🗓️ Semana 07
Creación, reestructuración y combinación de datos

Descripción y Visualización de Datos

Prof. Gabriel Sotomayor

Universidad Diego Portales

28 sep 2026

Objetivos de la sesión de hoy

  • Aprender técnicas de recodificación de variables usando case_when().
  • Identificar y recodificar los códigos de no respuesta de las encuestas (-88, 999, etc.) como valores perdidos (NA), y reflexionar sobre el sesgo de ignorarlos.
  • Comprender y aplicar la lógica de reestructurar datos de formato ancho a largo (pivot_longer()).
  • Aprender a combinar o cruzar dos tablas de datos diferentes usando left_join().
  • Distinguir conceptualmente entre la construcción de índices y tipologías.

1. Creando nuevas variables

Repaso y conexión

En la clase anterior, aprendimos la “gramática” de dplyr para manipular tablas:

  • select() para columnas.
  • filter() para filas.
  • arrange() para ordenar.
  • group_by() + summarise() para resúmenes por grupo.

Hoy nos enfocaremos en el verbo más creativo, mutate(), y en tareas más avanzadas: crear nuevas variables a partir de condiciones, cambiar la forma de nuestras tablas y unir diferentes bases de datos.

Recodificación condicional: ifelse() vs. case_when()

Para crear variables basadas en condiciones, tenemos dos herramientas principales:

ifelse()

  • Sintaxis: ifelse(condicion, valor_si_verdadero, valor_si_falso)
  • Uso ideal: Para recodificaciones binarias (dos resultados posibles).
  • Ejemplo: Crear una variable “mayor de edad”.
datos %>%
  mutate(mayor_edad = ifelse(edad >= 18, "Sí", "No"))

case_when()

  • Sintaxis: case_when(condicion1 ~ valor1, condicion2 ~ valor2, ...)
  • Uso ideal: Para recodificaciones con múltiples condiciones y resultados. Es mucho más legible y seguro que anidar ifelse().
  • Ejemplo: Crear tramos de edad.
datos %>%
  mutate(tramo_edad = case_when(...))

case_when() en acción: Creando tramos de edad

case_when() se lee como una serie de instrucciones lógicas. R evalúa cada condición en orden y asigna el valor de la primera que sea TRUE.

Sintaxis y Lógica:

casen %>%
  mutate(
    tramo_edad = case_when(
      edad <= 29              ~ "Joven (0-29)",
      edad >= 30 & edad <= 59 ~ "Adulto (30-59)",
      edad >= 60              ~ "Mayor (60+)",
      TRUE                    ~ "Dato perdido o sin edad" # Captura todo lo demás
    )
  )
  • La ~ (tilde) se lee como “entonces asigna este valor”.
  • & significa que ambas condiciones deben ser verdaderas.
  • TRUE ~ ...: Esta última línea es una “catch-all” o cláusula por defecto. Si ninguna de las condiciones anteriores se cumple, se asignará este valor. Es una muy buena práctica incluirla siempre.

Un caso especial de recodificación: Los valores perdidos

En R, un dato faltante se representa con NA (Not Available). Pero las encuestas rara vez usan NA directamente: registran la no respuesta con códigos administrativos.

Encuesta Códigos de no respuesta típicos
CASEN -88 (No sabe), -99 (No responde)
ESI 888, 999
ENUT 96
  • Si no los recodificamos, R los trata como números reales: un promedio de ingresos que incluye -88 o un 999 en una escala de 1 a 7 queda distorsionado sin aviso.
  • Antes de calcular cualquier estadístico, revisar el libro de códigos e identificar estos valores con summary() o table(), y convertirlos a NA:
casen %>%
  mutate(
    # na_if() convierte un código específico a NA
    ind_hacina = na_if(ind_hacina, -88),
    # case_when() permite convertir varios códigos a la vez
    satisf = case_when(
      satisf %in% c(888, 999) ~ NA,
      TRUE ~ satisf
    )
  )

¿Y qué hacemos con los NA?

Una vez que los perdidos son NA, las funciones como mean() exigen decidir qué hacer con ellos (na.rm = TRUE). Esa opción no es inocua: significa “calcula como si esos casos no existieran”.

  • Si la falta de respuesta es aleatoria (a cualquiera se le pudo pasar la pregunta), descartar casos solo reduce la muestra.
  • Pero si quienes no responden son distintos de quienes sí lo hacen, el resultado queda sesgado. Ejemplos clásicos:
    • Las personas de ingresos muy altos tienden a no declarar sus ingresos → el promedio calculado subestima el ingreso real.
    • Quienes están menos satisfechos con su vida pueden negarse a responder módulos de bienestar → la satisfacción promedio queda inflada.

Buenas prácticas mínimas para este curso:

  1. Reportar siempre cuántos casos perdidos tiene la variable (summary() los cuenta).
  2. Preguntarse quiénes podrían ser los que no responden y si eso afecta la conclusión.
  3. Dejar la decisión documentada en el código (comentario: por qué se recodificó y qué se excluyó).

Más allá de la recodificación: Creando nuevo conocimiento

A menudo, un solo indicador (una sola pregunta de encuesta) no es suficiente para capturar la complejidad de un concepto sociológico. Para medir fenómenos como “bienestar social”, “precariedad laboral” o “capital cultural”, necesitamos combinar múltiples indicadores.

“(…) el conjunto de herramientas metodológicas que pretenden cuantificar de modo sintético las características de fenómenos sociales complejos, no directamente observables por la vía de las estadísticas sociales tradicionalmente disponibles…” (Márquez, 2006).

En esta sección, veremos dos formas de construir estas nuevas variables compuestas: Índices y Tipologías. La herramienta principal para crearlas en R seguirá siendo mutate().

Índices: La suma de las partes

Un índice es una variable compuesta, generalmente numérica, que se crea a partir de la suma o promedio de varios indicadores.

  • Supuesto Clave: Se asume que todos los indicadores tienen un peso similar y miden la misma dimensión subyacente.
  • Ejemplo: La Escala Breve de Satisfacción con la Vida para Estudiantes (BMSLSS) mide el bienestar a través de 6 ítems en una escala de 0 a 10.

Indicadores de la BMSLSS:
1. Satisfacción con la vida familiar.
2. Satisfacción con los amigos/as.
3. Satisfacción con el barrio.
4. Satisfacción con la experiencia en el colegio.
5. Satisfacción contigo mismo/a.
6. Satisfacción con toda tu vida en general.

El índice se construye promediando las respuestas de estos 6 ítems para obtener un puntaje global de satisfacción.

Tipologías: Creando perfiles

Una tipología es una variable categórica (nominal u ordinal) que se crea al cruzar dos o más variables para clasificar a las observaciones en “tipos” o “perfiles” cualitativamente distintos.

  • Ejemplo Clásico: La clasificación de Grupos Socioeconómicos (GSE) utilizada en investigación de mercado y social en Chile. Es el resultado de cruzar tres dimensiones:
    1. Nivel Educacional del principal sostenedor del hogar (PSH).
    2. Ocupación del PSH.
    3. Tramos de Ingreso del hogar.

Matriz de clasificación de Grupo Socioeconómico (GSE) de AIM Chile: una tabla que cruza la educación y ocupación del principal sostenedor del hogar (filas) con siete tramos de ingreso autónomo per cápita equivalente, YPCE1 a YPCE7 (columnas). Cada celda está coloreada según el grupo socioeconómico resultante, desde "E" (naranja, hogares con menor educación, ocupación no calificada e ingresos más bajos) hasta "AB" (blanco, mayor educación, ocupación de nivel alto e ingresos más altos), pasando por D, C3, C2, C1b y C1a en un gradiente de color.

Operacionalizando una tipología: El GSE en R

La creación de una tipología es la aplicación perfecta de case_when() con condiciones complejas unidas por el operador &. El código traduce directamente las reglas de la matriz de clasificación.

# Ejemplo conceptual para crear la variable GSE
# (suponiendo que educ_psh y ocu_psh son numéricas y están codificadas según el manual de AIM)
datos %>%
  mutate(
    gse = case_when(
      # Condición para el grupo AB (el más alto)
      educ_psh >= 5 & ocu_psh >= 6 & tramo_ingreso == "YPCE7" ~ "AB",
      
      # Dos ejemplos de condiciones para el grupo C1a
      educ_psh >= 5 & ocu_psh >= 5 & tramo_ingreso == "YPCE6" ~ "C1a",
      educ_psh == 4 & ocu_psh >= 6 & tramo_ingreso == "YPCE7" ~ "C1a",
      
      # ... (y así sucesivamente para todas las demás combinaciones de la matriz)...
      
      # Una regla por defecto para los casos que no calcen en ninguna categoría
      TRUE ~ "Sin clasificación" 
    )
  )

2. Reestructurando datos con tidyr

El problema de los datos “anchos” (wide)

A veces, los datos no vienen en formato “ordenado” (tidy). Un problema común es el formato ancho, donde los valores de una misma variable se distribuyen en múltiples columnas.

Ejemplo: Datos de panel sobre satisfacción con la vida.

id satisfaccion_2020 satisfaccion_2021 satisfaccion_2022
1 7 8 8
2 5 5 6
3 9 8 7

Problema: Este formato es difícil de analizar. No podemos, por ejemplo, calcular fácilmente la satisfacción promedio por año o graficar la evolución en el tiempo. “Año” está atrapado en los nombres de las columnas.

La solución: pivot_longer()

El paquete tidyr (parte del Tidyverse) nos permite reestructurar datos. La función pivot_longer() convierte los datos de formato ancho a largo (formato tidy).

Lógica: “Toma estas columnas, y pon sus nombres en una nueva columna y sus valores en otra”.

Sintaxis: datos %>% pivot_longer(cols = columnas_a_unir, names_to = "nombre_nueva_col_categoria", values_to = "nombre_nueva_col_valor")

# Aplicando a nuestro ejemplo
datos_wide %>%
  pivot_longer(
    cols = c(satisfaccion_2020, satisfaccion_2021, satisfaccion_2022),
    names_to = "año",
    values_to = "satisfaccion"
  )

pivot_longer() en acción: El resultado

La tabla se transforma, y ahora sí está en formato ordenado (tidy).

Tabla Original (Ancha):

id satisfaccion_2020 satisfaccion_2021 satisfaccion_2022
1 7 8 8
2 5 5 6

pivot_longer() en acción: El resultado

Tabla Transformada (Larga):

id año satisfaccion
1 satisfaccion_2020 7
1 satisfaccion_2021 8
1 satisfaccion_2022 8
2 satisfaccion_2020 5
2 satisfaccion_2021 5

Ahora, “año” y “satisfacción” son variables en sus propias columnas, lo que facilita enormemente el análisis (ej. group_by(año) %>% summarise(...)) y la visualización.

3. Combinando tablas de datos con dplyr

La necesidad de unir datos

Rara vez toda la información que necesitamos está en una sola tabla. En la investigación real, es muy común tener que combinar o cruzar diferentes fuentes de datos.

Ejemplos sociológicos:

  • Unir una encuesta de personas con una base de datos de características de sus comunas (ej. tasa de pobreza, nivel de delincuencia).
  • Unir distintos cuestionarios de un misma encuesta por ej. el cuestionario al NNA y el cuestionario al Responsable Principal del nna.
  • Cruzar una encuesta de hogares con una base de datos de personas para asignar las características del hogar a cada miembro.
  • Combinar dos rondas de una encuesta de panel para analizar cambios en el tiempo.

La clave de la unión: La “llave” (key)

Para que R sepa cómo conectar las filas de dos tablas, necesita una (o más) variables “llave” (key).

  • Definición: Una variable llave es un identificador único que existe en ambas tablas de datos.
  • Su función es decirle a R: “Esta fila de la tabla A corresponde a esta otra fila de la tabla B”.

Ejemplos de llaves:

  • folio: Para unir personas con sus hogares.
  • id_comuna: Para unir datos de encuestas con datos comunales.
  • RUT: Para unir registros administrativos de una misma persona.

La calidad de la unión depende de la calidad de la llave.

left_join(): La unión más común

Las funciones _join() de dplyr nos permiten combinar tablas. La más utilizada es left_join().

Lógica: “Toma todas las filas de la tabla de la izquierda (x) y pégale la información de la tabla de la derecha (y) que coincida según la llave”.

Sintaxis: left_join(tabla_izquierda, tabla_derecha, by = "nombre_variable_llave")

Diagrama de left_join(): una tabla verde con 2 columnas y 3 filas y una tabla naranja con 2 columnas y 3 filas, unidas por líneas que conectan las filas que coinciden según la llave. El resultado conserva las 3 filas de la tabla verde (izquierda) completas, agregándoles las columnas naranjas correspondientes.
  • Si una fila en la tabla izquierda no tiene correspondencia en la derecha, las nuevas columnas se rellenarán con NA.
  • Si una fila en la tabla derecha no tiene correspondencia en la izquierda, se descarta.

Otros joins

dplyr ofrece una familia completa de joins para diferentes necesidades.

  • inner_join(x, y): Se queda únicamente con las filas que tienen correspondencia en ambas tablas. Es útil para “limpiar” datos y trabajar solo con los casos completos.
  • full_join(x, y): Se queda con todas las filas de ambas tablas, rellenando con NA donde no hay correspondencia.
  • anti_join(x, y): Una herramienta de diagnóstico muy poderosa. Devuelve todas las filas de la tabla izquierda que NO tienen correspondencia en la tabla derecha. Es ideal para encontrar problemas de codificación en las llaves.

Diagrama comparando cuatro tipos de unión entre una tabla verde y una tabla naranja, todas partiendo de las mismas filas conectadas por llave. left_join(): conserva todas las filas de la tabla verde. right_join(): conserva todas las filas de la tabla naranja. inner_join(): conserva solo las filas que coinciden en ambas tablas. full_join(): conserva todas las filas de ambas tablas, incluyendo las que no tienen correspondencia.

Cierre y próximos pasos

Resumen de la sesión de hoy:

  • Hemos aprendido a realizar recodificaciones complejas de forma legible y segura con case_when().
  • Aprendimos a tratar los códigos de no respuesta como valores perdidos (na_if(), case_when()) y a pensar críticamente qué implica descartar casos con na.rm = TRUE.
  • Entendimos la lógica de los datos “anchos” y “largos” y aprendimos a reestructurarlos con pivot_longer().
  • Descubrimos cómo combinar diferentes bases de datos usando la poderosa familia de funciones _join().
  • Con estas herramientas, hemos completado nuestro kit básico para la limpieza y preparación de datos.

En el práctico de hoy:

  • Aplicarán estas tres técnicas avanzadas (case_when, pivot_longer, left_join) en ejercicios prácticos con la Encuesta ELPI Cuarta Ronda (2024).

Adelanto de la Unidad 4: - ¡Ahora que tenemos los datos listos, comenzaremos a analizarlos! La próxima unidad se centrará en la Estadística Descriptiva Univariada.