Limpieza de nombres de regiones de Chile a sus nombres oficiales

A partir de un dataframe con una variable de nombres de región (idealmente nombre_region), o un vector de nombres de regiones, 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 regiones oficiales apropiados. Los nombres de regiones considerados limpios son los que aparecen en regiones(), incluyendo también sus versiones cortas (ver acortar_regiones()); por ejemplo, tanto "Aysén" como "Aysén del General Carlos Ibáñez del Campo" se consideran nombres limpios.

Uso

limpiar_regiones(
  datos,
  variable = NULL,
  aproximar = TRUE,
  procedimiento = FALSE
)

Argumentos

datos: Dataframe con una columna de nombres de regiones, o vector de nombres de regiones
variable: Columna del dataframe con los nombres de regiones (se pasa sin comillas, p.ej. region). Si no se especifica, se asume nombre_region. 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.
procedimiento: Mostrar una tabla con los resultados intermedios del proceso de limpieza. Elegir entre TRUE o FALSE, por defecto FALSE.

Valor

Si la entrada es un dataframe, retorna el dataframe con la columna de regiones reemplazada. Si es un vector, retorna un vector de nombres de regiones oficiales (en su versión larga) con correcciones aplicadas.

Detalles

Los nombres se limpian en cuatro pasos:

Contrastando los nombres entregados con los nombres correctos de las regiones (regiones()) y sus versiones cortas (acortar_regiones()), para ver si hay regiones bien escritas antes de proseguir con la limpieza de las demás.
Se limpian los nombres de regiones entregados, transformándolos a minúsculas y eliminando todo tipo de símbolos posibles, para dejar las palabras en sus formas más básicas (por ejemplo, Ñuble se vuelve nuble). Luego, se aplica el mismo proceso a los nombres de regiones correctos (largos y cortos), y se hace un cruce entre ambos conjuntos de nombres: si los nombres coinciden, significa que se entregaron nombres de regiones escritos en mayúsculas o minúsculas, regiones sin tildes o con tildes extra, regiones sin símbolos especiales, entre otras, y son reemplazadas con sus versiones correctas.
Se buscan algunos casos especiales de regiones que son típicamente mal escritos, pero que son difíciles de identificar de manera automática, por ejemplo, cuando a la Región Metropolitana le dicen "RM" o "Santiago", o cuando a la región de Aysén le ponen "Aisén" (con i latina).
Si en los pasos anteriores quedaron regiones 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 regiones correctamente escritas que más se parecen a las regiones entregadas. En todos estos casos se emite una alerta que indica la coincidencia encontrada, ya que al ser una aproximación, 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 procedimiento = FALSE), y se retornan los nombres de regiones oficiales (en su versión larga).

Ejemplos

limpiar_regiones(c("MAULE", "biobio", "la araucania", "Los rios", "RM", "aisen"))
#> ℹ Limpiando 6 nombres de región (6 son distintos)
#> → Paso 1: confirmar regiones correctas
#> ℹ De las 6 regiones 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 4 de 6 regiones: Maule, Biobío, La Araucanía y Los Ríos
#> → Paso 3: casos especiales
#> ℹ Se encontraron 3 casos especiales: Biobío, Metropolitana de Santiago y Aysén del General Carlos Ibáñez del Campo
#> → Paso 4: coincidencias aproximadas de texto
#> ! No se limpiaron regiones como parte de este paso
#> → Conclusión de limpieza de regiones
#> ✔ De las 6 regiones distintas, se limpiaron 6 en total (100%)
#> [1] "Maule"                                    
#> [2] "Biobío"                                   
#> [3] "La Araucanía"                             
#> [4] "Los Ríos"                                 
#> [5] "Metropolitana de Santiago"                
#> [6] "Aysén del General Carlos Ibáñez del Campo"

datos <- dplyr::tibble(
  nombre_region = c("TARAPACA", "Coquimbo", "valparaiso",
                    "santiago", "ohiggins", "NUBLE"),
  valores = c(4, 6, 2, 8, 6, 3)
  )

# si existe `nombre_region`, la función no requiere argumentos:
datos |>
  limpiar_regiones()
#> ℹ Limpiando 6 nombres de región (6 son distintos)
#> → Paso 1: confirmar regiones correctas
#> ℹ De las 6 regiones distintas, 1 ya eran correctas: Coquimbo
#> → Paso 2: coincidencias por limpieza de texto
#> ℹ A partir de la limpieza de texto, se limpiaron 5 de 6 regiones: Tarapacá, Coquimbo, Valparaíso, Libertador General Bernardo O'Higgins y Ñuble
#> → Paso 3: casos especiales
#> ℹ Se encontró 1 caso especial: Metropolitana de Santiago
#> → Paso 4: coincidencias aproximadas de texto
#> ! No se limpiaron regiones como parte de este paso
#> → Conclusión de limpieza de regiones
#> ✔ De las 6 regiones distintas, se limpiaron 6 en total (100%)
#> # A tibble: 6 × 2
#>   nombre_region                         valores
#>   <chr>                                   <dbl>
#> 1 Tarapacá                                    4
#> 2 Coquimbo                                    6
#> 3 Valparaíso                                  2
#> 4 Metropolitana de Santiago                   8
#> 5 Libertador General Bernardo O'Higgins       6
#> 6 Ñuble                                       3

# también puede usarse sobre un vector:
datos |>
  dplyr::mutate(nombre_corregido = limpiar_regiones(nombre_region))
#> ℹ Limpiando 6 nombres de región (6 son distintos)
#> → Paso 1: confirmar regiones correctas
#> ℹ De las 6 regiones distintas, 1 ya eran correctas: Coquimbo
#> → Paso 2: coincidencias por limpieza de texto
#> ℹ A partir de la limpieza de texto, se limpiaron 5 de 6 regiones: Tarapacá, Coquimbo, Valparaíso, Libertador General Bernardo O'Higgins y Ñuble
#> → Paso 3: casos especiales
#> ℹ Se encontró 1 caso especial: Metropolitana de Santiago
#> → Paso 4: coincidencias aproximadas de texto
#> ! No se limpiaron regiones como parte de este paso
#> → Conclusión de limpieza de regiones
#> ✔ De las 6 regiones distintas, se limpiaron 6 en total (100%)
#> # A tibble: 6 × 3
#>   nombre_region valores nombre_corregido                     
#>   <chr>           <dbl> <chr>                                
#> 1 TARAPACA            4 Tarapacá                             
#> 2 Coquimbo            6 Coquimbo                             
#> 3 valparaiso          2 Valparaíso                           
#> 4 santiago            8 Metropolitana de Santiago            
#> 5 ohiggins            6 Libertador General Bernardo O'Higgins
#> 6 NUBLE               3 Ñuble