EDA de datos de INEGI

Introducción

El análisis exploratorio de datos (EDA en inglés, “Exploratory DataAnalysis”) es una de las herramientas más útiles en varias áreasde análisis de datos. El concepto de EDA ha sido utilizadopopularmente en los últimos años para referirse a los procesos deexploración primaria de un grupo de datos. Por lo tanto, no existeuna fórmula o receta para realizar una exploración, sea general oexhaustiva. Una exploración correcta depende de las habilidades del analista tantopara entender los datos como para utilizar las herramientasadecuadas. Este post no pretende ser una explicación detalladade como realizar un EDA, más bien intento compartir una de misexperiencias haciendo haciendo ayuda de la programación funcional.

La información que presento aquí son los resultados del primerEDA que realicé cuando decidí cambiar mi carrera hacía el análisisde datos. Es una serie de datos obtenidos del Instituto Nacionalde Estadística, Geografía e Informática de México, contiene información sobrela cantidad, expresada en miles de dolares, de las exportaciones por año decada estado. Me pareció un ejemplo adecuado ya que yo no tengomucho conocimiento en economía o exportación, por lo tanto esteejemplo no contiene ningún análisis numérico detallado o complicado,si no mas bien una exploración general de los datos obtenidos.Los datos han sido tomados de la pagina oficial de INEGI en formatode excel. El INEGI es una de las bases de datos más importantes de México,su web contiene bases de datos públicas en temas de geografía yestadística. Si estas buscando datos para practicar tus habilidadesen R o como analista de datos te recomiendo darle un vistazo.Aquí presento una versión de los datos que yo mismo he arreglado parasu uso en R, los cuales pueden ser descargados en formato CSVdesde mi repositorio de github INEGI-export.

El proceso de EDA resulta útil no sólo para profesionales analistasde datos, si no en un amplio rango de actividades para conocer yentender los datos que se manejan. En muchos casos los análisis dedatos incluyen complicadas fórmula matemáticas en grandes seriesnuméricas que no son entendidas, simplemente procesadas y reducidasa pequeños números que representan algo, como medias, rangos,estadísticos, etc. El análisis exploratorio de datos nos permiteentender un poco mas que significan esos número, de donde vienen,y que se puede extraer de ellos. Los datos son siempre generados enbase a la información, el EDA es una herramienta para entender esainformación.

Análisis exploratorio (Exploratory Data Analysis, EDA)

Vamos a comenzar llamando directamente las librerías o módulos(en R library) que necesitamos para hacer nuestro análisis, yleyendo los archivos CSV en la memoria de R. Esto puede serrealizado conforme se va utilizando, sin embargo es recomendableimportar todas las librerías y archivos al inicio de nuestro códigoo script, para evitar errores o problemas de organización.

  library(tidyverse)  library(cowplot)  path.to.files <- "https://raw.githubusercontent.com/teotenn/INEGI-export/master/"  export.rows <- read_csv(paste0(path.to.files, "exportations_activity_rows.csv"))  export.cols <- read_csv(paste0(path.to.files, "exportations_activity_cols.csv"))

Las librerías son básicamente programas escritos en R que contienenel código necesario para realizar, o más bien llamar ciertas funciones especificasde cada librería. En español son popularmente conocidas comopaquetes o módulos. En este caso vamos a utilizar tidyverse ycowplot. La librería cowplot nos va a ayudar a colocar varias gráficas de formafácil y ordenada en un sólo espacio.

En cuanto a la librería tidyverse ofrece enormes ventajas (aunque tambiénpocas desventajas) para el análisis de datos. Al llamar estalibrería incluye una serie de librerías que contienen diferentestipos de herramientas para facilitar y organizar el análisis dedatos. En este post vamos a utilizar principalmente:

• ggplot2 Que facilita la creación de gráficas con el sistema de capas (The Language of Graphics escrito por Leland Wilkinson, 2000)
• dplyr que nos ayuda a mandar resultados de un proceso al siguiente utilizando los famosos %>%
• tibble que facilita la manipulación de tablas, transformando los tradicionales data.frame de R a un formato mas amigable visualmente.

Si lo deseas, también podrías llamar estas tres librerías de una por una enlugar de llamar todo el tidyverse de principio. El resultado será el mismo.

Entre otras desventajas de estos paquetes es que no funcionanmuy bien cuando la cantidad de datos es muy grande (miles demillones de filas), en cuyo caso se recomiendan otras herramientascomo Data Table que funciona de forma un poco mas similar al tradicionaldata.frame de R. Más información sobre tidyverse puede serencontrada en su página oficial,(https://www.tidyverse.org/) o en el e-book R for data scienceescrito por uno de los creadores de la librería. Un buen libro enespañol es R para profesionales de los datos.

Organizando los datos

Lo primero que debemos hacer es organizar los datos a un formato que sea mas amigable con R, y también con nuestras necesidades de análisis. Como ya he mencionado antes, yo manipulé los datos con anterioridad para tenerlos en un formato amigable con R. Por otro lado, algunas variables presentan nombres demasiado largos, por lo que he decididos reducirlos un poco para facilitar mi trabajo.

Este análisis lo realicé primordialmente en inglés, por lo tantohe decidido mantenerel código en inglés por facilidad para mi por un lado, pero tambiénpor el beneficio de ser mas amigable con R en general, y de generarnombres mas cortos. Así pues, algunos valores se mantendrán en españoly otros han sido traducidos para la manipulación de los datos.

El siguiente bloque contiene la traducción de las actividades de exportación,para generar nombres en inglés mas accesibles. Loprimero fue guardar los nombres en español en un vector, parautilizarlos más tarde en la traducción; también generamos un vectordel mismo tamaño, con su equivalente en Inglés (en exactamente el mismo orden).

   ## Nombres en español en un vector   colnames(export.cols)>  [1] "state"                                                                                                                 >  [2] "year"                                                                                                                  >  [3] "Exportaciones totales"                                                                                                 >  [4] "Industria alimentaria"                                                                                                 >  [5] "Industria de las bebidas y el tabaco"                                                                                  >  [6] "Fabricación de insumos textiles y acabado de textiles"                                                                 >  [7] "Fabricación de productos textiles, excepto prendas de vestir"                                                          >  [8] "Fabricación de prendas de vestir"                                                                                      >  [9] "Industria del papel"                                                                                                   > [10] "Industria química"                                                                                                     > [11] "Industria del plástico y del hule"                                                                                     > [12] "Fabricación de productos a base de minerales no metálicos"                                                             > [13] "Industrias metálicas básicas"                                                                                          > [14] "Fabricación de productos metálicos"                                                                                    > [15] "Fabricación de maquinaria y equipo"                                                                                    > [16] "Fabricación de equipo de computación, comunicación, medición y de otros equipos, componentes y accesorios electrónicos"> [17] "Fabricación de equipo de transporte"                                                                                   > [18] "Fabricación de muebles, colchones y persianas"                                                                         > [19] "Otras industrias manufactureras"                                                                                       > [20] "Subsectores no especificados"                                                                                          > [21] "Minería de minerales metálicos y no metálicos, excepto petróleo y gas"                                                 > [22] "Curtido y acabado de cuero y piel, y fabricación de productos de cuero, piel y materiales sucedáneos"                  > [23] "Industria de la madera"                                                                                                > [24] "Impresión e industrias conexas"                                                                                        > [25] "Fabricación de accesorios, aparatos eléctricos y equipo de generación de energía eléctrica"                            > [26] "Extracción de petróleo y gas"                                                                                          > [27] "Fabricación de productos derivados del petróleo y del carbón"   categorias <- colnames(export.cols)[3:27]   ## Equivalentes en inglés    activities.en <- c("Total", "Food", "Drinks and tobacco",                   "Textiles", "Textile products", "Tailoring",                   "Paper", "Chemistry", "Plastic",                   "Minerals based", "Metal industry", "Metal products",                   "Machinery", "Electronics", "Transport equipment",                   "Furniture", "Other manufactures", "Not specified",                   "Mining", "Leather", "Wood",                   "Printing", "Electricity", "Petroleum",                   "Petroleum products")

Para cambiar los nombres de las columnas, podemos hacerlodirectamente con la función colnames, seleccionando la posiciónde los valores que queremos cambiar (en este caso, 3 al 27) ycolocando ahí los nuevos valores en inglés.

   ## Cambio de nombres   colnames(export.cols)[3:27] <- activities.en

Para cambiar los valores en export.rows vamos a necesitar laconversión de las expresiones en español a las mismas en inglés.Aquí he utilizado herramientas de programación basada en funciones(Functional Programming) para generar primero la funciónprincipal para traducir translate. Aquí le estoy diciendo atranslate exactamente lo que necesito hacer, sin preocuparme siR puede hacerlo o no. Por ejemplo, utilizo la función equivalent,que no existe en R, pero que, basado en mis expectaciones, debebuscar el equivalente en inglés de la frase en español. Así pues,basado en translatete, vamos llenando los huecos, creando lafunción equivalent que haga exactamente lo que necesito.

   translate <- function(vector.es){    vector.en <- c()    for (i in 1:length(vector.es)){        expression.es <- vector.es[i]        expression.en <- equivalent(expression.es)        ## "equivalent" toma expression.es y regresa el        ## equivalente en ingles        vector.en <- append(vector.en, expression.en)    }    vector.en   }     equivalent <- function(expression.es){      position <- match(expression.es, categorias)      expression.en <- activities.en[position]      expression.en  }## Probando nuestra nueva función   equivalent("Impresión e industrias conexas")> [1] "Printing"

Como podemos ver, equivalent toma la expresión de nuestro vectoren español, y arroja el equivalente que le hemos elegido en inglés.

   translate(categorias)>  [1] "Total"               "Food"                "Drinks and tobacco" >  [4] "Textiles"            "Textile products"    "Tailoring"          >  [7] "Paper"               "Chemistry"           "Plastic"            > [10] "Minerals based"      "Metal industry"      "Metal products"     > [13] "Machinery"           "Electronics"         "Transport equipment"> [16] "Furniture"           "Other manufactures"  "Not specified"      > [19] "Mining"              "Leather"             "Wood"               > [22] "Printing"            "Electricity"         "Petroleum"          > [25] "Petroleum products"

translate toma todos los elementos en el vector, y nos arroja susequivalentes en inglés. Así pues, para transformar todos losvalores en la columna Descripción a su equivalente en inglés hedecidido generar una nueva columna, utilizando mi funcióntranslate. Esto es muy fácil utilizando mutate

  (export.rows <- mutate(export.rows,                         Activity = translate(`Descripción`)))> # A tibble: 5,255 × 6>    Código Descripción           state           year     USD Activity>     <dbl> <chr>                 <chr>          <dbl>   <dbl> <chr>   >  1     NA Exportaciones totales Aguascalientes  2007 4389841 Total   >  2     NA Exportaciones totales Aguascalientes  2008 4456893 Total   >  3     NA Exportaciones totales Aguascalientes  2009 3951108 Total   >  4     NA Exportaciones totales Aguascalientes  2010 5647929 Total   >  5     NA Exportaciones totales Aguascalientes  2011 6051640 Total   >  6     NA Exportaciones totales Aguascalientes  2012 6183782 Total   >  7     NA Exportaciones totales Aguascalientes  2013 6726207 Total   >  8     NA Exportaciones totales Aguascalientes  2014 8466007 Total   >  9     NA Exportaciones totales Aguascalientes  2015 8495445 Total   > 10     NA Exportaciones totales Aguascalientes  2016 7870962 Total   > # … with 5,245 more rows

Exploración visual

Ahora para empezar formalmente nuestro EDA, vamos a darle un vistazoa los totales por estado, utilizando nuestra tabla export.cols.Aquí utilizamos los famosos pipe %>% que mandan los resultadosde un proceso, al siguiente proceso, por ejemplo, si queremos verlos totales por estado, podemos pedirle a R que haga lo siguiente

   toma la tabla export.cols %>%      agrupa los datos por estado (state) %>%      redúcelos a la sumatoria del total, nómbrala total export %>%      organiza en forma descendente basado en total export %>%      muestra en pantalla todo (n = Inf)

La versión en R utilizando el paquete dplyr es:

export.cols %>%    group_by(state) %>%    summarise(`total export` = sum(Total)) %>%    arrange(desc(`total export`)) %>%    print(n = Inf)> # A tibble: 32 × 2>    state                           `total export`>    <chr>                                    <dbl>>  1 Chihuahua                            466861927>  2 Baja California                      398935507>  3 Coahuila de Zaragoza                 355638907>  4 Nuevo León                           330267052>  5 Tamaulipas                           284435973>  6 Campeche                             264100465>  7 Jalisco                              213931233>  8 México                               188357470>  9 Sonora                               179661021> 10 Guanajuato                           167191962> 11 Puebla                               127934390> 12 Tabasco                              115797563> 13 San Luis Potosí                       94812554> 14 Querétaro                             88633615> 15 Aguascalientes                        79688240> 16 Veracruz de Ignacio de la Llave       68556313> 17 Morelos                               37397175> 18 Zacatecas                             34010223> 19 Ciudad de México                      32037661> 20 Hidalgo                               19504479> 21 Durango                               17431796> 22 Yucatán                               14496875> 23 Michoacán de Ocampo                   13411397> 24 Chiapas                               13291536> 25 Tlaxcala                              12987607> 26 Oaxaca                                11023551> 27 Sinaloa                                7825439> 28 Guerrero                               5918438> 29 Colima                                 2518028> 30 Baja California Sur                    2303491> 31 Nayarit                                1146388> 32 Quinta Roo                              517674

Gracias a la agrupación de tidyverse, podemos utilizar estasherramientas con muchas otras funciones, entre otras, podemosmandar resultados a un gráfico ggplot

   ## Visualización  export.cols %>%      group_by(state) %>%      summarise(`total export` = sum(Total)) %>%      ggplot() +      geom_bar(aes(y = `total export`,                   x = reorder(state, `total export`, FUN = abs),                   fill = `total export`),               stat = 'identity') +      coord_flip()

En el bloque anterior comenzamos con algo similar, y mandamos losresultados a ggplot(), así que ya no es necesario especificardentro de la función ggplot de donde tomar los datos, por lotanto esta función se queda vacía. geom_bar genera un gráfico de barras,que de forma típica toma los valores numéricos en el eje Y y losvalores categóricos en el eje X. Esto lo especificamos dentro dela función aes (por “aestetics”, o estética). Otra de las ventajas es que podemos llamar funciones dentro de funciones de gráficosggplot, por ejemplo, en x utilizo la función reorder paraordenar los resultados por los valores de total export, basadoen el valor absoluto (FUN = abs). También, dentro de aes hedeclarado fill = total export para que llene las barras en basea los valores de total export. Es importante no confundir fillcon color, el cual cambia simplemente los contornos de lasbarras. También es importante especificar fill dentro de aescuando queremos darle un valor basado en nuestros datos categóricos; o bien,se puede colocar fuera de aes para darle un valor constante.stat = 'identity' y coord_flip() nos ayudan a ordenar lasbarras, y cambiar el eje de las Y por X, respectivamente.

Ahora podemos hacer lo mismo pero por categoría,usando nuestra otra tabla export.rows

export.rows %>%    filter(Activity != "Total") %>%    group_by(Activity) %>%    summarise(Total = sum(USD)) %>%    arrange(desc(Total)) %>%    print(n = Inf)> # A tibble: 24 × 2>    Activity                 Total>    <chr>                    <dbl>>  1 Transport equipment 1226859499>  2 Electronics          747959073>  3 Petroleum            397933968>  4 Electricity          208582754>  5 Other manufactures   147915402>  6 Machinery            136957553>  7 Chemistry            133570853>  8 Metal industry       117915995>  9 Metal products        82889135> 10 Food                  81653585> 11 Plastic               80126816> 12 Mining                52953993> 13 Not specified         51470567> 14 Tailoring             43913959> 15 Drinks and tobacco    31059501> 16 Minerals based        30584505> 17 Furniture             19883596> 18 Petroleum products    14565067> 19 Paper                 13876523> 20 Leather                9863853> 21 Printing               6915538> 22 Textiles               6260722> 23 Textile products       4954252> 24 Wood                   1959275

Para variar un poco y hacerlo mas didáctico, vamos a cambiaralgunos detalles, manteniéndolo simple:

• Vamos a colocar fill afuera de aes
• Vamos a cambiar el valor de color para observar la diferencia
• Vamos a renombrar el eje de las X
• Vamos a darle un título

export.rows %>%    filter(Activity != "Total") %>%    group_by(Activity) %>%    summarise(Total = sum(USD)) %>%    ggplot() +    geom_bar(aes(y = Total,                 x = reorder(Activity, Total, FUN = abs)),             fill = "darkblue",             color = "purple",             stat = 'identity') +    labs(title = "Exportaciones totales por actividad",         x = "Activity") +    coord_flip()

Ahora de manera fácil e intuitiva podemos observar que cambiosen el código fueron responsables de que cambios en el gráfico.

Por último, podemos hacer algo similar con las exportacionestotales por año.

export.cols %>%    group_by(year) %>%    summarise(`total export` = sum(Total)) %>%    print(n = Inf)> # A tibble: 12 × 2>     year `total export`>    <dbl>          <dbl>>  1  2007      237809741>  2  2008      257967777>  3  2009      198234125>  4  2010      258504747>  5  2011      299732519>  6  2012      320014188>  7  2013      329562705>  8  2014      347559680>  9  2015      337170197> 10  2016      324901419> 11  2017      351726063> 12  2018      387442789

Ahora en lugar de hacer un gráfico de barras, vamos a hacer líneasy puntos. Vamos a cambiar otro detalle: en lugar de especificaraes dentro del geometric, que en este caso tendría que escribirse dosveces exactamente lo mismo, uno dentro de geom_line y otro en geom_point,podemos especificarlo dentro de la función principal del gráficoggplot(), de esta forma los valores que especifiquemos ahí serántomados como los valores principales, y no necesitamos darle masdetalles a geom_line ni geom_point.

   ## Visualizationexport.rows %>%    filter(Activity == "Total") %>%    group_by(year) %>%    summarise(Total = sum(USD)) %>%    ggplot(aes(x = year, y = Total)) +    geom_line() +    geom_point() 

Podemos hacer lo mismo por estado. Aquí, debido a la complejidad delos nombres de algunos estados, he decidido abreviar los nombresde cada estado a sólo 6 letras, usando la función abbreviate

   ## Por estadoexport.rows %>%    filter(Activity == "Total") %>%    group_by(year, state) %>%    summarise(Total = sum(USD)) %>%    ggplot(aes(x = year, y = Total)) +    geom_line(aes(colour = abbreviate(state, 6)))+    geom_point(aes(colour = abbreviate(state, 6)))

Gracias a abbreviate los nombres de los estados se puedenentender, sin embargo, a pesar de los colores y el texto, esdifícil apreciar propiamente 32 líneas (número total de estados en el país).

Por otro lado nos gustaría ver si cada año fue el mismo estado ola mismaactividad produciendo la mayor cantidad de dolares en exportaciones, osi esto cambió con el tiempo. Debido a la complejidad de nuestrográfico anterior, necesitamos un acercamiento diferente:

   ## Principal estado en cada añoexport.cols %>%    group_by(year) %>%    filter(Total == max(Total)) %>%    select(year, state, Total) %>%    arrange(year)> # A tibble: 12 × 3> # Groups:   year [12]>     year state              Total>    <dbl> <chr>              <dbl>>  1  2007 Baja California 31858677>  2  2008 Baja California 32988913>  3  2009 Baja California 26741828>  4  2010 Chihuahua       34633881>  5  2011 Chihuahua       38446014>  6  2012 Chihuahua       41764861>  7  2013 Chihuahua       43770979>  8  2014 Chihuahua       45594451>  9  2015 Chihuahua       40302945> 10  2016 Chihuahua       43342067> 11  2017 Chihuahua       46491551> 12  2018 Chihuahua       51944047

Los resultados son interesantes: el principal exportador hasta 2009es Baja California, y después Chihuahua. Sin embargo, si observamoslas principales actividades exportadores, tenemos en primer lugara Campeche hasta 2013 y después es Coahuila. Parece ser queciertas actividades no tienen mucha diferencia en la cantidad deingresos entre ellas, y por eso ciertas combinaciones resultanen mayor nivel de exportación para ciertos estados. Por ejemplo,Capeche es el principal exportador de Petroleo, y se mantiene enprimer lugar cuando ordenamos por actividad, sin embargo pasa alsexto lugar cuando ordenamos por estado.

## Activityexport.rows %>%    filter(Activity != "Total") %>%    group_by(year) %>%    filter(USD == max(USD)) %>%    arrange(year) %>%    select(Activity, state, year)> # A tibble: 12 × 3> # Groups:   year [12]>    Activity            state                 year>    <chr>               <chr>                <dbl>>  1 Petroleum           Campeche              2007>  2 Petroleum           Campeche              2008>  3 Petroleum           Campeche              2009>  4 Petroleum           Campeche              2010>  5 Petroleum           Campeche              2011>  6 Petroleum           Campeche              2012>  7 Petroleum           Campeche              2013>  8 Transport equipment Coahuila de Zaragoza  2014>  9 Transport equipment Coahuila de Zaragoza  2015> 10 Transport equipment Coahuila de Zaragoza  2016> 11 Transport equipment Coahuila de Zaragoza  2017> 12 Transport equipment Coahuila de Zaragoza  2018

Sería interesante cambiar la manera de analizar los datos yobservar los principales exportadores junto con las principalesactividades.

Visualizaciones interactivas utilizando funciones

En el área del análisis de datos, el uso de funciones resulta útilen varios casos. Como vimos anteriormente, nuestra funcióntranslate nos ayudó a aplicarla en cada elemento de un vector(en este caso, una columna). Este procesos de aplicar una funciónen todos los elementos de una lista se conoce tradicionalmente enel albur de programación como “map”. Otra uso importante defunciones personalizadas es para hacer más eficiente el análisis,por ejemplo cuando necesitamos repetir un proceso mas de una vez.

En programación se tienen estándares al escribir código sobre no repetirtea ti mismo, y se crean funciones o macros para básicamente cualquiertarea que deba ser repetida al menos una vez. Como analista de datosesto no es estrictamente necesario, sin embargo nos ahorra tiempo yesfuerzo y al mismo tiempo nos ayuda a entender mejor el lenguajede programación que estamos utilizando para analizar nuestros datos.

Como ejemplo, supongamos que queremos hacer visualizaciones delas principales actividades por estado, por ejemplo, actividadesque generen mas de 5 millones de dolares. Podríamos escribir losiguiente

  export.rows %>%      filter(Activity != "Total") %>%      group_by(state, Activity)  %>%      summarise(Total = sum(USD)) %>%      filter(state == "Chihuahua" &             Total >= 5000000) %>%      ggplot() +      geom_bar(aes(y = Total,                   x = reorder(Activity, Total, FUN = abs),                   fill = Total),               stat = 'identity') +      coord_flip() +      labs(title = "Chihuahua",           y = "Total USD", x = NULL) +      theme(legend.position="none")

Sin embargo, tendríamos que repetir el mismo bloque de código porcada estado que queremos visualizar, o si queremos cambiar el límite de 5 millones.La mejor opción en este casoes generar una función que nos permita hacer lo mismo cambiandosimplemente las variables que queremos. La manera mas fácil es repetirel código anterior dentro de una función, cambiando el nombre“Chihuahua” por una variable que podamos modificar cada vez quellamemos la función, vamos a llamarla estado. Por otro lado,en lugar de filtrar sólo actividadesque producen mas de 5 millones de dolares, vamos a permitir queeste filtro también sea interactivo, sin embargo tomando el valorde 5 millones por default.

Veamos el siguiente bloque para entender mejor.

  ## Funcion para ver principal actividad por estado  plot_state <- function(estado, USD_min = 5000000){      export.rows %>%          filter(Activity != "Total") %>%          group_by(state, Activity)  %>%          summarise(Total = sum(USD)) %>%          filter(state == estado &                 Total >= USD_min) %>%          ggplot() +          geom_bar(aes(y = Total,                       x = reorder(Activity, Total, FUN = abs),                       fill = Total),                   stat = 'identity') +          coord_flip() +          labs(title = estado,               y = "Total USD", x = NULL) +          theme(legend.position="none")  }

El nombre de nuestra función es plot_state y lo definimos comocualquier otro objeto en R, utilizando <- y la funciónfunction. Dentro de los paréntesis de function debemos colocarnuestras variables, aquellos valores que podrán ser modificados alllamar la función. En este caso definimos estado que nos ayudaráa seleccionar el estado a visualizar, y USD_min para definirla cantidad mínima de dolares a visualizar (por ejemplo, si hacemosUSD_min = 0 nuestra función graficaría todas las actividades,siempre y cuando produzcan mas de cero). También podemos ver queaquí he definido USD_min = 5000000, esto genera un valor pordefault, es decir, si llamamos nuestra funciónplot_state("Chihuahua") obtendremos las actividades que producenmas de 5 millones en Chiuahua, sin embargo, si llamamosplot_state("Chihuahua", USD_min = 8000) obtendremos todas lasactividades que producen mas de 8 mil.

Una vez definido el nombre y las variables de nuestra función,podemos especificar el cuerpo dentro de corchetes {}, es decir,la función de nuestra función. En este caso podemos observar queel código que forma el cuerpo de la función es exactamente el mismoque utilizamos para visualizar Chihuahua, los únicos cambios sonque en el sitio donde habíamos escrito “Chihuahua” y “5000000”,ahora están estado y USD_min. Hay dos consideraciones que debenser tomadas en cuenta al crear una función de este tipo en R:primero que los valores definidos dentro del cuerpo de una función,en este caso estado y USD_min, sólo existen dentro del cuerpode la función. Si vamos a la consola y tecleamos ls() veremos queestos objetos no existen en la memoria donde estamos trabajando.Otro aspecto importante es que en R, a diferencia de otroslenguajes de programación, una función puede tomar cualquier objetoque exista en la memoria donde es ejecutado. Por ejemplo, en estecaso nuestra función utiliza la tabla export.rows. Si esta tablano existiera (por ejemplo, si no la hemos creado vía read_csv),nuestra función generará un error.

Es importante entender el proceso de como la ejecución de funcionesbusca los valores, para no cometer errores. Al ser ejecutada, lafunción buscará valores de los objetos PRIMERO dentro del cuerpode la función, y al no encontrarlos, irá a buscarlos a la memoriageneral o global de R, que es donde estamos trabajando, si tampocoexisten aquí, generará un error. Esto significa quesi dentro de la función otorgamos un valor diferente aexport.rows, la función utilizará su nuevo valor. Veamos unejemplo:

  primeros <- function(){      head(export.rows)  }  primeros()> # A tibble: 6 × 6>   Código Descripción           state           year     USD Activity>    <dbl> <chr>                 <chr>          <dbl>   <dbl> <chr>   > 1     NA Exportaciones totales Aguascalientes  2007 4389841 Total   > 2     NA Exportaciones totales Aguascalientes  2008 4456893 Total   > 3     NA Exportaciones totales Aguascalientes  2009 3951108 Total   > 4     NA Exportaciones totales Aguascalientes  2010 5647929 Total   > 5     NA Exportaciones totales Aguascalientes  2011 6051640 Total   > 6     NA Exportaciones totales Aguascalientes  2012 6183782 Total

Generamos una función sin variables, que nos devuelve los primerosvalores en export.rows. En este caso, export.rows no existedentro del cuerpo de la función, por lo tanto R lo busca en lamemoria general, encuentra nuestra tabla, y la utiliza. Sin embargoesto podría cambiar, veamos:

  primeros <- function(){      export.rows <- c(1:100)      head(export.rows)  }  primeros()> [1] 1 2 3 4 5 6

Ahora que le hemos dado un valor a export.rows dentro delcuerpo de la función, el resultado es diferente. Sin embargo,el objeto export.rows en la memoria general no cambió

  head(export.rows)> # A tibble: 6 × 6>   Código Descripción           state           year     USD Activity>    <dbl> <chr>                 <chr>          <dbl>   <dbl> <chr>   > 1     NA Exportaciones totales Aguascalientes  2007 4389841 Total   > 2     NA Exportaciones totales Aguascalientes  2008 4456893 Total   > 3     NA Exportaciones totales Aguascalientes  2009 3951108 Total   > 4     NA Exportaciones totales Aguascalientes  2010 5647929 Total   > 5     NA Exportaciones totales Aguascalientes  2011 6051640 Total   > 6     NA Exportaciones totales Aguascalientes  2012 6183782 Total

En este ejemplo perecería estúpido, sin embargo al generarfunciones muy largas, que utilizan objetos que tenemos creados enla memoria, es fácil cometer errores y otorgarle un valor a unobjeto que ya existe y que necesitamos dentro de la función.Diferentes lenguajes de programación protegen esto de diferentesmaneras, por ejemplo en python, para llamar un objeto de la memoriageneral dentro de una función, es necesario utilizar el comandoglobal, lo cual le indica que debe buscar este objeto en el ambienteglobal, y resulta más fácil para nosotros el notarque objetos estamos utilizando desde el ambiente global. En Res importante ser conscientes de nuestros objetos globales ylocales.

Continuando con nuestro EDA, podemos ver que ahora nuestra funciónfacilita la visualización por estado:

   plot_state("Chihuahua")

Podemos utilizar el paquete cowplot para observar varios estadosjuntos en un sólo gráfico.

   plot_grid(    plot_state("Chihuahua") ,    plot_state("Baja California"),    plot_state("Coahuila de Zaragoza"),    plot_state("Nuevo León"),    plot_state("Tamaulipas"),    plot_state("Campeche", USD_min = 10000),    ncol = 2)

La función plot_grid resulta útil y conveniente, organiza variosgráficos de forma simétrica, podemos especificar el número decolumnas ncol o número de filas nrow en las que nuestrosgráficos deben ser visualizados.

A pesar de que cada estado obtiene sus principales ingresos enexportaciones a partir de diferentes actividades, podemos observarque en general, electrodomésticos (Electronics) y Equipo deTransporte (Transport equipment) son las principales actividades.Otras actividades como Maquinaria (Machinery) y metalúrgica(Metal products) también tienen la tendencia de estar entre losprimeros lugares. Así pues, es claro que hay una tendencia entrelos 5 principales exportadores con el tipo de actividadesexportadoras. Solo para el caso de Campeche, en el sexto lugar esdiferente: su principal actividad de exportación es Petroleo, lacual no aparece en las otras gráficas entre las principalesactividades de exportación. Sin embargo, si observamos lasprincipales actividades a lo largo del tiempo, exportación depetroleo se encuentra en el tercer lugar:

   export.rows %>%    filter(Activity == "Electronics" |           Activity == "Transport equipment" |           Activity == "Petroleum") %>%    group_by(year, Activity) %>%    summarise(`Total per activity` = sum(USD)) %>%    ggplot(aes(x = year, y = `Total per activity`)) +    geom_line(aes(colour = Activity)) +    geom_point(aes(colour = Activity))

Al menos desde 2007, exportación de petroleo genera menos ingresosque exportación de electrodomésticos y equipo de transporte. Otrodetalle interesante que es claro en nuestra última gráfica es quea partir de 2009, la exportación en equipo de transporte haincrementado año con año. Esto explica por que estados donde laprincipal actividad de exportación es equipo de transporte estánen los primeros lugares como exportadores.

Podemos generar otra función similar a plot_state pero poractividad, plot_activity para observar los principales estadosexportadores de petroleo.

  ## Funcion para ver principal estado por actividad  plot_activity <- function(activity, USD_min = 5000000){      export.cols %>%          select(state, year, activity) %>%          group_by(state)  %>%          summarise(Total = sum(!!sym(activity))) %>%          filter(Total >= USD_min) %>%          ggplot() +          geom_bar(aes(y = Total,                       x = reorder(state,                                   Total, FUN = abs),                       fill = Total),                   stat = 'identity') +          coord_flip() +          labs(title = activity,               y = "Total USD", x = NULL) +          theme(legend.position="none")  }   plot_activity("Petroleum")

Sólo 4 estados exportaron más de 5,000 millones de USD en petroleo.

   plot_grid(    plot_state("Campeche", USD_min = 1000000),    plot_state("Tabasco", USD_min = 1000000),    plot_state("Veracruz de Ignacio de la Llave"),    plot_state("Chiapas", USD_min = 1000000))

Parece ser que la economía de Tabasco, Campeche y Chiapas dependenen alto grado de la extracción de petroleo, diferente a Veracruz,que tiene otras actividades mas fuertes como productos químicos,metalurgia y alimentación.