Limpieza de nombres de comunas de Chile a sus nombres oficiales

A partir de un dataframe con una variable de nombres de comuna (idealmente nombre_comuna), o un vector de nombres de comunas, se realizan cuatro pasos de limpieza (confirmación de nombres correctos, limpieza de texto, limpieza de casos especiales, y detección por coincidencia) para retornar los nombres de comunas oficiales apropiados. Los nombres de comunas considerados limpios son los que aparecen en comunas().

Uso

limpiar_comunas(
  datos,
  variable = NULL,
  aproximar = TRUE,
  mostrar_proceso = FALSE
)

Argumentos

datos: Dataframe con una columna de nombres de comunas, o vector de nombres de comunas
variable: Columna del dataframe con los nombres de comunas (se pasa sin comillas, p.ej. comuna). Si no se especifica, se asume nombre_comuna. Si se aplica a un vector, omitir este argumento.
aproximar: El paso de limpieza por aproximación y coincidencia de nombres puede entregar resultados inexactos. Cambiar a FALSE para omitir.
mostrar_proceso: Mostrar una tabla con el resultado del proceso de limpieza. Elegir entre TRUE o FALSE.

Valor

Si la entrada es un dataframe, retorna el dataframe con la columna de comunas reemplazada. Si es un vector, retorna un vector de nombres de comunas con correcciones aplicadas.

Detalles

Los nombres se limpian en cuatro pasos:

Contrastando los nombres entregados con los nombres correctos de las comunas (comunas()), para ver si hay comunas bien escritas antes de proseguir con la limpieza de las demás.
Se limpian los nombres de comunas entregados, transformándolos a minúsculas y eliminando todo tipo de símbolos posibles, para dejar las palabras en sus formas más básicas (por ejemplo, Ñuñoa se vuelve nunoa). Luego, se aplica el mismo proceso a los nombres de comunas correctos (comunas()), y se hace un cruce entre ambos conjuntos de nombres: si los nombres coinciden, significa que se entregaron nombres de comunas escritos en mayúsculas o minúsculas, comunas sin tildes o con tildes extra, comunas sin símbolos especiales o si eñe, entre otras, y son reemplazadas con sus versiones correctas.
Se buscan algunos casos especiales de comunas que son típicamente mal escritos, pero que son difíciles de identificar de manera automática, por ejemplo, cuando a la comuna de Cabo de Hornos le ponen "Ex-Navarino".
Si en los pasos anteriores quedaron comunas que no coincidieron (es decir, que sus problemas van más allá de tildes, mayúsculas o símbolos), se realiza una coincidencia parcial de textos o fuzzy matching usando la función base::agrepl(), que utiliza el algoritmo de distancia de Levenshtein para encontrar las comunas correctamente escritas que más se parecen a las comunas entregadas. Se esta forma, se pueden encontrar las comunas correctamente escritas para casos de comunas con faltas de ortografía (Pobidencia en vez de Providencia), comunas sin espacios entre sus palabras (laflorida en vez de La Florida), y formas alternativas de escribir las comunas (llay-llay en vez de Llaillay). En todos estos casos se emite una alerta que indica la coincidencia encontrada, ya que al ser una aproxmación, no se garantiza que la coincidencia sea correcta. Puedes desactivar este paso poniendo aproximar = FALSE. Finalmente, se muestra una tabla que describe el proceso de limpieza para su revisión (que puede ocultarse con mostrar_proceso = FALSE, y se retornan las comunas correctas.

Ejemplos

limpiar_comunas(c("COLCHANE", "Alto Ospicio", "probidencia", "huara", "laflorida", "cerritos", "llay-llay"))
#> ℹ Limpiando 7 nombres de comunas (7 son distintas)
#> 
#> ── Paso 1: confirmar comunas correctas 
#> ℹ De las 7 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 2 de 7 comunas: Colchane y Huara
#> 
#> ── Paso 3: casos especiales 
#> ℹ Se encontraron 0 casos especiales: 
#> 
#> ── Paso 4: coincidencias aproximadas de texto 
#> ! alerta, se encontraron más de una coincidencia para la comuna `laflorida`: la florida y florida
#> ℹ Se limpiaron 5 de 5 comunas por medio de coincidencias aproximadas de texto: Alto Hospicio, Providencia, La Florida, Cerrillos y Llaillay
#> 
#> ── Conclusión de limpieza de comunas 
#> ✔ De las 7 comunas distintas, se limpiaron 7 en total (100%)
#> 
#> [1] "Colchane"      "Alto Hospicio" "Providencia"   "Huara"        
#> [5] "La Florida"    "Cerrillos"     "Llaillay"     

datos <- dplyr::tibble(
  nombre_comuna = c("PIRQUE", "El Monte", "Maipu",
                    "santiago", "prohibidencia", "CERRILLOS",
                    "San José De Maipo", "OHiggins"),
  valores = c(4, 6, 2, 8, 6, 3, 5, 8)
  )

# si existe `nombre_comuna`, la función no requiere argumentos:
datos |>
  limpiar_comunas()
#> ℹ Limpiando 8 nombres de comunas (8 son distintas)
#> 
#> ── Paso 1: confirmar comunas correctas 
#> ℹ De las 8 comunas distintas, 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: casos especiales 
#> ℹ Se encontraron 0 casos especiales: 
#> 
#> ── Paso 4: 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 distintas, se limpiaron 8 en total (100%)
#> 
#> # A tibble: 8 × 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 O'Higgins               8

# también puede usarse sobre un vector:
datos |>
  dplyr::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 distintas, 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: casos especiales 
#> ℹ Se encontraron 0 casos especiales: 
#> 
#> ── Paso 4: 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 distintas, se limpiaron 8 en total (100%)
#> 
#> # 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'Higgins