En la asignatura “Programación y manejo de datos en la era del Big Data”, debíamos crear dos trabajos distintos: Uno por equipos y uno grupal para así mostrar lo aprendido durante todo el año.
Como el tema era completamente libre, nosotros elegimos un tema muy general como es el análisis de las regiones de España y asi poder sacar datos de cualquier idea que se nos pasase en ese momento por la cabeza.
El trabajo lo hemos dividido en 2 partes:
La primera consta sobre la demografía Española, viendo las diferencias de población entre los hombres y mujeres, los diferentes rangos de edad y las provincias mas pobladas.
La segunda parte ya es relacionada con la economía española, ya que hablaremos sobre el PiB nominal, la diferencia salarial entre hombres y mujeres, como se distribuye el trabajo y la pobreza en España.
###DATOS
Para los datos, empezamos cogiéndolos del Kaggle pero la forma con la que se descargaban y/o se abrían no era la correcta para nuestro nivel de R. Es por eso, que decidimos pasar a datos del INE y aunque al inicio nos costaba un poco abrir los datos de la forma correcta, vimos una forma de descargar los datos llamada PC.Axis. Esta a través del paquete pxR, nos abría los datos directamente en el R studio con el formato adecuado y bien estructuradas las columnas. También estaba la forma de descargarlos por CSV o por Excel, y aunque esta forma está dada en clase, la forma en la que se detectaban las variables nos hacía imposible el poder usar algunas columnas de forma numérica, asi que recomendamos el uso de PC.Axis.
Los datos se pueden cargar en la memoria de de R/RStudio de esta forma:
Aquí observamos un gráfico animado de lineas sobre la evolución de la población de España por comunidades autónomas desde 1996 hasta 2020.
Código
#Descarga de los datos + arreglo para que se quede por comunidadesmy_url <-"https://github.com/perezp44/pjpv.datos.01/raw/master/data/pob_muni_1996_2020.rda"my_destination <- here::here("datos", "pob_mun_1996_2020.rda") #- datoscurl::curl_download(url = my_url, destfile = my_destination) #- descargadf <- rio::import(my_destination) #- importamosdf_ccaa <- df %>%group_by(year, ine_ccaa.n) %>%#- agrupamos tb x añosummarise(Pob_CCAA =sum(pob_total, na.rm =TRUE)) %>%#- cuidado con na.rm = FALSEungroup()# Gráfico s/ la poblacion por comunidades desde 1996 hasta 2020p_animado <-ggplot(df_ccaa, aes(x = year, y = Pob_CCAA, color =as.factor(ine_ccaa.n))) +geom_line(size =1) +geom_point(size =2, alpha =0.7) +labs(title ="Evolución de la Población por CCAA (1996-2020)",x ="Año",y ="Población",color ="Comunidad Autónoma" ) +scale_color_discrete(name ="Comunidad Autónoma") +theme_minimal() +theme(legend.title =element_text(face ="bold", size =10),plot.title =element_text(face ="bold", size =14, hjust =0.5),axis.title =element_text(face ="bold"),axis.text.x =element_text(angle =45, hjust =1),legend.text =element_text(size =8),panel.grid.major =element_line(color ="gray", linetype ="dashed", size =0.5),legend.position ="right",axis.text.y =element_text(size =9, hjust =0.5, vjust =0.5, color ="black") ) +scale_y_continuous(labels = scales::comma_format(scale =1e-6, suffix ="M")) +# Formato de etiquetastransition_reveal(year)# Mostrar la animaciónanimate(p_animado)
Los datos que más destacan son los de Andalucía, Cataluña, Madrid y la Comunidad Valenciana. Presentan poblaciones muy superiores a las del resto además de mostrar un fuerte crecimiento constante.
Mujeres vs Hombres
En este gráfico representamos la población española por grupos de edad y sexo por miles de habitantes.
Código
df_pob_myh <- pxR ::read.px("./datos/4925.px") %>%as.data.frame()df_pob_myh <- df_pob_myh %>%rename(CCAA = Comunidades.y.Ciudades.Autónomas)# Convertir niveles específicos del factor a numéricodf_pob_myh$Periodo <-as.numeric(as.character(df_pob_myh$Periodo))df_pob_myh$CCAA <-as.character(df_pob_myh$CCAA)df_pob_myh$Sexo <-as.character(df_pob_myh$Sexo)df_pob_limpio <- df_pob_myh %>%filter(Periodo =="2022") %>%filter(Edad !="Total") %>%filter(Sexo !="Ambos sexos") %>%filter(CCAA =="Total Nacional")p_pob <-ggplot(data = df_pob_limpio, aes(x =ifelse(Sexo =="Mujeres", -value, value), y = Edad, fill = Sexo, color = Sexo)) +geom_col(position ="identity", color ="white", alpha =0.6) +geom_path(aes(x = value, y = Edad, group = Sexo)) +labs(title ="Pirámide de Población en España por Edad",x ="Número de Personas",y ="Edad",caption ="Datos: INE",fill ="Género",color ="Género") +theme_minimal() +scale_x_continuous(labels = abs) +# Mostrar valores absolutos en el eje xscale_fill_manual(values =c("Hombres"="blue", "Mujeres"="pink")) +# Cambiar el color de la leyenda "Hombres"scale_color_manual(values =c("Hombres"="blue", "Mujeres"="pink")) # Cambiar el color de la leyenda "Hombres" en geom_pathp_pob
Si nos centramos en los grupos de edad, podemos ver claramente cómo los grupos de mayor edad son los mayoritarios. También podemos ver que hay más mujeres que hombres, sobretodo si nos fijamos en las personas con más edad.
Provincias mas pobladas 2020
Este gráfico circular nos muestra las 10 provincias más pobladas de España en 2020.
Código
# (los datos ya estan descargados, es solo agrupar)df_prov <- df %>%group_by(year, ine_prov.n) %>%summarise(Pob_CCAA =sum(pob_total, na.rm =TRUE)) %>%ungroup()#Cogemos los datos más actuales:df_prov_2020 <- df_prov %>%filter(year ==2020)# Seleccionar las 10 provincias más pobladasdf_prov_2020_top10 <- df_prov_2020 %>%top_n(10, wt = Pob_CCAA)#Grafico pastel interactivografico_pastel_interactivo <-plot_ly( df_prov_2020_top10,labels =~ine_prov.n,values =~Pob_CCAA,type ="pie",textinfo ="label+text+value",hoverinfo ="text",hovertemplate ="%{label}: %{value}",marker =list(colors =rainbow(length(df_prov_2020_top10$ine_prov.n)))) %>%layout(title ="Distribución de la Población por Provincia en 2020",showlegend =TRUE,legend =list(x =1, y =0.5),margin =list(l =50, r =50, b =50, t =100),showarrow =FALSE )# Mostrar el gráfico circular interactivografico_pastel_interactivo
Hay que destacar que, si analizamos por provincias en vez de por comunidades autónomas, Madrid supera a Barcelona. Además, antes la CCAA más poblada era Andalucía, y si nos fijamos sólo en Sevilla o en Cádiz, nos damos cuenta de que las provincias andaluzas no son tan grandes de lo que parecían en el anterior gáfico (eso sí, la comunidad entera es muy grande).
Nacimientos vs Defunciones
Vamos a comparar la población que nace y la población que muere cada año y luego ver si el saldo es positivo o negativo.
Si solo viéramos el gráfico sobre el saldo vegetativo podríamos decir que en 2015 el saldo es negativo porque mueren más que nacen, que es verdad,pero si vemos el grafico anterior vemos como esto se da principalmente por la poca natalidad que tenemos y a la caída en picado de esta.
Mapa de suicidios
En estos mapas conjuntos representamos la tasa de suicidio por cada 100.000 habitantes clasificados por varios años y comunidades.
Código
#- cargo GEOMETRIAS de provinciasdf_geo_prov <- pjpv.curso.R.2022::LAU2_prov_2020_canarias#- me quedo con las vv. q me interesandf_geo_prov <- df_geo_prov %>%select(ine_ccaa, ine_ccaa.n)#- podemos "agregar" geometrías (este es el de las COMUNIDADES)df_geo_ccaa <- df_geo_prov %>%group_by(ine_ccaa, ine_ccaa.n) %>%summarize() %>%ungroup()#GRAFICOS SUICIDIO MAPAdf_suicidio <- pxR ::read.px("./datos/46688.px") %>%as.data.frame()df_suicidio <- df_suicidio %>%rename(CCAA = Comunidades.y.Ciudades.Autónomas)# Convertir niveles específicos del factor a numéricodf_suicidio$Periodo <-as.numeric(as.character(df_suicidio$Periodo))df_suicidio$CCAA <-as.character(df_suicidio$CCAA)df_suicidio <- df_suicidio %>%mutate(CCAA =ifelse(CCAA =="National Total",paste("00", CCAA), CCAA))df_suicidio <- df_suicidio %>% tidyr::separate(CCAA, sep =" ",into =c("ine_ccaa", "ine_ccaa.n"), extra ="merge")df_suic_selec <- df_suicidio %>%filter(Sexo =="Total") %>%filter(Edades =="Todas las edades") %>%filter(ine_ccaa !="National Total") df_con_geo_suic <-left_join(df_geo_ccaa, df_suic_selec, by =c("ine_ccaa"="ine_ccaa"))p_suic <- df_con_geo_suic %>%ggplot() +geom_sf(aes(fill = value, geometry = geometry), color ="black", size = .1) +labs(title ="Tasa suicidio por comunidad y año",subtitle ="(valor por cada 100.000 habitantes)",fill ="Escala",caption ="Datos sacados de INE") +theme_light() +coord_sf(xlim =c(-12, 5), ylim =c(35,45 )) +scale_fill_viridis_c()p_suic +facet_wrap(vars(Periodo))
Si lo analizamos, sorprende como las tasas más altas se encuentran en el norte, por otro lado, también sorprende cómo la Comunidad de Madrid tiene las tasas más bajas, igual el frío y la lluvia tienen algo que ver.
PIB nominal España
Aquí vemos una visión general del PIB Nominal por comunidades.
Código
df_pibn <- pxR ::read.px("./datos/01001.px") %>%as.data.frame()#- cambiamos los nombresdf_pibn <- df_pibn %>%rename(actividad = Ramas.de.actividad)df_pibn <- df_pibn %>%rename(CCAA = Comunidades.y.ciudades.autónomas)# Convertir niveles específicos del factor a numéricodf_pibn$periodo <-as.numeric(as.character(df_pibn$periodo))df_pibn$CCAA <-as.character(df_pibn$CCAA)df_pibn$Magnitud <-as.character(df_pibn$Magnitud)df_pibn$actividad <-as.character(df_pibn$actividad)#- quitamos los numeros de las provinciasdf_pibn <- df_pibn %>%mutate(CCAA =ifelse(CCAA =="Total Nacional",paste("00", CCAA), CCAA))df_pibn <- df_pibn %>% tidyr::separate(CCAA, sep =" ",into =c("ine_ccaa", "ine_ccaa.n"), extra ="merge")# filtramos los datosdf_activ_pib <- df_pibn %>%filter(actividad =="PRODUCTO INTERIOR BRUTO A PRECIOS DE MERCADO")df_pib_valor <- df_activ_pib %>%filter(Magnitud =="Valor")#- vamos a hacer ahora una coropleta con el pib nominal de cada ccaadf_pib_ccaa <- df_pib_valor %>%filter(actividad =="PRODUCTO INTERIOR BRUTO A PRECIOS DE MERCADO") %>%filter(periodo !="NA") %>%select(-c(Magnitud, actividad))df_ccaa_2016 <- df_pib_ccaa %>%filter(periodo ==min(periodo, na.rm =TRUE))#- junto geometría (df_geo_ccaa) con datos INE (df_ccaa_2016)#- las geometrías a la izquierdadf_con_geo_pib <-left_join(df_geo_ccaa, df_ccaa_2016, by =c("ine_ccaa"="ine_ccaa"))# coropletas con más opcionesqtm(df_con_geo_pib, fill ="value", fill.n =4, fill.palette ="div",fill.title ="PIB NOMINAL", style ="col_blind")
Se que estos datos no nos dicen mucho pero así vemos el peso que tiene cada lugar en la economía, como veis, Valencia mola mucho, no sorprende que Madrid y Cataluña sean los mas potentes, tambien Andalucía tiene mucho peso, aunque sea por su gran tamaño como comunidad.
Población activa por sectores
En este caso vamos a ver cómo se divide la población en activo Española a través de 4 sectores distintos más el porcentaje de parados por año. Lo veremos a través de 4 años distintos con un gráfico circular.
Con el gráfico podemos ver cómo la población activa Española se dedica esencialmente en los servicios. Destacar que en 2013 solo el sector servicios superaba a la gente parada.
Salario medio CCAA
El siguiente gráfico de barras animado nos muestra la distribución salarial en España por comunidades autónomas desde 2006 hasta 2022.
Código
df_salarios_CCAA <- pxR::read.px("./datos/salarios_CCAA.px") %>% as.data.frame#Cambio nombre de una columna (para que sea más fácil)df_salarios_CCAA <- df_salarios_CCAA %>%rename(CCAA = Comunidades.y.Ciudades.Autonómas)#De 2006 a 2022df_salarios_CCAA$Periodo <-factor(df_salarios_CCAA$Periodo, levels =rev(unique(df_salarios_CCAA$Periodo)))#Gráfico animadop_base <-ggplot(df_salarios_CCAA, aes(x = CCAA, y = value, fill = CCAA)) +geom_bar(stat ="identity") +labs(title ="Salario medio por Comunidades Autónomas en {closest_state}",x ="Comunidad Autónoma",y ="Salario Medio",fill ="Comunidad Autónoma" ) +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1),legend.position ="none",plot.title =element_text(face ="bold", size =14),axis.title =element_text(face ="bold"),axis.text =element_text(size =10),axis.line =element_line(color ="black"),panel.grid.major =element_blank(),panel.grid.minor =element_blank(),panel.border =element_blank(),panel.background =element_blank() ) +geom_text(aes(label = value),vjust =-0.5,color ="black",size =3,position =position_dodge(width =0.7) )# Crear la animaciónp_animado <- p_base +transition_states(Periodo, transition_length =12, state_length =6) +# Ajustar la velocidad aquíease_aes('linear')# Guardar la animación como un archivo GIFanim_save("salarios_CCAA_animacion.gif", animation = p_animado)# Cargar la animación desde el archivoanimacion_salarios <-image_read("salarios_CCAA_animacion.gif")# Mostrar la animaciónimage_animate(animacion_salarios)
Se observa un mini receso hasta 2012 y a partir de ahi un crecimiento constante. Además de Madrid y Cataluña, cabe destacar la media de Melilla, muchas veces superior a la de otras comunidades, y la del País Vasco, la comunidad con mejor saldo medio en 2022.
Salario CCAA 2022
Aquí os dejo un gráfico de barras medio bonito de la distribución salarial en España por CCAA, pero solo de 2022. Al ser el otro en movimiento, dejo este estático con los resultados de 2022 que entiendo que son los más interesantes y actuales.
Código
#GRAFICO (SOLO 2022)df_salarios_2022 <- df_salarios_CCAA %>%filter(Periodo ==2022)ggplot(df_salarios_CCAA, aes(x = CCAA, y = value, fill = CCAA)) +geom_bar(stat ="identity", width =0.7, color ="white") +labs(title ="Salario medio España por CCAA (2022)",x ="Comunidades Autónomas",y ="Salario medio",fill ="Comunidad Autónoma" ) +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1),legend.position ="none", # No mostrar la leyendaplot.title =element_text(face ="bold", size =14),axis.title =element_text(face ="bold"),axis.text =element_text(size =10),axis.line =element_line(color ="black"),panel.grid.major =element_blank(),panel.grid.minor =element_blank(),panel.border =element_blank(),panel.background =element_blank() )
HOMBRES vs MUJERES
Este es un gráfico de lineas interactivo comparando la media salarial en España entre hombres y mujeres.
Código
salarios_diferencia_genero <- pxR::read.px("./datos/salarios_hombres_mujeres.px") %>% as.data.frame#- Arreglo los datos para que empiece en 2006 y termine en 2022salarios_diferencia_genero$Periodo <-factor(salarios_diferencia_genero$Periodo, levels =rev(unique(salarios_diferencia_genero$Periodo)))# Crear el gráficop <-ggplot(salarios_diferencia_genero, aes(x = Periodo, y = value, color = Sexo, group = Sexo)) +geom_line(size =1, show.legend =FALSE) +# Evitar mostrar líneas en la leyendageom_point(aes(text =paste(Sexo, ": ", value)), show.legend =FALSE) +# Mostrar puntos con texto para información detallada al señalarlabs(title ="Diferencia Salarial entre Hombres y Mujeres (2002-2020)",x ="Año",y ="Diferencia Salarial",color ="Sexo",caption ="Fuente: Tus datos" ) +theme_minimal() +theme(legend.position ="top",legend.title =element_text(face ="bold"),plot.title =element_text(face ="bold", size =14),axis.title =element_text(face ="bold"),axis.text =element_text(size =10, angle =45, hjust =1), # Ajusta el ángulo de las etiquetaslegend.text =element_text(size =10) )# Gráfico interactivo con plotlyp_interactivo <-ggplotly(p, tooltip ="text", dynamicTicks =TRUE)# Mostrar el gráfico interactivop_interactivo
Una pena que por ahora no se hayan igualado.
Tasa de pobreza
Aquí lo que hemos hecho es un gráfico donde aparece la evolución de la tasa de pobreza de ciertas comunidades, hemos elegido las comunidades con mayor tasa y las que menos (aunque realmente no ha sido tan así, hemos cogido las que nos venían bien para que quedase chulo en el gráfico).
Código
df_pobreza <- pxR ::read.px("./datos/9963.px") %>%as.data.frame()#- cambiar nombresdf_pobreza <- df_pobreza %>%rename(tasa = Tasa.de.riesgo.de.pobreza)df_pobreza <- df_pobreza %>%rename(CCAA = Comunidades.y.Ciudades.Autónomas)# Convertir niveles específicos del factor a numéricodf_pobreza$Periodo <-as.numeric(as.character(df_pobreza$Periodo))df_pobreza$CCAA <-as.character(df_pobreza$CCAA)#- separamos los numeros de cada provinciadf_pobreza <- df_pobreza %>%mutate(CCAA =ifelse(CCAA =="Total Nacional",paste("00", CCAA), CCAA))df_pobreza <- df_pobreza %>% tidyr::separate(CCAA, sep =" ",into =c("ine_ccaa", "ine_ccaa.n"), extra ="merge")df_tasa_pobr <- df_pobreza %>%filter(tasa =="Tasa de riesgo de pobreza (renta del año anterior a la entrevista)")# Filtrar los datos para los paísesccaas_pobr <-c("Total Nacional", "Navarra, Comunidad Foral de", "Castilla - La Mancha", "País Vasco", "Madrid, Comunidad de", "Andalucía", "Aragón", "Murcia, Región de")df_ccaa_pobr_elegidas <- df_tasa_pobr %>%filter(ine_ccaa.n %in% ccaas_pobr)# Mantener la información de nivel al convertir a caracter# Crear el gráfico de líneas múltiples con colores personalizadosggplot(df_ccaa_pobr_elegidas, aes(x = Periodo, y = value, group = ine_ccaa.n, color = ine_ccaa.n)) +geom_line() +geom_point() +labs(title ="Evolución Tasa de pobreza",x ="Año",y ="Porcentaje riesgo de pobreza") +scale_color_brewer(palette ="Set1") +# Cambiar la paleta de colorestheme_minimal() +theme(legend.title =element_blank())
Tenemos que destacar los repuntes al alza en comunidades como Murcia y Andalucía en los años 2015-2016.
Grafico de Lineas Pobreza
En esta tabla se representa la tasa de pobreza de todas las comunidades en el año 2022 para así tener una idea a primera vista de cómo se distribuye.
Código
df_noceuta <- df_tasa_pobr %>%filter(ine_ccaa.n !="Ceuta") %>%filter(ine_ccaa.n !="Melilla") %>%filter(ine_ccaa.n !="Total Nacional") df_noceuta_2022 <- df_noceuta %>%filter (Periodo =="2022") %>%select(-c(ine_ccaa, tasa))# Ordenar df_ccaa_2021 de mayor a menor según la columna value df_noceuta_2022 <- df_noceuta_2022 %>%arrange(desc(value))minimal_table <-gt(df_noceuta_2022) %>% gtExtras::gt_plt_dot(column = value, category_column = ine_ccaa.n , max_value =35) %>% gtExtras::gt_theme_nytimes() %>%tab_header(title ="Tasa de pobreza 2022",subtitle ="renta del año anterior a la entrevista")minimal_table
Tasa de pobreza 2022
renta del año anterior a la entrevista
Periodo
ine_ccaa.n
value
2022
Extremadura
30.0
2022
Canarias
29.4
2022
Andalucía
29.1
2022
Murcia, Región de
26.3
2022
Castilla - La Mancha
26.1
2022
Comunitat Valenciana
22.3
2022
Asturias, Principado de
20.1
2022
Galicia
18.0
2022
Castilla y León
17.8
2022
Balears, Illes
16.9
2022
Rioja, La
16.6
2022
Aragón
15.0
2022
Cantabria
14.8
2022
Madrid, Comunidad de
14.8
2022
Cataluña
14.5
2022
País Vasco
12.2
2022
Navarra, Comunidad Foral de
10.9
Lo más destacable de esta tabla donde aparecen todas las comunidades autónomas es la gran diferencia entre los primeros puestos y los últimos, sinceramente, no parece que estos datos están sacados del mismo país (igual habría que replantearse cosas). Podemos ver también cierta relación entre la tasa y si la región es del sur o del norte.
Precio de la vivienda
Este gráfico representa el precio de las viviendas por comunidades a lo largo del tiempo con base en el año 2015, como podemos ver en estas comunidades, los precios de la vivienda se están acercando mucho a los de la burbuja de 2008, sobre todo en las comunidades más urbanas.
Código
df_alquiler <- pxR ::read.px("./datos/25171.px") %>%as.data.frame()#- CAMBIAR NOMBRESdf_alquiler <- df_alquiler %>%rename(INDICE = Índices.y.tasas)df_alquiler <- df_alquiler %>%rename(TIPO = General..vivienda.nueva.y.de.segunda.mano)df_alquiler <- df_alquiler %>%rename(CCAA = Comunidades.y.Ciudades.Autónomas)#CAMBIAR TRIMESTRESdf_alquiler2 <- df_alquiler %>%mutate(fecha = lubridate::yq(Periodo)) %>%mutate(anyo = lubridate::year(fecha)) %>%mutate(trimestre = lubridate::quarter(fecha)) %>%select(-Periodo)#SUMAR TRIMESTRE Y QUE SEA ANUALdf_alq_año <- df_alquiler2 %>%filter (INDICE =="Índice") %>%filter (TIPO =="General") %>%select (!c(trimestre, fecha)) %>%filter (anyo <2023) %>%group_by(anyo, CCAA) %>%summarise(Porcentaje =sum(value, na.rm =TRUE)/4) %>%ungroup()#cambiar a caracterdf_alq_año$CCAA <-as.character(df_alq_año$CCAA)#separar numerosdf_alq_año <- df_alq_año %>%mutate(CCAA =ifelse(CCAA =="Nacional",paste("00", CCAA), CCAA))df_alq_año <- df_alq_año %>% tidyr::separate(CCAA, sep =" ",into =c("ccaa.n", "ccaa"), extra ="merge")df_alq_filtr <- df_alq_año %>%filter(ccaa %in%c("Andalucía", "Cataluña", "Comunitat Valenciana", "Madrid, Comunidad de", "Castilla - La Mancha", "Aragón"), anyo %in%c(2010, 2016, 2022)) # Lista de años a incluirdf_alq_filtr <- df_alq_filtr %>%select (!c(ccaa.n))# Calcular el orden de las comunidades autónomas por el promediodf_alq_filtr %>%group_by(ccaa) %>%summarize(promedio =mean(Porcentaje)) %>%arrange(promedio) %>%pull(ccaa) -> ccaa_orden# Crear el gráfico de barras con mejoras visualesggplot(df_alq_filtr, aes(x =factor(ccaa, levels = ccaa_orden), y = Porcentaje, fill =as.factor(anyo))) +geom_bar(stat ="identity", position ="dodge", width =0.7, color ="white") +geom_text(aes(label =sprintf("%.1f", Porcentaje)), vjust =-0.5, position =position_dodge(width =0.7), size =3, color ="black") +labs(title ="Índice precio vivienda por Comunidad Autónoma y Año (BASE=2015)",x ="Comunidad Autónoma",y ="Porcentaje") +scale_fill_manual(values =c("2010"="#3182bd", "2016"="#31a354", "2022"="#e6550d")) +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1),legend.title =element_blank(),panel.grid.major =element_blank(),panel.grid.minor =element_blank(),panel.background =element_blank(),axis.line =element_line(color ="black"),legend.position ="top",legend.direction ="horizontal")
Destacar como en comunidades como Aragón o Castilla - La Mancha los precios fueron tan elevados en 2010, y como después de la crisis, no han subido tanto como en otras comunidades.
Turismo vinculado a España
Para terminar el trabajo, vamos a ver una tabla sobre el turismo que se mueve en España. En ella tenemos 3 filas y 20 columnas donde se explicara como es el movimiento y si estos se quedan a pernoctar o no.
Vemos como todos los años España recibe mas turistas que los que el emigra a otros países, pero por otra parte el turismo que se mueve por el interior es muy superior a estos dos.
Con esto acabamos nuestro trabajo para BigData!!
Información sobre la sesión
Abajo muestro mi entorno de trabajo y paquetes utilizados
---title: "Análisis general de las regiones de España"description: | Evolucion de España en diferentes ámbitosauthor: - Ángel Martínez Albert (anmaral6@alumni.uv.es) - Luis Aaron Alarcón Sáiz (luisa9@alumni.uv.es) - Manuel Lloret Pineda (llopima@alumni.uv.es)date: 2023-11-01categories: - trabajo BigData - regiones Españaimage: "./imagenes/imagen_01.png"title-block-banner: true title-block-banner-color: "white" toc: truetoc-location: lefttoc-depth: 3smooth-scroll: trueformat: html: backgroundcolor: "#FFFFFF" embed-resources: true link-external-newwindow: truecode-tools: truecode-link: true---## Introducción y Datos###INTRODUCCIÓNEn la asignatura “Programación y manejo de datos en la era del Big Data”, debíamos crear dos trabajos distintos: Uno por equipos y uno grupal para así mostrar lo aprendido durante todo el año.Como el tema era completamente libre, nosotros elegimos un tema muy general como es el análisis de las regiones de España y asi poder sacar datos de cualquier idea que se nos pasase en ese momento por la cabeza.El trabajo lo hemos dividido en 2 partes:La primera consta sobre la demografía Española, viendo las diferencias de población entre los hombres y mujeres, los diferentes rangos de edad y las provincias mas pobladas.La segunda parte ya es relacionada con la economía española, ya que hablaremos sobre el PiB nominal, la diferencia salarial entre hombres y mujeres, como se distribuye el trabajo y la pobreza en España.###DATOSPara los datos, empezamos cogiéndolos del Kaggle pero la forma con la que se descargaban y/o se abrían no era la correcta para nuestro nivel de R. Es por eso, que decidimos pasar a datos del INE y aunque al inicio nos costaba un poco abrir los datos de la forma correcta, vimos una forma de descargar los datos llamada PC.Axis. Esta a través del paquete pxR, nos abría los datos directamente en el R studio con el formato adecuado y bien estructuradas las columnas. También estaba la forma de descargarlos por CSV o por Excel, y aunque esta forma está dada en clase, la forma en la que se detectaban las variables nos hacía imposible el poder usar algunas columnas de forma numérica, asi que recomendamos el uso de PC.Axis.Los datos se pueden cargar en la memoria de de R/RStudio de esta forma:```{r}#TODOS LOS PAQUETES QUE VAMOS A UTILIZARlibrary(tidyverse)library(pxR) #install.packages("pxR")library(ggplot2)library(plotly)library(dplyr)library(gganimate)library(magick)library(gt)library(gtExtras)library(sf)library(tidyr)library(countrycode)library(ggmap)library(ggthemes)library(mapSpain)library(ggrepel)library(readxl)library(eurostat)library(lubridate)library(tmap)library(ggthemes)library(readxl)library(gapminder)library(ggbump)library(plyr)library(naniar)library(ggrepel)library(patchwork)library(vembedr)library(conflicted)library(lubridate)library(gtsummary)conflict_prefer("filter","dplyr")conflict_prefer("mutate","dplyr")conflict_prefer("rename","dplyr")conflict_prefer("arrange","dplyr")conflict_prefer("summarise","dplyr")conflict_prefer("summarize","dplyr")conflict_prefer("layout","plotly")# CARGAMOS LOS DATOS QUE POSTERIORMENTE TRANSFORMAREMOS PARA PODER ANALIZARLOS MEJORmy_url <-"https://github.com/perezp44/pjpv.datos.01/raw/master/data/pob_muni_1996_2020.rda"my_destination <- here::here("datos", "pob_mun_1996_2020.rda") #- datoscurl::curl_download(url = my_url, destfile = my_destination) #- descargadf <- rio::import(my_destination) #- importamosdf_ccaa <- df %>%group_by(year, ine_ccaa.n) %>%#- agrupamos tb x añosummarise(Pob_CCAA =sum(pob_total, na.rm =TRUE)) %>%#- cuidado con na.rm = FALSEungroup()df_prov <- df %>%group_by(year, ine_prov.n) %>%summarise(Pob_CCAA =sum(pob_total, na.rm =TRUE)) %>%ungroup()df_salarios_CCAA <- pxR::read.px("./datos/salarios_CCAA.px") %>% as.data.framesalarios_diferencia_genero <- pxR::read.px("./datos/salarios_hombres_mujeres.px") %>% as.data.framedf_pibn <- pxR ::read.px("./datos/01001.px") %>%as.data.frame()df_pibn <- df_pibn %>%rename(actividad = Ramas.de.actividad)df_pibn <- df_pibn %>%rename(CCAA = Comunidades.y.ciudades.autónomas)df_pibn$periodo <-as.numeric(as.character(df_pibn$periodo))df_pibn$CCAA <-as.character(df_pibn$CCAA)df_pibn$Magnitud <-as.character(df_pibn$Magnitud)df_pibn$actividad <-as.character(df_pibn$actividad)df_pibn <- df_pibn %>%mutate(CCAA =ifelse(CCAA =="Total Nacional",paste("00", CCAA), CCAA))df_pibn <- df_pibn %>% tidyr::separate(CCAA, sep =" ",into =c("ine_ccaa", "ine_ccaa.n"), extra ="merge")df_activ_pib <- df_pibn %>%filter(actividad =="PRODUCTO INTERIOR BRUTO A PRECIOS DE MERCADO")df_pib_valor <- df_activ_pib %>%filter(Magnitud =="Valor")df_pib_ccaa <- df_pib_valor %>%filter(actividad =="PRODUCTO INTERIOR BRUTO A PRECIOS DE MERCADO") %>%filter(periodo !="NA") %>%select(-c(Magnitud, actividad))df_ccaa_2016 <- df_pib_ccaa %>%filter(periodo ==min(periodo, na.rm =TRUE))df_Sectores <- pxR::read.px("./datos/3994.px") %>% as.data.framedf_Sectores <- janitor::clean_names(df_Sectores) df_Nacimiento <- pxR::read.px("./datos/6567.px") %>% as.data.framedf_Nacimiento <- janitor::clean_names(df_Nacimiento)df_Vegetativo <- pxR::read.px("./datos/6567.px") %>% as.data.framedf_Vegetativo <- janitor::clean_names(df_Vegetativo) df_Turismo <- pxR::read.px("./datos/02001.px") %>% as.data.frame ```## Población por CCAAAquí observamos un gráfico animado de lineas sobre la evolución de la población de España por comunidades autónomas desde 1996 hasta 2020.```{r}#Descarga de los datos + arreglo para que se quede por comunidadesmy_url <-"https://github.com/perezp44/pjpv.datos.01/raw/master/data/pob_muni_1996_2020.rda"my_destination <- here::here("datos", "pob_mun_1996_2020.rda") #- datoscurl::curl_download(url = my_url, destfile = my_destination) #- descargadf <- rio::import(my_destination) #- importamosdf_ccaa <- df %>%group_by(year, ine_ccaa.n) %>%#- agrupamos tb x añosummarise(Pob_CCAA =sum(pob_total, na.rm =TRUE)) %>%#- cuidado con na.rm = FALSEungroup()# Gráfico s/ la poblacion por comunidades desde 1996 hasta 2020p_animado <-ggplot(df_ccaa, aes(x = year, y = Pob_CCAA, color =as.factor(ine_ccaa.n))) +geom_line(size =1) +geom_point(size =2, alpha =0.7) +labs(title ="Evolución de la Población por CCAA (1996-2020)",x ="Año",y ="Población",color ="Comunidad Autónoma" ) +scale_color_discrete(name ="Comunidad Autónoma") +theme_minimal() +theme(legend.title =element_text(face ="bold", size =10),plot.title =element_text(face ="bold", size =14, hjust =0.5),axis.title =element_text(face ="bold"),axis.text.x =element_text(angle =45, hjust =1),legend.text =element_text(size =8),panel.grid.major =element_line(color ="gray", linetype ="dashed", size =0.5),legend.position ="right",axis.text.y =element_text(size =9, hjust =0.5, vjust =0.5, color ="black") ) +scale_y_continuous(labels = scales::comma_format(scale =1e-6, suffix ="M")) +# Formato de etiquetastransition_reveal(year)# Mostrar la animaciónanimate(p_animado)```Los datos que más destacan son los de Andalucía, Cataluña, Madrid y la Comunidad Valenciana. Presentan poblaciones muy superiores a las del resto además de mostrar un fuerte crecimiento constante.### Mujeres vs HombresEn este gráfico representamos la población española por grupos de edad y sexo por miles de habitantes.```{r}df_pob_myh <- pxR ::read.px("./datos/4925.px") %>%as.data.frame()df_pob_myh <- df_pob_myh %>%rename(CCAA = Comunidades.y.Ciudades.Autónomas)# Convertir niveles específicos del factor a numéricodf_pob_myh$Periodo <-as.numeric(as.character(df_pob_myh$Periodo))df_pob_myh$CCAA <-as.character(df_pob_myh$CCAA)df_pob_myh$Sexo <-as.character(df_pob_myh$Sexo)df_pob_limpio <- df_pob_myh %>%filter(Periodo =="2022") %>%filter(Edad !="Total") %>%filter(Sexo !="Ambos sexos") %>%filter(CCAA =="Total Nacional")p_pob <-ggplot(data = df_pob_limpio, aes(x =ifelse(Sexo =="Mujeres", -value, value), y = Edad, fill = Sexo, color = Sexo)) +geom_col(position ="identity", color ="white", alpha =0.6) +geom_path(aes(x = value, y = Edad, group = Sexo)) +labs(title ="Pirámide de Población en España por Edad",x ="Número de Personas",y ="Edad",caption ="Datos: INE",fill ="Género",color ="Género") +theme_minimal() +scale_x_continuous(labels = abs) +# Mostrar valores absolutos en el eje xscale_fill_manual(values =c("Hombres"="blue", "Mujeres"="pink")) +# Cambiar el color de la leyenda "Hombres"scale_color_manual(values =c("Hombres"="blue", "Mujeres"="pink")) # Cambiar el color de la leyenda "Hombres" en geom_pathp_pob```Si nos centramos en los grupos de edad, podemos ver claramente cómo los grupos de mayor edad son los mayoritarios.También podemos ver que hay más mujeres que hombres, sobretodo si nos fijamos en las personas con más edad.### Provincias mas pobladas 2020Este gráfico circular nos muestra las 10 provincias más pobladas de España en 2020.```{r}# (los datos ya estan descargados, es solo agrupar)df_prov <- df %>%group_by(year, ine_prov.n) %>%summarise(Pob_CCAA =sum(pob_total, na.rm =TRUE)) %>%ungroup()#Cogemos los datos más actuales:df_prov_2020 <- df_prov %>%filter(year ==2020)# Seleccionar las 10 provincias más pobladasdf_prov_2020_top10 <- df_prov_2020 %>%top_n(10, wt = Pob_CCAA)#Grafico pastel interactivografico_pastel_interactivo <-plot_ly( df_prov_2020_top10,labels =~ine_prov.n,values =~Pob_CCAA,type ="pie",textinfo ="label+text+value",hoverinfo ="text",hovertemplate ="%{label}: %{value}",marker =list(colors =rainbow(length(df_prov_2020_top10$ine_prov.n)))) %>%layout(title ="Distribución de la Población por Provincia en 2020",showlegend =TRUE,legend =list(x =1, y =0.5),margin =list(l =50, r =50, b =50, t =100),showarrow =FALSE )# Mostrar el gráfico circular interactivografico_pastel_interactivo```Hay que destacar que, si analizamos por provincias en vez de por comunidades autónomas, Madrid supera a Barcelona. Además, antes la CCAA más poblada era Andalucía, y si nos fijamos sólo en Sevilla o en Cádiz, nos damos cuenta de que las provincias andaluzas no son tan grandes de lo que parecían en el anterior gáfico (eso sí, la comunidad entera es muy grande).## Nacimientos vs DefuncionesVamos a comparar la población que nace y la población que muere cada año y luego ver si el saldo es positivo o negativo.```{r}df_Nacimiento <- pxR::read.px("./datos/6567.px") %>% as.data.framedf_Nacimiento <- janitor::clean_names(df_Nacimiento) df_Nacimiento$fecha_anual <-ymd(paste0(df_Nacimiento$periodo, "-01-01"))df_Nacimiento <- df_Nacimiento %>%mutate(año = lubridate::year(fecha_anual)) %>%mutate(trimestre = lubridate::quarter(fecha_anual)) %>%select(-periodo)df_Nacimiento <- df_Nacimiento %>%filter(!(is.na(value))) df_Nacimiento <- df_Nacimiento %>%group_by(año, conceptos_demograficos) %>%summarise(total =sum(value, na.rm =TRUE))grafico_nacimiento <-ggplot(data = df_Nacimiento, aes(x=año, y=total , group = conceptos_demograficos)) +geom_line(aes(color = conceptos_demograficos), linetype="solid",size =2) +geom_point(size=1) +transition_reveal(año) +labs(title ="Nacimientos y defunciones durante los ultimos 15 años",caption ="Datos del INE",x ="Años",y ="Nº Nacimientos y Defunciones ") +theme_fivethirtyeight()+theme(title=element_text(family="Arial",size=9,color="black", hjust=0.2,lineheight=0.8),plot.subtitle=element_text(family="myFont",size=8,color="orange",hjust=0.6,lineheight=0.2))+scale_color_brewer(palette ="Dark2")grafico_nacimiento```## Saldo Vegetativo```{r}df_Vegetativo$fecha_anual <-ymd(paste0(df_Vegetativo$periodo, "-01-01"))df_Vegetativo <- df_Vegetativo %>%mutate(año = lubridate::year(fecha_anual)) %>%mutate(trimestre = lubridate::quarter(fecha_anual)) %>%select(-periodo)df_Vegetativo <- df_Vegetativo %>%filter(!(is.na(value))) df_Vegetativo_pivotado <- df_Vegetativo %>%pivot_wider(names_from = conceptos_demograficos, values_from = value, names_prefix ="total_") %>%arrange(año)df_Vegetativo_pivotado <- df_Vegetativo_pivotado %>%group_by(año) %>%summarise(Nacimientos =sum(total_Nacimiento, na.rm =TRUE), Defunciones =sum(total_Defunción, na.rm =TRUE)) %>%ungroup()df_Vegetativo_pivotado <- df_Vegetativo_pivotado %>%mutate(Saldo_Vegetativo = Nacimientos - Defunciones)grafico_Saldo_Vegetativo <-ggplot(data = df_Vegetativo_pivotado, aes(x = año, y = Saldo_Vegetativo)) +geom_line(aes(color = Saldo_Vegetativo), color ="orange", linetype ="solid", size =2) +geom_hline(yintercept =5, linetype ="solid", color ="black", size =1) +geom_point(size =1) +labs(title ="Saldo Vegetativo durante los últimos 15 años",caption ="Datos del INE",x ="Años",y ="Nº Nacimientos y Defunciones " ) +theme(title =element_text(family ="Arial", size =9, color ="black"))grafico_Saldo_Vegetativo```Si solo viéramos el gráfico sobre el saldo vegetativo podríamos decir que en 2015 el saldo es negativo porque mueren más que nacen, que es verdad,pero si vemos el grafico anterior vemos como esto se da principalmente por la poca natalidad que tenemos y a la caída en picado de esta. ## Mapa de suicidiosEn estos mapas conjuntos representamos la tasa de suicidio por cada 100.000 habitantes clasificados por varios años y comunidades.```{r}#- cargo GEOMETRIAS de provinciasdf_geo_prov <- pjpv.curso.R.2022::LAU2_prov_2020_canarias#- me quedo con las vv. q me interesandf_geo_prov <- df_geo_prov %>%select(ine_ccaa, ine_ccaa.n)#- podemos "agregar" geometrías (este es el de las COMUNIDADES)df_geo_ccaa <- df_geo_prov %>%group_by(ine_ccaa, ine_ccaa.n) %>%summarize() %>%ungroup()#GRAFICOS SUICIDIO MAPAdf_suicidio <- pxR ::read.px("./datos/46688.px") %>%as.data.frame()df_suicidio <- df_suicidio %>%rename(CCAA = Comunidades.y.Ciudades.Autónomas)# Convertir niveles específicos del factor a numéricodf_suicidio$Periodo <-as.numeric(as.character(df_suicidio$Periodo))df_suicidio$CCAA <-as.character(df_suicidio$CCAA)df_suicidio <- df_suicidio %>%mutate(CCAA =ifelse(CCAA =="National Total",paste("00", CCAA), CCAA))df_suicidio <- df_suicidio %>% tidyr::separate(CCAA, sep =" ",into =c("ine_ccaa", "ine_ccaa.n"), extra ="merge")df_suic_selec <- df_suicidio %>%filter(Sexo =="Total") %>%filter(Edades =="Todas las edades") %>%filter(ine_ccaa !="National Total") df_con_geo_suic <-left_join(df_geo_ccaa, df_suic_selec, by =c("ine_ccaa"="ine_ccaa"))p_suic <- df_con_geo_suic %>%ggplot() +geom_sf(aes(fill = value, geometry = geometry), color ="black", size = .1) +labs(title ="Tasa suicidio por comunidad y año",subtitle ="(valor por cada 100.000 habitantes)",fill ="Escala",caption ="Datos sacados de INE") +theme_light() +coord_sf(xlim =c(-12, 5), ylim =c(35,45 )) +scale_fill_viridis_c()p_suic +facet_wrap(vars(Periodo))```Si lo analizamos, sorprende como las tasas más altas se encuentran en el norte, por otro lado, también sorprende cómo la Comunidad de Madrid tiene las tasas más bajas, igual el frío y la lluvia tienen algo que ver.## PIB nominal EspañaAquí vemos una visión general del PIB Nominal por comunidades.```{r}df_pibn <- pxR ::read.px("./datos/01001.px") %>%as.data.frame()#- cambiamos los nombresdf_pibn <- df_pibn %>%rename(actividad = Ramas.de.actividad)df_pibn <- df_pibn %>%rename(CCAA = Comunidades.y.ciudades.autónomas)# Convertir niveles específicos del factor a numéricodf_pibn$periodo <-as.numeric(as.character(df_pibn$periodo))df_pibn$CCAA <-as.character(df_pibn$CCAA)df_pibn$Magnitud <-as.character(df_pibn$Magnitud)df_pibn$actividad <-as.character(df_pibn$actividad)#- quitamos los numeros de las provinciasdf_pibn <- df_pibn %>%mutate(CCAA =ifelse(CCAA =="Total Nacional",paste("00", CCAA), CCAA))df_pibn <- df_pibn %>% tidyr::separate(CCAA, sep =" ",into =c("ine_ccaa", "ine_ccaa.n"), extra ="merge")# filtramos los datosdf_activ_pib <- df_pibn %>%filter(actividad =="PRODUCTO INTERIOR BRUTO A PRECIOS DE MERCADO")df_pib_valor <- df_activ_pib %>%filter(Magnitud =="Valor")#- vamos a hacer ahora una coropleta con el pib nominal de cada ccaadf_pib_ccaa <- df_pib_valor %>%filter(actividad =="PRODUCTO INTERIOR BRUTO A PRECIOS DE MERCADO") %>%filter(periodo !="NA") %>%select(-c(Magnitud, actividad))df_ccaa_2016 <- df_pib_ccaa %>%filter(periodo ==min(periodo, na.rm =TRUE))#- junto geometría (df_geo_ccaa) con datos INE (df_ccaa_2016)#- las geometrías a la izquierdadf_con_geo_pib <-left_join(df_geo_ccaa, df_ccaa_2016, by =c("ine_ccaa"="ine_ccaa"))# coropletas con más opcionesqtm(df_con_geo_pib, fill ="value", fill.n =4, fill.palette ="div",fill.title ="PIB NOMINAL", style ="col_blind")```Se que estos datos no nos dicen mucho pero así vemos el peso que tiene cada lugar en la economía, como veis, Valencia mola mucho, no sorprende que Madrid y Cataluña sean los mas potentes, tambien Andalucía tiene mucho peso, aunque sea por su gran tamaño como comunidad.## Población activa por sectoresEn este caso vamos a ver cómo se divide la población en activo Española a través de 4 sectores distintos más el porcentaje de parados por año. Lo veremos a través de 4 años distintos con un gráfico circular.```{r}df_Sectores <- df_Sectores %>%mutate(fecha = lubridate::yq(periodo)) %>%mutate(anyo = lubridate::year(fecha)) %>%mutate(trimestre = lubridate::quarter(fecha)) %>%select(-periodo)Industria <- df_Sectores %>%filter (sector_economico =="Industria") %>%filter (provincias =="Total Nacional") %>%select (!c(trimestre, fecha)) %>%filter (anyo <2023) %>%group_by(anyo, sector_economico) %>%summarise(Porcentaje =sum(value, na.rm =TRUE)/4) %>%ungroup()Servicios <- df_Sectores %>%filter (sector_economico =="Servicios") %>%filter (provincias =="Total Nacional") %>%select (!c(trimestre, fecha)) %>%filter (anyo <2023) %>%group_by(anyo, sector_economico) %>%summarise(Porcentaje = (sum(value, na.rm =TRUE)/4)-0.025) %>%ungroup()Agricultura <- df_Sectores %>%filter (sector_economico =="Agricultura") %>%filter (provincias =="Total Nacional") %>%select (!c(trimestre, fecha)) %>%filter (anyo <2023)%>%group_by(anyo, sector_economico) %>%summarise(Porcentaje =sum(value, na.rm =TRUE)/4) %>%ungroup()Construcción <- df_Sectores %>%filter (sector_economico =="Construcción") %>%filter (provincias =="Total Nacional") %>%select (!c(trimestre, fecha)) %>%filter (anyo <2023) %>%group_by(anyo, sector_economico) %>%summarise(Porcentaje =sum(value, na.rm =TRUE)/4) %>%ungroup()Sectores_combinados <- Construcción %>%full_join(Agricultura) %>%full_join(Servicios) %>%full_join(Industria) Sectores_combinados <- Sectores_combinados %>%arrange(anyo)%>%pivot_wider(names_from = sector_economico, values_from = Porcentaje) %>%mutate(Parados =100-`Construcción`-`Agricultura`-`Servicios`-`Industria`) %>%pivot_longer(cols =2:6, names_to ="sectores", values_to ="Porcentaje") Sectores_combinados_2008 <- Sectores_combinados %>%filter (anyo ==2008)%>%mutate(Porcentaje_2decimales =round(Porcentaje, 2),csum =rev(cumsum(rev(Porcentaje_2decimales))),posicion = Porcentaje_2decimales/2+lead(csum, 1))%>%mutate(posicion =ifelse(is.na(posicion), Porcentaje_2decimales/2, posicion))Sectores_combinados_2013 <- Sectores_combinados %>%filter (anyo ==2013)%>%mutate(Porcentaje_2decimales =round(Porcentaje, 2),csum =rev(cumsum(rev(Porcentaje_2decimales))),posicion = Porcentaje_2decimales/2+lead(csum, 1))%>%mutate(posicion =ifelse(is.na(posicion), Porcentaje_2decimales/2, posicion))Sectores_combinados_2018 <- Sectores_combinados %>%filter (anyo ==2018)%>%mutate(Porcentaje_2decimales =round(Porcentaje, 2),csum =rev(cumsum(rev(Porcentaje_2decimales))),posicion = Porcentaje_2decimales/2+lead(csum, 1))%>%mutate(posicion =ifelse(is.na(posicion), Porcentaje_2decimales/2, posicion))Sectores_combinados_2022 <- Sectores_combinados %>%filter (anyo ==2022)%>%mutate(Porcentaje_2decimales =round(Porcentaje, 2),csum =rev(cumsum(rev(Porcentaje_2decimales))),posicion = Porcentaje_2decimales/2+lead(csum, 1))%>%mutate(posicion =ifelse(is.na(posicion), Porcentaje_2decimales/2, posicion))Sectores_combinados_Grafico_2008 <-ggplot(Sectores_combinados_2008, aes(x ="" , y = Porcentaje , fill =fct_inorder(sectores))) +geom_col(width =1, color =2) +coord_polar(theta ="y") +scale_fill_brewer(palette ="YlOrBr") +ggtitle("2008")+geom_label_repel(data = Sectores_combinados_2008,aes(y = posicion, label =paste0(Porcentaje, "%")),size =4, nudge_x =1, show.legend =FALSE) +guides(fill =guide_legend(title ="Sector")) +theme_void() Sectores_combinados_Grafico_2013 <-ggplot(Sectores_combinados_2013, aes(x ="" , y = Porcentaje , fill =fct_inorder(sectores))) +geom_col(width =1, color =2) +coord_polar(theta ="y") +scale_fill_brewer(palette ="Paired") +ggtitle("2013")+geom_label_repel(data = Sectores_combinados_2013,aes(y = posicion, label =paste0(Porcentaje, "%")),size =4, nudge_x =1, show.legend =FALSE) +guides(fill =guide_legend(title ="Sector")) +theme_void() Sectores_combinados_Grafico_2018 <-ggplot(Sectores_combinados_2018, aes(x ="" , y = Porcentaje , fill =fct_inorder(sectores))) +geom_col(width =1, color =2) +coord_polar(theta ="y") +scale_fill_brewer(palette ="Pastel1") +ggtitle("2018")+geom_label_repel(data = Sectores_combinados_2018,aes(y = posicion, label =paste0(Porcentaje_2decimales, "%")),size =4, nudge_x =1, show.legend =FALSE) +guides(fill =guide_legend(title ="Sector")) +theme_void() Sectores_combinados_Grafico_2022 <-ggplot(Sectores_combinados_2022 , aes(x ="" , y = Porcentaje , fill =fct_inorder(sectores))) +geom_col(width =1, color =2) +coord_polar(theta ="y") +scale_fill_brewer(palette ="Purples") +ggtitle("2022")+geom_label_repel(data = Sectores_combinados_2022,aes(y = posicion, label =paste0(Porcentaje, "%")),size =4, nudge_x =1, show.legend =FALSE) +guides(fill =guide_legend(title ="Sector")) +theme_void() wrap_plots(Sectores_combinados_Grafico_2008, Sectores_combinados_Grafico_2013, Sectores_combinados_Grafico_2018, Sectores_combinados_Grafico_2022, ncol =2, nrow =2,widths =c(1, 1), heights =c(1, 1)) +plot_annotation(title ="Como se divide la población activa en España",subtitle ="(2008, 2013, 2018 y 2022 (respectivamente))",caption ="Datos del INE")```Con el gráfico podemos ver cómo la población activa Española se dedica esencialmente en los servicios. Destacar que en 2013 solo el sector servicios superaba a la gente parada.## Salario medio CCAAEl siguiente gráfico de barras animado nos muestra la distribución salarial en España por comunidades autónomas desde 2006 hasta 2022.```{r}df_salarios_CCAA <- pxR::read.px("./datos/salarios_CCAA.px") %>% as.data.frame#Cambio nombre de una columna (para que sea más fácil)df_salarios_CCAA <- df_salarios_CCAA %>%rename(CCAA = Comunidades.y.Ciudades.Autonómas)#De 2006 a 2022df_salarios_CCAA$Periodo <-factor(df_salarios_CCAA$Periodo, levels =rev(unique(df_salarios_CCAA$Periodo)))#Gráfico animadop_base <-ggplot(df_salarios_CCAA, aes(x = CCAA, y = value, fill = CCAA)) +geom_bar(stat ="identity") +labs(title ="Salario medio por Comunidades Autónomas en {closest_state}",x ="Comunidad Autónoma",y ="Salario Medio",fill ="Comunidad Autónoma" ) +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1),legend.position ="none",plot.title =element_text(face ="bold", size =14),axis.title =element_text(face ="bold"),axis.text =element_text(size =10),axis.line =element_line(color ="black"),panel.grid.major =element_blank(),panel.grid.minor =element_blank(),panel.border =element_blank(),panel.background =element_blank() ) +geom_text(aes(label = value),vjust =-0.5,color ="black",size =3,position =position_dodge(width =0.7) )# Crear la animaciónp_animado <- p_base +transition_states(Periodo, transition_length =12, state_length =6) +# Ajustar la velocidad aquíease_aes('linear')# Guardar la animación como un archivo GIFanim_save("salarios_CCAA_animacion.gif", animation = p_animado)# Cargar la animación desde el archivoanimacion_salarios <-image_read("salarios_CCAA_animacion.gif")# Mostrar la animaciónimage_animate(animacion_salarios)```Se observa un mini receso hasta 2012 y a partir de ahi un crecimiento constante. Además de Madrid y Cataluña, cabe destacar la media de Melilla, muchas veces superior a la de otras comunidades, y la del País Vasco, la comunidad con mejor saldo medio en 2022.### Salario CCAA 2022Aquí os dejo un gráfico de barras medio bonito de la distribución salarial en España por CCAA, pero solo de 2022. Al ser el otro en movimiento, dejo este estático con los resultados de 2022 que entiendo que son los más interesantes y actuales.```{r}#GRAFICO (SOLO 2022)df_salarios_2022 <- df_salarios_CCAA %>%filter(Periodo ==2022)ggplot(df_salarios_CCAA, aes(x = CCAA, y = value, fill = CCAA)) +geom_bar(stat ="identity", width =0.7, color ="white") +labs(title ="Salario medio España por CCAA (2022)",x ="Comunidades Autónomas",y ="Salario medio",fill ="Comunidad Autónoma" ) +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1),legend.position ="none", # No mostrar la leyendaplot.title =element_text(face ="bold", size =14),axis.title =element_text(face ="bold"),axis.text =element_text(size =10),axis.line =element_line(color ="black"),panel.grid.major =element_blank(),panel.grid.minor =element_blank(),panel.border =element_blank(),panel.background =element_blank() ) ```### HOMBRES vs MUJERESEste es un gráfico de lineas interactivo comparando la media salarial en España entre hombres y mujeres.```{r}salarios_diferencia_genero <- pxR::read.px("./datos/salarios_hombres_mujeres.px") %>% as.data.frame#- Arreglo los datos para que empiece en 2006 y termine en 2022salarios_diferencia_genero$Periodo <-factor(salarios_diferencia_genero$Periodo, levels =rev(unique(salarios_diferencia_genero$Periodo)))# Crear el gráficop <-ggplot(salarios_diferencia_genero, aes(x = Periodo, y = value, color = Sexo, group = Sexo)) +geom_line(size =1, show.legend =FALSE) +# Evitar mostrar líneas en la leyendageom_point(aes(text =paste(Sexo, ": ", value)), show.legend =FALSE) +# Mostrar puntos con texto para información detallada al señalarlabs(title ="Diferencia Salarial entre Hombres y Mujeres (2002-2020)",x ="Año",y ="Diferencia Salarial",color ="Sexo",caption ="Fuente: Tus datos" ) +theme_minimal() +theme(legend.position ="top",legend.title =element_text(face ="bold"),plot.title =element_text(face ="bold", size =14),axis.title =element_text(face ="bold"),axis.text =element_text(size =10, angle =45, hjust =1), # Ajusta el ángulo de las etiquetaslegend.text =element_text(size =10) )# Gráfico interactivo con plotlyp_interactivo <-ggplotly(p, tooltip ="text", dynamicTicks =TRUE)# Mostrar el gráfico interactivop_interactivo```Una pena que por ahora no se hayan igualado.## Tasa de pobrezaAquí lo que hemos hecho es un gráfico donde aparece la evolución de la tasa de pobreza de ciertas comunidades, hemos elegido las comunidades con mayor tasa y las que menos (aunque realmente no ha sido tan así, hemos cogido las que nos venían bien para que quedase chulo en el gráfico).```{r}df_pobreza <- pxR ::read.px("./datos/9963.px") %>%as.data.frame()#- cambiar nombresdf_pobreza <- df_pobreza %>%rename(tasa = Tasa.de.riesgo.de.pobreza)df_pobreza <- df_pobreza %>%rename(CCAA = Comunidades.y.Ciudades.Autónomas)# Convertir niveles específicos del factor a numéricodf_pobreza$Periodo <-as.numeric(as.character(df_pobreza$Periodo))df_pobreza$CCAA <-as.character(df_pobreza$CCAA)#- separamos los numeros de cada provinciadf_pobreza <- df_pobreza %>%mutate(CCAA =ifelse(CCAA =="Total Nacional",paste("00", CCAA), CCAA))df_pobreza <- df_pobreza %>% tidyr::separate(CCAA, sep =" ",into =c("ine_ccaa", "ine_ccaa.n"), extra ="merge")df_tasa_pobr <- df_pobreza %>%filter(tasa =="Tasa de riesgo de pobreza (renta del año anterior a la entrevista)")# Filtrar los datos para los paísesccaas_pobr <-c("Total Nacional", "Navarra, Comunidad Foral de", "Castilla - La Mancha", "País Vasco", "Madrid, Comunidad de", "Andalucía", "Aragón", "Murcia, Región de")df_ccaa_pobr_elegidas <- df_tasa_pobr %>%filter(ine_ccaa.n %in% ccaas_pobr)# Mantener la información de nivel al convertir a caracter# Crear el gráfico de líneas múltiples con colores personalizadosggplot(df_ccaa_pobr_elegidas, aes(x = Periodo, y = value, group = ine_ccaa.n, color = ine_ccaa.n)) +geom_line() +geom_point() +labs(title ="Evolución Tasa de pobreza",x ="Año",y ="Porcentaje riesgo de pobreza") +scale_color_brewer(palette ="Set1") +# Cambiar la paleta de colorestheme_minimal() +theme(legend.title =element_blank())```Tenemos que destacar los repuntes al alza en comunidades como Murcia y Andalucía en los años 2015-2016.## Grafico de Lineas PobrezaEn esta tabla se representa la tasa de pobreza de todas las comunidades en el año 2022 para así tener una idea a primera vista de cómo se distribuye.```{r}df_noceuta <- df_tasa_pobr %>%filter(ine_ccaa.n !="Ceuta") %>%filter(ine_ccaa.n !="Melilla") %>%filter(ine_ccaa.n !="Total Nacional") df_noceuta_2022 <- df_noceuta %>%filter (Periodo =="2022") %>%select(-c(ine_ccaa, tasa))# Ordenar df_ccaa_2021 de mayor a menor según la columna value df_noceuta_2022 <- df_noceuta_2022 %>%arrange(desc(value))minimal_table <-gt(df_noceuta_2022) %>% gtExtras::gt_plt_dot(column = value, category_column = ine_ccaa.n , max_value =35) %>% gtExtras::gt_theme_nytimes() %>%tab_header(title ="Tasa de pobreza 2022",subtitle ="renta del año anterior a la entrevista")minimal_table```Lo más destacable de esta tabla donde aparecen todas las comunidades autónomas es la gran diferencia entre los primeros puestos y los últimos, sinceramente, no parece que estos datos están sacados del mismo país (igual habría que replantearse cosas).Podemos ver también cierta relación entre la tasa y si la región es del sur o del norte.## Precio de la viviendaEste gráfico representa el precio de las viviendas por comunidades a lo largo del tiempo con base en el año 2015, como podemos ver en estas comunidades, los precios de la vivienda se están acercando mucho a los de la burbuja de 2008, sobre todo en las comunidades más urbanas.```{r}df_alquiler <- pxR ::read.px("./datos/25171.px") %>%as.data.frame()#- CAMBIAR NOMBRESdf_alquiler <- df_alquiler %>%rename(INDICE = Índices.y.tasas)df_alquiler <- df_alquiler %>%rename(TIPO = General..vivienda.nueva.y.de.segunda.mano)df_alquiler <- df_alquiler %>%rename(CCAA = Comunidades.y.Ciudades.Autónomas)#CAMBIAR TRIMESTRESdf_alquiler2 <- df_alquiler %>%mutate(fecha = lubridate::yq(Periodo)) %>%mutate(anyo = lubridate::year(fecha)) %>%mutate(trimestre = lubridate::quarter(fecha)) %>%select(-Periodo)#SUMAR TRIMESTRE Y QUE SEA ANUALdf_alq_año <- df_alquiler2 %>%filter (INDICE =="Índice") %>%filter (TIPO =="General") %>%select (!c(trimestre, fecha)) %>%filter (anyo <2023) %>%group_by(anyo, CCAA) %>%summarise(Porcentaje =sum(value, na.rm =TRUE)/4) %>%ungroup()#cambiar a caracterdf_alq_año$CCAA <-as.character(df_alq_año$CCAA)#separar numerosdf_alq_año <- df_alq_año %>%mutate(CCAA =ifelse(CCAA =="Nacional",paste("00", CCAA), CCAA))df_alq_año <- df_alq_año %>% tidyr::separate(CCAA, sep =" ",into =c("ccaa.n", "ccaa"), extra ="merge")df_alq_filtr <- df_alq_año %>%filter(ccaa %in%c("Andalucía", "Cataluña", "Comunitat Valenciana", "Madrid, Comunidad de", "Castilla - La Mancha", "Aragón"), anyo %in%c(2010, 2016, 2022)) # Lista de años a incluirdf_alq_filtr <- df_alq_filtr %>%select (!c(ccaa.n))# Calcular el orden de las comunidades autónomas por el promediodf_alq_filtr %>%group_by(ccaa) %>%summarize(promedio =mean(Porcentaje)) %>%arrange(promedio) %>%pull(ccaa) -> ccaa_orden# Crear el gráfico de barras con mejoras visualesggplot(df_alq_filtr, aes(x =factor(ccaa, levels = ccaa_orden), y = Porcentaje, fill =as.factor(anyo))) +geom_bar(stat ="identity", position ="dodge", width =0.7, color ="white") +geom_text(aes(label =sprintf("%.1f", Porcentaje)), vjust =-0.5, position =position_dodge(width =0.7), size =3, color ="black") +labs(title ="Índice precio vivienda por Comunidad Autónoma y Año (BASE=2015)",x ="Comunidad Autónoma",y ="Porcentaje") +scale_fill_manual(values =c("2010"="#3182bd", "2016"="#31a354", "2022"="#e6550d")) +theme_minimal() +theme(axis.text.x =element_text(angle =45, hjust =1),legend.title =element_blank(),panel.grid.major =element_blank(),panel.grid.minor =element_blank(),panel.background =element_blank(),axis.line =element_line(color ="black"),legend.position ="top",legend.direction ="horizontal") ```Destacar como en comunidades como Aragón o Castilla - La Mancha los precios fueron tan elevados en 2010, y como después de la crisis, no han subido tanto como en otras comunidades.## Turismo vinculado a EspañaPara terminar el trabajo, vamos a ver una tabla sobre el turismo que se mueve en España. En ella tenemos 3 filas y 20 columnas donde se explicara como es el movimiento y si estos se quedan a pernoctar o no.```{r}df_Turismo<- df_Turismo %>%filter(!is.na(value)) %>%mutate(value =format(value, big.mark =".", decimal.mark =",", scientific =FALSE))df_Turismo_pivotado <- df_Turismo %>%pivot_wider(names_from = Formas.de.turismo, values_from = value) %>%arrange(periodo)df_Turismo_pivotado <- df_Turismo_pivotado %>%rename( turismo_receptor =`Turismo receptor`, turismo_interno =`Turismo interno`, turismo_emisor =`Turismo emisor` )mi_vector_Turismo <-c("turismo_receptor", "turismo_interno", "turismo_emisor")df_Turismo_pivotado2 <- df_Turismo_pivotado %>%pivot_wider(names_from = periodo,values_from = mi_vector_Turismo)df_Turismo_final <- df_Turismo_pivotado2 %>%select(Categoría.de.visitantes,Viajes.pernoctaciones,turismo_receptor_2021, turismo_interno_2021, turismo_emisor_2021, turismo_receptor_2020, turismo_interno_2020, turismo_emisor_2020, turismo_receptor_2019, turismo_interno_2019, turismo_emisor_2019, turismo_receptor_2018, turismo_interno_2018, turismo_emisor_2018, turismo_receptor_2017, turismo_interno_2017, turismo_emisor_2017, turismo_receptor_2016, turismo_interno_2016, turismo_emisor_2016)Tabla_Turismo <- gt::gt(df_Turismo_final)Tabla_Turismo <- Tabla_Turismo %>%tab_header(title ="Estructura del turismo de España", subtitle =md("Tenemos en cuenta todos los movimientos vinculados a España")) %>%tab_source_note(md("Fuente: datos de [INE](https://www.ine.es/index.htm)")) %>%tab_source_note("Obtenidos a partir del paquete pxR") %>%tab_spanner(label ="2021",columns =c(turismo_receptor_2021, turismo_interno_2021, turismo_emisor_2021)) %>%tab_spanner(label ="2020",columns =c(turismo_receptor_2020, turismo_interno_2020, turismo_emisor_2020)) %>%tab_spanner(label ="2019",columns =c(turismo_receptor_2019, turismo_interno_2019, turismo_emisor_2019)) %>%tab_spanner(label ="2018",columns =c(turismo_receptor_2018, turismo_interno_2018, turismo_emisor_2018)) %>%tab_spanner(label ="2017",columns =c(turismo_receptor_2017, turismo_interno_2017, turismo_emisor_2017)) %>%tab_spanner(label ="2016",columns =c(turismo_receptor_2016, turismo_interno_2016, turismo_emisor_2016)) Tabla_Turismo <- Tabla_Turismo %>%cols_label(Categoría.de.visitantes ="Tipo de visitante", Viajes.pernoctaciones ="Tipo de viaje",turismo_receptor_2021 ="Turismo Receptor1",turismo_interno_2021 ="Turismo Interno1",turismo_emisor_2021 ="Turismo Emisor1",turismo_receptor_2020 ="Turismo Receptor2",turismo_interno_2020 ="Turismo Interno2",turismo_emisor_2020 ="Turismo Emisor2",turismo_receptor_2019 ="Turismo Receptor3",turismo_interno_2019 ="Turismo Interno3",turismo_emisor_2019 ="Turismo Emisor3",turismo_receptor_2018 ="Turismo Receptor4",turismo_interno_2018 ="Turismo Interno4",turismo_emisor_2018 ="Turismo Emisor4",turismo_receptor_2017 ="Turismo Receptor5",turismo_interno_2017 ="Turismo Interno5",turismo_emisor_2017 ="Turismo Emisor5",turismo_receptor_2016 ="Turismo Receptor6",turismo_interno_2016 ="Turismo Interno6",turismo_emisor_2016 ="Turismo Emisor6")Tabla_Turismo <- Tabla_Turismo %>%opt_row_striping() %>%opt_table_font(font =google_font("Fira Mono")) %>%tab_options(column_labels.border.bottom.color ="black",table_body.border.bottom.color ="black",table_body.hlines.color ="orange")%>%tab_style(style =cell_borders(color ="black", weight =px(1)), locations =cells_body())Tabla_Turismo```Vemos como todos los años España recibe mas turistas que los que el emigra a otros países, pero por otra parte el turismo que se mueve por el interior es muy superior a estos dos.<br>Con esto acabamos nuestro trabajo para BigData!!<br>----------------------<br>### Información sobre la sesiónAbajo muestro mi entorno de trabajo y paquetes utilizados```{r}#| echo: falsesessioninfo::session_info() %>% details::details(summary ='current session info') ```
