{territorial}: un paquete de R para trabajar con datos de comunas y regiones de Chile
Herramientas para facilitar el procesamiento de datos de comunas y regiones de Chile con R
27/6/2026
Este paquete busca facilitar tareas de limpieza que suelen ser necesarias al trabajar con datos de Chile a nivel comunal y regional, ofreciendo numerosas funciones para tareas como:
- Revisar si los nombres de comunas y regiones vienen bien escritos
(
validar_comunas()yvalidar_regiones()) - Limpiar automáticamente los nombres de las comunas con
limpiar_comunas() - Agregar todos los datos territoriales (regiones y provincias con sus
códigos únicos) a partir de las comunas (
contextualizar()) - Convertir nombres de comunas a códigos únicos comunales
(
as_codigo_comuna()) y viceversa (as_nombre_comuna()) - Ordenar las regiones del país de norte a sur (
ordenar_regiones()) - Redactar los nombres de las regiones (
redactar_region()) - y más!
El objetivo de este paquete es poder ayudar a todas las personas que trabajan datos territoriales de Chile a simplificar sus procesos de trabajo de análisis de datos con R.
La razón de este paquete viene de mi propia experiencia trabajando con datos sociales: los datos territoriales vienen siempre con dudosa calidad en las variables que especifican las comunas: nombres mal escritos, en mayúsculas, sin eñes, etc.
Revisa la viñeta vignette("territorial") para una introducción al
paquete!
Instalación
Por ahora puedes instalar la versión de desarrollo de este paquete desde GitHub:
# install.packages("pak")
pak::pak("bastianolea/territorial")
Usando {territorial}
Como su nombre lo dice, {territorial} entrega varias herramientas para
trabajar con datos territoriales de Chile, principalmente sus regiones o
comunas.
La premisa del paquete es que tenemos una tabla
(territorial::territorios) que contiene los nombres oficiales y los
códigos únicos territoriales de todas las regiones, provincias y comunas
de Chile.
Si tienes datos comunales de Chile, puedes revisar la calidad de sus
comunas con validar_comunas(), para detectar posibles problemas:
library(territorial)
library(territorial)
datos |>
validar_comunas(nombre_comuna) |>
invisible()
! mayúsculas: 2 casos de comunas escritas en mayúsculas
! mayúsculas: 2 casos de comunas escritas en minúsculas
! mayúsculas: 1 caso de comunas con preposiciones ('de', 'del') escritas en mayúsculas
ℹ resumen: 7 casos de comunas que no conciden con comunas correctamente escritas (ver `territorial::comunas()`)
También puedes limpiar automáticamente las comunas con
limpiar_comunas(), y obtener una columna con las comunas correctas
(que salen de la tabla territorial::territorios), obtenidas por medio
de varias técnicas de limpieza de datos:
library(dplyr)
datos |>
mutate(nombre_corregido = limpiar_comunas(nombre_comuna))
ℹ Limpiando 8 nombres de comunas (8 son distintas)
── Paso 1: confirmar comunas correctas
ℹ De las 8 comunas, 1 ya eran correctas: El Monte
── Paso 2: coincidencias por limpieza de texto
ℹ A partir de la limpieza de texto, se limpiaron 7 de 8 comunas: Pirque, El Monte, Maipú, Santiago, Cerrillos, San José de Maipo y O'Higgins
── Paso 3: coincidencias aproximadas de texto
ℹ Se limpiaron 1 de 1 comunas por medio de coincidencias aproximadas de texto: Providencia
── Conclusión de limpieza de comunas
✔ De las 8 comunas, se limpiaron 8 en total (100%)
ℹ Mostrando proceso:
# A tibble: 8 × 5
original correctas limpieza coincidencia resultado
<chr> <chr> <chr> <chr> <chr>
1 PIRQUE <NA> Pirque <NA> Pirque
2 El Monte El Monte El Monte <NA> El Monte
3 Maipu <NA> Maipú <NA> Maipú
4 santiago <NA> Santiago <NA> Santiago
5 prohibidencia <NA> <NA> Providencia Providencia
6 CERRILLOS <NA> Cerrillos <NA> Cerrillos
7 San José De Maipo <NA> San José de Maipo <NA> San José de Maipo
8 OHiggins <NA> O'Higgins <NA> O'Higgins
# A tibble: 8 × 2
nombre_comuna nombre_corregido
<chr> <chr>
1 PIRQUE Pirque
2 El Monte El Monte
3 Maipu Maipú
4 santiago Santiago
5 prohibidencia Providencia
6 CERRILLOS Cerrillos
7 San José De Maipo San José de Maipo
8 OHiggins O'Higgins
Si necesitamos agregar datos territoriales a una tabla de datos que
solamente tiene las comunas o los códigos únicos territoriales de Chile
(vignette(codigos_unicos_territoriales)), podemos usar
contextualizar() para agregar rápidamente todas las columnas
territoriales que falten.
datos <- tribble(
~nombre_comuna, ~poblacion,
"Puente Alto", 1,
"La Florida", 1,
"La Granja", 1,
"San Joaquín", 1)
datos |>
contextualizar(nombre_comuna)
ℹ columnas agregadas: codigo_region, nombre_region, codigo_provincia, nombre_provincia y codigo_comuna
# A tibble: 4 × 7
codigo_region nombre_region codigo_provincia nombre_provincia codigo_comuna
<dbl> <chr> <dbl> <chr> <dbl>
1 13 Metropolitana d… 132 Cordillera 13201
2 13 Metropolitana d… 131 Santiago 13110
3 13 Metropolitana d… 131 Santiago 13111
4 13 Metropolitana d… 131 Santiago 13129
# ℹ 2 more variables: nombre_comuna <chr>, poblacion <dbl>
Así, un dataframe que solamente tiene nombres de comuna puede pasar a tener todas las demás variables que descrien territorialmente a esos datos.
Estas son algunas de las variables principales, pero existen muchas más que facilitan el trabajo con datos territoriales de Chile: revisa el índice de funciones!
Publicaciones sobre Chile
Paquete desarrollado bajo el programa de Campeones de ROpenSci, con el apoyo de mi mentora Andrea Gómez Vargas