# Explorar datos del Censo de Población y Vivienda 2024 con R > Una de las dificultades más frecuentes en el análisis de datos es poder acceder a datos censales, porque su tamaño suele ser muy grande para la mayoría de los computadores, o bien imposible de abrir con programas como Excel. En este tutorial veremos cómo cargar los datos del Censo 2024 de Chile con R, accediendo a bases de datos de millones de observaciones para calcular estadísticas poblacionales sin colapsar nuestros computadores. - URL: https://bastianolea.rbind.io/blog/censo_2024/ - Fecha: 2026-04-08 - Autor: Bastián Olea Herrera - Etiquetas: datos, Chile, procesamiento de datos, bases de datos --- Una de las dificultades más frecuentes en el análisis de datos es poder acceder a datos censales. Los censos suelen ser bases de datos de **varios millones de observaciones**, lo que suele ser demasiado para la mayoría de los computadores, o bien algo imposible con programas como Excel. En este tutorial veremos cómo cargar los datos del [Censo de Población y Vivienda 2024](https://censo2024.ine.gob.cl) con R para poder acceder a bases de datos de millones de observaciones sin colapsar nuestros computadores. También veremos cómo **consultar información a nivel comunal** desde el censo, y a **cruzar las bases de personas y hogares**. ## Descargar datos del Censo Lo primero que haremos es **descargar** los datos del Censo, [disponibles en su sitio oficial.](https://censo2024.ine.gob.cl) [Resultados Censo 2024](https://censo2024.ine.gob.cl/resultados/) En esta página se listan todos los archivos de resultados. Vamos a descargar el archivo *Base de microdatos - Viviendas, hogares, personas Censo 2024 (parquet) -- zip, 377 MB*. Este archivo viene comprimido, y dentro trae los datos en formato **Parquet**, que es un formato moderno y **optimizado para grandes volúmenes de datos.** El Censo viene en tres niveles de información: - **Viviendas** - **Hogares** - **Personas** Partiremos cargando los datos de nivel personas, que es la base más grande de las tres, dado que tiene **una fila por cada habitante de Chile.** **Publicación relacionada:** [Cargar y explorar datos de la encuesta Casen en R, usando factor de expansión](https://bastianolea.rbind.io/blog/casen_introduccion/index.md) ## Cargar datos del Censo en R Para cargar los datos en formato Parquet usaremos el [paquete de R `{arrow}`](https://arrow.apache.org/docs/r/), que necesitamos instalar con la siguiente línea: ``` r install.packages("arrow") ``` Una vez instalado, **leemos el Censo como una base de datos** con la función `open_dataset()`. **¿Qué significa cargar los datos como base de datos?** Normalmente los datos se cargan en la **memoria** del computador. Si los datos son muy grandes y no caben a la memoria, **el computador colapsa** o se niega a cargar los datos. Pero cuando trabajamos mediante **bases de datos**, los datos no se cargan en la memoria, sino que se representan en una **versión optimizada**, capaz de realizar **operaciones más eficientes** y de copiar los datos a la memoria **solamente cuando se necesiten**. Esto nos permite **trabajar con datos que normalmente no cabrían en nuestra memoria.** ``` r library(arrow) # para cargar datos .parquet # cargar censo como base de datos personas <- open_dataset("personas_censo2024.parquet") ``` Si intentamos ver los datos cargados, encontraremos que no tenemos un *dataframe* normal: ``` r personas ``` FileSystemDataset with 1 Parquet file 63 columns id_vivienda: int32 id_hogar: int32 id_persona: int32 region: int32 provincia: int32 comuna: int32 comuna_bajo_umbral: int32 area: int32 tipo_operativo: int32 sexo: int32 edad: int32 edad_quinquenal: int32 parentesco: int32 p23_est_civil: int32 p24_lug_resid5: int32 p24_lug_resid5_esp: int32 p25_lug_nacimiento: int32 p25_lug_nacimiento_rec: int32 p25_lug_nacimiento_esp: int32 p26_llegada_periodo: int32 ... 43 more columns Use `schema()` to see entire schema En lugar de eso, tenemos una base de datos que **representa** los datos del censo, pero que **no los carga** en la memoria. Sin embargo, podemos usar todas las funciones de `{dplyr}` para trabajar con los datos como normalmente hacemos, solo que al terminar las operaciones podemos obtener una **previsualización** del resultado, o bien, podemos **cargar el resultado a la memoria** con la función `collect()`, tomando **precauciones** para no cargar casi 19 millones de filas por accidente. ``` r library(dplyr) personas |> select(comuna, area, sexo, edad) |> # seleccionar columnas head() |> # cargar solamente las primeras filas collect() # traer a memoria ``` # A tibble: 6 × 4 comuna area sexo edad 1 8202 1 1 31 2 9101 1 2 21 3 9101 1 2 21 4 9101 1 2 51 5 6108 1 2 9 6 6108 1 1 6 Para ver la estructura de la base de datos, usamos `glimpse()` de `{dplyr}`: ``` r glimpse(personas) ``` **Ver la estructura de los datos** FileSystemDataset with 1 Parquet file 18,480,432 rows x 63 columns $ id_vivienda 1, 1, 1, 1, 2, 2, 2, 3, 3, 3, 4, 4, 4, 5, 6, … $ id_hogar 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, … $ id_persona 1, 2, 3, 4, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 1, … $ region 5, 5, 5, 5, 4, 4, 4, 11, 11, 11, 1, 1, 1, 8, … $ provincia 58, 58, 58, 58, 43, 43, 43, 112, 112, 112, 11… $ comuna 5802, 5802, 5802, 5802, 4303, 4303, 4303, 112… $ comuna_bajo_umbral 2, 2, 2, 2, 2, 2, 2, 1, 1, 1, 2, 2, 2, 2, 2, … $ area 1, 1, 1, 1, 2, 2, 2, 1, 1, 1, 1, 1, 1, 1, 1, … $ tipo_operativo 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … $ sexo 2, 1, 2, 2, 1, 2, 1, 2, 1, 1, 1, 2, 1, 2, 1, … $ edad 80, 52, 45, 8, 69, 65, 58, -66, -66, -66, 73,… $ edad_quinquenal 80, 50, 45, 5, 65, 65, 55, 30, 55, 5, 70, 70,… $ parentesco 1, 11, 5, 12, 9, 7, 1, 1, 4, 5, 1, 2, 5, 1, 5… $ p23_est_civil 6, 8, 8, NA, 1, 1, 8, 2, 2, NA, 1, 1, 8, 8, 8… $ p24_lug_resid5 3, 2, 2, 2, 3, 3, 2, 3, 2, 3, 2, 2, 2, 2, 2, … $ p24_lug_resid5_esp 13117, 5802, 5802, 5802, 4301, 4301, 4303, 10… $ p25_lug_nacimiento 2, 2, 2, 1, 2, 1, 1, 2, 2, 2, 1, 1, 1, 1, 1, … $ p25_lug_nacimiento_rec 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, … $ p25_lug_nacimiento_esp 12101, 5101, 13120, 5802, 5109, 4303, 4303, -… $ p26_llegada_periodo NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, N… $ p27_nacionalidad 1, 1, 1, 1, 1, 1, 1, -66, -66, -66, 1, 1, 1, … $ p27_nacionalidad_esp 152, 152, 152, 152, 152, 152, 152, -66, -66, … $ p27_nacionalidad_rec 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, … $ p28_autoid_pueblo 2, 2, 2, 2, 2, 2, 2, 1, 2, 1, 2, 2, 2, 2, 2, … $ p28_pueblo_pert NA, NA, NA, NA, NA, NA, NA, 1, NA, 1, NA, NA,… $ p29_afrodescendencia_rec 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … $ p29_afrodescendencia 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, 7, … $ p30_lengua_indigena 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, 9, … $ p30_lengua_indigena_rec 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, … $ p31_religion 12, 12, 12, NA, 1, 1, 12, 2, 1, NA, 1, 1, 1, … $ p31_religion_rec 2, 2, 2, NA, 1, 1, 2, 1, 1, NA, 1, 1, 1, 1, 1… $ p32a_dificultad_ver 2, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, … $ p32b_dificultad_oir 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, … $ p32c_dificultad_mover 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, … $ p32d_dificultad_cogni 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, … $ p32e_dificultad_cuidado 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, … $ p32f_dificultad_comunic 1, 1, 1, 1, 1, 1, 1, 3, 1, 2, 1, 1, 1, 1, 1, … $ discapacidad 2, 2, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, 2, 2, 2, … $ p33_edu_asiste 2, 2, 2, 1, 2, 2, 2, 2, 2, 1, 2, 2, 2, 2, 1, … $ asistencia_parv NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, N… $ asistencia_basica NA, NA, NA, 1, NA, NA, NA, NA, NA, -66, NA, N… $ asistencia_media NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, N… $ asistencia_superior NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, N… $ p37_alfabet 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, … $ escolaridad 17, 14, 12, 2, 12, 12, 15, 8, 5, 3, 8, 8, 16,… $ cine11 9, 6, 6, 3, 6, 6, 6, 5, 3, 3, 5, 5, 6, 5, 5, … $ sit_fuerza_trabajo 3, 1, 1, NA, 3, 3, 1, 1, 1, NA, 1, 3, 1, 3, 3… $ p40_cise_rec NA, 1, 2, NA, NA, NA, 1, 2, 1, NA, 1, NA, 2, … $ depend_econ_deficit_hab 1, 1, 1, 2, 1, 2, 1, 1, 1, 2, 1, 1, 1, 1, 2, … $ cod_ciuo NA, 7, 2, NA, NA, NA, 7, 5, 7, NA, 1, NA, 3, … $ cod_caenes NA, "F", "P", NA, NA, NA, "F", "I", "F", NA, … $ p44_lug_trab NA, 5, 2, NA, NA, NA, 2, 1, 1, NA, 2, NA, 2, … $ p44_lug_trab_esp NA, 998, 5802, NA, NA, NA, 4303, 11202, 11202… $ p45_medio_transporte NA, 2, 3, NA, NA, NA, 2, NA, NA, NA, 1, NA, 2… $ p46a_tot_hijs_nac 3, NA, 1, NA, NA, 3, NA, 2, NA, NA, NA, 3, NA… $ p46b_hijas_nac 2, NA, 1, NA, NA, 0, NA, 1, NA, NA, NA, 0, NA… $ p46c_hijos_nac 1, NA, 0, NA, NA, 3, NA, 1, NA, NA, NA, 3, NA… $ p47a_tot_hijs_sobrev 3, NA, 1, NA, NA, 2, NA, 2, NA, NA, NA, 3, NA… $ p47b_hijas_sobrev 2, NA, 1, NA, NA, -99, NA, 1, NA, NA, NA, 0, … $ p47c_hijos_sobrev 1, NA, 0, NA, NA, -99, NA, 1, NA, NA, NA, 3, … $ p48_anio_nac_uh 1978, NA, 2015, NA, NA, 1984, NA, 2014, NA, N… $ p48_mes_nac_uh 7, NA, 9, NA, NA, 6, NA, 12, NA, NA, NA, 10, … $ div_genero 2, 2, 2, NA, -66, -66, -66, -66, -66, NA, 2, … Vemos todos los **nombres** de las columnas, y el **tipo** de datos que contienen. Además, vemos que la base de datos tiene **más de 18 millones** de filas! Esto es algo que en la mayoría de computadores no podríamos cargar en la memoria, pero gracias a que lo cargamos como una base de datos con `{arrow}`, podemos trabajar con ella sin problemas. ## Diccionario de variables del Censo Como vimos en el *output* anterior, los datos del Censo vienen con **valores codificados en números** . Para entender su significado, necesitamos consultar el **diccionario de variables** del Censo, que también está disponible en la página de resultados del Censo y se llama *Diccionario de variables microdatos Censo 2024 -- xlsx, 154 KB*, o presiona el siguiente botón: [Descargar diccionario de variables](https://bastianolea.rbind.io/blog/censo_2024/diccionario_variables_censo2024.xlsx) En esa planilla, la pestaña `tabla_personas` nos muestra las **etiquetas** de los valores que vienen en la base de datos. Por ejemplo, vemos que en la variable `sexo`, el valor `1` es *Hombre* y `2` es *Mujer*. ## Calcular resúmenes de datos censales Para hacer un **conteo** de la cantidad de personas según cualquier variable del Censo, podemos usar `count()` y luego `collect()` para que la base de datos haga el cálculo y nos entregue el resultado: ``` r personas |> count(sexo) |> collect() ``` # A tibble: 2 × 2 sexo n 1 2 9513399 2 1 8967033 > **Nota:** Revisa estos tutoriales sobre [resúmenes de datos](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_summarize/) y [estadísticos descriptivos](https://bastianolea.rbind.io/blog/estadisticos_descriptivos/) para complementar esta sección del tutorial! Podemos también **recodificar** el resultado del conteo con `case_when()`, para convertir los valores codificados en etiquetas legibles: ``` r tabla_sexo <- personas |> count(sexo) |> mutate(sexo = case_when( sexo == 1 ~ "Hombre", sexo == 2 ~ "Mujer")) |> collect() tabla_sexo ``` # A tibble: 2 × 2 sexo n 1 Mujer 9513399 2 Hombre 8967033

Población chilena por sexo, Censo 2024

| sexo | población | |-------:|:----------| | Mujer | 9.513.399 | | Hombre | 8.967.033 | La base de datos de Arrow puede realizar **cálculos mucho más eficientes y rápidos**, pero solamente puede realizar cálculos generales. Ésto es porque lo que hace `{arrow}` es *traducir* las funciones de `{dplyr}` en el lenguaje de la base de datos, lo que significa que el número de funciones soportadas es limitado, aunque amplio. **¿Qué pasa si `{arrow}` no soporta una función?** Si `{arrow}` nos dice que alguna función no es soportada (*Expression not supported in Arrow*), tenemos que usar estas funciones *después* de cargar el resultado en la memoria con `collect()`. Por ejemplo: ``` r personas |> count(sexo) |> mutate(sexo = recode(sexo, "1" = "Hombre", "2" = "Mujer")) |> collect() ``` Error in `recode()`: ! Expression not supported in Arrow → Call collect() first to pull data into R. No funciona! Pero si ponemos el `collect()` antes, haremos que se carguen los resultados a nuestra memoria y podremos seguir normalmente: ``` r personas |> count(sexo) |> collect() |> # cargar resultados antes de proseguir mutate(sexo = recode(sexo, "1" = "Hombres", "2" = "Mujeres")) ``` # A tibble: 2 × 2 sexo n 1 Mujeres 9513399 2 Hombres 8967033 Ahora sí! ### Obtener población por región Para obtener la población por región, nuevamente hacemos un conteo por la variable: ``` r personas_region <- personas |> count(region, name = "poblacion") |> arrange(region) |> collect() personas_region ``` # A tibble: 16 × 2 region poblacion 1 1 369806 2 2 635416 3 3 299180 4 4 832864 5 5 1896053 6 6 987228 7 7 1123008 8 8 1613059 9 9 1010423 10 10 890284 11 11 100745 12 12 166537 13 13 7400741 14 14 398230 15 15 244569 16 16 512289 Otra alternativa sería hacer un [resumen de datos con `summarize()`](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_summarize/), donde agrupamos por la variable `region` y luego contamos las filas con `n()`: ``` r personas_region <- personas |> group_by(region) |> summarize(poblacion = n()) |> arrange(region) |> collect() ``` El resultado sería el mismo. Pero en ambos casos, recibimos las regiones en números! Para **recodificar** las regiones y ponerles sus nombres como corresponde, podemos [usar nuevamente el *Diccionario de variables*](#consultar-el-diccionario-de-variables-códigos-del-censo) para **obtener las regiones y sus nombres:** ``` r library(readxl) # para cargar datos en Excel library(janitor) # para limpiar datos # cargar códigos territoriales codigos_territoriales <- read_xlsx("diccionario_variables_censo2024.xlsx", sheet = "codigos_territoriales") |> clean_names() |> rename(division = 2) ``` ``` r # limpiar regiones regiones <- codigos_territoriales |> filter(division == "Región") |> select(region = codigo_territorial, nombre_region = territorio) |> mutate(region = as.integer(region)) ``` Luego de cargar la planilla Excel y limpiarla, obtenemos una tabla con las regiones y sus códigos territoriales: ``` r regiones ``` # A tibble: 16 × 2 region nombre_region 1 1 Tarapacá 2 2 Antofagasta 3 3 Atacama 4 4 Coquimbo 5 5 Valparaíso 6 6 Libertador General Bernardo O'Higgins 7 7 Maule 8 8 Biobío 9 9 La Araucanía 10 10 Los Lagos 11 11 Aysén del General Carlos Ibáñez del Campo 12 12 Magallanes y de la Antártica Chilena 13 13 Metropolitana de Santiago 14 14 Los Ríos 15 15 Arica y Parinacota 16 16 Ñuble Ahora, para obtener la población por región con sus nombres, usamos `left_join()` para **cruzar los datos** del conteo de población con la tabla de regiones: ``` r tabla_region <- personas_region |> left_join(regiones, join_by(region)) |> select(nombre_region, poblacion) |> collect() tabla_region ```

Población chilena por región, Censo 2024

| región | población | |------------------------------------------:|:----------| | Tarapacá | 369.806 | | Antofagasta | 635.416 | | Atacama | 299.180 | | Coquimbo | 832.864 | | Valparaíso | 1.896.053 | | Libertador General Bernardo O'Higgins | 987.228 | | Maule | 1.123.008 | | Biobío | 1.613.059 | | La Araucanía | 1.010.423 | | Los Lagos | 890.284 | | Aysén del General Carlos Ibáñez del Campo | 100.745 | | Magallanes y de la Antártica Chilena | 166.537 | | Metropolitana de Santiago | 7.400.741 | | Los Ríos | 398.230 | | Arica y Parinacota | 244.569 | | Ñuble | 512.289 | Obtuvimos una tabla de las regiones de Chile con su población censal! > **Nota:** Si quieres aprender a usar `left_join()` para cruzar datos, [revisa este tutorial!](https://bastianolea.rbind.io/blog/left_join/) ### Calcular población urbana y rural por región Ahora vamos por un poco más de detalle. Calculemos la población del país por regiones, pero desagregando las regiones por sus **áreas urbanas o rurales**, para obtener una población con mayor detalle territorial. Para esto, hacemos un conteo por las variables `region` y `area`, seguimos los pasos que ya vimos antes para agregar los nombres de regiones, y finalmente recodificamos la variable `area`: ``` r personas_region_area <- personas |> # contar población por región y área count(region, area, name = "poblacion") |> # agregar nombres de comunas y regiones left_join(regiones, join_by(region)) |> arrange(region, area) |> select(nombre_region, area, poblacion) |> # recodificar área mutate(area = case_when( area == 1 ~ "Urbana", area == 2 ~ "Rural")) |> # copiar a memoria collect() personas_region_area ``` Obtenemos los datos con dos filas por cada región, con su población urbana y rural en distintas filas. Para hacer estos datos **más legibles** podemos [transformar la estructura de los datos](https://bastianolea.rbind.io/blog/r_introduccion/tidyr_pivotar/) para que los datos del área que están *hacia abajo* (formato largo) pasen a estar distribuidos en dos columnas: urbana y rural (formato ancho). ``` r library(tidyr) # para transformar datos tabla_region_area <- personas_region_area |> pivot_wider(names_from = area, # nombres de las columnas values_from = poblacion) # valores de las columnas tabla_region_area ```

Población chilena por región y área, Censo 2024

| región | Rural | Urbana | |------------------------------------------:|:--------|:----------| | Tarapacá | 15.559 | 354.247 | | Antofagasta | 15.399 | 620.017 | | Atacama | 31.728 | 267.452 | | Coquimbo | 165.110 | 667.754 | | Valparaíso | 199.962 | 1.696.091 | | Libertador General Bernardo O'Higgins | 265.174 | 722.054 | | Maule | 321.382 | 801.626 | | Biobío | 215.358 | 1.397.701 | | La Araucanía | 331.479 | 678.944 | | Los Lagos | 258.193 | 632.091 | | Aysén del General Carlos Ibáñez del Campo | 23.180 | 77.565 | | Magallanes y de la Antártica Chilena | 11.779 | 154.758 | | Metropolitana de Santiago | 280.498 | 7.120.243 | | Los Ríos | 129.620 | 268.610 | | Arica y Parinacota | 23.397 | 221.172 | | Ñuble | 174.140 | 338.149 | Ahora tenemos las regiones con su población en dos columnas según el área donde las personas habitan. > **Nota:** Si quieres aprender a usar `pivot_wider()` y `pivot_longer()` para transformar datos o pivotar tablas, [revisa este tutorial!](https://bastianolea.rbind.io/blog/r_introduccion/tidyr_pivotar/) Podemos además calcular los **porcentajes** de estas poblaciones por región, y pivotar la tabla: ``` r tabla_region_area_porcentaje <- personas_region_area |> # calcular porcentajes group_by(nombre_region) |> mutate(porcentaje = poblacion / sum(poblacion), porcentaje = round(porcentaje * 100, 1)) |> rename(población = poblacion) |> ungroup() |> # pivotar pivot_wider(names_from = area, values_from = c(población, porcentaje), names_glue = "{area} ({.value})", # nombrar columnas values_fill = 0) ```

Población chilena por región y área, Censo 2024

| región | Rural (población) | Urbana (población) | Rural (porcentaje) | Urbana (porcentaje) | |------------------------:|-----------:|-----------:|-----------:|------------:| | Tarapacá | 15.559 | 354.247 | 4,2% | 95,8% | | Antofagasta | 15.399 | 620.017 | 2,4% | 97,6% | | Atacama | 31.728 | 267.452 | 10,6% | 89,4% | | Coquimbo | 165.110 | 667.754 | 19,8% | 80,2% | | Valparaíso | 199.962 | 1.696.091 | 10,5% | 89,5% | | Libertador General Bernardo O'Higgins | 265.174 | 722.054 | 26,9% | 73,1% | | Maule | 321.382 | 801.626 | 28,6% | 71,4% | | Biobío | 215.358 | 1.397.701 | 13,4% | 86,6% | | La Araucanía | 331.479 | 678.944 | 32,8% | 67,2% | | Los Lagos | 258.193 | 632.091 | 29,0% | 71,0% | | Aysén del General Carlos Ibáñez del Campo | 23.180 | 77.565 | 23,0% | 77,0% | | Magallanes y de la Antártica Chilena | 11.779 | 154.758 | 7,1% | 92,9% | | Metropolitana de Santiago | 280.498 | 7.120.243 | 3,8% | 96,2% | | Los Ríos | 129.620 | 268.610 | 32,5% | 67,5% | | Arica y Parinacota | 23.397 | 221.172 | 9,6% | 90,4% | | Ñuble | 174.140 | 338.149 | 34,0% | 66,0% | ## Cruzar datos censales de población con datos por hogares En el Censo, la base de **personas** tiene una fila por cada habitante, mientras que la base de **hogares** tiene una fila por cada hogar, y la de **vivienda** tiene una fila por cada vivienda. En una vivenda (la construcción física) pueden haber múltiples hogares (personas que conviven y comparten un mismo presupuesto para alimentación). Estas bases tienen variables distintas debido a su distinta unidad de observación : las viviendas tienen `edad` o `sexo`, etc., los hogares comparten variables como su *fuente de energía para calefaccionar* y su *tenencia* (si la vivienda es propia, etc.), y las viviendas tienen características como su *materialidad* o *número de habitaciones*. Para [cruzar](https://bastianolea.rbind.io/blog/left_join/) estas bases, necesitamos usar las variables `id_vivienda` y `id_hogar`, que son las que permiten identificar a qué hogar y vivienda corresponde cada persona censada. > **Nota:** Si necesitas aprender a cruzar bases de datos con R, revisa este tutorial sobre [left_join()](https://bastianolea.rbind.io/blog/left_join/). ### Calcular cantidad de personas de tercera edad según propiedad de su hogar Obtengamos ahora datos censales que requieren combinar dos niveles de información del Censo: nivel personas y nivel hogares. Queremos saber la cantidad de **personas adultas mayores**, según el **tipo de propiedad** de los hogares donde residen. El dato de adultos mayores debe **crearse a partir del sexo y la edad**, que son variables presentes en la base de microdatos a nivel *personas*, mientras que el dato de la propiedad o tenencia de los hogares (`p12_tenencia_viv`) está en al base de nivel *hogares*. Entonces necesitamos [cruzar las bases](https://bastianolea.rbind.io/blog/left_join/) de personas y hogares, para **obtener una base de personas con información de su hogar**, y así poder contar a las y los adultos mayores según el tipo de propiedad del hogar donde viven. #### Cargar datos Primero cargamos ambas bases de datos: ``` r library(dplyr) library(arrow) # cargar datos de nivel personas personas <- open_dataset("personas_censo2024.parquet") # cargar datos de nivel hogares hogares <- open_dataset("hogares_censo2024.parquet") ``` Ahora seleccionamos las variables que nos interesan para el análisis: ``` r personas_filtrado <- personas |> select(id_vivienda, id_hogar, # identificadores region, comuna, # variables territoriales sexo, edad_quinquenal) # variables sociodemográficas ``` ``` r hogares_filtrado <- hogares |> select(id_vivienda, id_hogar, # identificadores # region, comuna, # estas ya vienen en nivel personas p12_tenencia_viv) # variable de interés ``` #### Cruzar tablas Luego, [cruzamos ambas bases](https://bastianolea.rbind.io/blog/left_join/) a partir de las variables que identifican a cada persona con su hogar y vivienda, que son `id_vivienda`, y `id_hogar`: ``` r # cruzar ambas bases por hogar/vivienda/comuna personas_hogares <- left_join(personas_filtrado, hogares_filtrado, join_by(id_vivienda, id_hogar)) ``` Recordemos que seguimos procesando a nivel de **base de datos**, por lo que podemos hacer estos **cruces entre tablas de millones de filas** sin problemas. Veamos una previsualización del resultado del cruce: ``` r # primeras filas de la tabla personas_hogares |> head() |> collect() ``` # A tibble: 6 × 7 id_vivienda id_hogar region comuna sexo edad_quinquenal p12_tenencia_viv 1 27362 1 13 13113 2 45 2 2 27363 1 5 5701 1 75 1 3 27364 1 13 13125 2 55 1 4 27364 1 13 13125 2 20 1 5 27365 1 13 13122 2 30 7 6 27365 1 13 13122 2 10 7 ``` r # cantidad de observaciones en la tabla personas_hogares |> tally() |> collect() ``` # A tibble: 1 × 1 n 1 18480432 #### Recodificar variables Ahora **recodificamos** las variables para que sean legibles (basándonos en el *[diccionario](#consultar-el-diccionario-de-variables-códigos-del-censo)*), y creamos nuevas variables para identificar a los hogares de adultos mayores y el tipo de propiedad del hogar: ``` r personas_hogares_recod <- personas_hogares |> # recodificar variables mutate(sexo = case_when( sexo == 1 ~ "Hombre", sexo == 2 ~ "Mujer")) |> # crear variable simplificada mutate(propiedad = case_when( p12_tenencia_viv == 1 ~ "Propia", p12_tenencia_viv == 2 ~ "Propia", .default = "No propia")) |> # crear variable de adulto mayor mutate(adulto_mayor = case_when( sexo == "Hombre" & edad_quinquenal >= 65 ~ "Adulto mayor", sexo == "Mujer" & edad_quinquenal >= 60 ~ "Adulto mayor", .default = "No adulto mayor")) ``` Nótese que para construir la variable `adulto_mayor` usamos el `sexo` y la `edad_quinquenal` para tomar en consideración las diferencias entre sexos en la tercera edad. Finalmente agregamos los **nombres de regiones y comunas**, porque recordemos que vienen como códigos territoriales, igual como hicimos más arriba a partir del **[diccionario de variables](#consultar-el-diccionario-de-variables-códigos-del-censo)**: ``` r codigos_territoriales <- read_xlsx("diccionario_variables_censo2024.xlsx", sheet = "codigos_territoriales") |> clean_names() |> rename(division = 2) ``` Hacemos dos *dataframes*, uno para las regiones y otro para las comunas: ``` r regiones <- codigos_territoriales |> filter(division == "Región") |> select(region = codigo_territorial, nombre_region = territorio) |> mutate(region = as.integer(region)) regiones ``` # A tibble: 16 × 2 region nombre_region 1 1 Tarapacá 2 2 Antofagasta 3 3 Atacama 4 4 Coquimbo 5 5 Valparaíso 6 6 Libertador General Bernardo O'Higgins 7 7 Maule 8 8 Biobío 9 9 La Araucanía 10 10 Los Lagos 11 11 Aysén del General Carlos Ibáñez del Campo 12 12 Magallanes y de la Antártica Chilena 13 13 Metropolitana de Santiago 14 14 Los Ríos 15 15 Arica y Parinacota 16 16 Ñuble ``` r comunas <- codigos_territoriales |> filter(division == "Comuna") |> select(comuna = codigo_territorial, nombre_comuna = territorio) |> mutate(comuna = as.integer(comuna)) comunas ``` # A tibble: 346 × 2 comuna nombre_comuna 1 1101 Iquique 2 1107 Alto Hospicio 3 1401 Pozo Almonte 4 1402 Camiña 5 1403 Colchane 6 1404 Huara 7 1405 Pica 8 2101 Antofagasta 9 2102 Mejillones 10 2103 Sierra Gorda # ℹ 336 more rows Y ahora agregamos estas variables con los nombres a la base de datos mediante otro `left_join()`: ``` r personas_hogares_comunas <- personas_hogares_recod |> # cruzar tablas left_join(regiones, by = "region") |> left_join(comunas, by = "comuna") |> # reordenar variables relocate(nombre_region, .before = region) |> relocate(nombre_comuna, .before = comuna) ``` Así vamos hasta ahora: ``` r personas_hogares_comunas |> head() |> collect() ``` # A tibble: 6 × 11 id_vivienda id_hogar nombre_region region nombre_comuna comuna sexo 1 27362 1 Metropolitana de Santi… 13 La Reina 13113 Mujer 2 27363 1 Valparaíso 5 San Felipe 5701 Homb… 3 27364 1 Metropolitana de Santi… 13 Quilicura 13125 Mujer 4 27364 1 Metropolitana de Santi… 13 Quilicura 13125 Mujer 5 27365 1 Metropolitana de Santi… 13 Peñalolén 13122 Mujer 6 27365 1 Metropolitana de Santi… 13 Peñalolén 13122 Mujer # ℹ 4 more variables: edad_quinquenal , p12_tenencia_viv , # propiedad , adulto_mayor Ya tenemos una tabla con datos censales a nivel de personas, pero además con variables asociadas a los hogares donde vive cada persona. #### Explorar datos Hasta ahora, con esta tabla podemos hacer un conteo de nuestra nueva variable de adultos mayores a nivel nacional: ``` r personas_hogares_comunas |> count(adulto_mayor) |> collect() ``` # A tibble: 2 × 2 adulto_mayor n 1 Adulto mayor 3163986 2 No adulto mayor 15316446 Podemos obtener el mismo conteo a nivel regional: ``` r personas_hogares_comunas |> count(nombre_region, adulto_mayor) |> collect() ``` # A tibble: 32 × 3 nombre_region adulto_mayor n 1 Libertador General Bernardo O'Higgins No adulto mayor 806791 2 Metropolitana de Santiago No adulto mayor 6198954 3 Metropolitana de Santiago Adulto mayor 1201787 4 Libertador General Bernardo O'Higgins Adulto mayor 180437 5 La Araucanía No adulto mayor 825586 6 Valparaíso No adulto mayor 1516774 7 Biobío No adulto mayor 1322719 8 Biobío Adulto mayor 290340 9 Ñuble No adulto mayor 409410 10 Los Lagos No adulto mayor 743943 # ℹ 22 more rows **Publicación relacionada:** [Visualiza datos del Censo 2024 en mapas a nivel de manzana con R](https://bastianolea.rbind.io/blog/mapas_censo_2024/index.md): Recientemente lanzaron los datos 2024 del Censo de Población y Vivienda de Chile, incluyendo más de 200 variables a nivel de manzana. En este tutorial veremos dos formas de visualizar datos censales a… #### Calcular datos Ahora introduzcamos las variables de nivel hogar. Calculemos los **adultos mayores según la tenencia del hogar donde residen,** entendida como la propiedad del hogar versus no propiedad (arriendo, cedida, etc.). Para ello hacemos un conteo con `count()` de las personas adultas mayores y la propiedad de sus viviendas: ``` r conteo_propiedad <- personas_hogares_comunas |> count(adulto_mayor, propiedad) |> collect() ``` Veamos el resultado calculando el porcentaje y formateando los datos: ``` r tabla_propiedad <- conteo_propiedad |> arrange(adulto_mayor) |> # calcular porcentaje group_by(adulto_mayor) |> mutate(p = n / sum(n)) |> # dar formato a números mutate(n = label_number()(n), p = label_percent(accuracy = 0.1)(p)) ```

Cantidad y porcentaje de personas adultas mayores según propiedad del hogar

| adulto mayor | propiedad | cantidad | porcentaje | |:----------------|:----------|----------:|-----------:| | Adulto mayor | Propia | 2.481.901 | 78,4% | | Adulto mayor | No propia | 682.085 | 21,6% | | No adulto mayor | Propia | 9.071.829 | 59,2% | | No adulto mayor | No propia | 6.244.617 | 40,8% | Transformemos la tabla para hacer más legible y clara la información al distribuir las variables en columnas por medio de `pivot_wider()`: ``` r tabla_propiedad_ancha <- conteo_propiedad |> arrange(adulto_mayor) |> # calcular porcentaje group_by(adulto_mayor) |> mutate(p = n / sum(n)) |> rename(porcentaje = p, cantidad = n) |> # pivotar a ancho pivot_wider(names_from = propiedad, values_from = c(cantidad, porcentaje), names_glue = "{propiedad} ({.value})", values_fill = 0) |> # dar formato a números mutate(across(contains("cantidad"), label_number()), across(contains("porcentaje"), label_percent())) ```

Cantidad y porcentaje de personas adultas mayores según propiedad del hogar

| adulto mayor | Propia (cantidad) | No propia (cantidad) | Propia (porcentaje) | No propia (porcentaje) | |:-----------|:-------------|:---------------|:--------------|:----------------| | Adulto mayor | 2.481.901 | 682.085 | 78% | 22% | | No adulto mayor | 9.071.829 | 6.244.617 | 59% | 41% | Obtenemos un resultado interesante: dentro de la **población adulta mayor**, un **78% reside** en hogares de tipo de **tenencia propia**, mientras dentro de la población que no es adulta mayor, el porcentaje de personas que residen en hogares de tenencia propia es solo un **59%**. Revisemos la misma información, pero a **nivel regional**: ``` r conteo_propiedad_region <- personas_hogares_comunas |> count(adulto_mayor, nombre_region, propiedad) |> collect() tabla_propiedad_region <- conteo_propiedad_region |> # calcular porcentaje group_by(adulto_mayor, nombre_region) |> mutate(p = n / sum(n)) |> filter(propiedad == "Propia") |> arrange(-p) |> # dar formato a números mutate(p = label_percent()(p)) |> select(-n) |> # pivotar pivot_wider(names_from = adulto_mayor, values_from = p) ```

Porcentaje de la población que vive en viviendas propias (pagadas o pagándose) según grupos de edad

| región | propiedad | Adulto mayor | No adulto mayor | |----------------------------------:|:--------:|:-----------:|:-------------:| | La Araucanía | Propia | 83% | 67% | | Los Lagos | Propia | 83% | 64% | | Maule | Propia | 83% | 69% | | Ñuble | Propia | 83% | 67% | | Biobío | Propia | 82% | 66% | | Aysén del General Carlos Ibáñez del Campo | Propia | 82% | 59% | | Magallanes y de la Antártica Chilena | Propia | 82% | 59% | | Coquimbo | Propia | 81% | 64% | | Los Ríos | Propia | 81% | 62% | | Libertador General Bernardo O'Higgins | Propia | 80% | 64% | | Atacama | Propia | 80% | 63% | | Metropolitana de Santiago | Propia | 76% | 55% | | Valparaíso | Propia | 76% | 58% | | Arica y Parinacota | Propia | 74% | 50% | | Antofagasta | Propia | 73% | 47% | | Tarapacá | Propia | 72% | 47% | En todas las regiones del país, el porcentaje de personas adultas mayores que residen en hogares de tenencia propia es mayor que el mismo dato en personas no adultas mayores. En otras palabras, se podría plantear que la población adulta mayor es más propensa a vivir en hogares *propios pagados* o *propios pagándose* que la población no adulta mayor. Para asegurar ésto habría que aplicar pruebas estadísticas que están fuera del foco de este tutorial. ## Mapas a partir de datos del Censo En otro tutorial mostré [cómo visualizar los datos del Censo a nivel de manzana con R](https://bastianolea.rbind.io/blog/mapas_censo_2024/), y también hice una pequeña [aplicación de muestra para visualizar variables del Censo en mapas](https://bastianolea.rbind.io/blog/app_censo_mapas/) como una demostración de la simplicidad y potencia de R con un *backend* de Arrow. > **Aviso:** Tutorial en construcción! Pronto lo seguiré expandiendo. **Publicaciones sobre chile:** - [Plantilla de mapa interactivo de Chile con R, Shiny y MapGL](https://bastianolea.rbind.io/blog/2026-10-14/index.md) - [Creación de tablas atractivas y personalizables en R con {gt}](https://bastianolea.rbind.io/blog/tablas_gt/index.md) - [{territorial}: un paquete de R para trabajar con datos de comunas y regiones de Chile](https://bastianolea.rbind.io/blog/territorial/index.md) - [¿Cuántos días faltan para el dieciocho?](https://bastianolea.rbind.io/blog/2026-09-01/index.md) - [Mapas bivariados de adultos mayores en relación a viviendas propias en las comunas de Chile](https://bastianolea.rbind.io/blog/2026-07-24/index.md) **Publicaciones sobre datos:** - [Cargar archivos CSV más rápido en R con {arrow}](https://bastianolea.rbind.io/blog/arrow_csv/index.md) - [Parquet: un formato de datos optimizado para rendimiento y eficiencia](https://bastianolea.rbind.io/blog/arrow/index.md) - [Creando una función para consultar datos en R](https://bastianolea.rbind.io/blog/funcion_consultar_datos/index.md) - [Potencia las capacidades de la IA entregándole herramientas (tool calling) basadas en R](https://bastianolea.rbind.io/blog/herramientas_llm/index.md) - [Plataforma de análisis: Índice de Brechas de Género](https://bastianolea.rbind.io/blog/indice_brechas_genero/index.md)