Capítulo 20 Profundizando tidyverse: encuestas electorales
Scripts usados:
- script20.R: profundizando tidyverse. Ver en https://github.com/dadosdelaplace/courses-ECI-2022/blob/main/scripts/script20.
Vamos a profundizar un poco en el uso de funciones tidyverse para el análisis de datos de encuestas, datos de Our World in Data y datos de Spotify
En la denostada wikipedia se publican de forma bastante completa las encuestas electorales previas a las elecciones de un país, en este caso de España. El enlace donde están los datos es https://en.wikipedia.org/wiki/Opinion_polling_for_the_next_Spanish_general_election
Lo que vamos a hacer primero extraer la información de la web, analizando desde R su código HTML y quedándonos con las encuestas de 2021 y 2022. Para ello haremos uso del paquete rvest (cargaremos también tidyverse):
-
read_html(): nos permite obtener el código HTML de la web -
html_elements(): nos permite seleccionar elementos de dicho html -
html_table(): nos convierte una tabla HTML en untibble.
De esta manera leeremos el HTML, localizaremos las tablas de datos y seleccionaremos solo las dos primeras (encuestas de 2022 y 2021).
library(rvest)
library(tidyverse)
wiki <-
paste0("https://en.wikipedia.org/wiki/Opinion_polling_for_the_next_Spanish_general_election")
# Leemos html
html <- read_html(wiki)
# Seleccionamos las tablas del HTML
tablas <- html_elements(html, ".wikitable")
# Obtenemos las dos primeras tablas: encuestas de 2022 y 2021
encuestas_2022 <- html_table(tablas[[1]])
encuestas_2022## # A tibble: 14 × 21
## `Polling firm/Com… `Fieldwork date` `Sample size` Turnout `` `` ``
## <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 Polling firm/Comm… Fieldwork date Sample size Turnout "" "" ""
## 2 ElectoPanel/Elect… 21–28 Jan 1,161 ? "24.2… "22.5… "20.…
## 3 DYM/Henneo[2] 19–23 Jan 1,008 ? "25.7… "26.9… "17.…
## 4 KeyData/Público[3] 21 Jan ? 68.1 "26.0… "25.6… "17.…
## 5 ElectoPanel/Elect… 14–20 Jan 1,190 ? "24.4… "22.9… "20.…
## 6 Celeste-Tel/Onda … 10–14 Jan 1,100 ? "26.2… "27.2… "16.…
## 7 InvyMark/laSexta[… 10–14 Jan ? ? "27.3" "27.9" "16.…
## 8 CIS (SocioMétrica… 3–14 Jan 3,777 59.3 "26.9" "22.4" "19.…
## 9 CIS[9][10][11] 3–14 Jan 3,777 ? "28.5… "21.5… "14.…
## 10 IMOP/El Confidenc… 3–14 Jan 1,312 ? "26.4… "24.9… "17.…
## 11 ElectoPanel/Elect… 7–13 Jan 1,317 ? "24.5… "23.3… "20.…
## 12 Simple Lógica/elD… 3–13 Jan 1,039 63.0 "24.6" "24.3" "18.…
## 13 ElectoPanel/Elect… 31 Dec–6 Jan 1,823 ? "24.9… "23.5… "20.…
## 14 Data10/OKDiario[1… 3–5 Jan 1,000 ? "25.4… "27.8… "17.…
## # … with 14 more variables: <chr>, <chr>, <chr>, <chr>, <chr>, PNV <chr>,
## # <chr>, <chr>, <chr>, <chr>, <chr>, PRC <chr>, <chr>, Lead <chr>
encuestas_2021 <- html_table(tablas[[2]])
encuestas_2021## # A tibble: 209 × 21
## `Polling firm/Com… `Fieldwork date` `Sample size` Turnout `` `` ``
## <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 Polling firm/Comm… Fieldwork date Sample size Turnout "" "" ""
## 2 ElectoPanel/Elect… 24–30 Dec 1,189 ? "24.9… "23.9… "19.…
## 3 40dB/Prisa[18][19] 23–30 Dec 2,000 ? "26.1… "23.5… "18.…
## 4 IMOP/El Confidenc… 20–30 Dec 1,315 ? "25.2… "25.0… "18.…
## 5 SocioMétrica/El E… 20–30 Dec 3,000 ? "25.5… "24.2… "17.…
## 6 PSOE[22] 27 Dec ? ? "29.0" "22.0" "17.…
## 7 Sigma Dos/Antena … 26 Dec ? ? "25.7… "28.8… "15.…
## 8 Sigma Dos/El Mund… 20–24 Dec 2,619 ? "26.0… "27.4… "16.…
## 9 ElectoPanel/Elect… 17–23 Dec 1,299 ? "25.3… "24.6… "19.…
## 10 KeyData/Público[2… 22 Dec ? 67.1 "25.7… "26.4… "17.…
## # … with 199 more rows, and 14 more variables: <chr>, <chr>, <chr>, <chr>,
## # <chr>, PNV <chr>, <chr>, <chr>, <chr>, <chr>, <chr>, PRC <chr>,
## # TE <chr>, Lead <chr>20.1 Nombrar columnas
Dado que la mayoría de las columnas tienen como nombre de partido el logo del mismo, vamos a renombrar las variables.
nombre_cols <-
c("casa", "fechas", "muestra", "participacion", "PSOE", "PP", "Vox",
"UP", "Cs", "ERC", "MP", "JxCat", "PNV", "EHBildu", "CUP",
"CC", "BNG", "NA+", "PRC", "EV", "ventaja")
names(encuestas_2022) <- names(encuestas_2021) <- nombre_cols
encuestas_2022## # A tibble: 14 × 21
## casa fechas muestra participacion PSOE PP Vox UP Cs ERC MP
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 Polli… Field… Sample… Turnout "" "" "" "" "" "" ""
## 2 Elect… 21–28… 1,161 ? "24.… "22.… "20.… "13.… "3.3… "3.5… "2.5…
## 3 DYM/H… 19–23… 1,008 ? "25.… "26.… "17.… "11.… "3.4… "–" "2.8…
## 4 KeyDa… 21 Jan ? 68.1 "26.… "25.… "17.… "11.… "2.9… "3.5… "3.0…
## 5 Elect… 14–20… 1,190 ? "24.… "22.… "20.… "12.… "3.2… "3.5… "2.5…
## 6 Celes… 10–14… 1,100 ? "26.… "27.… "16.… "11.… "3.4… "3.0… "3.6…
## 7 InvyM… 10–14… ? ? "27.… "27.… "16.… "10.… "1.3" "–" "3.0"
## 8 CIS (… 3–14 … 3,777 59.3 "26.… "22.… "19.… "11.… "3.0" "3.1" "2.6"
## 9 CIS[9… 3–14 … 3,777 ? "28.… "21.… "14.… "13.… "4.0… "3.0… "2.8…
## 10 IMOP/… 3–14 … 1,312 ? "26.… "24.… "17.… "11.… "2.6… "3.4… "2.5…
## 11 Elect… 7–13 … 1,317 ? "24.… "23.… "20.… "12.… "3.3… "3.5… "2.6…
## 12 Simpl… 3–13 … 1,039 63.0 "24.… "24.… "18.… "11.… "2.5" "–" "2.3"
## 13 Elect… 31 De… 1,823 ? "24.… "23.… "20.… "12.… "3.2… "3.5… "2.6…
## 14 Data1… 3–5 J… 1,000 ? "25.… "27.… "17.… "10.… "2.7… "3.2… "3.2…
## # … with 10 more variables: JxCat <chr>, PNV <chr>, EHBildu <chr>, CUP <chr>,
## # CC <chr>, BNG <chr>, NA+ <chr>, PRC <chr>, EV <chr>, ventaja <chr>
encuestas_2021## # A tibble: 209 × 21
## casa fechas muestra participacion PSOE PP Vox UP Cs ERC MP
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 Polli… Field… Sample… Turnout "" "" "" "" "" "" ""
## 2 Elect… 24–30… 1,189 ? "24.… "23.… "19.… "11.… "3.2… "3.5… "2.7…
## 3 40dB/… 23–30… 2,000 ? "26.… "23.… "18.… "11.… "3.6… "?13" "3.6…
## 4 IMOP/… 20–30… 1,315 ? "25.… "25.… "18.… "12.… "2.8… "3.2… "2.7…
## 5 Socio… 20–30… 3,000 ? "25.… "24.… "17.… "12.… "4.3… "2.8… "3.2…
## 6 PSOE[… 27 Dec ? ? "29.… "22.… "17.… "11.… "–" "–" "–"
## 7 Sigma… 26 Dec ? ? "25.… "28.… "15.… "10.… "3.2… "3.0… "3.0…
## 8 Sigma… 20–24… 2,619 ? "26.… "27.… "16.… "10.… "3.1… "3.0… "3.1…
## 9 Elect… 17–23… 1,299 ? "25.… "24.… "19.… "11.… "3.2… "3.5… "2.7…
## 10 KeyDa… 22 Dec ? 67.1 "25.… "26.… "17.… "11.… "3.1… "3.4… "3.1…
## # … with 199 more rows, and 10 more variables: JxCat <chr>, PNV <chr>,
## # EHBildu <chr>, CUP <chr>, CC <chr>, BNG <chr>, NA+ <chr>, PRC <chr>,
## # EV <chr>, ventaja <chr>20.2 Eliminar filas
Tras la lectura sin salirnos de R, tenemos dos tablas de encuestas electorales, a las que les vamos a quitar la primera fila (vacía) con slice(-1).
encuestas_2022 <- encuestas_2022 %>% slice(-1)
encuestas_2022## # A tibble: 13 × 21
## casa fechas muestra participacion PSOE PP Vox UP Cs ERC MP
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 Elect… 21–28… 1,161 ? 24.2… 22.5… 20.9… 13.1… 3.31 3.513 2.55
## 2 DYM/H… 19–23… 1,008 ? 25.7… 26.9… 17.1… 11.6… 3.42… – 2.82…
## 3 KeyDa… 21 Jan ? 68.1 26.0… 25.6… 17.4… 11.5… 2.91 3.513 3.04
## 4 Elect… 14–20… 1,190 ? 24.4… 22.9… 20.7… 12.7… 3.21 3.514 2.55
## 5 Celes… 10–14… 1,100 ? 26.2… 27.2… 16.5… 11.0… 3.42 3.012 3.65
## 6 InvyM… 10–14… ? ? 27.3 27.9 16.5 10.9 1.3 – 3.0
## 7 CIS (… 3–14 … 3,777 59.3 26.9 22.4 19.0 11.7 3.0 3.1 2.6
## 8 CIS[9… 3–14 … 3,777 ? 28.5… 21.5… 14.7… 13.1… 4.03 3.013 2.83
## 9 IMOP/… 3–14 … 1,312 ? 26.4… 24.9… 17.9… 11.8… 2.61 3.414 2.53
## 10 Elect… 7–13 … 1,317 ? 24.5… 23.3… 20.5… 12.4… 3.31 3.514 2.66
## 11 Simpl… 3–13 … 1,039 63.0 24.6 24.3 18.7 11.1 2.5 – 2.3
## 12 Elect… 31 De… 1,823 ? 24.9… 23.5… 20.2… 12.0… 3.21 3.514 2.65
## 13 Data1… 3–5 J… 1,000 ? 25.4… 27.8… 17.0… 10.9… 2.71 3.213 3.23
## # … with 10 more variables: JxCat <chr>, PNV <chr>, EHBildu <chr>, CUP <chr>,
## # CC <chr>, BNG <chr>, NA+ <chr>, PRC <chr>, EV <chr>, ventaja <chr>
encuestas_2021 <- encuestas_2021 %>% slice(-1)
encuestas_2021## # A tibble: 208 × 21
## casa fechas muestra participacion PSOE PP Vox UP Cs ERC MP
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 Elect… 24–30… 1,189 ? 24.9… 23.9… 19.9… 11.8… 3.21 3.514 2.76
## 2 40dB/… 23–30… 2,000 ? 26.1… 23.5… 18.3… 11.8… 3.62… ?13 3.63…
## 3 IMOP/… 20–30… 1,315 ? 25.2… 25.0… 18.6… 12.1… 2.81 3.213 2.73
## 4 Socio… 20–30… 3,000 ? 25.5… 24.2… 17.7… 12.3… 4.33 2.812 3.25
## 5 PSOE[… 27 Dec ? ? 29.0 22.0 17.0 11.0 – – –
## 6 Sigma… 26 Dec ? ? 25.7… 28.8… 15.7… 10.6… 3.21 3.0? 3.06
## 7 Sigma… 20–24… 2,619 ? 26.0… 27.4… 16.6… 10.9… 3.11 3.012 3.16
## 8 Elect… 17–23… 1,299 ? 25.3… 24.6… 19.5… 11.4… 3.21 3.514 2.76
## 9 KeyDa… 22 Dec ? 67.1 25.7… 26.4… 17.1… 11.1… 3.11 3.413 3.14
## 10 DYM/H… 15–19… 1,012 ? 25.6… 27.6… 16.9… 10.6… 4.72… – 3.22…
## # … with 198 more rows, and 10 more variables: JxCat <chr>, PNV <chr>,
## # EHBildu <chr>, CUP <chr>, CC <chr>, BNG <chr>, NA+ <chr>, PRC <chr>,
## # EV <chr>, ventaja <chr>20.4 Juntar tablas
Dado que queremos un solo dataset con las encuestas de ambos años, vamos a juntar ambas tablas con rbind() para tener una sola tabla encuestas.
encuestas <- rbind(encuestas_2022, encuestas_2021)20.5 Convertir a numéricas
Si te fijas los valores de muchas variables son erróneos, como tamaño de la muestra o participación: son de tipo texto cuando deberían ser numéricas.
encuestas## # A tibble: 221 × 22
## casa fechas muestra participacion PSOE PP Vox UP Cs ERC MP
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 Elect… 21–28… 1,161 ? 24.2… 22.5… 20.9… 13.1… 3.31 3.513 2.55
## 2 DYM/H… 19–23… 1,008 ? 25.7… 26.9… 17.1… 11.6… 3.42… – 2.82…
## 3 KeyDa… 21 Jan ? 68.1 26.0… 25.6… 17.4… 11.5… 2.91 3.513 3.04
## 4 Elect… 14–20… 1,190 ? 24.4… 22.9… 20.7… 12.7… 3.21 3.514 2.55
## 5 Celes… 10–14… 1,100 ? 26.2… 27.2… 16.5… 11.0… 3.42 3.012 3.65
## 6 InvyM… 10–14… ? ? 27.3 27.9 16.5 10.9 1.3 – 3.0
## 7 CIS (… 3–14 … 3,777 59.3 26.9 22.4 19.0 11.7 3.0 3.1 2.6
## 8 CIS[9… 3–14 … 3,777 ? 28.5… 21.5… 14.7… 13.1… 4.03 3.013 2.83
## 9 IMOP/… 3–14 … 1,312 ? 26.4… 24.9… 17.9… 11.8… 2.61 3.414 2.53
## 10 Elect… 7–13 … 1,317 ? 24.5… 23.3… 20.5… 12.4… 3.31 3.514 2.66
## # … with 211 more rows, and 11 more variables: JxCat <chr>, PNV <chr>,
## # EHBildu <chr>, CUP <chr>, CC <chr>, BNG <chr>, NA+ <chr>, PRC <chr>,
## # EV <chr>, ventaja <chr>, anno <dbl>Para ello vamos antes a eliminar las comas"," que separan los millares de los números, con gsub(). Dicha orden nos permite sustituir en un vector los caracteres que queramos. Por ejemplo, de un vector de palabras vamos a cambiar la letra a por un punto *: primero le indicamos el patrón a buscar, después el valor nuevo que le daremos, y por último la variable en la que lo vamos a aplicar.
## [1] "hol*" "c*m*" "elef*nte" "cerrojo" "león" "g*t*"Con esta función localizaremos las "," de muestra para sustituirlas por "" (sin nada), y lo mismo haremos con "?" en la variable participacion con los datos ausentes "?".
encuestas_depurado <-
encuestas %>%
# Quitamos "," como millares en números
mutate(muestra = gsub("?", "", gsub(",", "", muestra)),
participacion = gsub("?", NA, participacion))
encuestas_depurado## # A tibble: 221 × 22
## casa fechas muestra participacion PSOE PP Vox UP Cs ERC MP
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 Elect… 21–28… 1161 <NA> 24.2… 22.5… 20.9… 13.1… 3.31 3.513 2.55
## 2 DYM/H… 19–23… 1008 <NA> 25.7… 26.9… 17.1… 11.6… 3.42… – 2.82…
## 3 KeyDa… 21 Jan ? <NA> 26.0… 25.6… 17.4… 11.5… 2.91 3.513 3.04
## 4 Elect… 14–20… 1190 <NA> 24.4… 22.9… 20.7… 12.7… 3.21 3.514 2.55
## 5 Celes… 10–14… 1100 <NA> 26.2… 27.2… 16.5… 11.0… 3.42 3.012 3.65
## 6 InvyM… 10–14… ? <NA> 27.3 27.9 16.5 10.9 1.3 – 3.0
## 7 CIS (… 3–14 … 3777 <NA> 26.9 22.4 19.0 11.7 3.0 3.1 2.6
## 8 CIS[9… 3–14 … 3777 <NA> 28.5… 21.5… 14.7… 13.1… 4.03 3.013 2.83
## 9 IMOP/… 3–14 … 1312 <NA> 26.4… 24.9… 17.9… 11.8… 2.61 3.414 2.53
## 10 Elect… 7–13 … 1317 <NA> 24.5… 23.3… 20.5… 12.4… 3.31 3.514 2.66
## # … with 211 more rows, and 11 more variables: JxCat <chr>, PNV <chr>,
## # EHBildu <chr>, CUP <chr>, CC <chr>, BNG <chr>, NA+ <chr>, PRC <chr>,
## # EV <chr>, ventaja <chr>, anno <dbl>Tras estos cambios, aunque muchas variables numéricas siguen siendo caracter, ya podemos aplicar la función as.numeric(), que aplicaremos a todas las variables menos casa y fechas, con mutate_at, indicándole con vars() primero las columnas a seleccionar (aquellas que no contengan la palabra casa ni fechas), y después la función a aplicar.
encuestas_depurado <-
encuestas_depurado %>%
mutate_at(vars(!contains(c("casa", "fechas"))), as.numeric)
encuestas_depurado## # A tibble: 221 × 22
## casa fechas muestra participacion PSOE PP Vox UP Cs ERC MP
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Elect… 21–28… 1161 NA 24.3 22.6 21.0 13.1 3.31 3.51 2.55
## 2 DYM/H… 19–23… 1008 NA NA NA NA NA NA NA NA
## 3 KeyDa… 21 Jan NA NA 26.0 25.6 17.5 11.5 2.91 3.51 3.04
## 4 Elect… 14–20… 1190 NA 24.5 23.0 20.8 12.7 3.21 3.51 2.55
## 5 Celes… 10–14… 1100 NA 26.2 27.2 16.6 11.0 3.42 3.01 3.65
## 6 InvyM… 10–14… NA NA 27.3 27.9 16.5 10.9 1.3 NA 3
## 7 CIS (… 3–14 … 3777 NA 26.9 22.4 19 11.7 3 3.1 2.6
## 8 CIS[9… 3–14 … 3777 NA 28.5 21.6 14.8 13.1 4.03 3.01 2.83
## 9 IMOP/… 3–14 … 1312 NA 26.4 24.9 18.0 11.8 2.61 3.41 2.53
## 10 Elect… 7–13 … 1317 NA 24.6 23.4 20.6 12.4 3.31 3.51 2.66
## # … with 211 more rows, and 11 more variables: JxCat <dbl>, PNV <dbl>,
## # EHBildu <dbl>, CUP <dbl>, CC <dbl>, BNG <dbl>, NA+ <dbl>, PRC <dbl>,
## # EV <dbl>, ventaja <dbl>, anno <dbl>20.6 Convertir las fechas de campo
Las fechas del trabajo de campo deben ser tratadas previamente:
las fechas de tipo
"28 Dec–2 Jan"(por ejemplo, de 2021) deberemos de convertirlas en dos fechas,2021-12-28y2022-01-02.las fechas de tipo
"12–14 Jan"(por ejemplo, de 2021) deberemos de convertirlas en dos fechas,2021-01-12y2021-01-14.las fechas de tipo
"15 Jan"(por ejemplo, de 2021), las convertiremos a dos fechas,2021-01-15y2021-01-15.
Para ello primero que vamos a hacer va a ser separar las fechas por los guiones - con str_plit() (que nos devolverá una lista).
fechas_intermedias <- str_split(encuestas_depurado$fechas, "–")
fechas_intermedias[1:6]## [[1]]
## [1] "21" "28 Jan"
##
## [[2]]
## [1] "19" "23 Jan"
##
## [[3]]
## [1] "21 Jan"
##
## [[4]]
## [1] "14" "20 Jan"
##
## [[5]]
## [1] "10" "14 Jan"
##
## [[6]]
## [1] "10" "14 Jan"En cada lugar de la lista vemos que tenemos dos fechas en la mayoría de casos: las pondremos en columnas fecha_inicio y fecha_inicial, devolviendo un tibble con map_dfr aplicado a la lista
fechas_intermedias <-
map_dfr(fechas_intermedias,
function(x) { tibble("fecha_inicio" = x[1],
"fecha_final" = x[2]) })
fechas_intermedias## # A tibble: 221 × 2
## fecha_inicio fecha_final
## <chr> <chr>
## 1 21 28 Jan
## 2 19 23 Jan
## 3 21 Jan <NA>
## 4 14 20 Jan
## 5 10 14 Jan
## 6 10 14 Jan
## 7 3 14 Jan
## 8 3 14 Jan
## 9 3 14 Jan
## 10 7 13 Jan
## # … with 211 more rowsLos registros donde fecha_final está ausente significa que toma el mismo valor que la fecha de inicio, y así lo modificaremos.
fechas_intermedias <-
fechas_intermedias %>%
mutate(fecha_final = ifelse(is.na(fecha_final),
fecha_inicio, fecha_final))
fechas_intermedias## # A tibble: 221 × 2
## fecha_inicio fecha_final
## <chr> <chr>
## 1 21 28 Jan
## 2 19 23 Jan
## 3 21 Jan 21 Jan
## 4 14 20 Jan
## 5 10 14 Jan
## 6 10 14 Jan
## 7 3 14 Jan
## 8 3 14 Jan
## 9 3 14 Jan
## 10 7 13 Jan
## # … with 211 more rowsLas fechas que no tenga mes en fecha_inicio, asumiremos que es el mismo mes que fecha_final: si solo hay números (dos o menos caracteres), obtenemos el mes de la fecha_final (últimos 3 caracteres) y lo pegamos al día.
fechas_intermedias <-
fechas_intermedias %>%
mutate(fecha_inicio =
ifelse(nchar(fecha_inicio) <= 2,
paste(fecha_inicio,
paste0(rev(rev(unlist(str_split(fecha_final, "")))[1:3]),
collapse = "")), fecha_inicio))
fechas_intermedias## # A tibble: 221 × 2
## fecha_inicio fecha_final
## <chr> <chr>
## 1 21 Jan 28 Jan
## 2 19 Jan 23 Jan
## 3 21 Jan 21 Jan
## 4 14 Jan 20 Jan
## 5 10 Jan 14 Jan
## 6 10 Jan 14 Jan
## 7 3 Jan 14 Jan
## 8 3 Jan 14 Jan
## 9 3 Jan 14 Jan
## 10 7 Jan 13 Jan
## # … with 211 more rowsEsas fechas intermedias las vamos añadir como columnas y, pegándole el año, vamos a convertirlas en datos de tipo fecha. De todas las fechas nos vamos a quedar solo con la fecha_final (recolocando dicha columna tras el nombre de la casa encuestadora).
library(lubridate)
encuestas_depurado <-
bind_cols(encuestas_depurado,
fechas_intermedias) %>%
mutate(fecha_inicio = dmy(paste(fecha_inicio, anno)),
fecha_final = dmy(paste(fecha_final, anno))) %>%
select(-c(fechas, anno, fecha_inicio)) %>%
relocate(fecha_final, .after = casa)
encuestas_depurado## # A tibble: 221 × 21
## casa fecha_final muestra participacion PSOE PP Vox UP Cs ERC
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Electo… 2022-01-28 1161 NA 24.3 22.6 21.0 13.1 3.31 3.51
## 2 DYM/He… 2022-01-23 1008 NA NA NA NA NA NA NA
## 3 KeyDat… 2022-01-21 NA NA 26.0 25.6 17.5 11.5 2.91 3.51
## 4 Electo… 2022-01-20 1190 NA 24.5 23.0 20.8 12.7 3.21 3.51
## 5 Celest… 2022-01-14 1100 NA 26.2 27.2 16.6 11.0 3.42 3.01
## 6 InvyMa… 2022-01-14 NA NA 27.3 27.9 16.5 10.9 1.3 NA
## 7 CIS (S… 2022-01-14 3777 NA 26.9 22.4 19 11.7 3 3.1
## 8 CIS[9]… 2022-01-14 3777 NA 28.5 21.6 14.8 13.1 4.03 3.01
## 9 IMOP/E… 2022-01-14 1312 NA 26.4 24.9 18.0 11.8 2.61 3.41
## 10 Electo… 2022-01-13 1317 NA 24.6 23.4 20.6 12.4 3.31 3.51
## # … with 211 more rows, and 11 more variables: MP <dbl>, JxCat <dbl>,
## # PNV <dbl>, EHBildu <dbl>, CUP <dbl>, CC <dbl>, BNG <dbl>, NA+ <dbl>,
## # PRC <dbl>, EV <dbl>, ventaja <dbl>20.7 Limpiamos nombres de encuestas
Por último, vamos limpiar los nombres de las encuestas eliminando la referencia a los enlaces de la wikipedia
20.8 Consultas
Una vez que tenemos los datos depurados vamos a realizar algunas consultas sencillas usando tidyverse.
¿Cuáles son las 10 encuestas con mayor tamaño muestral?
encuestas_depurado %>% slice_max(muestra, n = 10)## # A tibble: 10 × 21
## casa fecha_final muestra participacion PSOE PP Vox UP Cs ERC
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 ELECTO… 2021-05-02 4320 NA 27.1 24.0 17.0 12.3 4.03 3.61
## 2 CIS (S… 2021-02-11 3869 NA 28.1 19.7 16.3 11.3 9 3.3
## 3 CIS 2021-02-11 3869 NA 30.7 18.9 13.6 11.2 9.32 3.52
## 4 CIS (S… 2021-01-25 3862 NA 28.6 22.2 15.9 10 7.4 2.9
## 5 CIS 2021-01-25 3862 NA 30.7 20.6 13.0 10.7 9.32 2.91
## 6 CIS (S… 2021-04-14 3823 NA 30 20.8 18.8 10.8 4 3.2
## 7 CIS 2021-04-14 3823 NA 31.5 20.7 15.5 10.7 6.71 2.81
## 8 CIS 2021-03-11 3820 NA 31.3 18.0 15.1 9.62 9.52 3.21
## 9 CIS 2021-06-15 3814 NA 27.4 23.9 13.0 12.0 5.78 3.61
## 10 CIS 2021-05-13 3814 NA 27.9 23.4 13.7 10.4 5.37 3.01
## # … with 11 more variables: MP <dbl>, JxCat <dbl>, PNV <dbl>, EHBildu <dbl>,
## # CUP <dbl>, CC <dbl>, BNG <dbl>, NA+ <dbl>, PRC <dbl>, EV <dbl>,
## # ventaja <dbl>¿Cuáles son las encuestas más recientes?
## # A tibble: 221 × 21
## casa fecha_final muestra participacion PSOE PP Vox UP Cs ERC
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 ELECTO… 2022-01-28 1161 NA 24.3 22.6 21.0 13.1 3.31 3.51
## 2 DYM/HE… 2022-01-23 1008 NA NA NA NA NA NA NA
## 3 KEYDAT… 2022-01-21 NA NA 26.0 25.6 17.5 11.5 2.91 3.51
## 4 ELECTO… 2022-01-20 1190 NA 24.5 23.0 20.8 12.7 3.21 3.51
## 5 CELEST… 2022-01-14 1100 NA 26.2 27.2 16.6 11.0 3.42 3.01
## 6 INVYMA… 2022-01-14 NA NA 27.3 27.9 16.5 10.9 1.3 NA
## 7 CIS (S… 2022-01-14 3777 NA 26.9 22.4 19 11.7 3 3.1
## 8 CIS 2022-01-14 3777 NA 28.5 21.6 14.8 13.1 4.03 3.01
## 9 IMOP/E… 2022-01-14 1312 NA 26.4 24.9 18.0 11.8 2.61 3.41
## 10 ELECTO… 2022-01-13 1317 NA 24.6 23.4 20.6 12.4 3.31 3.51
## # … with 211 more rows, and 11 more variables: MP <dbl>, JxCat <dbl>,
## # PNV <dbl>, EHBildu <dbl>, CUP <dbl>, CC <dbl>, BNG <dbl>, NA+ <dbl>,
## # PRC <dbl>, EV <dbl>, ventaja <dbl>¿Cuáles son las 5 encuestas en las que el PSOE tiene mayor proyección?
encuestas_depurado %>% slice_max(PSOE, n = 5)## # A tibble: 5 × 21
## casa fecha_final muestra participacion PSOE PP Vox UP Cs ERC
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 CIS 2021-04-14 3823 NA 31.5 20.7 15.5 10.7 6.71 2.81
## 2 CIS 2021-03-11 3820 NA 31.3 18.0 15.1 9.62 9.52 3.21
## 3 CIS 2021-02-11 3869 NA 30.7 18.9 13.6 11.2 9.32 3.52
## 4 CIS 2021-01-25 3862 NA 30.7 20.6 13.0 10.7 9.32 2.91
## 5 CIS (SO… 2021-04-14 3823 NA 30 20.8 18.8 10.8 4 3.2
## # … with 11 more variables: MP <dbl>, JxCat <dbl>, PNV <dbl>, EHBildu <dbl>,
## # CUP <dbl>, CC <dbl>, BNG <dbl>, NA+ <dbl>, PRC <dbl>, EV <dbl>,
## # ventaja <dbl>¿Cuál es la encuesta del CIS en la que el PP tiene mayor proyección?
## # A tibble: 1 × 21
## casa fecha_final muestra participacion PSOE PP Vox UP Cs ERC
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 CIS 2021-06-15 3814 NA 27.4 23.9 13.0 12.0 5.78 3.61
## # … with 11 more variables: MP <dbl>, JxCat <dbl>, PNV <dbl>, EHBildu <dbl>,
## # CUP <dbl>, CC <dbl>, BNG <dbl>, NA+ <dbl>, PRC <dbl>, EV <dbl>,
## # ventaja <dbl>¿Cuál es el promedio de las encuestas del PSOE y PP por casa encuestadora?
encuestas_depurado %>%
select(-fecha_final) %>%
group_by(casa) %>%
summarise(media_PSOE = mean(PSOE), media_PP = mean(PP)) %>%
ungroup()## # A tibble: 28 × 3
## casa media_PSOE media_PP
## <chr> <dbl> <dbl>
## 1 40DB/PRISA NA NA
## 2 ÁGORA INTEGRAL/CANARIAS AHORA 25.8 25.4
## 3 CELESTE-TEL/ONDA CERO 26.3 27.8
## 4 CIS 29.2 21.3
## 5 CIS (SOCIOMÉTRICA) 27.2 22.1
## 6 DATA10/OKDIARIO 25.0 29.2
## 7 DEMOSCOPIA Y SERVICIOS/ESDIARIO 25.3 25.9
## 8 DYM/HENNEO NA NA
## 9 ELECTOPANEL/ELECTOMANÍA 26.2 25.7
## 10 GAD3/ABC 25.5 29.8
## # … with 18 more rows¿Cuál es son las 3 casas encuestadoras más sesgada hacia el PSOE (con mayor diferencia de promedio de PSOE vs PP)? ¿Y hacia el PP?
encuestas_depurado %>%
select(-fecha_final) %>%
group_by(casa) %>%
summarise(media_PSOE = mean(PSOE), media_PP = mean(PP)) %>%
ungroup() %>%
mutate(diferencia = media_PSOE - media_PP) %>%
slice_max(diferencia, n = 3)## # A tibble: 3 × 4
## casa media_PSOE media_PP diferencia
## <chr> <dbl> <dbl> <dbl>
## 1 CIS 29.2 21.3 7.94
## 2 PSOE 29 22 7
## 3 CIS (SOCIOMÉTRICA) 27.2 22.1 5.13
encuestas_depurado %>%
select(-fecha_final) %>%
group_by(casa) %>%
summarise(media_PSOE = mean(PSOE), media_PP = mean(PP)) %>%
ungroup() %>%
mutate(diferencia = media_PP - media_PSOE) %>%
slice_max(diferencia, n = 3)## # A tibble: 3 × 4
## casa media_PSOE media_PP diferencia
## <chr> <dbl> <dbl> <dbl>
## 1 GAD3/ABC 25.5 29.8 4.36
## 2 DATA10/OKDIARIO 25.0 29.2 4.12
## 3 SIGMA DOS/ANTENA 3 25.3 29.3 3.99