Este documento analiza en detalle los indicadores del Banco Mundial ya elegidos a partir de la tabla que genera WORLD_BANK_TableDatasetGeneration.Rmd (wb.datasets.xlsx), y comprueba si cumplen los requisitos para ser el dataset principal del proyecto personal de AEDV.
A diferencia del INE o de Eurostat, aquí no se analiza un único dataset sino un conjunto de indicadores que se descargan y se combinan en una sola tabla: cada indicador es un atributo que se sigue en el tiempo para cada país.
Para analizar otros indicadores basta con cambiar sus códigos en el chunk de abajo y volver a compilar.
# CÓDIGOS DE LOS INDICADORES QUE VAMOS A ANALIZAR
IDS <- c("ER.H2O.FWTL.K3", "ER.H2O.FWTL.ZS")
# IDS <- c("SP.POP.TOTL", "SP.POP.TOTL.FE.IN", "SP.POP.TOTL.MA.IN")
# IDS <- c("MS.MIL.XPND.CD", "MS.MIL.XPND.GD.ZS", "MS.MIL.XPND.ZS", "MS.MIL.XPRT.KD")
# nombre base de los ficheros que se guardan en disco
filename <- "WB_Selected"Descargamos cada indicador y los combinamos en una única tabla,
añadiendo la columna indicator para saber de cuál procede
cada fila.
data <- tibble()
for(id in IDS){
tb <- wb.data.download(id) |>
as_tibble() |>
# iso2c es redundante con iso3c, y last_updated es un dato de la descarga,
# no del indicador
select(-any_of(c("iso2c", "last_updated"))) |>
rename(value = !!sym(id)) |>
mutate(indicator = id) |>
relocate(indicator, .after = country) |>
# se descartan las observaciones sin dato. Se filtra SOLO por `value`: con
# na.omit() se perderían también las filas cuyo único NA está en columnas
# accesorias (unit, obs_status, footnote), que suelen venir vacías enteras
filter(!is.na(value))
data <- bind_rows(data, tb)
}
data <- arrange(data, iso3c, date)Antes de guardar nada en disco, eliminamos las columnas que
no aportan ninguna información: aquellas cuyo valor es
siempre el mismo en todas las filas (unit,
obs_status y footnote suelen venir con un
único valor). Se excluyen de esta comprobación iso3c,
country, indicator, date y
value, que son las columnas estructurales (país, indicador,
año y dato numérico) y no dimensiones susceptibles de ser constantes sin
más: indicator, por ejemplo, es constante si se analiza un
solo indicador, y eliminarla rompería todo el análisis posterior.
# columnas candidatas: todas menos las estructurales
cols_candidatas <- setdiff(colnames(data),
c("iso3c", "country", "indicator", "date", "value"))
n_valores <- sapply(data[cols_candidatas], function(x) n_distinct(x, na.rm = TRUE))
cols_constantes <- names(n_valores)[n_valores <= 1]
if(length(cols_constantes) > 0){
cat("Columnas con un solo valor (se eliminan):\n")
for(col in cols_constantes)
cat(sprintf(" - %-12s = %s\n", col, as.character(unique(data[[col]])[1])))
data <- data |> select(-all_of(cols_constantes))
} else {
cat("Ninguna columna tiene un solo valor: no se elimina ninguna.\n")
}## Columnas con un solo valor (se eliminan):
## - unit = NA
## - obs_status = NA
## - footnote = NAGuardamos los datos lo primero de todo, nada más
limpiarlos, en formato rds (el formato nativo de
R: conserva los tipos de las columnas y ocupa mucho menos
que un Excel).
saveRDS(data, file = paste0(filename, ".rds"))
cat("Fichero guardado:", paste0(filename, ".rds"),
sprintf("(%.1f MB)\n", file.info(paste0(filename, ".rds"))$size / 1024^2))## Fichero guardado: WB_Selected.rds (0.1 MB)Guardamos también los metadatos de los indicadores recogidos en el catálogo de la asignatura (wb.datasets.xlsx, generado por WORLD_BANK_TableDatasetGeneration.Rmd): las filas correspondientes a los indicadores seleccionados, una por indicador.
metadatos <- read.xlsx("wb.datasets.xlsx") |>
filter(Id %in% IDS)
if(nrow(metadatos) == 0)
stop("Ninguno de los indicadores seleccionados aparece en el catálogo del Banco Mundial. ",
"Comprueba los códigos o vuelve a generar el catálogo con WORLD_BANK_TableDatasetGeneration.Rmd")
if(nrow(metadatos) < length(IDS))
warning("Solo se han encontrado en el catálogo ", nrow(metadatos), " de los ",
length(IDS), " indicadores seleccionados: ",
paste(setdiff(IDS, metadatos$Id), collapse = ", "))
# ANOTHER.DIMENSIONS viene del catálogo, calculado ANTES de descargar estos
# indicadores en concreto (por eso incluye `iso2c`, que se descarta siempre de
# forma explícita más arriba), así que puede listar dimensiones que aquí ya no
# están en `data`: `iso2c` y cols_constantes. Se quitan para que no mencione
# columnas que ya no existen en el rds guardado. El catálogo trunca los nombres
# de columna a 20 caracteres, por eso se comparan truncados.
quitar_dims_constantes <- function(dim_text, quitar){
if(is.na(dim_text) || dim_text %in% c("-", "*") || length(quitar) == 0) return(dim_text)
quitar20 <- substr(quitar, 1, 20)
partes <- strsplit(dim_text, " - ", fixed = TRUE)[[1]]
nombres <- sub(" [0-9]+$", "", partes)
partes <- partes[!nombres %in% quitar20]
if(length(partes) == 0) return("-")
paste(partes, collapse = " - ")
}
metadatos <- metadatos |>
mutate(ANOTHER.DIMENSIONS = map_chr(ANOTHER.DIMENSIONS, quitar_dims_constantes,
quitar = c("iso2c", cols_constantes)))
write.xlsx(metadatos, file = paste0(filename, "_metadatos.xlsx"), overwrite = TRUE)Una vez guardados en disco los metadatos (fichero xlsx) y los datos
(fichero RDS), iniciamos el proceso de análisis. A partir de aquí el
documento se compila solo con los ficheros ya guardados
en disco; no se usa ningún objeto de las secciones anteriores. Es a
propósito: es la parte que se incorpora a la memoria del proyecto
personal (ver la última sección, Incorporación del dataset a la
memoria), así que tiene que poder ejecutarse sola (lo único que se
usa de lo definido anteriormente es filename).
metadatos
| Nº | Topic | Id | Indicator | Ncountries | N.obs | dateStart | dateEnd | Ndates | last_updated | ANOTHER.DIMENSIONS |
|---|---|---|---|---|---|---|---|---|---|---|
| 445 | Climate Change | ER.H2O.FWTL.K3 | Annual freshwater withdrawals, total (billion cubic meters) | 227 | 6749 | 1962 | 2022 | 61 | 2026-07-13 | iso3c 227 |
| 446 | Climate Change | ER.H2O.FWTL.ZS | Annual freshwater withdrawals, total (% of internal resources) | 223 | 6630 | 1962 | 2022 | 61 | 2026-07-13 | iso3c 223 |
Descripción de cada indicador
ER.H2O.FWTL.K3 — Annual freshwater withdrawals, total (billion cubic meters)
Annual freshwater withdrawals refer to total water withdrawals, not counting evaporation losses from storage basins. Withdrawals also include water from desalination plants in countries where they are a significant source. Withdrawals can exceed 100 percent of total renewable resources where extraction from nonrenewable aquifers or desalination plants is considerable or where there is significant water reuse. Withdrawals for agriculture and industry are total withdrawals for irrigation and livestock production and for direct industrial use (including withdrawals for cooling thermoelectric plants). Withdrawals for domestic uses include drinking water, municipal use or supply, and use for public services, commercial establishments, and homes. Data are for the most recent year available for 1987-2002.
ER.H2O.FWTL.ZS — Annual freshwater withdrawals, total (% of internal resources)
Annual freshwater withdrawals refer to total water withdrawals, not counting evaporation losses from storage basins. Withdrawals also include water from desalination plants in countries where they are a significant source. Withdrawals can exceed 100 percent of total renewable resources where extraction from nonrenewable aquifers or desalination plants is considerable or where there is significant water reuse. Withdrawals for agriculture and industry are total withdrawals for irrigation and livestock production and for direct industrial use (including withdrawals for cooling thermoelectric plants). Withdrawals for domestic uses include drinking water, municipal use or supply, and use for public services, commercial establishments, and homes. Data are for the most recent year available for 1987-2002.
data
## # A tibble: 13,379 × 5
## iso3c country indicator date value
## <chr> <chr> <chr> <dbl> <dbl>
## 1 AFE Africa Eastern and Southern ER.H2O.FWTL.K3 1990 37.1
## 2 AFE Africa Eastern and Southern ER.H2O.FWTL.K3 1991 37.3
## 3 AFE Africa Eastern and Southern ER.H2O.FWTL.K3 1992 39.2
## 4 AFE Africa Eastern and Southern ER.H2O.FWTL.K3 1993 39.4
## 5 AFE Africa Eastern and Southern ER.H2O.FWTL.K3 1994 42.0
## # ℹ 13,374 more rowsSe presentan las diferentes dimensiones, cada una con sus valores posibles y el nº de observaciones.
COLUMNA: iso3c (227 opciones)
iso3c N.observ
[1,] BRB 122
[2,] URY 116
[3,] DNK 106
[4,] DZA 106
[5,] FIN 106
[6,] GHA 106
[7,] GRC 106
[8,] HUN 106
[9,] ITA 106
[10,] LUX 106
[11,] POL 106
[12,] ROU 106
[13,] SWE 106
[14,] UGA 106
[15,] VEN 106
[16,] ISR 104
[17,] MUS 98
[18,] AFG 96
[19,] CHE 96
[20,] CYP 96
[21,] EGY 96
[22,] ESP 96
[23,] IND 96
[24,] IRN 96
[25,] IRQ 96
[26,] JOR 96
[27,] LBN 96
[28,] LBY 96
[29,] MAR 96
[30,] PAK 96
[31,] QAT 96
[32,] SGP 96
[33,] SYR 96
[34,] TUN 96
[35,] ARG 94
[36,] ARE 86
[37,] AUT 86
[38,] BEL 86
[39,] BGR 86
[40,] CHN 86
[41,] FRA 86
[42,] GBR 86
[43,] IRL 86
[44,] ISL 86
[45,] JPN 86
[46,] MEX 86
[47,] MLT 86
[48,] MRT 86
[49,] NLD 86
[50,] NOR 86
[51,] NZL 86
[52,] SWZ 86
[53,] USA 86
[54,] VNM 86
[55,] GMB 82
[56,] MDG 78
[57,] BEN 76
[58,] BFA 76
[59,] BWA 76
[60,] DJI 76
[61,] NAM 76
[62,] CAN 74
[63,] AFW 72
[64,] AGO 72
[65,] BDI 72
[66,] BLZ 72
[67,] BOL 72
[68,] BRA 72
[69,] CAF 72
[70,] CIV 72
[71,] CMR 72
[72,] COG 72
[73,] FJI 72
[74,] GAB 72
[75,] GIN 72
[76,] GNQ 72
[77,] LBR 72
[78,] LSO 72
[79,] MDV 72
[80,] MLI 72
[81,] MMR 72
[82,] NGA 72
[83,] PRY 72
[84,] SEN 72
[85,] SLE 72
[86,] SOM 72
[87,] SUR 72
[88,] TCD 72
[89,] TGO 72
[90,] ZWE 72
[91,] NER 70
[92,] ALB 66
[93,] ATG 66
[94,] BHR 66
[95,] IDN 66
[96,] KEN 66
[97,] KOR 66
[98,] LKA 66
[99,] MOZ 66
[100,] MYS 66
[101,] PRI 66
[102,] YEM 66
[103,] ZAF 66
[104,] BRN 64
[105,] DEU 64
[106,] GNB 64
[107,] HTI 64
[108,] OMN 64
[109,] PRT 64
[110,] AZE 62
[111,] CHL 62
[112,] EST 62
[113,] GEO 62
[114,] GUY 62
[115,] MDA 62
[116,] RUS 62
[117,] SAU 62
[118,] SLV 62
[119,] TUR 62
[120,] UKR 62
[121,] ZMB 62
[122,] AFE 61
[123,] ARM 60
[124,] AUS 60
[125,] CZE 60
[126,] JAM 60
[127,] KAZ 60
[128,] MNG 60
[129,] STP 60
[130,] SVK 60
[131,] KGZ 58
[132,] MWI 58
[133,] TJK 58
[134,] TKM 58
[135,] TZA 58
[136,] UZB 58
[137,] BLR 56
[138,] COD 56
[139,] CUB 56
[140,] LTU 56
[141,] LVA 56
[142,] VCT 56
[143,] DMA 54
[144,] MKD 54
[145,] TTO 52
[146,] NIC 50
[147,] COM 48
[148,] BIH 46
[149,] COL 46
[150,] DOM 46
[151,] ECU 46
[152,] ERI 46
[153,] NPL 46
[154,] PNG 46
[155,] PRK 46
[156,] RWA 46
[157,] CPV 44
[158,] GTM 44
[159,] PSE 44
[160,] ETH 42
[161,] HRV 42
[162,] SVN 42
[163,] HND 40
[164,] TLS 38
[165,] GRD 36
[166,] LAO 36
[167,] KHM 34
[168,] PHL 34
[169,] SRB 34
[170,] SYC 34
[171,] MCO 33
[172,] LCA 32
[173,] THA 32
[174,] BGD 30
[175,] BTN 30
[176,] KWT 30
[177,] PER 30
[178,] PAN 26
[179,] CRI 22
[180,] KNA 22
[181,] SDN 22
[182,] SSD 22
[183,] ARB 18
[184,] CEB 18
[185,] CSS 18
[186,] EAP 18
[187,] EAR 18
[188,] EAS 18
[189,] ECA 18
[190,] ECS 18
[191,] EMU 18
[192,] EUU 18
[193,] HPC 18
[194,] IBD 18
[195,] IBT 18
[196,] IDA 18
[197,] IDB 18
[198,] IDX 18
[199,] LAC 18
[200,] LCN 18
[201,] LDC 18
[202,] LMY 18
[203,] LTE 18
[204,] MEA 18
[205,] MIC 18
[206,] MNA 18
[207,] NAC 18
[208,] OED 18
[209,] OSS 18
[210,] PRE 18
[211,] PST 18
[212,] SAS 18
[213,] SSA 18
[214,] SSF 18
[215,] SST 18
[216,] TEA 18
[217,] TEC 18
[218,] TLA 18
[219,] TMN 18
[220,] TSA 18
[221,] TSS 18
[222,] WLD 18
[223,] XD 18
[224,] XM 18
[225,] XN 18
[226,] XT 18
[227,] MNE 17 COLUMNA: country (227 opciones)
country N.observ
[1,] Barbados 122
[2,] Uruguay 116
[3,] Algeria 106
[4,] Denmark 106
[5,] Finland 106
[6,] Ghana 106
[7,] Greece 106
[8,] Hungary 106
[9,] Italy 106
[10,] Luxembourg 106
[11,] Poland 106
[12,] Romania 106
[13,] Sweden 106
[14,] Uganda 106
[15,] Venezuela, RB 106
[16,] Israel 104
[17,] Mauritius 98
[18,] Afghanistan 96
[19,] Cyprus 96
[20,] Egypt, Arab Rep. 96
[21,] India 96
[22,] Iran, Islamic Rep. 96
[23,] Iraq 96
[24,] Jordan 96
[25,] Lebanon 96
[26,] Libya 96
[27,] Morocco 96
[28,] Pakistan 96
[29,] Qatar 96
[30,] Singapore 96
[31,] Spain 96
[32,] Switzerland 96
[33,] Syrian Arab Republic 96
[34,] Tunisia 96
[35,] Argentina 94
[36,] Austria 86
[37,] Belgium 86
[38,] Bulgaria 86
[39,] China 86
[40,] Eswatini 86
[41,] France 86
[42,] Iceland 86
[43,] Ireland 86
[44,] Japan 86
[45,] Malta 86
[46,] Mauritania 86
[47,] Mexico 86
[48,] Netherlands 86
[49,] New Zealand 86
[50,] Norway 86
[51,] United Arab Emirates 86
[52,] United Kingdom 86
[53,] United States 86
[54,] Viet Nam 86
[55,] Gambia, The 82
[56,] Madagascar 78
[57,] Benin 76
[58,] Botswana 76
[59,] Burkina Faso 76
[60,] Djibouti 76
[61,] Namibia 76
[62,] Canada 74
[63,] Africa Western and Central 72
[64,] Angola 72
[65,] Belize 72
[66,] Bolivia 72
[67,] Brazil 72
[68,] Burundi 72
[69,] Cameroon 72
[70,] Central African Republic 72
[71,] Chad 72
[72,] Congo, Rep. 72
[73,] Cote d'Ivoire 72
[74,] Equatorial Guinea 72
[75,] Fiji 72
[76,] Gabon 72
[77,] Guinea 72
[78,] Lesotho 72
[79,] Liberia 72
[80,] Maldives 72
[81,] Mali 72
[82,] Myanmar 72
[83,] Nigeria 72
[84,] Paraguay 72
[85,] Senegal 72
[86,] Sierra Leone 72
[87,] Somalia, Fed. Rep. 72
[88,] Suriname 72
[89,] Togo 72
[90,] Zimbabwe 72
[91,] Niger 70
[92,] Albania 66
[93,] Antigua and Barbuda 66
[94,] Bahrain 66
[95,] Indonesia 66
[96,] Kenya 66
[97,] Korea, Rep. 66
[98,] Malaysia 66
[99,] Mozambique 66
[100,] Puerto Rico (US) 66
[101,] South Africa 66
[102,] Sri Lanka 66
[103,] Yemen, Rep. 66
[104,] Brunei Darussalam 64
[105,] Germany 64
[106,] Guinea-Bissau 64
[107,] Haiti 64
[108,] Oman 64
[109,] Portugal 64
[110,] Azerbaijan 62
[111,] Chile 62
[112,] El Salvador 62
[113,] Estonia 62
[114,] Georgia 62
[115,] Guyana 62
[116,] Moldova 62
[117,] Russian Federation 62
[118,] Saudi Arabia 62
[119,] Turkiye 62
[120,] Ukraine 62
[121,] Zambia 62
[122,] Africa Eastern and Southern 61
[123,] Armenia 60
[124,] Australia 60
[125,] Czechia 60
[126,] Jamaica 60
[127,] Kazakhstan 60
[128,] Mongolia 60
[129,] Sao Tome and Principe 60
[130,] Slovak Republic 60
[131,] Kyrgyz Republic 58
[132,] Malawi 58
[133,] Tajikistan 58
[134,] Tanzania 58
[135,] Turkmenistan 58
[136,] Uzbekistan 58
[137,] Belarus 56
[138,] Congo, Dem. Rep. 56
[139,] Cuba 56
[140,] Latvia 56
[141,] Lithuania 56
[142,] St. Vincent and the Grenadines 56
[143,] Dominica 54
[144,] North Macedonia 54
[145,] Trinidad and Tobago 52
[146,] Nicaragua 50
[147,] Comoros 48
[148,] Bosnia and Herzegovina 46
[149,] Colombia 46
[150,] Dominican Republic 46
[151,] Ecuador 46
[152,] Eritrea 46
[153,] Korea, Dem. People's Rep. 46
[154,] Nepal 46
[155,] Papua New Guinea 46
[156,] Rwanda 46
[157,] Cabo Verde 44
[158,] Guatemala 44
[159,] West Bank and Gaza 44
[160,] Croatia 42
[161,] Ethiopia 42
[162,] Slovenia 42
[163,] Honduras 40
[164,] Timor-Leste 38
[165,] Grenada 36
[166,] Lao PDR 36
[167,] Cambodia 34
[168,] Philippines 34
[169,] Serbia 34
[170,] Seychelles 34
[171,] Monaco 33
[172,] St. Lucia 32
[173,] Thailand 32
[174,] Bangladesh 30
[175,] Bhutan 30
[176,] Kuwait 30
[177,] Peru 30
[178,] Panama 26
[179,] Costa Rica 22
[180,] South Sudan 22
[181,] St. Kitts and Nevis 22
[182,] Sudan 22
[183,] Arab World 18
[184,] Caribbean small states 18
[185,] Central Europe and the Baltics 18
[186,] Early-demographic dividend 18
[187,] East Asia & Pacific 18
[188,] East Asia & Pacific (IDA & IBRD countries) 18
[189,] East Asia & Pacific (excluding high income) 18
[190,] Euro area 18
[191,] Europe & Central Asia 18
[192,] Europe & Central Asia (IDA & IBRD countries) 18
[193,] Europe & Central Asia (excluding high income) 18
[194,] European Union 18
[195,] Heavily indebted poor countries (HIPC) 18
[196,] High income 18
[197,] IBRD only 18
[198,] IDA & IBRD total 18
[199,] IDA blend 18
[200,] IDA only 18
[201,] IDA total 18
[202,] Late-demographic dividend 18
[203,] Latin America & Caribbean 18
[204,] Latin America & Caribbean (excluding high income) 18
[205,] Latin America & the Caribbean (IDA & IBRD countries) 18
[206,] Least developed countries: UN classification 18
[207,] Low & middle income 18
[208,] Low income 18
[209,] Lower middle income 18
[210,] Middle East, North Africa, Afghanistan & Pakistan 18
[211,] Middle East, North Africa, Afghanistan & Pakistan (IDA 18
[212,] Middle East, North Africa, Afghanistan & Pakistan (excl 18
[213,] Middle income 18
[214,] North America 18
[215,] OECD members 18
[216,] Other small states 18
[217,] Post-demographic dividend 18
[218,] Pre-demographic dividend 18
[219,] Small states 18
[220,] South Asia 18
[221,] South Asia (IDA & IBRD) 18
[222,] Sub-Saharan Africa 18
[223,] Sub-Saharan Africa (IDA & IBRD countries) 18
[224,] Sub-Saharan Africa (excluding high income) 18
[225,] Upper middle income 18
[226,] World 18
[227,] Montenegro 17 COLUMNA: indicator (2 opciones)
indicator N.observ
[1,] ER.H2O.FWTL.K3 6749
[2,] ER.H2O.FWTL.ZS 6630 COLUMNA: date (61 opciones)
date N.observ
[1,] 2014 450
[2,] 2015 450
[3,] 2016 450
[4,] 2017 450
[5,] 2018 450
[6,] 2019 450
[7,] 2020 450
[8,] 2021 450
[9,] 2022 446
[10,] 2012 362
[11,] 2013 362
[12,] 2010 354
[13,] 2011 354
[14,] 2008 352
[15,] 2009 352
[16,] 2007 346
[17,] 2006 342
[18,] 2005 335
[19,] 2004 331
[20,] 2003 329
[21,] 2002 327
[22,] 2001 321
[23,] 2000 317
[24,] 1999 297
[25,] 1998 295
[26,] 1997 293
[27,] 1996 291
[28,] 1995 287
[29,] 1994 274
[30,] 1993 262
[31,] 1992 245
[32,] 1991 221
[33,] 1990 209
[34,] 1989 183
[35,] 1988 182
[36,] 1987 180
[37,] 1986 124
[38,] 1985 122
[39,] 1984 112
[40,] 1982 110
[41,] 1983 110
[42,] 1980 108
[43,] 1981 108
[44,] 1976 70
[45,] 1977 70
[46,] 1978 70
[47,] 1979 70
[48,] 1975 68
[49,] 1974 34
[50,] 1970 32
[51,] 1971 32
[52,] 1972 32
[53,] 1973 32
[54,] 1965 4
[55,] 1966 4
[56,] 1967 4
[57,] 1968 4
[58,] 1969 4
[59,] 1962 2
[60,] 1963 2
[61,] 1964 2 ## indicator N.Observ n_periodos date_min date_max
## ER.H2O.FWTL.K3 48 48 1975 2022
## ER.H2O.FWTL.ZS 48 48 1975 2022Indicadores: nº de países, rango de fechas y percentiles del tamaño de la serie temporal (años por país).
| indicator | Indicator | n_paises | date_start | date_end | P0 | P25 | P50 | P75 | P100 |
|---|---|---|---|---|---|---|---|---|---|
| ER.H2O.FWTL.K3 | Annual freshwater withdrawals, total (billion cubic meters) | 227 | 1962 | 2022 | 9 | 17 | 31 | 38 | 61 |
| ER.H2O.FWTL.ZS | Annual freshwater withdrawals, total (% of internal resources) | 223 | 1962 | 2022 | 9 | 17 | 31 | 38 | 61 |
Validación de requisitos AEDV — umbrales: 100 países, último dato ≥ 2024, 10 años de serie.
| Indicador | Cobertura (≥ 100 países) | Datos actualizados (≥ 2024) | Tamaño series (P25 ≥ 10 años) | Tamaño serie España | CUMPLE LOS 4 |
|---|---|---|---|---|---|
| ER.H2O.FWTL.K3 | ✔ | ✘ | ✔ | ✔ | ✘ |
| ER.H2O.FWTL.ZS | ✔ | ✘ | ✔ | ✔ | ✘ |
De los 2 indicadores seleccionados, 0 cumplen los cuatro criterios de validación (cobertura geográfica, datos actualizados, tamaño de las series temporales y tamaño de la serie de España).
El requisito de disponer de al menos 4 atributos válidos no se cumple ✗ — con la selección actual faltan 4 indicador(es) válido(s) para alcanzar el mínimo de 4.
Al compilar este documento se ha generado el fichero
WB_Selected_analisis.Rmd: es la sección
Análisis del dataset de arriba, preparada para la sección
Comprensión de los datos de la memoria, con los títulos
al nivel de esa sección. Para incorporar el dataset a la memoria:
WORLD_BANK: WB_Selected.rds,
WB_Selected_metadatos.xlsx y
WB_Selected_analisis.Rmd.utilidades.R (viene en la carpeta
ProyectoPersonal, junto al modelo de memoria) y que la
memoria lo carga en el chunk de librerías:
source("utilidades.R").```{r, results='asis', cache=FALSE}
datos_WB_Selected <- aedv_incluir_dataset("WB_Selected_analisis.Rmd")
```Al compilar la memoria, el análisis aparece en el lugar del chunk y
los datos quedan en la tabla datos_WB_Selected (un tibble),
con la que se sigue trabajando en el resto de la memoria. Si incorporas
varios datasets, pega un chunk por cada uno, con nombres de tabla
distintos. En un dataset auxiliar, que no tiene que cumplir los
requisitos de AEDV,
aedv_incluir_dataset("WB_Selected_analisis.Rmd", validacion = FALSE)
omite la validación.
El texto explicativo del dataset (qué mide, qué significa cada
variable y cada una de sus opciones…) se escribe en la memoria, antes o
después del chunk, no en WB_Selected_analisis.Rmd: ese
fichero se sustituye cada vez que se vuelve a generar.