = 1)
sercotec
#> # A tibble: 91,258 × 9
#> año direccion_regional instrumento programa tipo_beneficiario sexo_contacto
#> <dbl> <chr> <chr> <chr> <chr> <chr>
#> 1 2024 Región de Tarapacá Digitaliza… Digital… Rut Extendido Femenino
#> 2 2024 Región de Tarapacá Digitaliza… Digital… Rut Extendido Femenino
#> 3 2024 Región de Tarapacá Digitaliza… Digital… Rut Extendido Femenino
#> 4 2024 Región de Tarapacá Digitaliza… Digital… Empresa Jurídica Femenino
#> 5 2024 Región de Tarapacá Digitaliza… Digital… Rut Extendido Femenino
#> 6 2024 Región de Tarapacá Digitaliza… Digital… Rut Extendido Femenino
#> 7 2024 Región de Tarapacá Digitaliza… Digital… Empresa Jurídica Femenino
#> 8 2024 Región de Tarapacá Digitaliza… Digital… Rut Extendido Masculino
#> 9 2024 Región de Tarapacá Digitaliza… Digital… Empresa Jurídica Masculino
#> 10 2024 Región de Tarapacá Digitaliza… Digital… Rut Extendido Masculino
#> # ℹ 91,248 more rows
#> # ℹ 3 more variables: comuna_beneficiario <chr>,
#> # actividad_economica_postulacion <chr>,
#> # actividad_economica_postulante_beneficiario <chr>En este ejemplo se limpian datos territoriales sobre personas beneficiarias de programas de apoyo al emprendimiento de Sercotec (Servicio de Cooperación Técnica) en Chile, a nivel comunal y por sexo. Los datos corresponden al año 2024, y fueron obtenidos mediante solicitud de transparencia el año 2025.
Estos datos son públicos y oficiales, y fueron obtenidos como parte del desarrollo del Índice de Brechas de Género de Subdere.
Puedes descargar aquí los datos para seguir el ejemplo.
Primero cargamos los datos originales:
Los datos contienen una fila por cada persona beneficiaria, con columnas que identifican el programa, el sexo y la comuna, entre otras.
Filtramos los datos para quedarnos solamente con el año 2024, y sólo con los casos que tienen sexo y comuna informados:
Revisamos las categorías de sexo disponibles:
sercotec |>
count(sexo_contacto)
#> # A tibble: 4 × 2
#> sexo_contacto n
#> <chr> <int>
#> 1 Femenino 57641
#> 2 Masculino 31134
#> 3 No Binario 91
#> 4 No Informa 2392Finalmente agrupamos por comuna y sexo para obtener el conteo de personas beneficiarias:
sercotec <- sercotec |>
group_by(comuna_beneficiario, sexo_contacto) |>
count() |>
ungroup()
sercotec
#> # A tibble: 958 × 3
#> comuna_beneficiario sexo_contacto n
#> <chr> <chr> <int>
#> 1 Aisén Femenino 440
#> 2 Aisén Masculino 214
#> 3 Aisén No Informa 4
#> 4 Algarrobo Femenino 102
#> 5 Algarrobo Masculino 40
#> 6 Algarrobo No Informa 2
#> 7 Alhué Femenino 41
#> 8 Alhué Masculino 12
#> 9 Alto Biobío Femenino 11
#> 10 Alto Biobío Masculino 9
#> # ℹ 948 more rowsAhora cargamos el paquete territorial para evaluar la calidad de los nombres de las comunas usados en esta base de datos:
library(territorial)
sercotec |>
validar_comunas(comuna_beneficiario)
#> ! Resumen: 24 casos de comunas que no conciden con comunas correctamente escritas (ver `territorial::comunas()`): Aisén, Los Alamos, Los Ángeles, No Informada, OHiggins, Otro lugar, Puerto Saavedra, Ránquil y Treguaco
#> ℹ Tildes: 3 casos de comunas que deberían tener tildes y no los tienen: Los Alamos
#> ℹ Problemas comunes: 2 casos de comunas popularmente mal escritas: OHiggins
#> ℹ Escrituras alternativas: 5 casos de comunas escritas de una forma no recomendada, aunque válida: Aisén y Treguaco
#> ✖ Validación de comunas: se encontraron 34 problemas con las comunas! Usa `territorial::limpiar_comunas()` para solucionarlos.La validación detecta varios problemas: Los Alamos le falta el tilde (muchas personas siguen pensando que las letras mayúsculas no llevan tilde, un vestigio de la antigua imprenta), OHiggins tiene su apóstrofo omitido, mientras que Aisén y Treguaco están escritas de forma no recomendada. También hay valores como No Informada y Otro lugar que no corresponden a comunas reales.
Para corregir estos problemas usamos territorial::limpiar_comunas() sobre la columna que contiene los nombres comunales:
sercotec_limpio <- sercotec |>
mutate(nombre_comuna = limpiar_comunas(comuna_beneficiario))
#> ℹ Limpiando 958 nombres de comunas (346 son distintas)
#>
#> ── Paso 1: confirmar comunas correctas
#> ℹ De las 346 comunas distintas, 337 ya eran correctas: Algarrobo, Alhué, Alto Biobío, Alto Hospicio, Alto del Carmen, Ancud, Andacollo, Angol, Antofagasta, Antuco y 327 comunas más
#>
#> ── Paso 2: coincidencias por limpieza de texto
#> ℹ A partir de la limpieza de texto, se limpiaron 341 de 346 comunas: Algarrobo, Alhué, Alto Biobío, Alto Hospicio, Alto del Carmen, Ancud, Andacollo, Angol, Antofagasta, Antuco y 331 comunas más
#>
#> ── Paso 3: casos especiales
#> ℹ Se encontraron 3 casos especiales: Aysén, Cabo de Hornos y Saavedra
#>
#> ── Paso 4: coincidencias aproximadas de texto
#> ! alerta, no se encontró ninguna coincidencia para la comuna `no informada`
#> ! alerta, no se encontró ninguna coincidencia para la comuna `otro lugar`
#> ℹ Se limpiaron 1 de 3 comunas por medio de coincidencias aproximadas de texto: Trehuaco
#>
#> ── Conclusión de limpieza de comunas
#> ✔ De las 346 comunas distintas, se limpiaron 344 en total (99.4%)
#> La función limpia automáticamente los tildes faltantes, las escrituras alternativas (como Aisén por Aysén y Treguaco por Trehuaco), y los casos especiales como Puerto Saavedra (que se estandariza como Saavedra) y Cabo de Hornos (que se le suele añadir el texto “Ex Navarino” o similar). También detecta que No Informada y Otro lugar no son comunas reales, dejándolas como NA.
Filtramos las filas sin comuna identificada, eliminamos la columna de nombres de comunas originales, y verificamos el resultado:
sercotec_limpio <- sercotec_limpio |>
filter(!is.na(nombre_comuna)) |>
select(-comuna_beneficiario)
sercotec_limpio
#> # A tibble: 951 × 3
#> sexo_contacto n nombre_comuna
#> <chr> <int> <chr>
#> 1 Femenino 440 Aysén
#> 2 Masculino 214 Aysén
#> 3 No Informa 4 Aysén
#> 4 Femenino 102 Algarrobo
#> 5 Masculino 40 Algarrobo
#> 6 No Informa 2 Algarrobo
#> 7 Femenino 41 Alhué
#> 8 Masculino 12 Alhué
#> 9 Femenino 11 Alto Biobío
#> 10 Masculino 9 Alto Biobío
#> # ℹ 941 more rowsOpcionalmente, confirmamos que los datos están limpios:
sercotec_limpio |>
validar_comunas(nombre_comuna)
#> ✔ Todas las comunas están correctas!Finalmente, podemos usar ubicar_comunas() para agregar la región correspondiente a cada comuna, y as_codigo_comuna() para transformar el nombre de la comuna en código único territorial (ver vignette("codigos_unicos_territoriales")):
sercotec_limpio <- sercotec_limpio |>
mutate(nombre_region = ubicar_comunas(nombre_comuna)) |>
mutate(codigo_comuna = as_codigo_comuna(nombre_comuna)) |>
relocate(codigo_comuna, nombre_region, .after = nombre_comuna)
sercotec_limpio
#> # A tibble: 951 × 5
#> sexo_contacto n nombre_comuna codigo_comuna nombre_region
#> <chr> <int> <chr> <dbl> <chr>
#> 1 Femenino 440 Aysén 11201 Aysén del General Carlos Ibá…
#> 2 Masculino 214 Aysén 11201 Aysén del General Carlos Ibá…
#> 3 No Informa 4 Aysén 11201 Aysén del General Carlos Ibá…
#> 4 Femenino 102 Algarrobo 5602 Valparaíso
#> 5 Masculino 40 Algarrobo 5602 Valparaíso
#> 6 No Informa 2 Algarrobo 5602 Valparaíso
#> 7 Femenino 41 Alhué 13502 Metropolitana de Santiago
#> 8 Masculino 12 Alhué 13502 Metropolitana de Santiago
#> 9 Femenino 11 Alto Biobío 8314 Biobío
#> 10 Masculino 9 Alto Biobío 8314 Biobío
#> # ℹ 941 more rowsO bien, usamos territorial::contextualizar() para agregar todas las columnas de identificación territorial a partir del nombre de comuna:
sercotec_limpio |>
contextualizar(nombre_comuna)
#> ! más de una variable territorial detectada en los datos! descartando todas excepto `nombre_comuna`.
#> ℹ columnas agregadas: codigo_region, nombre_region, codigo_provincia, nombre_provincia y codigo_comuna
#> # A tibble: 951 × 8
#> codigo_region nombre_region codigo_provincia nombre_provincia codigo_comuna
#> <dbl> <chr> <dbl> <chr> <dbl>
#> 1 11 Aysén del Gene… 112 Aysén 11201
#> 2 11 Aysén del Gene… 112 Aysén 11201
#> 3 11 Aysén del Gene… 112 Aysén 11201
#> 4 5 Valparaíso 56 San Antonio 5602
#> 5 5 Valparaíso 56 San Antonio 5602
#> 6 5 Valparaíso 56 San Antonio 5602
#> 7 13 Metropolitana … 135 Melipilla 13502
#> 8 13 Metropolitana … 135 Melipilla 13502
#> 9 8 Biobío 83 Biobío 8314
#> 10 8 Biobío 83 Biobío 8314
#> # ℹ 941 more rows
#> # ℹ 3 more variables: nombre_comuna <chr>, sexo_contacto <chr>, n <int>Con esto tenemos un dataset limpio y territorializado, listo para análisis posteriores.