Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
robertopucp
GitHub Repository: robertopucp/1eco35_2022_2
 Path: blob/main/Trabajo_grupal/WG7/Solucion/script_r.R
2835 views
1
################  Solución R ############################

2


3
### Regex ####

4


5
# clear environment

6


7
rm(list=ls(all=TRUE))

8


9
# load libraries

10


11
librarian::shelf(tidyverse,haven, readxl, lubridate, stringi)

12


13
# stringi para retirar tildes 

14


15
user <- Sys.getenv("USERNAME")  # username

16


17
setwd( paste0("C:/Users/",user,"/Documents/GitHub/1ECO35_2022_2/Trabajo_grupal/WG7/Solucion") ) # set directorio

18


19


20
data_crime <- read_excel("../../../data/crime_data/data_administrativa.xlsx")

21


22


23
# 1.0 nombre de las columnas en minuscula 

24


25


26
colnames(data_crime) <- tolower(colnames(data_crime))

27


28


29


30
# Retiramos las tildes (incluso el simbolo de la ñ) de las columnas nombre, rango criminal y observaciones

31


32
data_crime$nombre <- stri_trans_general(data_crime$nombre, id = "Latin-ASCII")

33


34
data_crime$rank <- stri_trans_general(data_crime$rank, id = "Latin-ASCII")

35


36
data_crime$observaciones <- stri_trans_general(data_crime$observaciones, id = "Latin-ASCII")

37


38
# Retiramos los espacios vacios al incio y al final

39


40
# Usaremos trim. Un ejemplo

41


42
str_trim(" Arriba Perú ")

43


44


45
# name, date_born and age clean 

46


47


48
data_crime <- data_crime %>% mutate(nombre = str_trim(nombre), rank = str_trim(rank),

49
                                    observaciones = str_trim(observaciones),

50
                                    nombre_clean =  str_replace(nombre,"[^a-zA-Z\\s]",''),

51
                                    date_clean =  str_replace(born_date,"(\"#%)|(!)|(00:00)",''),

52
                                    age_clean =  str_replace(age,"\\D+",''),

53
                                    new_date = dmy( date_clean )  # usamos lubridate

54
                                    )

55


56
# Dummies por rango criminal

57


58
data_crime <- data_crime |> mutate( 

59
  dum1 = ifelse(str_detect(rank,"criminal$"), 1 , 0 ),

60
  dum2 = ifelse(str_detect(rank,"local$"), 1 , 0 ),

61
  dum3 = ifelse(str_detect(rank,"regional$"), 1 , 0 ),

62
  dum4 = ifelse(str_detect(rank,"sicario"), 1 , 0 ),

63
  dum5 = ifelse(str_detect(rank,"^extor"), 1 , 0 ),

64
  dum6 = ifelse(str_detect(rank,"miembro"), 1 , 0 ),

65
  dum7 = ifelse(str_detect(rank,"(^princ)|(^nov)|(^noa)"), 1 , 0 ),

66
  user = str_match(correo_abogado, "(\\w+)\\@.*")[,2]

67
)

68
  

69
# Uso de Look around regex 

70


71
data_crime <- data_crime |> mutate( 

72
  dni_clean = str_extract(dni,"(?<=dni es )[\\d+\\-]+"), # Positive lpok behind

73
  crimen = str_extract(observaciones,"(?<=sentenciado por )[\\w+\\s]+"),

74
  cant_hijos = str_extract(observaciones,"(?<=tiene |tener )\\d+"),

75
  inicio_edad = str_extract(observaciones,"\\d+(?= anos)")  # Negative look behind

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


102


103


104


105