socio-hackathon-2024/scripts_r/2015.Rmd at main · ezeluduena/socio-hackathon-2024 · GitHub

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
---
title: '2015'
output: html_document
date: "2024-10-21"
---

```{r abrir archivos}
General = read.csv("General_concatenado.csv")


Sexo = read.csv( "Sexo_concatenado.csv")


Region = read.csv("Region_concatenado.csv")

```

```{r estimar general 2015}
# Suponiendo que tu data frame se llama 'General' y tiene una columna 'year' con los años
# Primero, crear una secuencia de todos los años que deberían estar presentes
todos_los_años <- seq(2011, 2019)

# Crear un nuevo data frame con todos los años
General_completo <- data.frame(Año = todos_los_años)

# Iterar sobre cada columna (excepto 'year') para interpolar los valores faltantes
for (col in names(General)[-1]) {


  # Realizar la interpolación si hay suficientes datos no NA
    interpolated_values <- approx(General$Año, General[[col]], xout = todos_los_años)$y


    General_completo[[col]] <- interpolated_values
}
# Mostrar el data frame completo con los valores interpolados
print(General_completo)


write.csv(General_completo, "General-2015-estimado.csv")

```

```{r estimar sexo 2015}

# Primero, crea un data frame con todos los años que deberían estar presentes
todos_los_años <- seq(2011, 2019)

# Para cada género, realizaremos la interpolación de los valores faltantes

# Filtrar por "Mujer" y "Varón"
Sexo_mujer <- Sexo %>% filter(Sexo == "Mujer")
Sexo_varon <- Sexo %>% filter(Sexo == "Varón")

# Crear un nuevo data frame para el resultado final
Sexo_completo <- data.frame()

# Interpolación para "Mujer"
for (col in names(Sexo_mujer)[-c(1, 2)]) {  # Excluimos 'Año' y 'Sexo'
  if (sum(!is.na(Sexo_mujer[[col]])) > 1) {  # Solo si hay más de 1 valor no NA
    interpolated_values_mujer <- approx(Sexo_mujer$Año, Sexo_mujer[[col]], xout = todos_los_años, rule = 2)$y
    Sexo_completo <- do.call(Sexo_completo,
                               data.frame(Año = todos_los_años,
                                          Sexo = "Mujer",
                                          Tasa.Actividad = interpolated_values_mujer[1],
                                          Tasa.Empleo = interpolated_values_mujer[2],
                                          Tasa.Desempleo = interpolated_values_mujer[3],
                                          Tasa.Informalidad = interpolated_values_mujer[4],
                                          Tasa.Subocupados = interpolated_values_mujer[5],
                                          PromedioProporcion = interpolated_values_mujer[6]))
  }
}

# Hacer lo mismo para "Varón"
for (col in names(Sexo_varon)[-c(1, 2)]) {  # Excluimos 'Año' y 'Sexo'
  if (sum(!is.na(Sexo_varon[[col]])) > 1) {  # Solo si hay más de 1 valor no NA
    interpolated_values_varon <- approx(Sexo_varon$Año, Sexo_varon[[col]], xout = todos_los_años, rule = 2)$y
    Sexo_completo <- do.call(Sexo_completo,
                               data.frame(Año = todos_los_años,
                                          Sexo = "Varón",
                                          Tasa.Actividad = interpolated_values_varon[1],
                                          Tasa.Empleo = interpolated_values_varon[2],
                                          Tasa.Desempleo = interpolated_values_varon[3],
                                          Tasa.Informalidad = interpolated_values_varon[4],
                                          Tasa.Subocupados = interpolated_values_varon[5],
                                          PromedioProporcion = interpolated_values_varon[6]))
  }
}

# Verifica el resultado
head(Sexo_completo)

# Exportar el resultado a un CSV
write.csv(Sexo_completo, "Sexo_interpolado.csv", row.names = FALSE)


```