Sección 7: Análisis Exploratorio de Datos

<img src="img/see.png" width="250px"/>
# Sección 7: Análisis Exploratorio de Datos - Extra 
## **PROGRAMA INTERNACIONAL DE ESTADÍSTICA APLICADA A LA INVESTIGACIÓN CIENTÍFICA**
#### MÓDULO: SOFTWARES PARA EL MANEJO DE DATOS <br> <br> Linda Cabrera Orellana
#### Marzo, 2023

---

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M64 64c0-17.7-14.3-32-32-32S0 46.3 0 64V400c0 44.2 35.8 80 80 80H480c17.7 0 32-14.3 32-32s-14.3-32-32-32H80c-8.8 0-16-7.2-16-16V64zm96 288H448c17.7 0 32-14.3 32-32V251.8c0-7.6-2.7-15-7.7-20.8l-65.8-76.8c-12.1-14.2-33.7-15-46.9-1.8l-21 21c-10 10-26.4 9.2-35.4-1.6l-39.2-47c-12.6-15.1-35.7-15.4-48.7-.6L135.9 215c-5.1 5.8-7.9 13.3-7.9 21.1v84c0 17.7 14.3 32 32 32z"/></svg> Diagrama de Violin

.pull-left[
Un diagrama de violín se utiliza para visualizar la distribución de los datos y su densidad de probabilidad y se obtiene con `geom_violin()`.

Este gráfico es una combinación de un diagrama de cajas y bigotes y un diagrama de densidad girado y colocado a cada lado, para mostrar la forma de distribución de los datos.

Los diagramas de cajas y bigotes están limitados a su visualización de los datos, ya que su simplicidad visual tiende a ocultar detalles significativos sobre cómo se distribuyen los valores en los datos.

Adicionalmente puedes encontrar más gráficos en el paquete [ggstatsplot](https://indrajeetpatil.github.io/ggstatsplot/) que sirve para crear gráficos con detalles de pruebas estadísticas incluidas en los propios gráficos ricos en información.
]

---

```r
## gráfico de cajas y diagrama de violin
profesores %>% 
    ggplot(aes(x = nivel, 
               y = salario, 
               fill = nivel)) +
    geom_boxplot(alpha = 0.3) +
    geom_violin(alpha = 0.5, color = NA) +
    scale_fill_manual(values = paleta_simpson) +
    labs(x = "Nivel en que imparte docencia",
         y = "Salario del profesor",
         title = "Salario de Profesores por el Nivel de docencia",
         subtitle = "Gráfico de Cajas y Diagrma de Violin") +
    theme_pander() +
    theme(legend.position = "none")
```
]

---

---

# <svg aria-hidden="true" role="img" viewBox="0 0 576 512" style="height:1em;width:1.12em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M304 240V16.6c0-9 7-16.6 16-16.6C443.7 0 544 100.3 544 224c0 9-7.6 16-16.6 16H304zM32 272C32 150.7 122.1 50.3 239 34.3c9.2-1.3 17 6.1 17 15.4V288L412.5 444.5c6.7 6.7 6.2 17.7-1.5 23.1C371.8 495.6 323.8 512 272 512C139.5 512 32 404.6 32 272zm526.4 16c9.3 0 16.6 7.8 15.4 17c-7.7 55.9-34.6 105.6-73.9 142.3c-6 5.6-15.4 5.2-21.2-.7L320 288H558.4z"/></svg> Gráfico de Pastel

.pull-left[
Una gráfica de pastel es un tipo de representación que tiene la forma de un disco dividido en sectores, cuyas áreas son proporcionales a los porcentajes de los distintos componentes de la población estadística.

Cada valor del carácter estudiado corresponde a un sector o categoría de una variable categórica. Las medidas de los ángulos de los sectores son proporcionales a los números representados (o a las frecuencias asociadas). La representación de números negativos es imposible con este tipo de diagrama.

Los gráficos circulares son una buena forma de mostrar gráficamente una distribución de frecuencias. En un gráfico circular, la frecuencia o el porcentaje se representa tanto visual como numéricamente, por lo que suele ser rápida de entender para los lectores.
]

---

.pull-left[
Para hacer un gráfico de pastel necesitamos `geom_bar()` y un `coord_polar()` y trabajar con datos resumidos con `group_by()` y `summarise()`:

```r
## resumimos datos como en el gráfico de columnas
profesores %>% 
    group_by(nivel) %>% 
    summarise(frecuencia = n()) %>% 
    mutate(proporcion = round(frecuencia/ sum(frecuencia),3)*100 ) %>% 
    view()

# gráfico de pastel simple con geom_bar() y coord_polar()
profesores %>% 
    group_by(nivel) %>% 
    summarise(frecuencia = n()) %>% 
    mutate(proporcion = round(frecuencia/ sum(frecuencia),3)*100 ) %>% 
    ggplot(aes(x = "", y = proporcion, fill = nivel)) +
    geom_bar(stat = "identity", color="white") +
    scale_fill_manual(values = paleta_simpson) +
    coord_polar("y", start = 0)
```
]

---

```r
# crear etiquetas para el gráfico de pastel
profesores %>% 
    group_by(nivel) %>% 
    summarise(frecuencia = n()) %>% 
    arrange(-frecuencia) %>% 
    mutate(proporcion = round(frecuencia/ sum(frecuencia),3),
           posicionLabel = cumsum(proporcion) - 0.5*proporcion)  %>% 
    view()

## agregar etiquetas
profesores %>% 
    group_by(nivel) %>% 
    summarise(frecuencia = n()) %>% 
    arrange(-frecuencia) %>% 
    mutate(proporcion = round(frecuencia/ sum(frecuencia),3),
           posicionLabel = cumsum(proporcion) - 0.5*proporcion) %>% 
    ggplot(aes(x = "", y = proporcion, fill = reorder(nivel, frecuencia))) +
    geom_bar(stat = "identity", color="white") +
    scale_fill_manual(values = paleta_simpson) +
    coord_polar("y", start = 0) +
    geom_text(aes(y = posicionLabel, label = scales::percent(proporcion)),
              color = "white",
              size = 4)
```

]

---

```r
## mejorar temas, colores, formato
profesores %>% 
    group_by(nivel) %>% 
    summarise(frecuencia = n()) %>% 
    arrange(-frecuencia) %>% 
    mutate(proporcion = round(frecuencia/ sum(frecuencia),3),
           posicionLabel = cumsum(proporcion) - 0.5*proporcion) %>% 
    ggplot(aes(x = "", y = proporcion, fill = reorder(nivel, frecuencia))) +
    geom_bar(stat = "identity", color="white") +
    scale_fill_manual(values = paleta_simpson) +
    coord_polar("y", start = 0) +
    geom_text(aes(y = posicionLabel, 
                  label = scales::percent(proporcion)),
              color = "white", size = 4) +
    labs(x = " ", y = " ",
         title = "Cantidad de encuestados por nivel de docencia",
         subtitle = "Gráfico de Pastel",
         fill = "Nivel de docencia") +
    theme_pander() +
    theme(panel.grid.minor = element_blank(),
          panel.grid.major = element_blank(),
          axis.text.x = element_blank())

```
]

---

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M32 32c17.7 0 32 14.3 32 32V400c0 8.8 7.2 16 16 16H480c17.7 0 32 14.3 32 32s-14.3 32-32 32H80c-44.2 0-80-35.8-80-80V64C0 46.3 14.3 32 32 32zM160 224c17.7 0 32 14.3 32 32v64c0 17.7-14.3 32-32 32s-32-14.3-32-32V256c0-17.7 14.3-32 32-32zm128-64V320c0 17.7-14.3 32-32 32s-32-14.3-32-32V160c0-17.7 14.3-32 32-32s32 14.3 32 32zm64 32c17.7 0 32 14.3 32 32v96c0 17.7-14.3 32-32 32s-32-14.3-32-32V224c0-17.7 14.3-32 32-32zM480 96V320c0 17.7-14.3 32-32 32s-32-14.3-32-32V96c0-17.7 14.3-32 32-32s32 14.3 32 32z"/></svg> Lollipop

.pull-left[
Una variante común de los gráficos de columnas son los gráficos lollipop. La principal diferencia es que la forma de la columna es reemplazada por una línea terminada en punto. Esto permite que visualmente esté menos saturado y sea más claro comparar los valores en los entremos.

En R podemos conseguir un gráfico lollipop con un gráfico de puntos `geom_point()` y un gráfico de segmento `geom_segment()`.
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M32 32c17.7 0 32 14.3 32 32V400c0 8.8 7.2 16 16 16H480c17.7 0 32 14.3 32 32s-14.3 32-32 32H80c-44.2 0-80-35.8-80-80V64C0 46.3 14.3 32 32 32zM160 224c17.7 0 32 14.3 32 32v64c0 17.7-14.3 32-32 32s-32-14.3-32-32V256c0-17.7 14.3-32 32-32zm128-64V320c0 17.7-14.3 32-32 32s-32-14.3-32-32V160c0-17.7 14.3-32 32-32s32 14.3 32 32zm64 32c17.7 0 32 14.3 32 32v96c0 17.7-14.3 32-32 32s-32-14.3-32-32V224c0-17.7 14.3-32 32-32zM480 96V320c0 17.7-14.3 32-32 32s-32-14.3-32-32V96c0-17.7 14.3-32 32-32s32 14.3 32 32z"/></svg> Lollipop

```r
profesores %>% 
    group_by(asistente) %>% 
    summarise(frecuencia = n()) %>% 
    ggplot(aes(x = asistente, 
               y = frecuencia, 
               fill = asistente, 
               color = asistente)) +
    geom_point(size = 5) +
    geom_segment(aes(xend = asistente, 
                     y = 0, 
                     yend = frecuencia),
                 linewidth = 1) +
    scale_fill_manual(values = paleta_simpson) +
    scale_color_manual(values = paleta_simpson) +
    labs(x = " ",
         y = "Frecuencia",
         title = "Cantidad de encuestados por preferencia de Asistente de Clases") +
    theme_pander() +
    theme(legend.position = "none")
```
]

---

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M32 32c17.7 0 32 14.3 32 32V400c0 8.8 7.2 16 16 16H480c17.7 0 32 14.3 32 32s-14.3 32-32 32H80c-44.2 0-80-35.8-80-80V64C0 46.3 14.3 32 32 32zm96 96c0-17.7 14.3-32 32-32l96 0c17.7 0 32 14.3 32 32s-14.3 32-32 32H160c-17.7 0-32-14.3-32-32zm96 64H352c17.7 0 32 14.3 32 32s-14.3 32-32 32H224c-17.7 0-32-14.3-32-32s14.3-32 32-32zm160 96h64c17.7 0 32 14.3 32 32s-14.3 32-32 32H384c-17.7 0-32-14.3-32-32s14.3-32 32-32z"/></svg> Gráfico de Cascada

.pull-left[
El gráfico en cascada también denominado gráfico puente, es un tipo especial de gráfico de columnas que le ayuda a identificar cómo un valor inicial se ve afectado por un aumento y una disminución de los datos intermedios, lo que lleva a un valor final.

En R podemos conseguir un gráfico de cascada con la librería `waterfalls` y la función `waterfall()`.
]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M32 32c17.7 0 32 14.3 32 32V400c0 8.8 7.2 16 16 16H480c17.7 0 32 14.3 32 32s-14.3 32-32 32H80c-44.2 0-80-35.8-80-80V64C0 46.3 14.3 32 32 32zm96 96c0-17.7 14.3-32 32-32l96 0c17.7 0 32 14.3 32 32s-14.3 32-32 32H160c-17.7 0-32-14.3-32-32zm96 64H352c17.7 0 32 14.3 32 32s-14.3 32-32 32H224c-17.7 0-32-14.3-32-32s14.3-32 32-32zm160 96h64c17.7 0 32 14.3 32 32s-14.3 32-32 32H384c-17.7 0-32-14.3-32-32s14.3-32 32-32z"/></svg> Gráfico de Cascada

```r
library(waterfalls)

profesores %>% 
    group_by(asistente) %>% 
    summarise(frecuencia = n()) %>% 
    arrange(-frecuencia) %>% 
    mutate(proporcion = round(frecuencia/ sum(frecuencia),3)) %>%
    waterfall(values = proporcion, 
              calc_total = TRUE, 
              fill_by_sign = FALSE,
              fill_colours = c("#FED439", "#709AE1", "#FD7446", "#197EC0", "#46732E"),
              total_rect_color = "#D5E4A2",
              rect_border = NA,
              total_rect_border_color = NA) +
    labs(x = " ",
         y = " ",
         title = "Cantidad de transacciones por pregunta de Asistente",
         fill = "Provincia") +
    theme_pander()
```
]

---

# Análisis Exploratorio de Datos - Extra
### Linda Cabrera Orellana

.pull-left[
.center[
### [@socecuest <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M504 256C504 119 393 8 256 8S8 119 8 256c0 123.78 90.69 226.38 209.25 245V327.69h-63V256h63v-54.64c0-62.15 37-96.48 93.67-96.48 27.14 0 55.52 4.84 55.52 4.84v61h-31.28c-30.8 0-40.41 19.12-40.41 38.73V256h68.78l-11 71.69h-57.78V501C413.31 482.38 504 379.78 504 256z"/></svg>](https://www.facebook.com/socecuest)

### [@see_estadistica <svg aria-hidden="true" role="img" viewBox="0 0 448 512" style="height:1em;width:0.88em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M224.1 141c-63.6 0-114.9 51.3-114.9 114.9s51.3 114.9 114.9 114.9S339 319.5 339 255.9 287.7 141 224.1 141zm0 189.6c-41.1 0-74.7-33.5-74.7-74.7s33.5-74.7 74.7-74.7 74.7 33.5 74.7 74.7-33.6 74.7-74.7 74.7zm146.4-194.3c0 14.9-12 26.8-26.8 26.8-14.9 0-26.8-12-26.8-26.8s12-26.8 26.8-26.8 26.8 12 26.8 26.8zm76.1 27.2c-1.7-35.9-9.9-67.7-36.2-93.9-26.2-26.2-58-34.4-93.9-36.2-37-2.1-147.9-2.1-184.9 0-35.8 1.7-67.6 9.9-93.9 36.1s-34.4 58-36.2 93.9c-2.1 37-2.1 147.9 0 184.9 1.7 35.9 9.9 67.7 36.2 93.9s58 34.4 93.9 36.2c37 2.1 147.9 2.1 184.9 0 35.9-1.7 67.7-9.9 93.9-36.2 26.2-26.2 34.4-58 36.2-93.9 2.1-37 2.1-147.8 0-184.8zM398.8 388c-7.8 19.6-22.9 34.7-42.6 42.6-29.5 11.7-99.5 9-132.1 9s-102.7 2.6-132.1-9c-19.6-7.8-34.7-22.9-42.6-42.6-11.7-29.5-9-99.5-9-132.1s-2.6-102.7 9-132.1c7.8-19.6 22.9-34.7 42.6-42.6 29.5-11.7 99.5-9 132.1-9s102.7-2.6 132.1 9c19.6 7.8 34.7 22.9 42.6 42.6 11.7 29.5 9 99.5 9 132.1s2.7 102.7-9 132.1z"/></svg>](https://www.instagram.com/see_estadistica/)
]]

.pull-right[
.center[
### [@see_estadistica <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg>](https://twitter.com/see_estadistica)

### [@sosecuest <svg aria-hidden="true" role="img" viewBox="0 0 496 512" style="height:1em;width:0.97em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M248,8C111.033,8,0,119.033,0,256S111.033,504,248,504,496,392.967,496,256,384.967,8,248,8ZM362.952,176.66c-3.732,39.215-19.881,134.378-28.1,178.3-3.476,18.584-10.322,24.816-16.948,25.425-14.4,1.326-25.338-9.517-39.287-18.661-21.827-14.308-34.158-23.215-55.346-37.177-24.485-16.135-8.612-25,5.342-39.5,3.652-3.793,67.107-61.51,68.335-66.746.153-.655.3-3.1-1.154-4.384s-3.59-.849-5.135-.5q-3.283.746-104.608,69.142-14.845,10.194-26.894,9.934c-8.855-.191-25.888-5.006-38.551-9.123-15.531-5.048-27.875-7.717-26.8-16.291q.84-6.7,18.45-13.7,108.446-47.248,144.628-62.3c68.872-28.647,83.183-33.623,92.511-33.789,2.052-.034,6.639.474,9.61,2.885a10.452,10.452,0,0,1,3.53,6.716A43.765,43.765,0,0,1,362.952,176.66Z"/></svg>](https://t.me/sosecuest)
]]