Instalación
Por ahora puedes instalar este paquete desde GitHub:
# install.packages("pak")
pak::pak("bastianolea/territorial")Los siguientes ejemplos muestran algunos usos de territorial.
Ejemplos de datos comunales
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.
library(territorial)
library(dplyr)
head(territorial::territorios)
#> # A tibble: 6 × 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
#> # ℹ 1 more variable: nombre_comuna <chr>Esta tabla es la fuente 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:
datos
#> # A tibble: 8 × 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 OHiggins 8Para empezar a trabajar con estos datos, validamos su calidad primero:
datos |>
validar_comunas(nombre_comuna) |>
invisible()
#> ! mayúsculas: 2 casos de comunas escritas en mayúsculas
#> ! mayúsculas: 2 casos de comunas escritas en minúsculas
#> ! mayúsculas: 1 caso de comunas con preposiciones ('de', 'del') escritas en mayúsculas
#> ℹ resumen: 7 casos de comunas que no conciden con comunas correctamente escritas (ver `territorial::comunas()`)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 |>
mutate(nombre_corregido = limpiar_comunas(nombre_comuna))
#> ℹ Limpiando 8 nombres de comunas (8 son distintas)
#>
#> ── Paso 1: confirmar comunas correctas
#> ℹ De las 8 comunas, 1 ya eran correctas: El Monte
#>
#> ── Paso 2: coincidencias por limpieza de texto
#> ℹ A partir de la limpieza de texto, se limpiaron 7 de 8 comunas: Pirque, El Monte, Maipú, Santiago, Cerrillos, San José de Maipo y O'Higgins
#>
#> ── Paso 3: coincidencias aproximadas de texto
#> ℹ Se limpiaron 1 de 1 comunas por medio de coincidencias aproximadas de texto: Providencia
#>
#> ── Conclusión de limpieza de comunas
#> ✔ De las 8 comunas, se limpiaron 8 en total (100%)
#> ℹ Mostrando proceso:
#> # A tibble: 8 × 5
#> original correctas limpieza coincidencia resultado
#> <chr> <chr> <chr> <chr> <chr>
#> 1 PIRQUE <NA> Pirque <NA> Pirque
#> 2 El Monte El Monte El Monte <NA> El Monte
#> 3 Maipu <NA> Maipú <NA> Maipú
#> 4 santiago <NA> Santiago <NA> Santiago
#> 5 prohibidencia <NA> <NA> Providencia Providencia
#> 6 CERRILLOS <NA> Cerrillos <NA> Cerrillos
#> 7 San José De Maipo <NA> San José de Maipo <NA> San José de Maipo
#> 8 OHiggins <NA> O'Higgins <NA> O'Higgins
#>
#> # A tibble: 8 × 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 OHiggins 8 O'HigginsEsta función realiza una limpieza de los nombres en tres pasos, que puedes leer en detalle en su documentación: ?limpiar_comunas.
Funciones 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 FALSECrear nombres de comunas a partir de códigos únicos territoriales
Algo que suele pasar es recibir datos comunales con las comunas mal escritas, pero que vienen con códigos únicos territoriales. En este caso podemos crear las comunas bien escritas a partir de los códigos únicos territoriales:
head(datos)
#> # A tibble: 6 × 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
# 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 EspejoObtener 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:
head(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():
head(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>Ejemplos de datos regionales
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
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 ChilenaValidación 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:
validar_regiones(c("los lagos", "nuble", "OHIGGINS"))
#> ! 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 (')Uso de regiones para la redacción de textos
Un típico problema es que tenemos las regiones y necesitamos incluirlas en un texto, pero si anteponemos “Región de” no siempre queda bien: por ejemplo, no se dice “Región de Metropolitana”, ni tampoco se dice “Región de Maule”, sino que cada región tiene su preposición apropiada. Para esto usamos la función redactar_region(), que a su vez usa preposicion_region() para identificar la preposición correcta:
redactar_region("Metropolitana")
#> [1] "Región Metropolitana"
redactar_region("Maule")
#> [1] "Región del Maule"Estas son algunas de las funciones principales, pero existen muchas más que facilitan el trabajo con datos territoriales de Chile: revisa el índice!