# {territorial}: un paquete de R para trabajar con datos de comunas y regiones de Chile _Herramientas para facilitar el procesamiento y limpieza de datos terrioriales de Chile con R_ > Este paquete de R busca facilitar tareas de limpieza que suelen ser necesarias al trabajar con datos de Chile a nivel comunal y regional, ofreciendo funciones para hacer cosas como validar y limpiar las comunas, agregar variables territoriales, ordenar las regiones de Chile de norte a sur, y más! - URL: https://bastianolea.rbind.io/blog/territorial/ - Fecha: 2026-09-28 - Autor: Bastián Olea Herrera - Etiquetas: Chile, limpieza de datos, paquetes - Recursos: [Sitio del paquete](https://bastianolea.github.io/territorial/articles/territorial.html) [Funciones](https://bastianolea.github.io/territorial/reference/index.html) --- ![](https://bastianolea.rbind.io/blog/territorial/hex-featured.png) Los datos públicos sobre temáticas sociales siempre vienen en dudosa calidad, sobre todo cuando se refieren a comunas: nombres mal escritos, en mayúsculas, sin eñes, sin tildes, etc. Así que creé `{territorial}` para facilitar este tipo de tareas! El objetivo de este paquete es simplificar el análisis de datos territoriales de Chile, facilitando tareas de limpieza y procesamiento de datos que suelen ser necesarias al trabajar con datos de Chile a nivel comunal y regional. Para ello, [este paquete ofrece numerosas funciones](https://bastianolea.github.io/territorial/reference/index.html) de limpieza de datos para las tareas más frecuentes: Por ejemplo: - **Revisar** si los nombres de comunas y regiones vienen bien escritos (`validar_comunas()` y `validar_regiones()`) - **Limpiar** los nombres de las comunas automáticamente con `limpiar_comunas()`, incluso si vienen con faltas de ortografía o mal escritas! - Convertir nombres de comunas a [códigos únicos territoriales](https://bastianolea.github.io/territorial/articles/codigos_unicos_territoriales.html) (`as_codigo_comuna()`) y viceversa (`as_nombre_comuna()`), para facilitar el cruce con otras fuentes de datos - **Ordenar las regiones** del país de norte a sur (`ordenar_regiones()`) - Si tienes los nombres o códigos de comuna, con `contextualizar()` puedes agregar todos los datos territoriales faltantes (regiones y provincias con sus códigos únicos) a partir de las comunas - Redactar los nombres de las regiones (`redactar_region()`) para que, por ejemplo, "Maule" sea "Región *del* Maule" - Clasificar las comunas de Chile en **urbanas, mixtas** y **rurales** con `agregar_clasificacion()` - [Clasificar las regiones de Chile en **macrozonas**](https://bastianolea.github.io/territorial/articles/mapas_regionales_macrozonas.html) con `agregar_macrozona()` - **Abreviar** las comunas de Chile a siglas de tres caracteres con `abreviar_comunas()` - y más! [Revisa la viñeta](https://bastianolea.github.io/territorial/articles/territorial.html) `vignette("territorial")` para una introducción! **[Paquete `{territorial}`](https://bastianolea.github.io/territorial/articles/territorial.html)**: Herramientas para facilitar el procesamiento de datos de comunas y regiones de Chile con R, ofreciendo funciones para validación de comunas, limpiar nombres de comunas, ordenar regiones, y más. [Revisa la viñeta](https://bastianolea.github.io/territorial/articles/territorial.html) `vignette("territorial")` para una introducción al paquete! ## Instalación Puedes instalar la versión de desarrollo este paquete desde GitHub: ``` r # install.packages("pak") pak::pak("bastianolea/territorial") ``` ## Usando `{territorial}` Como su nombre lo dice, `{territorial}` entrega herramientas para trabajar con datos territoriales de Chile, entendidos como datos tabulares cuyas observaciones correspondan a comunas o regiones del país. ``` r library(territorial) ``` 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. Usando esta tabla como fuente de verdad, podemos validar, corregir y complementar datos territoriales. También se plantea el estándar de llamar las columnas como `nombre_{x}` y `codigo_{x}` (por ejemplo, `nombre_comuna` y `codigo_comuna`), para mantener orden y compatibilidad entre tablas, aunque esto es opcional. Probemos `{territorial}` con una tabla con datos de ejemplo: ``` r # crear una tabla con datos de ejemplo datos <- dplyr::tibble( nombre_comuna = c("PIRQUE", "El Monte", "Maipu", "nunoa", "La calera", "prohibidencia", "Penialolen", "CERRILLOS", "San José De Maipo", "OHiggins")) datos ``` # A tibble: 10 × 1 nombre_comuna 1 PIRQUE 2 El Monte 3 Maipu 4 nunoa 5 La calera 6 prohibidencia 7 Penialolen 8 CERRILLOS 9 San José De Maipo 10 OHiggins Estas comunas vienen en mayúsculas, con faltas de ortografía, y mal escritas! Podemos **revisar la calidad** de los nombres de las comunas con `validar_comunas()`, para detectar posibles problemas: ``` r datos |> validar_comunas(nombre_comuna) # cuando la columna con nombres de comunas se llama `nombre_comuna`, no es necesario especificarla ``` ! Resumen: 9 casos de comunas que no conciden con comunas correctamente escritas (ver `territorial::comunas()`): PIRQUE, Maipu, nunoa, La calera, prohibidencia, Penialolen, CERRILLOS, San José De Maipo y OHiggins ! Mayúsculas: 2 casos de comunas escritas en mayúsculas: PIRQUE y CERRILLOS ! Minúsculas: 2 casos de comunas escritas en minúsculas: nunoa y prohibidencia ! Mayúsculas: 1 caso de comunas con preposiciones ('de', 'del') escritas en mayúsculas: San José De Maipo ℹ Tildes: 1 caso de comunas que deberían tener tildes y no los tienen: Maipu ℹ Eñes: 1 caso de comunas escritas sin eñe: nunoa ℹ Problemas comunes: 1 caso de comunas popularmente mal escritas: OHiggins ✖ Validación de comunas: se encontraron 17 problemas con las comunas! Usa `territorial::limpiar_comunas()` para solucionarlos. Ahora sabemos qué tipo de problemas vienen en los nombres de las comunas de nuestra tabla de datos. Luego podemos limpiar automáticamente las comunas con `limpiar_comunas()`, y obtener una columna con las comunas correctamente escritas: ``` r datos |> limpiar_comunas(nombre_comuna) ``` ℹ Limpiando 10 nombres de comunas (10 son distintas) → Paso 1: confirmar comunas correctas ℹ De las 10 comunas distintas, 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 10 comunas: Pirque, El Monte, Maipú, Ñuñoa, Cerrillos, San José de Maipo y O'Higgins → Paso 3: casos especiales ℹ Se encontró 1 caso especial: Calera → Paso 4: coincidencias aproximadas de texto ℹ Se limpiaron 2 de 2 comunas por medio de coincidencias aproximadas de texto: Providencia y Peñalolén → Conclusión de limpieza de comunas ✔ De las 10 comunas distintas, se limpiaron 10 en total (100%) # A tibble: 10 × 1 nombre_comuna 1 Pirque 2 El Monte 3 Maipú 4 Ñuñoa 5 Calera 6 Providencia 7 Peñalolén 8 Cerrillos 9 San José de Maipo 10 O'Higgins Esta función usa varias técnicas para limpiar automáticamente los nombres de las comunas y municipios de Chile. Si encuentras casos que no se limpian bien, [escríbeme un *issue*.](https://github.com/bastianolea/territorial/issues/new) Si tenemos una tabla que solamente tiene comunas, y necesitamos **agregar las variables territoriales faltantes** como región, provincia, y los [códigos únicos territoriales](https://bastianolea.github.io/territorial/articles/codigos_unicos_territoriales.html) de Chile (`vignette(codigos_unicos_territoriales)`), podemos usar `contextualizar()` para agregar automáticamente todas las columnas territoriales que falten. ``` r datos <- dplyr::tribble( ~nombre_comuna, ~personas, "Puente Alto", 14, "La Florida", 23, "La Granja", 156, "San Joaquín", 12) ``` ``` r 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 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 , personas Así, un dataframe que solamente tiene nombres de comuna o códigos únicos territoriales puede pasar a tener todas las demás variables que describen territorialmente a esos datos. Esto es extremadamente útil para limpiar datos: solamente necesitas una tabla con códigos únicos territoriales para aplicarle `contextualizar()` y obtener la tabla completa. Por ejemplo, la siguiente tabla: ``` r datos <- dplyr::tribble( ~codigo_comuna, ~personas, 13201, 14, 13110, 23, 13111, 156, 13129, 12) ``` Ahora le aplicamos `contextualizar()` y obtenemos una tabla con todas las variables que describen cada territorio de manera homogénea y estandarizada: ``` r datos |> contextualizar(codigo_comuna) ``` ℹ Columnas agregadas: codigo_region, nombre_region, codigo_provincia, nombre_provincia y nombre_comuna # A tibble: 4 × 7 codigo_region nombre_region codigo_provincia nombre_provincia codigo_comuna 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 , personas ------------------------------------------------------------------------ Estas son algunas de las funciones principales, pero existen muchas más que facilitan el trabajo con datos comunales y regionales de Chile: [revisa el índice](https://bastianolea.github.io/territorial/reference/index.html) para verlas todas, o [lee la viñeta](https://bastianolea.github.io/territorial/articles/territorial.html) para una guía de uso más completa. ## Ejemplos de uso En el sitio de la documentación del paquete tengo varios ejemplos de usos de `{territorial}` con datos reales: - [Ejemplo de limpieza de datos electorales (Servel)](https://bastianolea.github.io/territorial/articles/ejemplo_servel.html) - [Ejemplo de limpieza de datos de uso de bibliotecas públicas en Chile](https://bastianolea.github.io/territorial/articles/ejemplo_bibliotecas.html) - [Ejemplo de limpieza de datos de beneficiarios de programas de emprendimiento en Chile](https://bastianolea.github.io/territorial/articles/ejemplo_sercotec.html) También hay un ejemplo ficticio de [limpieza de datos extremadamente sucios](https://bastianolea.github.io/territorial/articles/suciedad_extrema.html) y un par de tutoriales para usar `{territorial}` para facilitar la [creación de mapas comunales](https://bastianolea.github.io/territorial/articles/mapas_comunales.html) y [mapas regionales por macrozonas](https://bastianolea.github.io/territorial/articles/mapas_regionales_macrozonas.html). ------------------------------------------------------------------------ Paquete desarrollado bajo el [programa de Campeones de ROpenSci](https://ropensci.org/es/champions/), con el apoyo de mi mentora [Andrea Gómez Vargas](https://github.com/SoyAndrea).