Ir al contenido

Ejemplo: datos electorales

Código: vignettes/articles/ejemplo_servel.qmd

En este ejemplo usaremos el paquete de R territorial para llevar a cabo una limpieza de datos territoriales correspondientes a afiliaciones a partidos políticos por sexo y edad. Los datos fueron obtenidos por una solicitud de transparencia (Concejo por la Transparencia) al Servicio Electoral (Servel) de Chile en 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:

library(readxl)
library(here)
#> here() starts at /home/runner/work/territorial/territorial

servel <- read_xlsx(
  here("data-raw/ejemplo_servel_partidos.xlsx"),
  skip = 1)

servel
#> # A tibble: 12,091 × 19
#>    `,`        REGION COMUNA SEXO  `0-19` `20-24` `25-29` `30-34` `35-39` `40-44`
#>    <chr>      <chr>  <chr>  <chr>  <dbl>   <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
#>  1 RENOVACIO… DE AN… ANTOF… M          0      10      17      39      36      45
#>  2 RENOVACIO… DE AN… ANTOF… V          1       5      19      31      43      39
#>  3 RENOVACIO… DE AN… CALAMA M          0       2      12      13      11      11
#>  4 RENOVACIO… DE AN… CALAMA V          0       0      16      13      11      16
#>  5 RENOVACIO… DE AN… MARIA… M          0       2       0       3       1       2
#>  6 RENOVACIO… DE AN… MARIA… V          0       1       2       1       0       0
#>  7 RENOVACIO… DE AN… MEJIL… M          0       0       0       0       0       0
#>  8 RENOVACIO… DE AN… MEJIL… V          0       0       1       0       2       1
#>  9 RENOVACIO… DE AN… OLLAG… M          0       0       1       0       0       0
#> 10 RENOVACIO… DE AN… OLLAG… V          0       1       0       0       0       0
#> # ℹ 12,081 more rows
#> # ℹ 9 more variables: `45-49` <dbl>, `50-54` <dbl>, `55-59` <dbl>,
#> #   `60-64` <dbl>, `65-69` <dbl>, `70-74` <dbl>, `75-79` <dbl>, `80+` <dbl>,
#> #   TOTAL <dbl>

Realizamos una transformación de los datos para que pasen a desde columnas hacia filas:

library(tidyr)

servel <- servel |> 
  pivot_longer(
    cols = where(is.numeric),
    names_to = "edad", 
    values_to = "afiliados")

servel
#> # A tibble: 181,365 × 6
#>    `,`                 REGION         COMUNA      SEXO  edad  afiliados
#>    <chr>               <chr>          <chr>       <chr> <chr>     <dbl>
#>  1 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     0-19          0
#>  2 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     20-24        10
#>  3 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     25-29        17
#>  4 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     30-34        39
#>  5 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     35-39        36
#>  6 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     40-44        45
#>  7 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     45-49        39
#>  8 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     50-54        37
#>  9 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     55-59        43
#> 10 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     60-64        22
#> # ℹ 181,355 more rows

Ahora realizamos una limpieza de los nombres de las columnas:

library(dplyr)
library(janitor)

servel <- servel |> 
  clean_names() |> 
  rename(partido = 1)

servel
#> # A tibble: 181,365 × 6
#>    partido             region         comuna      sexo  edad  afiliados
#>    <chr>               <chr>          <chr>       <chr> <chr>     <dbl>
#>  1 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     0-19          0
#>  2 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     20-24        10
#>  3 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     25-29        17
#>  4 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     30-34        39
#>  5 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     35-39        36
#>  6 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     40-44        45
#>  7 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     45-49        39
#>  8 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     50-54        37
#>  9 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     55-59        43
#> 10 RENOVACION NACIONAL DE ANTOFAGASTA ANTOFAGASTA M     60-64        22
#> # ℹ 181,355 more rows

Finalmente, para siplificar el ejemplo, sumamos la cantidad de afiliados/as a partidos políticos por región, comuna y sexo.

servel <- servel |> 
  summarize(
    afiliados = sum(afiliados),
    .by = c(region, comuna, partido, sexo)
    )

Ahora cargamos el paquete territorial, y la primera acción será validar las comunas presentes en los datos, para percatarnos de cualquier problema:

library(territorial)

servel |> 
  validar_comunas(comuna)
#> ! Resumen: 12091 casos de comunas que no conciden con comunas correctamente escritas (ver `territorial::comunas()`): ANTOFAGASTA, CALAMA, MARIA ELENA, MEJILLONES, OLLAGUE, SAN PEDRO DE ATACAMA, SIERRA GORDA, TALTAL, TOCOPILLA, ARICA y 337 comunas más
#> ! Mayúsculas: 12091 casos de comunas escritas en mayúsculas: ANTOFAGASTA, CALAMA, MARIA ELENA, MEJILLONES, OLLAGUE, SAN PEDRO DE ATACAMA, SIERRA GORDA, TALTAL, TOCOPILLA, ARICA y 337 comunas más
#> ℹ Tildes: 2335 casos de comunas que deberían tener tildes y no los tienen: MARIA ELENA, COPIAPO, AYSEN, RIO IBAÑEZ, COMBARBALA, RIO HURTADO, CURACAUTIN, PITRUFQUEN, PUCON, PUREN y 60 comunas más
#> ℹ Eñes: 29 casos de comunas que deberían tener diéresis (¨) y no tienen: OLLAGUE
#> ℹ Escrituras alternativas: 31 casos de comunas escritas de una forma no recomendada, aunque válida: PAIGUANO
#> ✖ Validación de comunas: se encontraron 26577 problemas con las comunas! Usa `territorial::limpiar_comunas()` para solucionarlos.

Vemos que hay miles de comunas escritas en mayúsculas, más de 2 mil comunas sin tildes, 29 casos de comunas sin eñes, y formas incorrectas de escribir comunas.

Para arreglar las comunas mal escritas, usaremos la función limpiar_comunas() sobre la columna original, para crear una columna de nombres limpios:

servel_limpio <- servel |> 
  mutate(nombre_comuna = limpiar_comunas(comuna, mostrar_proceso = FALSE))
#> ℹ Limpiando 12091 nombres de comunas (347 son distintas)
#> 
#> ── Paso 1: confirmar comunas correctas
#> ℹ De las 347 comunas distintas, ninguna tiene nombres 100% correctos. Los siguientes pasos intentarán la limpieza
#> 
#> ── Paso 2: coincidencias por limpieza de texto
#> ℹ A partir de la limpieza de texto, se limpiaron 343 de 347 comunas: Antofagasta, Calama, María Elena, Mejillones, Ollagüe, San Pedro de Atacama, Sierra Gorda, Taltal, Tocopilla, Arica y 333 comunas más
#> 
#> ── Paso 3: casos especiales
#> ℹ Se encontró 1 caso especial: Cabo de Hornos
#> 
#> ── Paso 4: coincidencias aproximadas de texto
#> ! alerta, se encontraron más de una coincidencia para la comuna `marchigue`: marchihue y la higuera
#> ! alerta, no se encontró ninguna coincidencia para la comuna `fuera del pais`
#> ℹ Se limpiaron 2 de 3 comunas por medio de coincidencias aproximadas de texto: Paihuano y Marchihue
#> 
#> ── Conclusión de limpieza de comunas
#> ✔ De las 347 comunas distintas, se limpiaron 346 en total (99.7%)
#>

La función nos informa que, de las 347 comunas distintas presentes en la tabla de datos, se limpiaron 346 en total (99.7%).

Algunos casos que vemos en el registro son:

  • Paihuano y Marchihue fueron limpiadas a pesar de estar escritas distinto
  • Cabo de Hornos fue limpiada por tratarse de un caso especial, que generalmente viene muy mal escrito (le ponen “Ex-Navarino” o similares al final, dificultando limpieza automatizada
  • La comuna “Fuera del país” no fue convertida, por la obviedad de no tratarse de una comuna

Ahora vemos cómo quedaron los datos:

servel_limpio
#> # A tibble: 12,091 × 6
#>    region         comuna      partido             sexo  afiliados nombre_comuna
#>    <chr>          <chr>       <chr>               <chr>     <dbl> <chr>        
#>  1 DE ANTOFAGASTA ANTOFAGASTA RENOVACION NACIONAL M           748 Antofagasta  
#>  2 DE ANTOFAGASTA ANTOFAGASTA RENOVACION NACIONAL V           676 Antofagasta  
#>  3 DE ANTOFAGASTA CALAMA      RENOVACION NACIONAL M           294 Calama       
#>  4 DE ANTOFAGASTA CALAMA      RENOVACION NACIONAL V           288 Calama       
#>  5 DE ANTOFAGASTA MARIA ELENA RENOVACION NACIONAL M            38 María Elena  
#>  6 DE ANTOFAGASTA MARIA ELENA RENOVACION NACIONAL V            24 María Elena  
#>  7 DE ANTOFAGASTA MEJILLONES  RENOVACION NACIONAL M            10 Mejillones   
#>  8 DE ANTOFAGASTA MEJILLONES  RENOVACION NACIONAL V            20 Mejillones   
#>  9 DE ANTOFAGASTA OLLAGUE     RENOVACION NACIONAL M             8 Ollagüe      
#> 10 DE ANTOFAGASTA OLLAGUE     RENOVACION NACIONAL V            12 Ollagüe      
#> # ℹ 12,081 more rows

Queda limpiar las regiones. Primero las validamos con validar_regiones():

servel_limpio |> 
  validar_regiones(region)
#> ! Mayúsculas: 12091 casos de regiones escritas en mayúsculas
#> ! Ortografía: 3205 casos de regiones escritas sin tilde
#> ✖ Validación de regiones: se encontraron 15296 problemas con las regiones!

Nuevamente encontramos un caos de nombres de regiones. Pero, como ya obtuvimos las comunas limpias, podemos usar la función contextualizar() para basarnos en las comunas limpias para agregar columnas que contextualicen dichas comunas en sus respectivas provincias y regiones:

servel_limpio <- servel_limpio |> 
  contextualizar(nombre_comuna) |> # agregar columnas territoriales nuevas
  select(-region, -comuna) # remover columnas originales
#> ℹ columnas agregadas: codigo_region, nombre_region, codigo_provincia, nombre_provincia y codigo_comuna

Repetimos la validación para confirmar:

servel_limpio |> 
  validar_regiones(nombre_region)
#> ✔ Todas las regiones están correctas!

Terminamos con datos territoriales limpios!

servel_limpio
#> # A tibble: 12,091 × 9
#>    codigo_region nombre_region codigo_provincia nombre_provincia codigo_comuna
#>            <dbl> <chr>                    <dbl> <chr>                    <dbl>
#>  1             2 Antofagasta                 21 Antofagasta               2101
#>  2             2 Antofagasta                 21 Antofagasta               2101
#>  3             2 Antofagasta                 22 El Loa                    2201
#>  4             2 Antofagasta                 22 El Loa                    2201
#>  5             2 Antofagasta                 23 Tocopilla                 2302
#>  6             2 Antofagasta                 23 Tocopilla                 2302
#>  7             2 Antofagasta                 21 Antofagasta               2102
#>  8             2 Antofagasta                 21 Antofagasta               2102
#>  9             2 Antofagasta                 22 El Loa                    2202
#> 10             2 Antofagasta                 22 El Loa                    2202
#> # ℹ 12,081 more rows
#> # ℹ 4 more variables: nombre_comuna <chr>, partido <chr>, sexo <chr>,
#> #   afiliados <dbl>

glimpse(servel_limpio)
#> Rows: 12,091
#> Columns: 9
#> $ codigo_region    <dbl> 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2,…
#> $ nombre_region    <chr> "Antofagasta", "Antofagasta", "Antofagasta", "Antofag…
#> $ codigo_provincia <dbl> 21, 21, 22, 22, 23, 23, 21, 21, 22, 22, 22, 22, 21, 2…
#> $ nombre_provincia <chr> "Antofagasta", "Antofagasta", "El Loa", "El Loa", "To…
#> $ codigo_comuna    <dbl> 2101, 2101, 2201, 2201, 2302, 2302, 2102, 2102, 2202,…
#> $ nombre_comuna    <chr> "Antofagasta", "Antofagasta", "Calama", "Calama", "Ma…
#> $ partido          <chr> "RENOVACION NACIONAL", "RENOVACION NACIONAL", "RENOVA…
#> $ sexo             <chr> "M", "V", "M", "V", "M", "V", "M", "V", "M", "V", "M"…
#> $ afiliados        <dbl> 748, 676, 294, 288, 38, 24, 10, 20, 8, 12, 8, 6, 14, …