# Análisis Exploratorio de Datos

# En la siguiente liga se puede bajar archivo zip con los csv's de la EIC2015 
# http://www.beta.inegi.org.mx/proyectos/enchogares/especiales/intercensal/

#Cargamos la base de datos sobre población, es un csv
datpob = read.csv("TR_PERSONA11.csv")   #  723,696     86

names(datpob)
# [1] "ID_VIV"             "ID_PERSONA"         "ENT"               
# [4] "NOM_ENT"            "MUN"                "NOM_MUN"           
# [7] "LOC50K"             "NOM_LOC"            "COBERTURA"         
#[10] "ESTRATO"            "UPM"                "FACTOR"            
#[13] "NUMPER"             "SEXO"               "EDAD"              
#[16] "PARENT"             "PARENT_OTRO_C"      "IDENT_MADRE"       
#[19] "IDENT_PADRE"        "SERSALUD"           "AFRODES"           
#[22] "ACTA_NAC"           "DHSERSAL1"          "DHSERSAL2"         
#[25] "PERTE_INDIGENA"     "ENT_PAIS_NAC"       "NACIONALIDAD"      
#[28] "HLENGUA"            "QDIALECT_C"         "QDIALECT_INALI"    
#[31] "HESPANOL"           "ELENGUA"            "ASISTEN"           
#[34] "MUN_ASI"            "NOM_MUN_ASI"        "ENT_PAIS_ASI"      
#[37] "TIE_TRASLADO_ESCU"  "MED_TRASLADO_ESC1"  "MED_TRASLADO_ESC2" 
#[40] "MED_TRASLADO_ESC3"  "ESCOLARI"           "NIVACAD"           
#[43] "ALFABET"            "ESCOACUM"           "MUN_RES10"         
#[46] "NOM_MUN_RES10"      "ENT_PAIS_RES10"     "SITUA_CONYUGAL"    
#[49] "IDENT_PAREJA"       "CONACT"             "OCUPACION_C"       
#[52] "SITUACION_TRAB"     "AGUINALDO"          "VACACIONES"        
#[55] "SERVICIO_MEDICO"    "UTILIDADES"         "INCAP_SUELDO"      
#[58] "SAR_AFORE"          "CREDITO_VIVIENDA"   "INGTRMEN"          
#[61] "ACTIVIDADES_C"      "MUN_TRAB"           "NOM_MUN_TRAB"      
#[64] "ENT_PAIS_TRAB"      "TIE_TRASLADO_TRAB"  "MED_TRASLADO_TRAB1"
#[67] "MED_TRASLADO_TRAB2" "MED_TRASLADO_TRAB3" "ACTI_SIN_PAGO1"    
#[70] "ACTI_SIN_PAGO2"     "ACTI_SIN_PAGO3"     "ACTI_SIN_PAGO4"    
#[73] "ACTI_SIN_PAGO5"     "ACTI_SIN_PAGO6"     "ACTI_SIN_PAGO7"    
#[76] "ACTI_SIN_PAGO8"     "HIJOS_NAC_VIVOS"    "HIJOS_FALLECIDOS"  
#[79] "HIJOS_SOBREVIV"     "FECHA_NAC_M"        "FECHA_NAC_A"       
#[82] "SOBREVIVENCIA"      "EDAD_MORIR_D"       "EDAD_MORIR_M"      
#[85] "EDAD_MORIR_A"       "TAMLOC"   

# Ingreso por trabajo (mensual)
aa = datpob$INGTRMEN
aa = aa[!is.na(aa)]
length(aa)
aa = aa[aa<999999]
summary(datpob$FACTOR)

hist(aa[aa<6000])





# Cada renglón corresponde a una persona
N = length(unique(datpob$ID_PERSONA)) # = 723,696

# Algunas redefiniciones
datpob$NIVACAD                = as.factor(datpob$NIVACAD)
datpob$EDAD[datpob$EDAD==999] = NA




# Nota: La estimación del total de la población de Guanajuato es
total = sum(datpob$FACTOR)  # 5853677
sum(datpob[ datpob$NOM_MUN=="León",]$FACTOR)    # 1578626
sum(datpob[ datpob$NOM_MUN=="Celaya",]$FACTOR)  #  494304
sum(datpob[ datpob$MUN==14,]$FACTOR)            #  152113
# FACTOR = Factor de expansión
# En el presente análisis, no haremos inferencias globales. Sólo
# exploraremos la muestra, como si fuera toda la población competa
# Esto es, no haremos más uso de la variable FACTOR




# Cuántos hombres y mujeres hay? (en la muestra)
table(datpob$SEXO)
#      1      3     (1 H, 3 M) (pregunta 1, hoja 5 de la EIC 2015)
# 348350 375346 

# Proporción de Hombres y Mujeres
table(datpob$SEXO)/N
#         1         3 
# 0.4813485 0.5186515 

# Edades
summary( datpob$EDAD[ !is.na(datpob$EDAD) ] )    # Hay 428 na's, quitarlos
# Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
# 0.00   12.00   25.00   29.33   43.00  110.00 



# Alfababetismo
table(datpob$ALFABET)
M = sum( table( datpob$ALFABET[ !is.na(datpob$ALFABET) ] ) )
100*table(datpob$ALFABET)/M

# Nos fijamos solamente en los datos de Salamanca
aa = datpob[ datpob$NOM_MUN=="Salamanca", ]
table(aa$ALFABET)
M = sum( table( aa$ALFABET[ !is.na(aa$ALFABET) ] ) )
100*table(aa$ALFABET)/M

# Nos fijamos solamente en los datos de Xichú
aa = datpob[ datpob$NOM_MUN=="Xichú", ]
table(aa$ALFABET)
M = sum( table( aa$ALFABET[ !is.na(aa$ALFABET) ] ) )
100*table(aa$ALFABET)/M

nombres = unique( datpob$NOM_MUN )

alfabetismo = rep(0,46)
for(i in 1:46){
 aa = datpob[ datpob$NOM_MUN==nombres[i], ]
 M = sum( table( aa$ALFABET[ !is.na(aa$ALFABET) ] ) )
 alfabetismo[i] = (100*table(aa$ALFABET)/M)[1] }

data.frame(nombres,alfabetismo)

mean(alfabetismo)


mean(datpob$EDAD)


# variable indicadora de si la variable edad es NA
edna = is.na(datpob$EDAD)
edad = datpob$EDAD[ !edna ]
NN   = length(edad)  # 723268
# La cantidad de personas que tienen 5 años o menos

# edordenada = sort(edad)

numper5 = 0
for( i in 1:NN ){
  if(edad[i] <= 5){numper5 = numper5+1} }

sum(edad<=5)

sum((datpob$EDAD[!edna] <= 5)*(datpob$FACTOR[!edna]))


# Histograma de las edades
hist(edad)
# puntos de división de clases de edades
ed = seq(0,110,by=5)
hist(edad, breaks=ed)
aa = hist(edad, breaks=ed, col="cyan", main="Edades de la Población de Guanajuato",
     ylab="Número")

aa$counts
# [1] 83711 71137 74093 69530 64281 55889 50273 51614 42541 36920 29791 25949 20035
#[14] 15278 12033  8965  5949  3506  1315   384    66     8

# Cuantiles
quantile(edad,probs=seq(0,1,by=.1) )
# 0%  10%  20%  30%  40%  50%  60%  70%  80%  90% 100% 
#  0    5   10   15   20   25   32   39   48   60  110 

# Calcular el cuantil del 70% (cuantil=percentil)
bb = sort(edad)
nn = length(bb)   # 723268
pp = .7 * nn
cc = floor(pp)
dd = ceiling(pp)
(bb[dd]+bb[cc])/2    # 39

# boxplots
par(mfrow=c(2,1), mar=c(1,1,1,1))
hist(edad, breaks=ed, col="cyan", main="Edades de la Población de Guanajuato",
     ylab="Número")

ee = boxplot(edad, horizontal = TRUE)
ee$stats
# [1,]    0
# [2,]   12
# [3,]   25
# [4,]   43
# [5,]   89

# Exploración de información por municipio
unique(datpob$MUN)
unique(datpob$NOM_MUN )
# Edad mediana por municipio
ff = by(datpob$EDAD[!edna],datpob$MUN[!edna],median)
gg = by(datpob$EDAD[!edna],datpob$NOM_MUN[!edna],median)
# Edad media por municipio
hh = by(datpob$EDAD[!edna],datpob$MUN[!edna],mean)
ii = by(datpob$EDAD[!edna],datpob$NOM_MUN[!edna],mean)
summary(hh)
# ordenados por edades
jj = sort(gg)
kk = sort(ii)

barplot(jj)
barplot(jj[1:10])
noms = c("Dr. Mora", "Dolores","S.L.Paz","Tierra Blanca",
         "Ocampo","Purísima","San Diego","San Felipe","S.J. Iturbide","Victoria")  
barplot(jj[1:10],names.arg=noms,horiz=TRUE)
barplot(jj, horiz=TRUE)


barplot(sort(hh))
barplot(sort(hh)[1:10])
barplot(sort(hh)[1:10],names.arg=noms)
noms = c("Purísima", "Dolores","Tierra Blanca","S.L.Paz","S.J. Iturbide",
         "Dr. Mora","San Felipe","Silao","S.F.Rincón","Ocampo")
barplot(jj[1:10],names.arg=noms,horiz=TRUE)
barplot(jj, horiz=TRUE)


# boxplots por municipio
library(ggplot2)
qplot(datpob$NOM_MUN[!edna], datpob$EDAD[!edna], geom = "boxplot")
qplot(as.factor(datpob$MUN[!edna]), datpob$EDAD[!edna], geom = "boxplot")

noms = c("Guanajuato", "León", "Celaya","Irapuato","Salamanca" )
sel  = is.element(datpob$NOM_MUN,noms)
sel2 = (sel & !edna)
qplot(as.factor(datpob$MUN[sel2]), datpob$EDAD[sel2], geom = "boxplot")

# Celaya y Guanajuato se ven similares. Es así?
summary(datpob$EDAD[datpob$NOM_MUN=="Guanajuato"])
summary(datpob$EDAD[datpob$NOM_MUN=="Celaya"])

#   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
#   0.00   14.00   27.00   30.31   44.00  102.00      43 
#   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
#   0.00   13.00   27.00   29.24   43.00   99.00      21


aa = datpob$EDAD[datpob$NOM_MUN=="Yuriria"]
aa = aa[!is.na(aa)]
summary(aa)


001 Abasolo
002 Acámbaro
003 San Miguel de Allende
004 Apaseo el Alto
005 Apaseo el Grande
006 Atarjea
007 Celaya
008 Manuel Doblado
009 Comonfort
010 Coroneo
011 Cortazar
012 Cuerámaro
013 Doctor Mora
014 Dolores Hidalgo Cuna de la Independencia Nacional
015 Guanajuato
016 Huanímaro
017 Irapuato
018 Jaral del Progreso
019 Jerécuaro
020 León
021 Moroleón
022 Ocampo
023 Pénjamo
024 Pueblo Nuevo
025 Purísima del Rincón
026 Romita
027 Salamanca
028 Salvatierra
029 San Diego de la Unión
030 San Felipe
031 San Francisco del Rincón
032 San José Iturbide
033 San Luis de la Paz
034 Santa Catarina
035 Santa Cruz de Juventino Rosas
036 Santiago Maravatío
037 Silao de la Victoria
038 Tarandacuao
039 Tarimoro
040 Tierra Blanca
041 Uriangato
042 Valle de Santiago


#Cargamos la base de datos sobre viviendas, es un csv
datviv = read.csv("TR_VIVIENDA11.csv")   # 178,100     88
# [1] "ID_VIV"           "ENT"              "NOM_ENT"          "MUN"             
# [5] "NOM_MUN"          "LOC50K"           "NOM_LOC"          "COBERTURA"       
# [9] "ESTRATO"          "UPM"              "FACTOR"           "CLAVIVP"         
#[13] "PAREDES"          "TECHOS"           "PISOS"            "CUADORM"         
#[17] "TOTCUART"         "COCINA"           "LUGAR_COCINA"     "COMBUSTIBLE"     
#[21] "ESTUFA"           "ELECTRICIDAD"     "FOCOS"            "FOCOS_AHORRA"    
#[25] "AGUA_ENTUBADA"    "ABA_AGUA_ENTU"    "ABA_AGUA_NO_ENTU" "TINACO"          
#[29] "CISTERNA"         "BOMBA_AGUA"       "REGADERA"         "BOILER"          
#[33] "CALENTADOR_SOLAR" "AIRE_ACON"        "PANEL_SOLAR"      "SERSAN"          
#[37] "CONAGUA"          "USOEXC"           "DRENAJE"          "DESTINO_BASURA"  
#[41] "SEPARA_BASURA"    "SEPARA_ALI"       "SEPARA_ABO"       "SEPARA_VEN"      
#[45] "REFRIGERADOR"     "LAVADORA"         "HORNO"            "AUTOPROP"        
#[49] "RADIO"            "TELEVISOR"        "TELEVISOR_PP"     "COMPUTADORA"     
#[53] "TELEFONO"         "CELULAR"          "INTERNET"         "SERV_TV_PAGA"    
#[57] "TENENCIA"         "NUM_DUE_VIV1"     "NUM_DUE_VIV2"     "ESCRITURAS_VIV"  
#[61] "FORMA_ADQUI"      "FINANCIAMIENTO"   "DEUDA"            "NUMPERS"         
#[65] "INGR_PEROTROPAIS" "INGR_PERDENTPAIS" "INGR_AYUGOB"      "INGR_JUBPEN"     
#[69] "TERRENO_AGROPE"   "TERRENO_VIVERO"   "NUM_DUE_TERR"     "ALIM_ADU1"       
#[73] "ALIM_ADU2"        "ALIM_ADU3"        "ING_ALIM_ADU1"    "ING_ALIM_ADU2"   
#[77] "ING_ALIM_ADU3"    "ALIM_MEN1"        "ALIM_MEN2"        "ALIM_MEN3"       
#[81] "ING_ALIM_MEN1"    "ING_ALIM_MEN2"    "ING_ALIM_MEN3"    "TAMLOC"          
#[85] "TIPOHOG"          "JEFE_SEXO"        "JEFE_EDAD"        "INGTRHOG"  

aa = datviv$CLAVIVP      # Hoja 1, Pregunta 7
aa = datviv$PAREDES      # Hoja 2, Pregunta 1
aa = datviv$TECHOS       # Hoja 2, Pregunta 2
aa = datviv$PISOS        # Hoja 2, Pregunta 3
aa = datviv$CUADORM      # Hoja 2, Pregunta 4
aa = datviv$TOTCUART     # Hoja 2, Pregunta 5
aa = datviv$COCINA       # Hoja 2, Pregunta 6
aa = datviv$LUGAR_COCINA # Hoja 2, Pregunta 7
aa = datviv$FOCOS        # Hoja 2, Pregunta 11 a
sel = (!is.na(aa))&(aa<91)
bb = datviv$FOCOS[sel]
aa = datviv$AUTOPROP
aa = datviv$CELULAR
aa = datviv$COMPUTADORA
aa = datviv$NUMPERS
aa = datviv$PANEL_SOLAR
aa = datviv$TINACO
aa = datviv$DRENAJE
aa = datviv$ELECTRICIDAD
aa = datviv$SERSAN

table(aa)



############################################################
# Mapas
# Tomado del sitio de Diego Valle:
# https://www.diegovalle.net/mxmaps/

# if (!require("devtools")) {
#   install.packages("devtools")
# }
# devtools::install_github("diegovalle/mxmaps")

library("mxmaps")

df_mxstate$value = df_mxstate$pop
mxstate_choropleth(df_mxstate, title = "Población por Estado") 

gto       = df_mxmunicipio[df_mxmunicipio[,1]=="11",]   # [1] 46 19

gto$value = gto$pop
gto$value = alfabetismo

mungto    = gto$region  # seleccionar municipios de Guanajuato
mungto    = gto[gto$municipio_name=="Silao de la Victoria",]$region
mxmunicipio_choropleth(gto, num_colors = 1, title = "Alfabetismo",
                       zoom=mungto)
area = c(615,877,1559,376,419,322,553,820,485,124,334,260,231,1658,1015,128,
         851,177,883,1220,159,1026,1561,60,290,441,757,592,1014,3007,426,548,
         2030,194,429,84,539,120,334,411,116,821,1047,129,899,668) # km2 por municipio

gto$value = gto$pop / area

# En hh guardamos edad media por municipio
gto$value = hh
mxmunicipio_choropleth(gto, num_colors = 1, title = "Edad Media por Municipio",
                       zoom=mungto)