library(territorial)
sample(comunas(), 12) [1] "Cabrero" "Rancagua" "Chanco" "Combarbalá" "Futrono"
[6] "Arauco" "Hualaihué" "Navidad" "Valparaíso" "Putre"
[11] "Portezuelo" "Trehuaco" Instalación
Puedes instalar este paquete de R desde GitHub usando el paquete {pak}:
# install.packages("pak")
pak::pak("bastianolea/territorial")Los siguientes ejemplos te ayudarán a familiarizarte con algunas de las funciones de territorial.
Datos comunales
Quizás lo más básico que podemos hacer a nivel comunal con territorial es obtener un vector con las comunas del país:
Tabla de comunas, provincias y regiones de Chile
El paquete ofrece una tabla de datos que contiene todas las comunas del país con sus nombres oficiales, sus códigos únicos territoriales, y lo mismo para las provincias y regiones del país.
Para ver la tabla de comunas, provincias y regiones, ejecuta territorial::territorios:
library(dplyr)
names(territorial::territorios)[1] "codigo_region" "nombre_region" "codigo_provincia" "nombre_provincia"
[5] "codigo_comuna" "nombre_comuna"
territorios# A tibble: 346 × 6
codigo_region nombre_region codigo_provincia nombre_provincia codigo_comuna
<dbl> <chr> <dbl> <chr> <dbl>
1 1 Tarapacá 11 Iquique 1101
2 1 Tarapacá 11 Iquique 1107
3 1 Tarapacá 14 Tamarugal 1401
4 1 Tarapacá 14 Tamarugal 1402
5 1 Tarapacá 14 Tamarugal 1403
6 1 Tarapacá 14 Tamarugal 1404
7 1 Tarapacá 14 Tamarugal 1405
8 2 Antofagasta 21 Antofagasta 2101
9 2 Antofagasta 21 Antofagasta 2102
10 2 Antofagasta 21 Antofagasta 2103
# ℹ 336 more rows
# ℹ 1 more variable: nombre_comuna <chr>Esta tabla es la fuente de verdad de toda la información territorial usada en el paquete, y corresponde a los datos oficiales de la Subsecretría de Desarrollo Regional y Administrativo, Ministerio del Interior de Chile.
Validación de calidad de nombres de comunas
Si tienes una tabla de datos con datos comunales, lo primero sería revisar la calidad de sus datos. La función validar_comunas() indica qué posibles problemas existen con los nombres de las comunas.
Imaginemos una tabla de datos con muy mala calidad de nombres de comunas. Usemos como ejemplo la siguiente tabla de datos:
datos# A tibble: 9 × 2
nombre_comuna valores
<chr> <dbl>
1 PIRQUE 4
2 El Monte 6
3 Maipu 2
4 santiago 8
5 prohibidencia 6
6 CERRILLOS 3
7 San José De Maipo 5
8 Puerto Saavedra 8
9 OHiggins 10Para empezar a trabajar con estos datos, validamos su calidad primero:
datos |>
validar_comunas(nombre_comuna) # cuando la columna con nombres de comunas se llama `nombre_comuna`, no es necesario especificarla! Resumen: 8 casos de comunas que no conciden con comunas correctamente escritas (ver `territorial::comunas()`): PIRQUE, Maipu, santiago, prohibidencia, CERRILLOS, San José De Maipo, Puerto Saavedra y OHiggins! Mayúsculas: 2 casos de comunas escritas en mayúsculas: PIRQUE y CERRILLOS! Minúsculas: 2 casos de comunas escritas en minúsculas: santiago y prohibidencia! Mayúsculas: 1 caso de comunas con preposiciones ('de', 'del') escritas en mayúsculas: San José De Maipoℹ Tildes: 1 caso de comunas que deberían tener tildes y no los tienen: Maipuℹ Problemas comunes: 1 caso de comunas popularmente mal escritas: OHiggins✖ Validación de comunas: se encontraron 15 problemas con las comunas! Usa `territorial::limpiar_comunas()` para solucionarlos.Limpieza de nombres de comunas de Chile
Luego de saber más o menos el tipo de problemas que tienen los nombres de las comunas en esta tabla, podemos usar la función limpiar_comunas() para corregir automáticamente los nombres de las comunas:
datos |>
limpiar_comunas()ℹ Limpiando 9 nombres de comunas (9 son distintas)→ Paso 1: confirmar comunas correctasℹ De las 9 comunas distintas, 1 ya eran correctas: El Monte→ Paso 2: coincidencias por limpieza de textoℹ A partir de la limpieza de texto, se limpiaron 7 de 9 comunas: Pirque, El Monte, Maipú, Santiago, Cerrillos, San José de Maipo y O'Higgins→ Paso 3: casos especialesℹ Se encontró 1 caso especial: Saavedra→ Paso 4: coincidencias aproximadas de textoℹ Se limpió la comuna por medio de coincidencia aproximada de texto: Providencia→ Conclusión de limpieza de comunas✔ De las 9 comunas distintas, se limpiaron 9 en total (100%)# A tibble: 9 × 2
nombre_comuna valores
<chr> <dbl>
1 Pirque 4
2 El Monte 6
3 Maipú 2
4 Santiago 8
5 Providencia 6
6 Cerrillos 3
7 San José de Maipo 5
8 Saavedra 8
9 O'Higgins 10Esta función realiza una limpieza de los nombres en tres pasos, que puedes leer en detalle en su documentación: ?limpiar_comunas.
En este caso, simplemente se aplica la función porque la tabla contiene la columna nombre_comuna, pero si la columna con nombres se llama distinto, puedes indicarla en la función.
También puedes limpiar las comunas creando una variable nueva usando la función dentro de mutate():
library(dplyr)
datos |>
mutate(nombre_corregido = limpiar_comunas(nombre_comuna))# A tibble: 9 × 3
nombre_comuna valores nombre_corregido
<chr> <dbl> <chr>
1 PIRQUE 4 Pirque
2 El Monte 6 El Monte
3 Maipu 2 Maipú
4 santiago 8 Santiago
5 prohibidencia 6 Providencia
6 CERRILLOS 3 Cerrillos
7 San José De Maipo 5 San José de Maipo
8 Puerto Saavedra 8 Saavedra
9 OHiggins 10 O'Higgins En ambos casos, la función entrega mensajes relevantes sobre el proceso de limpieza y el tipo de problemas resueltos.
Para evaluar el funcionamiento de la limpieza automática, usar el argumento procedimiento = TRUE para ver el paso a paso en columnas:
datos |>
limpiar_comunas(procedimiento = TRUE) |>
invisible()ℹ Limpiando 9 nombres de comunas (9 son distintas)→ Paso 1: confirmar comunas correctasℹ De las 9 comunas distintas, 1 ya eran correctas: El Monte→ Paso 2: coincidencias por limpieza de textoℹ A partir de la limpieza de texto, se limpiaron 7 de 9 comunas: Pirque, El Monte, Maipú, Santiago, Cerrillos, San José de Maipo y O'Higgins→ Paso 3: casos especialesℹ Se encontró 1 caso especial: Saavedra→ Paso 4: coincidencias aproximadas de textoℹ Se limpió la comuna por medio de coincidencia aproximada de texto: Providencia→ Conclusión de limpieza de comunas✔ De las 9 comunas distintas, se limpiaron 9 en total (100%)ℹ Mostrando proceso:# A tibble: 9 × 6
original correctas limpieza especiales coincidencia resultado
<chr> <chr> <chr> <chr> <chr> <chr>
1 PIRQUE <NA> Pirque <NA> <NA> Pirque
2 El Monte El Monte El Monte <NA> <NA> El Monte
3 Maipu <NA> Maipú <NA> <NA> Maipú
4 santiago <NA> Santiago <NA> <NA> Santiago
5 prohibidencia <NA> <NA> <NA> Providencia Providen…
6 CERRILLOS <NA> Cerrillos <NA> <NA> Cerrillos
7 San José De Maipo <NA> San José de Mai… <NA> <NA> San José…
8 Puerto Saavedra <NA> <NA> Saavedra <NA> Saavedra
9 OHiggins <NA> O'Higgins <NA> <NA> O'HigginsFunciones para confirmar nombres de comunas
Si necesitamos más control, también podemos confirmar los nombres manualmente consultando si las comunas son válidas:
comunas <- c("Providencia", "Vitacura", "Las Condes", "Lo Barnechea", "Ratas", NA)
is_nombre_comuna(comunas)[1] TRUE TRUE TRUE TRUE FALSE FALSELo anterior sería equivalente a hacer comunas %in% territorial::comunas(). Esto puede servir, por ejemplo, para validar datos en una aplicación Shiny.
También se puede confirmar si los códigos únicos territoriales son válidos:
comunas <- c(1101, 1107, NA, 99999)
is_codigo_comuna(comunas)[1] TRUE TRUE FALSE FALSERevisar presencia de comunas en una tabla
Otro caso de validación de datos territoriales puede ser cuando nos encontramos con una tabla que tiene muchas observaciones, y queremos confirmar si tiene casos para todas las comunas del país, o bien, si hay comunas que están faltantes entre sus datos.
Para el ejemplo, creemos una tabla de datos con muchas observaciones de comunas:
library(dplyr)
n_comunas <- 324
base <- territorios |>
select(nombre_comuna, codigo_comuna) |>
slice_sample(n = n_comunas) |>
mutate(a = runif(n = n_comunas),
b = runif(n = n_comunas),
c = runif(n = n_comunas)) |>
tidyr::pivot_longer(cols = c(a, b, c)) |>
arrange(value)
base# A tibble: 972 × 4
nombre_comuna codigo_comuna name value
<chr> <dbl> <chr> <dbl>
1 Molina 7304 a 0.00119
2 Villa Alemana 5804 b 0.00295
3 Osorno 10301 b 0.00399
4 Mariquina 14106 c 0.00441
5 Teodoro Schmidt 9117 a 0.00462
6 Purranque 10303 c 0.00578
7 Freirina 3303 b 0.00712
8 Vallenar 3301 c 0.00862
9 Linares 7401 c 0.0102
10 La Cruz 5504 b 0.0103
# ℹ 962 more rowsEsta tabla tiene 972 filas, ¿cómo confirmar si existen datos para todas las comunas de Chile? Para eso está la función contar_comunas():
base |>
contar_comunas()ℹ Cantidad de comunas únicas: 324! La cantidad de comunas es anómala: hay 324, pero deberían ser 346. Revísalas con `territorial::validar_comunas()`→ Las comunas faltantes son: Illapel, Monte Patria, Hijuelas, Santa María, Codegua, Coltauco, La Estrella, Chanco, Pelluhue, Cañete, Curanilahue, Vilcún, Collipulli, Renaico, Puqueldón, Futaleufú, Río Verde, El Bosque, Independencia, La Granja, Buin y San NicolásLa función contar_comunas() nos indica cuántas comunas únicas hay, y las que faltan. Esto es útil porque muchas veces las bases de datos reales no tienen datos para todas las comunas, sobre todo las más pequeñas y remotas.
Si dentro de esa tabla con comunas quieres confirmar si existe una en específico, o saber cómo viene escrita, usa la utilidad buscar_comuna():
base |>
buscar_comuna("Alto")! Se encontraron 30 resultados, mostrando sólo 6.ℹ Los resultados más cercanos al término `Alto` son: Alto Hospicio, Puente Alto, Alto Biobío y Alto del Carmen# A tibble: 6 × 5
nombre_comuna codigo_comuna name value puntaje
<chr> <dbl> <chr> <dbl> <dbl>
1 Alto Hospicio 1107 b 0.390 1
2 Alto Hospicio 1107 c 0.454 1
3 Puente Alto 13201 b 0.513 1
4 Alto Biobío 8314 b 0.520 1
5 Alto Hospicio 1107 a 0.555 1
6 Alto del Carmen 3302 b 0.568 1Crear nombres de comunas a partir de códigos únicos territoriales
Algo que suele pasar es tener datos comunales con las comunas mal escritas, pero que vienen con códigos únicos territoriales. En este caso, aparte de limpiarlas con limpiar_comunas(), podemos crear los nombres de comunas a partir de los códigos únicos territoriales:
datos# A tibble: 10 × 2
codigo_comuna municipio
<dbl> <chr>
1 13110 LA FLORIDA
2 16103 CHILLAN VIEJO
3 10301 OSORNO
4 16302 COIHUECO
5 13132 VITACURA
6 13501 MELIPILLA
7 14204 RIO BUENO
8 11401 CHILE CHICO
9 16202 COBQUECURA
10 13116 LO ESPEJO
# crear nombres de comuna a partir de códigos comunales
datos |>
mutate(nombre_comuna = as_nombre_comuna(codigo_comuna))# A tibble: 10 × 3
codigo_comuna municipio nombre_comuna
<dbl> <chr> <chr>
1 13110 LA FLORIDA La Florida
2 16103 CHILLAN VIEJO Chillán Viejo
3 10301 OSORNO Osorno
4 16302 COIHUECO Coihueco
5 13132 VITACURA Vitacura
6 13501 MELIPILLA Melipilla
7 14204 RIO BUENO Río Bueno
8 11401 CHILE CHICO Chile Chico
9 16202 COBQUECURA Cobquecura
10 13116 LO ESPEJO Lo Espejo Obtener códigos únicos territoriales a partir de nombres de comunas
También podemos tener el caso inverso: una tabla con datos comunales que vienen con nombres de comunas, pero sin códigos únicos territoriales. Podemos crear los códigos únicos territoriales a partir de los nombres de comunas:
datos# A tibble: 6 × 2
nombre_comuna valor
<chr> <dbl>
1 Pirque 1
2 Cerrillos 2
3 Puente Alto 1
4 La Florida 3
5 Ñuñoa 1
6 Conchalí 2
# agregar códigos comunales a partir de nombres de comunas
datos |>
mutate(codigo_comuna = as_codigo_comuna(nombre_comuna))# A tibble: 6 × 3
nombre_comuna valor codigo_comuna
<chr> <dbl> <dbl>
1 Pirque 1 13202
2 Cerrillos 2 13102
3 Puente Alto 1 13201
4 La Florida 3 13110
5 Ñuñoa 1 13120
6 Conchalí 2 13104Naturalmente, lo anterior requiere que los nombres de las comunas estén bien escritos, así que habría que haber confirmado con validar_comunas() y/o haber limpiado con limpiar_comunas().
Agregar variables territoriales faltantes
Si tenemos datos de nivel comunal pero les faltan variables territoriales, podemos contextualizar los datos comunales al agregarles todas las variables que les faltan con la función contextualizar():
datos <- tribble(
~nombre_comuna, ~valor,
"Cerrillos", 1,
"Arica", 2,
"Putre", 3)
datos# A tibble: 3 × 2
nombre_comuna valor
<chr> <dbl>
1 Cerrillos 1
2 Arica 2
3 Putre 3
datos |>
contextualizar(nombre_comuna)ℹ Columnas agregadas: codigo_region, nombre_region, codigo_provincia, nombre_provincia y codigo_comuna# A tibble: 3 × 7
codigo_region nombre_region codigo_provincia nombre_provincia codigo_comuna
<dbl> <chr> <dbl> <chr> <dbl>
1 13 Metropolitana d… 131 Santiago 13102
2 15 Arica y Parinac… 151 Arica 15101
3 15 Arica y Parinac… 152 Parinacota 15201
# ℹ 2 more variables: nombre_comuna <chr>, valor <dbl>Otras funciones para comunas
Si tienes una comuna y quieres obtener la región a la que pertenece, usa ubicar_comunas():
comuna <- "Curacautín"
ubicar_comunas(comuna)[1] "La Araucanía"Si tienes varias comunas y quieres crear un texto que las contenga, usa redactar_comunas():
comunas <- c("Lo Espejo", "La Granja", "La Pintana", "Puente Alto")
redactar_comunas(comunas)Lo Espejo, La Granja, La Pintana y Puente AltoSi quieres saber si una comuna clasifica como urbana, mixta o rural de acuerdo a la clasificación de la Oficina de Estudios y Políticas Agrarias (Odepa), usa agregar_clasificacion():
comunas <- c("Curanilahue", "Melipilla", "San Pedro")
agregar_clasificacion(
as_codigo_comuna(comunas)
) [1] Mixta Urbana Rural
Levels: Rural Mixta UrbanaEstas funciones son particularmente útiles para cuando estés creando reportes o aplicaciones web Shiny.
Datos regionales
Las siguientes son funciones de R centradas en las regiones de Chile. Puedes obtener las regiones con la función regiones():
[1] "Arica y Parinacota"
[2] "Tarapacá"
[3] "Antofagasta"
[4] "Atacama"
[5] "Coquimbo"
[6] "Valparaíso"
[7] "Metropolitana de Santiago"
[8] "Libertador General Bernardo O'Higgins"
[9] "Maule"
[10] "Ñuble"
[11] "Biobío"
[12] "La Araucanía"
[13] "Los Ríos"
[14] "Los Lagos"
[15] "Aysén del General Carlos Ibáñez del Campo"
[16] "Magallanes y de la Antártica Chilena" Las regiones con sus códigos territoriales puedes sacarlas de la tabla territorial::territorios:
# A tibble: 16 × 2
codigo_region nombre_region
<dbl> <chr>
1 1 Tarapacá
2 2 Antofagasta
3 3 Atacama
4 4 Coquimbo
5 5 Valparaíso
6 6 Libertador General Bernardo O'Higgins
7 7 Maule
8 8 Biobío
9 9 La Araucanía
10 10 Los Lagos
11 11 Aysén del General Carlos Ibáñez del Campo
12 12 Magallanes y de la Antártica Chilena
13 13 Metropolitana de Santiago
14 14 Los Ríos
15 15 Arica y Parinacota
16 16 Ñuble Ordenar regiones de Chile
Cuando trabajamos datos de nivel regional, una necesidad común es ordenar las regiones en el orden geográfico; es decir, de norte a sur. Para ello existe la función ordenar_regiones():
regiones# A tibble: 16 × 2
codigo_region nombre_region
<dbl> <chr>
1 1 Tarapacá
2 2 Antofagasta
3 3 Atacama
4 4 Coquimbo
5 5 Valparaíso
6 6 Libertador General Bernardo O'Higgins
7 7 Maule
8 8 Biobío
9 9 La Araucanía
10 10 Los Lagos
11 11 Aysén del General Carlos Ibáñez del Campo
12 12 Magallanes y de la Antártica Chilena
13 13 Metropolitana de Santiago
14 14 Los Ríos
15 15 Arica y Parinacota
16 16 Ñuble Aquí tenemos las regiones en orden según su numeración, pero queremos ordenarlas de norte a sur:
regiones |>
ordenar_regiones()# A tibble: 16 × 2
codigo_region nombre_region
<dbl> <fct>
1 15 Arica y Parinacota
2 1 Tarapacá
3 2 Antofagasta
4 3 Atacama
5 4 Coquimbo
6 5 Valparaíso
7 13 Metropolitana de Santiago
8 6 Libertador General Bernardo O'Higgins
9 7 Maule
10 16 Ñuble
11 8 Biobío
12 9 La Araucanía
13 14 Los Ríos
14 10 Los Lagos
15 11 Aysén del General Carlos Ibáñez del Campo
16 12 Magallanes y de la Antártica Chilena Acortar nombres de regiones de Chile
Hay regiones de Chile con nombres extensos, y que en ciertos contextos requieren de una versión más breve. Por ejemplo, no siempre es relevante leer “Libertador General” o “General Carlos Ibáñez del Campo”. Para eso podemos acortar_regiones():
regiones |>
ordenar_regiones() |>
mutate(nombre_region_corto = acortar_regiones(nombre_region))# A tibble: 16 × 3
codigo_region nombre_region nombre_region_corto
<dbl> <fct> <chr>
1 15 Arica y Parinacota Arica y Parinacota
2 1 Tarapacá Tarapacá
3 2 Antofagasta Antofagasta
4 3 Atacama Atacama
5 4 Coquimbo Coquimbo
6 5 Valparaíso Valparaíso
7 13 Metropolitana de Santiago Metropolitana
8 6 Libertador General Bernardo O'Higgins O'Higgins
9 7 Maule Maule
10 16 Ñuble Ñuble
11 8 Biobío Biobío
12 9 La Araucanía La Araucanía
13 14 Los Ríos Los Ríos
14 10 Los Lagos Los Lagos
15 11 Aysén del General Carlos Ibáñez del Campo Aysén
16 12 Magallanes y de la Antártica Chilena Magallanes Clasificar regiones de Chile en macrozonas
Algunos análisis requieren de agrupar las regiones de Chile en grupos, usualmente derivados de su posición geográfica. Con la función agregar_macrozona() se pueden clasificar las regiones del país en varios tipos de macrozona a partir de sus códigos regionales:
regiones |>
ordenar_regiones() |>
mutate(
macrozona_1 = agregar_macrozona(codigo_region, tipo = 1),
macrozona_2 = agregar_macrozona(codigo_region, tipo = 2),
macrozona_3 = agregar_macrozona(codigo_region, tipo = 3),
macrozona_4 = agregar_macrozona(codigo_region, tipo = 4)
)# A tibble: 16 × 6
codigo_region nombre_region macrozona_1 macrozona_2 macrozona_3 macrozona_4
<dbl> <fct> <fct> <fct> <fct> <fct>
1 15 Arica y Parina… Norte Norte Norte Norte Gran…
2 1 Tarapacá Norte Norte Norte Norte Gran…
3 2 Antofagasta Norte Norte Norte Norte Gran…
4 3 Atacama Norte Norte Norte Norte Chico
5 4 Coquimbo Norte Centro Centro Norte Chico
6 5 Valparaíso Centro Centro Centro Norte Chico
7 13 Metropolitana … Centro Centro Metropolit… Zona centr…
8 6 Libertador Gen… Centro Centro Centro sur Zona centr…
9 7 Maule Centro Centro/sur Centro sur Zona centr…
10 16 Ñuble Sur Centro/sur Centro sur Zona centr…
11 8 Biobío Sur Centro/sur Centro sur Zona centr…
12 9 La Araucanía Sur Centro/sur Sur Zona Sur
13 14 Los Ríos Sur Sur Sur Zona Sur
14 10 Los Lagos Sur Sur Sur Zona Sur
15 11 Aysén del Gene… Austral Sur Austral Zona Austr…
16 12 Magallanes y d… Austral Sur Austral Zona Austr…Para más información, ver la viñeta sobre macrozonas.
Validación de calidad de nombres de regiones
Otro problema que podemos tener son datos de regiones con los nombres mal escritos. Para eso tenemos la función validar_regiones(), que revisará los nombres de las regiones y reportará los problemas existentes:
# A tibble: 4 × 1
nombre_region
<chr>
1 los lagos
2 nuble
3 OHIGGINS
4 Araucania
regiones |>
validar_regiones()ℹ No se especificó la variable: asumiendo columna `nombre_region`! Mayúsculas: 1 caso de regiones escritas en mayúsculas! Mayúsculas: 2 casos de regiones escritas en minúsculas! Ortografía: 1 caso de la Región de Ñuble escrita sin eñe! Ortografía: 1 caso de la Región de O'Higgins escrita sin su apóstrofo (')! Ortografía: 1 caso de regiones escritas sin tilde✖ Validación de regiones: se encontraron 6 problemas con las regiones!Limpieza de nombres de regiones de Chile
Al igual que con la función limpiar_comunas(), existe la función limpiar_regiones(), que aplica varios pasos de limpieza automatizada de textos para obtener nombres de regiones válidos.
Veamos un ejemplo con una tabla de datos donde las regiones vienen mal escritas:
# A tibble: 4 × 1
nombre_region
<chr>
1 NUBLE
2 AISEN
3 OHIGINS
4 RM Usamos limpiar_regiones() para obtener versiones válidas de los nombres:
regiones |>
limpiar_regiones() # asume que la columna es `nombre_region`ℹ Limpiando 4 nombres de región (4 son distintos)→ Paso 1: confirmar regiones correctasℹ De las 4 regiones distintas, ninguna tiene nombres 100% correctos. Los siguientes pasos intentarán la limpieza→ Paso 2: coincidencias por limpieza de textoℹ A partir de la limpieza de texto, se limpiaron 1 de 4 regiones: Ñuble→ Paso 3: casos especialesℹ Se encontraron 2 casos especiales: Aysén del General Carlos Ibáñez del Campo y Metropolitana de Santiago→ Paso 4: coincidencias aproximadas de texto! Se encontraron 2 coincidencias para la región `ohigins`: ohiggins y libertador general bernardo ohigginsℹ Se limpiaron 1 de 1 regiones por medio de coincidencias aproximadas de texto: Libertador General Bernardo O'Higgins→ Conclusión de limpieza de regiones✔ De las 4 regiones distintas, se limpiaron 4 en total (100%)# A tibble: 4 × 1
nombre_region
<chr>
1 Ñuble
2 Aysén del General Carlos Ibáñez del Campo
3 Libertador General Bernardo O'Higgins
4 Metropolitana de Santiago Obtener comunas de una región
Para saber qué comunas forman parte de una región, usa obtener_comunas():
region <- regiones()[4]
region[1] "Atacama"
obtener_comunas(region)ℹ Comunas de la región: Copiapó, Caldera, Tierra Amarilla, Chañaral, Diego de Almagro, Vallenar, Alto del Carmen, Freirina y Huasco[1] "Copiapó" "Caldera" "Tierra Amarilla" "Chañaral"
[5] "Diego de Almagro" "Vallenar" "Alto del Carmen" "Freirina"
[9] "Huasco" Otras funciones para regiones
Si tienes nombres de región y estás creando reportes o aplicaciones que usan las regiones dentro de párrafos, sabrás que hay regiones que se anteceden por preposiciones distintas (Región “del” Maule, Región “de” O’Higgins), e incluso sin preposiciones (no se escribe Región “de” Metropolitana). Para eso existe la función preposicion_region():
region <- c("Maule", "O'Higgins")
preposicion_region(region)[1] "del" "de" La mejor forma de obtener el nombre redactado de la región sería con, obviamente, redactar_region():
redactar_region(region)[1] "Región del Maule" "Región de O'Higgins"Datos de localidades
El paquete también contiene datos a nivel sub-comunal de Chile, como son las localidades. Las localidades son asentamientos o áreas subcomunales que no son entidades administrativas. Puedes consultarlas en la tabla territorial::localidades:
localidades# A tibble: 29,256 × 6
codigo_comuna localidad tipo subtipo habitantes viviendas
<dbl> <chr> <chr> <chr> <dbl> <dbl>
1 1101 Indeterminada Localidad … Indete… 30 12
2 1101 Río Seco Localidad … Caserío 131 117
3 1101 Cholito Localidad … Asenta… 2 2
4 1101 Complejo Aduana El Loa Localidad … Parcel… 0 1
5 1101 Caleta San Marcos Localidad … Asenta… 259 153
6 1101 Caleta Chipana Localidad … Caserío 84 57
7 1101 Ike Ike Localidad … Asenta… 29 11
8 1101 Indeterminada Localidad … Indete… 11 7
9 1101 Piedra Polo Localidad … Asenta… 5 7
10 1101 Altos de Río Seco Localidad … Caserío 14 13
# ℹ 29,246 more rowsEsta tabla de localidades proviene del estudio de Identificación de localidades en condición de aislamiento, realizado por la Subsecretaría de Desarrollo Regional y Administrativo y publicado el año 2021.
Ubicar localidades del país en comunas
Con la función ubicar_localidades(), podemos consultar nombres de localidades de Chile para ubicarlas geográficamente en la comuna donde se emplazan:
ubicar_localidades(c("Chada", "La Dormida", "Mallarauco"))ℹ Buscando localidad 'Chada'! Se encontraron 5 localidades coincidentes:# A tibble: 5 × 5
nombre_region nombre_comuna localidad tipo subtipo
<chr> <chr> <chr> <chr> <chr>
1 Metropolitana de Santiago Paine Chada Localid… Parcel…
2 La Araucanía Pitrufquén Chada Localid… Parcel…
3 Metropolitana de Santiago Paine Chada Localid… Fundo-…
4 Libertador General Bernardo O'Higgins Codegua Chada Localid… Fundo-…
5 Metropolitana de Santiago Paine Chada Urbano Pueblo ℹ Retornando la primera localidad: Chada, ubicada en la comuna de Paine, Región Metropolitana de Santiagoℹ Buscando localidad 'La Dormida'! Se encontró 1 localidad coincidente:# A tibble: 1 × 5
nombre_region nombre_comuna localidad tipo subtipo
<chr> <chr> <chr> <chr> <chr>
1 Valparaíso Olmué La Dormida Localidad rural Parcela de agradoℹ Localidad encontrada: La Dormida, ubicada en la comuna de Olmué, Región de Valparaísoℹ Buscando localidad 'Mallarauco'! Se encontró 1 localidad coincidente:# A tibble: 1 × 5
nombre_region nombre_comuna localidad tipo subtipo
<chr> <chr> <chr> <chr> <chr>
1 Metropolitana de Santiago Peñaflor Mallarauco Localidad rural Parcela de…ℹ Localidad encontrada: Mallarauco, ubicada en la comuna de Peñaflor, Región Metropolitana de Santiago[1] "Paine" "Olmué" "Peñaflor"Estas son algunas de las funciones principales, pero existen muchas más: revisa el índice de funciones!