T3: ENDIREH 2021

Previo

Descarga el proyecto desde acá

En esta liga puedes descarga el proyecto de trabajo. De esta manera no tendremos problemas con las rutas relativas.

https://tinyurl.com/demos-talleres

Video de la sesión

Paquetes

if (!require("pacman")) install.packages("pacman") # instala pacman si se requiere

Loading required package: pacman

pacman::p_load(tidyverse,
               skimr,
               haven, 
               readr,
               foreign,
               janitor,
               magrittr,
               pollster,
               srvyr,
               sjlabelled) #carga los paquetes necesarios 

En esta práctica trabajaremos de nuevo con los datos abiertos.

¿Qué son datos abiertos?

https://publications.iadb.org/publications/spanish/viewer/Los-datos-abiertos-en-América-Latina-y-el-Caribe.pdf

Introducción a la fuente

De acuerdo a la información en los datos abiertos, hay 28 conjuntos de datos, uno a nivel vivienda y el resto a nivel individuo:

• Vivienda: tviv

• Individual: tsdem - toda la población

• Individual - persona elegida: desde la sección III

Es muy raro que analicemos TODA la base de datos. Trabajaremos con el fusionado de vivienda, demográfico, sección III y sección de violencia en al ámbito laboral.

Pero… vamos a automatizar el proceso. Para eso primero repasemos sobre funciones y bucles

Mi primera función

Unos de los elementos más poderosos de R es hacer nuestra propias funciones.

La lógica de las funciones es la siguiente:

nombre_de_funcion(argumento1, argumento2, ...) {
  operaciones
  salida
}

Para ello haremos una función sencilla. Para sumarle un valor un 1

mi_funcion<-function(x) {
    resultado<-x+1
    return(resultado)
}

mi_funcion(5)

[1] 6

Vamos a agregar un argumento, podemos agregar un segundo número en lugar de 1

mi_funcion<-function(x, a) {
    resultado<-x+a
    return(resultado)
}

mi_funcion(x=5, a=6)

[1] 11

Los argumentos no necesariamente deben ser un sólo valor

mi_funcion(x=1:5, a=6:10)

[1]  7  9 11 13 15

Bucles

for()

Supongamos que quisiéramos repetir una operación a lo largo de una secuencia, se puede realizar

for (i in secuencia) {
  operación 1
  operación 2
  ...
  operación final
}

for(i in 1:10) {
  print(i+1)
}

[1] 2
[1] 3
[1] 4
[1] 5
[1] 6
[1] 7
[1] 8
[1] 9
[1] 10
[1] 11

for(j in c("Hugo", "Paco", "Luis")) {
  
  x<-paste("hola",j, sep=" ")
  print(x)
}

[1] "hola Hugo"
[1] "hola Paco"
[1] "hola Luis"

Importación de los datos

La estructura de archivos es muy consistente en los datos abiertos. Vamos a utilizar además una función llamada “paste()” que ayuda a pegar cadenas, que la había mostrado arriba

a<-"Hola"

b<-"¿Cómo estás?"

paste(a, b, sep=" ") 

[1] "Hola ¿Cómo estás?"

Esto será muy útil para crear nuestra función

Por ejemplo revisemos la liga para importar los datos de la tabla “TVIV”

TVIV <- read_csv("data_t3/conjunto_de_datos_endireh_2021_csv/conjunto_de_datos_TVIV/conjunto_de_datos/conjunto_de_datos_TVIV.csv")

Rows: 122646 Columns: 35
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (16): ID_VIV, UPM, VIV_SEL, CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, COD_RES,...
dbl (19): P1_1, P1_4_1, P1_4_2, P1_4_3, P1_4_4, P1_4_5, P1_4_6, P1_4_7, P1_4...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Hay dos espacios donde va el nombre de la tabla

cd0 <- "data_t3/conjunto_de_datos_endireh_2021_csv/conjunto_de_datos_"
cd1 <- "/conjunto_de_datos/conjunto_de_datos_"

Ejemplo de cómo funciona paste() y paste0()

paste0(cd0,"TVIV", cd1, "TVIV", ".csv")

[1] "data_t3/conjunto_de_datos_endireh_2021_csv/conjunto_de_datos_TVIV/conjunto_de_datos/conjunto_de_datos_TVIV.csv"

Podemos crear una función de importación:

importar <- function(tabla){

  path <- paste0(cd0,tabla, cd1,tabla, ".csv")
  
  x<-readr::read_csv(path, locale = locale(encoding = "latin1"))
  
  return(x)
}

TVIV<-importar("TVIV")

Rows: 122646 Columns: 35
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (16): ID_VIV, UPM, VIV_SEL, CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, COD_RES,...
dbl (19): P1_1, P1_4_1, P1_4_2, P1_4_3, P1_4_4, P1_4_5, P1_4_6, P1_4_7, P1_4...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Ojo esta función también depende de cd0 y cd1, por lo que habría que declararlo antes. O bien, incluye los objetos dentro de la función, como lo hicimos con path. Nota que ese objeto no está en nuestro ambiente.

Vamos a usar el el índice de las tablas para importar todas con un loop

indice_tablas <- read_csv("data_t3/conjunto_de_datos_endireh_2021_csv/0_indice_tablas_ENDIREH_2021.csv",locale = locale(encoding = "latin1"), skip = 1) %>%
  clean_names()

Rows: 28 Columns: 2
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): Nombre de archivo, Título de Tablas

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Revisemos este índice

head(indice_tablas)

# A tibble: 6 × 2
  nombre_de_archivo            titulo_de_tablas                                 
  <chr>                        <chr>                                            
1 conjunto_de_datos_TVIV       Características de la Vivienda y Hogares en la V…
2 conjunto_de_datos_TSDem      Características Sociodemográficas de Residentes …
3 conjunto_de_datos_TB_SEC_III Elegibilidad y Verificación de Situación Conyuga…
4 conjunto_de_datos_TB_SEC_IV  Situación de la Relación de Pareja/ Ingresos y R…
5 conjunto_de_datos_TB_SEC_V   Consentimiento y Privacidad                      
6 conjunto_de_datos_TB_SEC_VI  Opinión Sobre los Roles Masculinos y Femeninos   

indice_tablas %<>%
  mutate(nombre_de_archivo=stringr::str_remove_all(nombre_de_archivo, "conjunto_de_datos_"))
head(indice_tablas)

# A tibble: 6 × 2
  nombre_de_archivo titulo_de_tablas                                            
  <chr>             <chr>                                                       
1 TVIV              Características de la Vivienda y Hogares en la Vivienda     
2 TSDem             Características Sociodemográficas de Residentes de la Vivie…
3 TB_SEC_III        Elegibilidad y Verificación de Situación Conyugal de la Muj…
4 TB_SEC_IV         Situación de la Relación de Pareja/ Ingresos y Recursos     
5 TB_SEC_V          Consentimiento y Privacidad                                 
6 TB_SEC_VI         Opinión Sobre los Roles Masculinos y Femeninos              

Vamos a importar todos los conjuntos!

Creamos un vector con las tablas que queremos importar:

tablas<-indice_tablas$nombre_de_archivo[c(1:4, 9)]

Si le quitas lo que hay entre corchetes, tendrías los 28 conjuntos de datos.

for(i in tablas) {
  
  y<-importar(i) # se importa la base
  assign(paste(i), y) # asigna el nombre al objeto y
}

Rows: 122646 Columns: 35
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (16): ID_VIV, UPM, VIV_SEL, CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, COD_RES,...
dbl (19): P1_1, P1_4_1, P1_4_2, P1_4_3, P1_4_4, P1_4_5, P1_4_6, P1_4_7, P1_4...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 432746 Columns: 37
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (21): ID_VIV, ID_PER, UPM, VIV_SEL, CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, ...
dbl (16): HOGAR, SEXO, GRA, P2_8, P2_9, P2_10, P2_11, P2_12, P2_13, P2_15, P...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 110127 Columns: 25
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (14): ID_VIV, ID_PER, UPM, VIV_SEL, CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, ...
dbl (11): HOGAR, P3_1, P3_2, P3_3, P3_4, P3_5, P3_6, P3_7, FAC_VIV, FAC_MUJ,...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
  dat <- vroom(...)
  problems(dat)

Rows: 110127 Columns: 75
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (34): ID_VIV, ID_PER, UPM, VIV_SEL, N_REN, DOMINIO, CVE_ENT, NOM_ENT, CV...
dbl (39): HOGAR, P4AB_1, P4A_1, P4A_2, P4B_1, P4B_2, P4BC_1, P4C_1, P4BC_3, ...
lgl  (2): P4_10_2_3, P4_10_3_3

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Warning: One or more parsing issues, call `problems()` on your data frame for details,
e.g.:
  dat <- vroom(...)
  problems(dat)

Rows: 110127 Columns: 241
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr  (15): ID_VIV, ID_PER, UPM, VIV_SEL, N_REN, DOMINIO, CVE_ENT, NOM_ENT, C...
dbl (144): HOGAR, P8_1, P8_2, P8_3_1_1, P8_3_1_2, P8_3_2_1, P8_3_2_2, P8_3_2...
lgl  (82): P8_12_1_3, P8_10_2_2, P8_10_2_3, P8_12_2_1, P8_12_2_2, P8_12_2_3,...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Piensa que podríamos tener más argumentos como: el nombre de la base, la carpeta, etc.

Importación de los diccionarios

Los diccionarios tienen una estructura parecida. Reformulemos nuestros directorios para hacer una función más general

cd2 <- "data_t3/conjunto_de_datos_endireh_2021_csv/conjunto_de_datos_"

importar2 <-function(tabla, elemento) {
  
  dir<-paste0(cd2,tabla,"/",elemento,"/",elemento, "_",tabla, ".csv")
  
  x<-readr::read_csv(paste0(dir), locale = locale(encoding = "latin1"))
  
  return(x)
}

TB_SEC_III<-importar2(tabla="TB_SEC_III",
                     elemento="conjunto_de_datos")

Rows: 110127 Columns: 25
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (14): ID_VIV, ID_PER, UPM, VIV_SEL, CVE_ENT, NOM_ENT, CVE_MUN, NOM_MUN, ...
dbl (11): HOGAR, P3_1, P3_2, P3_3, P3_4, P3_5, P3_6, P3_7, FAC_VIV, FAC_MUJ,...

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

DIC_TB_SEC_III<-importar2(tabla="TB_SEC_III",
                     elemento="diccionario_de_datos") 

Rows: 64 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Loop para importar diccionarios

Creamos un vector con las tablas que queremos importar:

tablas<-indice_tablas$nombre_de_archivo[c(1:4, 9)]

for(i in tablas) {
  
  y<-importar2(tabla=i, 
               elemento="diccionario_de_datos") # se importa la base

  assign(paste0("DICC_",i), y) # asigna el nombre al objeto y
}

Rows: 68 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 107 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 64 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 427 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 1488 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Cuidado con estos diccionarios. Hay varios instrumentos entonces se repiten.

for(i in tablas) {
  
  y<-importar2(tabla=i, 
               elemento="diccionario_de_datos") %>% # se importa la base
    select(NOMBRE_CAMPO:TIPO) %>% 
    unique()

  assign(paste0("DICC_",i), y) # asigna el nombre al objeto y
}

Rows: 68 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 107 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 64 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 427 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Rows: 1488 Columns: 5
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (4): NOMBRE_CAMPO, NEMONICO, TIPO, RANGO_CLAVES
dbl (1): LONGITUD

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Etiquetado en bucle de variables

Hoy vamos a etiquetar las variables con un bucle.

Aquí solo lo he podido resolver con base

DICC_TB_SEC_III$NEMONICO

 [1] "ID_VIV"    "ID_PER"    "UPM"       "VIV_SEL"   "CVE_ENT"   "NOM_ENT"  
 [7] "CVE_MUN"   "NOM_MUN"   "HOGAR"     "T_INSTRUM" "N_REN"     "P3_1"     
[13] "P3_2"      "P3_3"      "P3_4"      "P3_5"      "P3_6"      "P3_7"     
[19] "P3_8"      "FAC_VIV"   "FAC_MUJ"   "DOMINIO"   "EST_DIS"   "UPM_DIS"  
[25] "ESTRATO"  

TB_SEC_III[["ID_VIV"]] %>% head()

[1] "0100003.01" "0100003.02" "0100003.03" "0100003.05" "0100004.01"
[6] "0100004.02"

DICC_TB_SEC_III[DICC_TB_SEC_III$NEMONICO=="ID_VIV",]$NOMBRE_CAMPO

[1] "Identificador de vivienda seleccionada"

for (i in DICC_TB_SEC_III$NEMONICO) {
  
  TB_SEC_III[[i]]<-sjlabelled::set_label(TB_SEC_III[[i]], label=DICC_TB_SEC_III[DICC_TB_SEC_III$NEMONICO==i,]$NOMBRE_CAMPO)
  
}

for (i in DICC_TB_SEC_IV$NEMONICO) {
  
  TB_SEC_IV[[i]]<-sjlabelled::set_label(TB_SEC_IV[[i]], label=DICC_TB_SEC_IV[DICC_TB_SEC_IV$NEMONICO==i,]$NOMBRE_CAMPO)
  
}

Importación de catalagos

Aquí hay una pequeña complicación, hay un archivo por preguntar. Para esto nos servirán las funciones de dir()

dir("data_t3")

[1] "conjunto_de_datos_endireh_2021_csv" "endireh2021_fd.pdf"                

Lista los archivos que hay. Si no tienen extensión son carpetas.

cd3<-paste0(cd2,"TB_SEC_III","/catalogos")
dir(cd3)

 [1] "CVE_ENT.csv"   "CVE_MUN.csv"   "DOMINIO.csv"   "ESTRATO.csv"  
 [5] "EST_DIS.csv"   "FAC_MUJ.csv"   "FAC_VIV.csv"   "HOGAR.csv"    
 [9] "ID_PER.csv"    "ID_VIV.csv"    "NOM_ENT.csv"   "NOM_MUN.csv"  
[13] "N_REN.csv"     "P3_1.csv"      "P3_2.csv"      "P3_3.csv"     
[17] "P3_4.csv"      "P3_5.csv"      "P3_6.csv"      "P3_7.csv"     
[21] "P3_8.csv"      "T_INSTRUM.csv" "UPM.csv"       "UPM_DIS.csv"  
[25] "VIV_SEL.csv"  

Podemos guardar esa lista como un objeto caracter

cat_TB_SEC_III<-dir(cd3) %>% stringr::str_remove_all(".csv")

Etiquetado de valores

Vamos a etiquetar, ojo las variables de “id” no se etiquetan en valores.

vars<-cat_TB_SEC_III[c(1:8, 14:25)]

for (i in vars) {
  
  x <- readr::read_csv(paste0(cd3,"/",i,".csv"),
                locale = locale(encoding = "latin1")) %>% unique()
  
  TB_SEC_III[[i]]<-as.numeric(TB_SEC_III[[i]])
  TB_SEC_III[[i]]<-set_labels(TB_SEC_III[[i]], labels=x$descrip)
}

Rows: 1 Columns: 2
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): CVE_ENT, descrip

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
More values in "x" than length of "labels". Additional values were added to labels.

Rows: 1 Columns: 2
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): CVE_MUN, descrip

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
More values in "x" than length of "labels". Additional values were added to labels.

Rows: 5 Columns: 2
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): DOMINIO, descrip

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Warning: NAs introducidos por coerción

More labels than values of "x". Using first 0 labels.
Rows: 4 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): ESTRATO, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Rows: 1 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): EST_DIS, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More values in "x" than length of "labels". Additional values were added to labels.
Rows: 1 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): FAC_MUJ, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More values in "x" than length of "labels". Additional values were added to labels.
Rows: 1 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): FAC_VIV, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More values in "x" than length of "labels". Additional values were added to labels.
Rows: 1 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): HOGAR, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More values in "x" than length of "labels". Additional values were added to labels.
Rows: 6 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (1): descrip
dbl (1): P3_1
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Rows: 3 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): P3_2, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More labels than values of "x". Using first 2 labels.
Rows: 8 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): P3_3, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More labels than values of "x". Using first 7 labels.
Rows: 3 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): P3_4, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More labels than values of "x". Using first 2 labels.
Rows: 3 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): P3_5, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More labels than values of "x". Using first 2 labels.
Rows: 5 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): P3_6, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More labels than values of "x". Using first 4 labels.
Rows: 3 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): P3_7, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More labels than values of "x". Using first 2 labels.
Rows: 6 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): P3_8, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Warning: NAs introducidos por coerción

More labels than values of "x". Using first 0 labels.
Rows: 6 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): T_INSTRUM, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

Warning: NAs introducidos por coerción

More labels than values of "x". Using first 0 labels.
Rows: 1 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): UPM, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More values in "x" than length of "labels". Additional values were added to labels.
Rows: 5 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): UPM_DIS, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More values in "x" than length of "labels". Additional values were added to labels.
Rows: 1 Columns: 2── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): VIV_SEL, descrip
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.More values in "x" than length of "labels". Additional values were added to labels.

Ejercicio, haz lo mismo para la sección IV

cd3<-paste0(cd2,"TB_SEC_IV","/catalogos")
dir(cd3)

 [1] "CVE_ENT.csv"   "CVE_MUN.csv"   "DOMINIO.csv"   "ESTRATO.csv"  
 [5] "EST_DIS.csv"   "FAC_MUJ.csv"   "FAC_VIV.csv"   "HOGAR.csv"    
 [9] "ID_PER.csv"    "ID_VIV.csv"    "NOM_ENT.csv"   "NOM_MUN.csv"  
[13] "N_REN.csv"     "N_REN_ESP.csv" "P4AB_1.csv"    "P4AB_2.csv"   
[17] "P4A_1.csv"     "P4A_2.csv"     "P4BC_1.csv"    "P4BC_2.csv"   
[21] "P4BC_3.csv"    "P4BC_4.csv"    "P4BC_5.csv"    "P4B_1.csv"    
[25] "P4B_2.csv"     "P4C_1.csv"     "P4_1.csv"      "P4_10_2_1.csv"
[29] "P4_10_2_2.csv" "P4_10_2_3.csv" "P4_10_3_1.csv" "P4_10_3_2.csv"
[33] "P4_10_3_3.csv" "P4_11.csv"     "P4_12_1.csv"   "P4_12_2.csv"  
[37] "P4_12_3.csv"   "P4_12_4.csv"   "P4_12_5.csv"   "P4_12_6.csv"  
[41] "P4_12_7.csv"   "P4_13_1.csv"   "P4_13_2.csv"   "P4_13_3.csv"  
[45] "P4_13_4.csv"   "P4_13_5.csv"   "P4_13_6.csv"   "P4_13_7.csv"  
[49] "P4_2.csv"      "P4_2_1.csv"    "P4_3.csv"      "P4_4.csv"     
[53] "P4_4_CVE.csv"  "P4_5_1_AB.csv" "P4_5_AB.csv"   "P4_6_AB.csv"  
[57] "P4_7_AB.csv"   "P4_8_1.csv"    "P4_8_2.csv"    "P4_8_3.csv"   
[61] "P4_8_4.csv"    "P4_8_5.csv"    "P4_8_6.csv"    "P4_8_7.csv"   
[65] "P4_9_1.csv"    "P4_9_2.csv"    "P4_9_3.csv"    "P4_9_4.csv"   
[69] "P4_9_5.csv"    "P4_9_6.csv"    "P4_9_7.csv"    "T_INSTRUM.csv"
[73] "UPM.csv"       "UPM_DIS.csv"   "VIV_SEL.csv"  

DICC_TB_SEC_IV %>% 
  filter(TIPO=="Numérico") %>% 
  select(NEMONICO) -> vars

# for (i in vars$NEMONICO) {
#   
#   x <- read_csv(paste0(cd3,"/",i,".csv"),
#                 locale = locale(encoding = "latin1")) %>% unique() 
#   
#   TB_SEC_IV[[i]]<-as.numeric(TB_SEC_IV[[i]])
#   
#   TB_SEC_IV[[i]]<-set_labels(TB_SEC_IV[[i]], labels=x$descrip)
# }

Pueden haber errores pero pues, ahorra mucho

TB_SEC_III %>% 
  mutate(P3_1=as_label(P3_1)) %>% 
  tabyl(P3_1)

                 P3_1     n    percent
 vive en unión libre? 23597 0.21427080
       está separada?  8628 0.07834591
     está divorciada?  3173 0.02881219
            es viuda?  9750 0.08853415
         está casada? 44977 0.40841029
        está soltera? 20002 0.18162667

No siempre funciona… o funcional 100

TB_SEC_IV %>% 
  mutate(P4AB_1=as_label(P4AB_1)) %>% 
  tabyl(P4AB_1) 

 P4AB_1     n   percent valid_percent
      1 31398 0.2851072    0.34620855
      2  2115 0.0192051    0.02332095
      3 36019 0.3270678    0.39716179
      4 21159 0.1921327    0.23330871
     NA 19436 0.1764871            NA

Lo ideal en este caso es etiquetar antes de fusionar.

Vamos a botar algunos objeto que ya no ocuparemos

Checa con glipmse()

glimpse(TB_SEC_III$P3_1) # perdimos la label

 num [1:110127] 5 5 4 6 2 4 2 4 5 5 ...
 - attr(*, "labels")= Named num [1:6] 1 2 3 4 5 6
  ..- attr(*, "names")= chr [1:6] "vive en unión libre?" "está separada?" "está divorciada?" "es viuda?" ...

rm(list=ls(pattern="^DICC_"))
rm(list=ls(pattern="^cat_"))

Fusionado

Para que se guarden las etiquetas debemos usar los “join” de {dplyr}

Además esta base no tiene una sólo variable del id. Tiene un identificador compuesto. Podemos hacer un objeto tipo vector

endireh2021_ind<-TB_SEC_III %>% 
  left_join(TB_SEC_IV, by="ID_PER") %>% 
  select(-ends_with(".y")) %>% # quita todas las variables que terminan en .y
  rename_with(~ stringr::str_remove(.x,  pattern = ".x"),  ends_with(".x")) %>% 
  left_join(TB_SEC_VIII, by="ID_PER") %>% 
  select(-ends_with(".y")) %>% # quita todas las variables que terminan en .y
  rename_with(~ stringr::str_remove(.x,  pattern = ".x"),  ends_with(".x")) 

endireh2021_ind %>% names()

  [1] "ID_VIV"     "ID_PER"     "UPM"        "VIV_SEL"    "CVE_ENT"   
  [6] "NOM_ENT"    "CVE_MUN"    "NOM_MUN"    "HOGAR"      "T_INSTRUM" 
 [11] "N_REN"      "P3_1"       "P3_2"       "P3_3"       "P3_4"      
 [16] "P3_5"       "P3_6"       "P3_7"       "P3_8"       "FAC_VIV"   
 [21] "FAC_MUJ"    "DOMINIO"    "ESTRATO"    "EST_DIS"    "UPM_DIS"   
 [26] "N_REN_ESP"  "P4AB_1"     "P4AB_2"     "P4A_1"      "P4A_2"     
 [31] "P4B_1"      "P4B_2"      "P4BC_1"     "P4BC_2"     "P4C_1"     
 [36] "P4BC_3"     "P4BC_4"     "P4BC_5"     "P4_1"       "P4_2"      
 [41] "P4_2_1"     "P4_3"       "P4_4"       "P4_4_CVE"   "P4_5_AB"   
 [46] "P4_5_1_AB"  "P4_6_AB"    "P4_7_AB"    "P4_8_1"     "P4_8_2"    
 [51] "P4_8_3"     "P4_8_4"     "P4_8_5"     "P4_8_6"     "P4_8_7"    
 [56] "P4_9_1"     "P4_9_2"     "P4_10_2_1"  "P4_10_2_2"  "P4_10_2_3" 
 [61] "P4_9_3"     "P4_10_3_1"  "P4_10_3_2"  "P4_10_3_3"  "P4_9_4"    
 [66] "P4_9_5"     "P4_9_6"     "P4_9_7"     "P4_11"      "P4_12_1"   
 [71] "P4_12_2"    "P4_12_3"    "P4_12_4"    "P4_12_5"    "P4_12_6"   
 [76] "P4_12_7"    "P4_13_1"    "P4_13_2"    "P4_13_3"    "P4_13_4"   
 [81] "P4_13_5"    "P4_13_6"    "P4_13_7"    "P8_1"       "P8_2"      
 [86] "P8_3_1_1"   "P8_3_1_2"   "P8_3_2_1"   "P8_3_2_2"   "P8_3_2_3"  
 [91] "P8_4"       "P8_5"       "P8_6"       "P8_6_CVE"   "P8_7"      
 [96] "P8_8_1"     "P8_8_2"     "P8_8_3"     "P8_8_4"     "P8_8_5"    
[101] "P8_8_6"     "P8_8_7"     "P8_8_8"     "P8_8_9"     "P8_9_1"    
[106] "P8_9_2"     "P8_9_3"     "P8_9_4"     "P8_9_5"     "P8_9_6"    
[111] "P8_9_7"     "P8_9_8"     "P8_9_9"     "P8_9_10"    "P8_9_11"   
[116] "P8_9_12"    "P8_9_13"    "P8_9_14"    "P8_9_15"    "P8_9_16"   
[121] "P8_9_17"    "P8_9_18"    "P8_9_19"    "P8_10_1_1"  "P8_10_1_2" 
[126] "P8_10_1_3"  "P8_11_1"    "P8_12_1_1"  "P8_12_1_2"  "P8_12_1_3" 
[131] "P8_10_2_1"  "P8_10_2_2"  "P8_10_2_3"  "P8_11_2"    "P8_12_2_1" 
[136] "P8_12_2_2"  "P8_12_2_3"  "P8_10_3_1"  "P8_10_3_2"  "P8_10_3_3" 
[141] "P8_11_3"    "P8_12_3_1"  "P8_12_3_2"  "P8_12_3_3"  "P8_13_3_1" 
[146] "P8_13_3_2"  "P8_13_3_3"  "P8_10_4_1"  "P8_10_4_2"  "P8_10_4_3" 
[151] "P8_11_4"    "P8_12_4_1"  "P8_12_4_2"  "P8_12_4_3"  "P8_13_4_1" 
[156] "P8_13_4_2"  "P8_13_4_3"  "P8_10_5_1"  "P8_10_5_2"  "P8_10_5_3" 
[161] "P8_11_5"    "P8_12_5_1"  "P8_12_5_2"  "P8_12_5_3"  "P8_13_5_1" 
[166] "P8_13_5_2"  "P8_13_5_3"  "P8_10_6_1"  "P8_10_6_2"  "P8_10_6_3" 
[171] "P8_11_6"    "P8_12_6_1"  "P8_12_6_2"  "P8_12_6_3"  "P8_13_6_1" 
[176] "P8_13_6_2"  "P8_13_6_3"  "P8_10_7_1"  "P8_10_7_2"  "P8_10_7_3" 
[181] "P8_11_7"    "P8_12_7_1"  "P8_12_7_2"  "P8_12_7_3"  "P8_13_7_1" 
[186] "P8_13_7_2"  "P8_13_7_3"  "P8_10_8_1"  "P8_10_8_2"  "P8_10_8_3" 
[191] "P8_11_8"    "P8_12_8_1"  "P8_12_8_2"  "P8_12_8_3"  "P8_13_8_1" 
[196] "P8_13_8_2"  "P8_13_8_3"  "P8_10_9_1"  "P8_10_9_2"  "P8_10_9_3" 
[201] "P8_11_9"    "P8_12_9_1"  "P8_12_9_2"  "P8_12_9_3"  "P8_13_9_1" 
[206] "P8_13_9_2"  "P8_13_9_3"  "P8_10_10_1" "P8_10_10_2" "P8_10_10_3"
[211] "P8_11_10"   "P8_12_10_1" "P8_12_10_2" "P8_12_10_3" "P8_13_10_1"
[216] "P8_13_10_2" "P8_13_10_3" "P8_10_11_1" "P8_10_11_2" "P8_10_11_3"
[221] "P8_11_11"   "P8_12_11_1" "P8_12_11_2" "P8_12_11_3" "P8_13_11_1"
[226] "P8_13_11_2" "P8_13_11_3" "P8_10_12_1" "P8_10_12_2" "P8_10_12_3"
[231] "P8_11_12"   "P8_12_12_1" "P8_12_12_2" "P8_12_12_3" "P8_13_12_1"
[236] "P8_13_12_2" "P8_13_12_3" "P8_10_13_1" "P8_10_13_2" "P8_10_13_3"
[241] "P8_11_13"   "P8_12_13_1" "P8_12_13_2" "P8_12_13_3" "P8_13_13_1"
[246] "P8_13_13_2" "P8_13_13_3" "P8_10_14_1" "P8_10_14_2" "P8_10_14_3"
[251] "P8_11_14"   "P8_12_14_1" "P8_12_14_2" "P8_12_14_3" "P8_13_14_1"
[256] "P8_13_14_2" "P8_13_14_3" "P8_10_15_1" "P8_10_15_2" "P8_10_15_3"
[261] "P8_11_15"   "P8_12_15_1" "P8_12_15_2" "P8_12_15_3" "P8_13_15_1"
[266] "P8_13_15_2" "P8_13_15_3" "P8_10_16_1" "P8_10_16_2" "P8_10_16_3"
[271] "P8_11_16"   "P8_12_16_1" "P8_12_16_2" "P8_12_16_3" "P8_13_16_1"
[276] "P8_13_16_2" "P8_13_16_3" "P8_10_17_1" "P8_10_17_2" "P8_10_17_3"
[281] "P8_11_17"   "P8_12_17_1" "P8_12_17_2" "P8_12_17_3" "P8_13_17_1"
[286] "P8_13_17_2" "P8_13_17_3" "P8_10_18_1" "P8_10_18_2" "P8_10_18_3"
[291] "P8_11_18"   "P8_12_18_1" "P8_12_18_2" "P8_12_18_3" "P8_13_18_1"
[296] "P8_13_18_2" "P8_13_18_3" "P8_10_19_1" "P8_10_19_2" "P8_10_19_3"
[301] "P8_11_19"   "P8_12_19_1" "P8_12_19_2" "P8_12_19_3" "P8_13_19_1"
[306] "P8_13_19_2" "P8_13_19_3"

Hoy pegamos estas 110,127 mujeres al sociodemográfico

endireh2021<-endireh2021_ind %>% 
  right_join(TSDem, by="ID_PER") %>%  # ojo con el right ¿por qué?
  select(-ends_with(".x")) %>% # quita todas las variables que terminan en .x
  rename_with(~ stringr::str_remove(.x,  pattern = ".y"),  ends_with(".y"))

Finalmente pegamos la vivienda.

endireh2021<-endireh2021 %>% 
  right_join(TVIV, by="ID_VIV") %>%  # ojo con el right ¿por qué?
  select(-ends_with(".x")) %>% # quita todas las variables que terminan en .x
  rename_with(~ stringr::str_remove(.x,  pattern = ".y"),  ends_with(".y"))

rm(endireh2021_ind, indice_tablas)

Skim

endireh2021 %>% 
  skimr::skim()

Data summary

Name	Piped data
Number of rows	432746
Number of columns	351
_______________________
Column type frequency:
character	50
logical	84
numeric	217
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
ID_PER	0	1.00	15	15	0	432746	0
N_REN_ESP	364206	0.16	2	2	0	16	0
P4AB_2	408186	0.06	2	2	0	70	0
P4BC_2	396008	0.08	2	2	0	13	0
P4_2	383766	0.11	6	6	0	545	0
P4_4	361532	0.16	3	198	0	23954	0
P4_5_AB	369721	0.15	6	6	0	365	0
P4_7_AB	365948	0.15	6	6	0	300	0
P4_9_1	425312	0.02	6	6	0	279	0
P4_9_2	429400	0.01	6	6	0	104	0
P4_9_3	427387	0.01	6	6	0	103	0
P4_9_4	427310	0.01	6	6	0	162	0
P4_9_5	430655	0.00	6	6	0	129	0
P4_9_6	417572	0.04	6	6	0	246	0
P4_9_7	431864	0.00	6	6	0	102	0
P4_13_1	418194	0.03	2	2	0	9	0
P4_13_2	387815	0.10	2	2	0	9	0
P4_13_3	420806	0.03	2	2	0	9	0
P4_13_4	359756	0.17	2	2	0	10	0
P4_13_5	429554	0.01	2	2	0	9	0
P4_13_6	431102	0.00	2	2	0	9	0
P4_13_7	427327	0.01	2	2	0	9	0
P8_6	394950	0.09	3	164	0	15143	0
P8_7	394950	0.09	2	2	0	15	0
ID_VIV	0	1.00	10	10	0	122646	0
N_REN	0	1.00	2	2	0	24	0
NOMBRE	0	1.00	1	1	0	1	0
PAREN	0	1.00	2	2	0	11	0
EDAD	0	1.00	2	2	0	100	0
P2_5	0	1.00	2	2	0	24	0
P2_6	0	1.00	2	2	0	22	0
NIV	16648	0.96	2	2	0	12	0
P2_14	271145	0.37	2	2	0	13	0
REN_MUJ_EL	322619	0.25	2	2	0	16	0
REN_INF_AD	310100	0.28	2	2	0	18	0
UPM	0	1.00	7	7	0	17763	0
VIV_SEL	0	1.00	2	2	0	24	0
CVE_ENT	0	1.00	2	2	0	32	0
NOM_ENT	0	1.00	6	31	0	32	0
CVE_MUN	0	1.00	3	3	0	269	0
NOM_MUN	0	1.00	4	49	0	1206	0
COD_RES	0	1.00	2	2	0	2	0
P1_2	0	1.00	2	2	0	12	0
P1_2_A	0	1.00	2	2	0	21	0
P1_3	0	1.00	2	2	0	76	0
P1_7	0	1.00	2	2	0	24	0
P1_9	411265	0.05	2	2	0	5	0
DOMINIO	0	1.00	1	1	0	3	0
EST_DIS	0	1.00	4	4	0	617	0
UPM_DIS	0	1.00	5	5	0	17763	0

Variable type: logical

skim_variable	n_missing	complete_rate	mean	count
P4_10_2_3	432746	0	NaN	:
P4_10_3_3	432746	0	NaN	:
P8_12_1_3	432746	0	NaN	:
P8_10_2_2	432743	0	1	TRU: 3
P8_10_2_3	432746	0	NaN	:
P8_12_2_1	432727	0	1	TRU: 19
P8_12_2_2	432746	0	NaN	:
P8_12_2_3	432746	0	NaN	:
P8_12_3_2	432746	0	NaN	:
P8_12_3_3	432746	0	NaN	:
P8_13_3_2	432746	0	NaN	:
P8_13_3_3	432746	0	NaN	:
P8_10_4_3	432746	0	NaN	:
P8_12_4_2	432746	0	NaN	:
P8_12_4_3	432746	0	NaN	:
P8_13_4_2	432746	0	NaN	:
P8_13_4_3	432746	0	NaN	:
P8_10_5_3	432745	0	1	TRU: 1
P8_12_5_2	432746	0	NaN	:
P8_12_5_3	432746	0	NaN	:
P8_13_7_2	432746	0	NaN	:
P8_13_7_3	432746	0	NaN	:
P8_10_8_2	432746	0	NaN	:
P8_10_8_3	432746	0	NaN	:
P8_12_8_2	432746	0	NaN	:
P8_12_8_3	432746	0	NaN	:
P8_13_8_2	432746	0	NaN	:
P8_13_8_3	432746	0	NaN	:
P8_10_9_1	432716	0	1	TRU: 30
P8_10_9_2	432746	0	NaN	:
P8_10_9_3	432746	0	NaN	:
P8_11_9	432736	0	1	TRU: 10
P8_12_9_1	432741	0	1	TRU: 5
P8_12_9_2	432746	0	NaN	:
P8_12_9_3	432746	0	NaN	:
P8_13_9_1	432684	0	1	TRU: 62
P8_13_9_2	432746	0	NaN	:
P8_13_9_3	432746	0	NaN	:
P8_10_10_2	432746	0	NaN	:
P8_10_10_3	432746	0	NaN	:
P8_12_10_2	432746	0	NaN	:
P8_12_10_3	432746	0	NaN	:
P8_13_10_2	432746	0	NaN	:
P8_13_10_3	432746	0	NaN	:
P8_10_11_3	432746	0	NaN	:
P8_12_11_2	432746	0	NaN	:
P8_12_11_3	432746	0	NaN	:
P8_13_11_2	432746	0	NaN	:
P8_13_11_3	432746	0	NaN	:
P8_10_12_3	432746	0	NaN	:
P8_12_12_2	432746	0	NaN	:
P8_12_12_3	432746	0	NaN	:
P8_10_13_2	432746	0	NaN	:
P8_10_13_3	432746	0	NaN	:
P8_12_13_2	432746	0	NaN	:
P8_12_13_3	432746	0	NaN	:
P8_13_13_2	432746	0	NaN	:
P8_13_13_3	432746	0	NaN	:
P8_10_14_2	432746	0	NaN	:
P8_10_14_3	432746	0	NaN	:
P8_12_14_2	432746	0	NaN	:
P8_12_14_3	432746	0	NaN	:
P8_13_14_2	432746	0	NaN	:
P8_13_14_3	432746	0	NaN	:
P8_10_15_3	432745	0	1	TRU: 1
P8_12_15_2	432746	0	NaN	:
P8_12_15_3	432746	0	NaN	:
P8_13_15_2	432746	0	NaN	:
P8_13_15_3	432746	0	NaN	:
P8_10_16_2	432745	0	1	TRU: 1
P8_10_16_3	432746	0	NaN	:
P8_12_16_2	432746	0	NaN	:
P8_12_16_3	432746	0	NaN	:
P8_13_16_2	432746	0	NaN	:
P8_13_16_3	432746	0	NaN	:
P8_13_17_3	432746	0	NaN	:
P8_13_18_2	432746	0	NaN	:
P8_13_18_3	432746	0	NaN	:
P8_10_19_2	432746	0	NaN	:
P8_10_19_3	432746	0	NaN	:
P8_12_19_2	432746	0	NaN	:
P8_12_19_3	432746	0	NaN	:
P8_13_19_2	432746	0	NaN	:
P8_13_19_3	432746	0	NaN	:

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
T_INSTRUM	432746	0.00	NaN	NA	NA	NA	NA	NA	NA
P3_1	322619	0.25	3.94	1.84	1	2.00	5.0	5.00	6	▆▁▂▇▃
P3_2	364172	0.16	1.04	0.19	1	1.00	1.0	1.00	2	▇▁▁▁▁
P3_3	430175	0.01	2.85	1.96	1	1.00	3.0	3.00	7	▇▆▁▁▃
P3_4	411195	0.05	1.93	0.25	1	2.00	2.0	2.00	2	▁▁▁▁▇
P3_5	431261	0.00	1.96	0.20	1	2.00	2.0	2.00	2	▁▁▁▁▇
P3_6	412744	0.05	2.69	1.11	1	1.00	3.0	3.00	4	▅▁▁▇▅
P3_7	423107	0.02	1.80	0.40	1	2.00	2.0	2.00	2	▂▁▁▁▇
P3_8	432746	0.00	NaN	NA	NA	NA	NA	NA	NA
P4AB_1	342055	0.21	2.52	1.19	1	1.00	3.0	3.00	4	▇▁▁▇▅
P4A_1	430337	0.01	4.56	2.81	1	2.00	5.0	7.00	9	▇▆▅▃▆
P4A_2	430337	0.01	4.99	2.64	1	3.00	5.0	8.00	8	▅▂▅▂▇
P4B_1	410595	0.05	1.99	0.93	1	1.00	2.0	3.00	3	▇▁▂▁▇
P4B_2	420179	0.03	3.87	2.14	1	2.00	3.0	5.00	9	▇▆▃▁▃
P4BC_1	396008	0.08	49.47	24.36	12	29.00	46.0	65.00	99	▇▇▇▃▃
P4C_1	418159	0.03	2.70	2.27	1	2.00	2.0	2.00	8	▇▁▁▁▂
P4BC_3	396008	0.08	3.07	1.69	1	3.00	3.0	3.00	8	▂▇▁▁▁
P4BC_4	396008	0.08	1.94	0.23	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4BC_5	430619	0.00	1.05	0.22	1	1.00	1.0	1.00	2	▇▁▁▁▁
P4_1	322619	0.25	1.56	0.50	1	1.00	2.0	2.00	2	▆▁▁▁▇
P4_2_1	388187	0.10	1.69	0.87	1	1.00	1.0	3.00	9	▇▃▁▁▁
P4_3	337052	0.22	1.83	2.05	1	1.00	1.0	2.00	9	▇▁▁▁▁
P4_4_CVE	361533	0.16	6257.34	2695.63	980	4111.00	6311.0	8349.00	9999	▅▃▅▅▇
P4_5_1_AB	385711	0.11	1.57	0.83	1	1.00	1.0	2.00	9	▇▂▁▁▁
P4_6_AB	351639	0.19	1.23	0.67	1	1.00	1.0	1.00	9	▇▁▁▁▁
P4_8_1	322619	0.25	1.93	0.25	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_8_2	322619	0.25	1.97	0.17	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_8_3	322619	0.25	1.95	0.22	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_8_4	322619	0.25	1.95	0.22	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_8_5	322619	0.25	1.98	0.14	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_8_6	322619	0.25	1.86	0.34	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_8_7	322619	0.25	1.99	0.09	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_10_2_1	429400	0.01	2.36	0.92	1	2.00	2.0	3.00	5	▂▇▂▂▁
P4_10_2_2	432610	0.00	3.56	0.73	2	3.00	4.0	4.00	5	▁▇▁▇▂
P4_10_3_1	427388	0.01	2.07	0.83	1	2.00	2.0	2.00	5	▂▇▁▁▁
P4_10_3_2	432480	0.00	3.67	0.67	2	3.00	4.0	4.00	5	▁▆▁▇▁
P4_11	322619	0.25	1.48	0.50	1	1.00	1.0	2.00	2	▇▁▁▁▇
P4_12_1	322619	0.25	1.87	0.34	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_12_2	322619	0.25	1.59	0.49	1	1.00	2.0	2.00	2	▆▁▁▁▇
P4_12_3	322619	0.25	1.89	0.31	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_12_4	322619	0.25	1.34	0.47	1	1.00	1.0	2.00	2	▇▁▁▁▅
P4_12_5	322619	0.25	1.97	0.17	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_12_6	322619	0.25	1.99	0.12	1	2.00	2.0	2.00	2	▁▁▁▁▇
P4_12_7	322619	0.25	1.95	0.22	1	2.00	2.0	2.00	2	▁▁▁▁▇
P8_1	322619	0.25	1.19	0.40	1	1.00	1.0	1.00	2	▇▁▁▁▂
P8_2	343986	0.21	1.24	0.43	1	1.00	1.0	1.00	2	▇▁▁▁▂
P8_3_1_1	365660	0.16	1.99	0.78	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_3_1_2	365660	0.16	2.05	0.74	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_3_2_1	365660	0.16	2.76	0.97	1	2.00	3.0	3.00	9	▅▇▁▁▁
P8_3_2_2	365660	0.16	2.76	0.96	1	2.00	3.0	3.00	9	▅▇▁▁▁
P8_3_2_3	365660	0.16	2.76	0.96	1	2.00	3.0	3.00	9	▅▇▁▁▁
P8_4	365660	0.16	1.18	0.38	1	1.00	1.0	1.00	2	▇▁▁▁▂
P8_5	377418	0.13	2.09	1.50	1	1.00	1.0	4.00	6	▇▁▃▁▁
P8_6_CVE	394950	0.09	5618.39	2993.52	980	3111.00	4231.0	9411.00	9999	▆▇▃▂▇
P8_8_1	394950	0.09	2.08	0.73	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_8_2	394950	0.09	2.07	0.74	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_8_3	394950	0.09	2.13	0.71	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_8_4	394950	0.09	2.14	0.67	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_8_5	394950	0.09	2.16	0.70	1	2.00	2.0	2.00	9	▇▂▁▁▁
P8_8_6	394950	0.09	2.68	0.79	1	2.00	3.0	3.00	9	▅▇▁▁▁
P8_8_7	394950	0.09	2.13	0.68	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_8_8	394950	0.09	2.09	0.69	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_8_9	394950	0.09	2.00	0.61	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_1	343986	0.21	1.99	0.47	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_2	343986	0.21	2.02	0.44	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_3	343986	0.21	1.98	0.48	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_4	343986	0.21	2.01	0.46	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_5	343986	0.21	1.98	0.48	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_6	343986	0.21	1.94	0.52	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_7	343986	0.21	1.97	0.49	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_8	343986	0.21	2.02	0.44	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_9	343986	0.21	2.02	0.44	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_10	343986	0.21	2.02	0.44	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_11	343986	0.21	2.00	0.46	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_12	343986	0.21	2.00	0.46	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_13	343986	0.21	2.01	0.45	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_14	343986	0.21	2.02	0.44	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_15	343986	0.21	1.99	0.48	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_16	343986	0.21	2.01	0.45	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_17	343986	0.21	1.98	0.48	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_18	343986	0.21	1.98	0.49	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_9_19	343986	0.21	2.02	0.45	1	2.00	2.0	2.00	9	▇▁▁▁▁
P8_10_1_1	429702	0.01	3.55	1.88	1	2.00	4.0	4.00	8	▅▁▇▁▁
P8_10_1_2	432009	0.00	4.49	1.53	1	4.00	4.0	5.00	8	▁▁▇▂▁
P8_10_1_3	432519	0.00	5.35	1.69	1	4.00	5.0	7.00	8	▁▁▇▂▅
P8_11_1	430239	0.01	3.09	1.15	1	2.00	4.0	4.00	9	▅▇▁▁▁
P8_12_1_1	431558	0.00	3.69	1.81	1	2.00	4.0	5.00	8	▃▁▇▁▁
P8_12_1_2	432470	0.00	4.69	1.50	2	4.00	4.0	5.00	8	▃▇▅▂▂
P8_10_2_1	432262	0.00	4.50	1.96	1	4.00	4.0	6.00	8	▂▁▇▂▂
P8_11_2	432339	0.00	3.23	1.08	1	2.00	4.0	4.00	9	▃▇▁▁▁
P8_10_3_1	428664	0.01	2.42	1.78	1	1.00	2.0	3.00	8	▇▂▂▁▁
P8_10_3_2	432090	0.00	3.98	1.60	1	3.00	4.0	5.00	8	▃▃▇▁▂
P8_10_3_3	432576	0.00	5.14	1.60	1	4.00	5.0	6.00	8	▁▂▇▁▃
P8_11_3	429930	0.01	3.45	1.14	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_3_1	431849	0.00	2.63	1.77	1	1.00	2.0	4.00	8	▇▂▃▁▁
P8_13_3_1	431849	0.00	1.30	0.96	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_4_1	430821	0.00	2.16	1.56	1	1.00	2.0	3.00	8	▇▂▁▁▁
P8_10_4_2	432457	0.00	3.57	1.50	2	2.00	3.0	4.00	8	▇▅▁▁▁
P8_11_4	431350	0.00	3.38	1.14	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_4_1	432274	0.00	2.28	1.47	1	1.00	2.0	3.00	8	▇▂▂▁▁
P8_13_4_1	432274	0.00	1.16	0.72	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_5_1	428761	0.01	3.26	2.12	1	1.00	3.0	4.00	8	▇▁▆▁▂
P8_10_5_2	432126	0.00	4.56	1.62	1	4.00	4.0	5.00	8	▂▂▇▂▂
P8_11_5	430061	0.01	3.37	1.15	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_5_1	431822	0.00	3.52	1.93	1	2.00	4.0	5.00	8	▆▁▇▁▁
P8_13_5_1	431822	0.00	1.33	0.88	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_13_5_2	432672	0.00	2.70	1.13	2	2.00	2.0	3.00	6	▇▂▁▂▁
P8_13_5_3	432736	0.00	3.50	0.71	3	3.00	3.0	4.00	5	▇▁▃▁▁
P8_10_6_1	425030	0.02	3.72	1.80	1	2.00	4.0	4.00	8	▃▁▇▁▁
P8_10_6_2	430989	0.00	4.60	1.47	1	4.00	4.0	5.00	8	▁▁▇▂▁
P8_10_6_3	432203	0.00	5.36	1.51	1	4.00	5.0	6.00	8	▁▁▇▃▃
P8_11_6	427212	0.01	3.12	1.22	1	2.00	4.0	4.00	9	▅▇▁▁▁
P8_12_6_1	430291	0.01	3.89	1.64	1	4.00	4.0	5.00	8	▂▁▇▁▁
P8_12_6_2	432196	0.00	4.76	1.37	2	4.00	5.0	5.00	8	▂▇▆▃▂
P8_12_6_3	432579	0.00	5.89	1.52	3	5.00	6.0	7.50	8	▇▇▇▂▇
P8_13_6_1	430291	0.01	1.25	0.84	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_13_6_2	432564	0.00	2.52	1.00	2	2.00	2.0	3.00	6	▇▁▁▁▁
P8_13_6_3	432716	0.00	3.63	0.81	3	3.00	3.0	4.00	6	▇▅▁▂▁
P8_10_7_1	427724	0.01	3.15	1.94	1	1.00	3.0	4.00	8	▇▂▇▁▁
P8_10_7_2	431646	0.00	4.31	1.62	1	3.00	4.0	5.00	8	▂▂▇▁▂
P8_10_7_3	432427	0.00	5.04	1.63	1	4.00	5.0	6.00	8	▁▂▇▂▃
P8_11_7	429292	0.01	3.20	1.23	1	2.00	4.0	4.00	9	▃▇▁▁▁
P8_12_7_1	431315	0.00	3.29	1.86	1	1.00	4.0	4.00	8	▇▁▇▁▁
P8_12_7_2	432423	0.00	4.37	1.50	2	4.00	4.0	5.00	8	▅▇▅▂▂
P8_12_7_3	432650	0.00	5.15	1.47	3	4.00	5.0	6.00	8	▇▆▃▂▂
P8_13_7_1	431315	0.00	1.22	0.82	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_8_1	432329	0.00	4.30	2.11	1	4.00	4.0	6.00	8	▃▁▇▂▃
P8_11_8	432450	0.00	3.48	0.99	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_8_1	432644	0.00	4.03	2.03	1	3.25	4.0	5.00	8	▃▁▇▁▂
P8_13_8_1	432644	0.00	1.44	0.92	1	1.00	1.0	2.00	5	▇▂▁▁▁
P8_10_10_1	432533	0.00	3.35	2.07	1	1.00	4.0	4.00	8	▇▁▇▁▂
P8_11_10	432595	0.00	3.34	1.18	1	2.50	4.0	4.00	9	▃▇▁▁▁
P8_12_10_1	432684	0.00	3.87	1.92	1	2.25	4.0	5.00	8	▃▁▇▁▁
P8_13_10_1	432684	0.00	1.58	1.44	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_11_1	430369	0.01	3.95	1.27	1	4.00	4.0	4.00	8	▁▁▇▁▁
P8_10_11_2	432421	0.00	4.88	1.81	1	4.00	4.0	6.00	8	▂▁▇▂▃
P8_11_11	430901	0.00	3.23	1.19	1	2.00	4.0	4.00	9	▃▇▁▁▁
P8_12_11_1	432018	0.00	3.97	1.21	1	4.00	4.0	4.00	8	▁▁▇▁▁
P8_13_11_1	432018	0.00	1.14	0.64	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_12_1	430323	0.01	4.87	2.02	1	4.00	5.0	6.00	8	▃▁▇▆▃
P8_10_12_2	432453	0.00	5.56	1.84	1	4.00	6.0	8.00	8	▁▁▇▅▆
P8_11_12	431043	0.00	3.30	1.13	1	2.00	4.0	4.00	9	▃▇▁▁▁
P8_12_12_1	432081	0.00	4.92	1.89	1	4.00	5.0	6.00	8	▂▁▇▅▂
P8_13_12_1	432081	0.00	1.83	0.74	1	1.00	2.0	2.00	5	▅▇▂▁▁
P8_13_12_2	432676	0.00	2.54	0.85	2	2.00	2.0	3.00	5	▇▂▁▁▁
P8_13_12_3	432731	0.00	3.13	0.35	3	3.00	3.0	3.00	4	▇▁▁▁▁
P8_10_13_1	431509	0.00	2.88	2.14	1	1.00	2.0	4.00	8	▇▁▃▁▂
P8_11_13	431961	0.00	3.58	1.17	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_13_1	432528	0.00	3.05	2.01	1	1.00	3.0	4.00	8	▇▁▆▁▁
P8_13_13_1	432528	0.00	1.45	1.10	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_14_1	432380	0.00	3.24	2.38	1	1.00	3.0	5.00	8	▇▁▃▁▂
P8_11_14	432519	0.00	3.48	1.17	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_14_1	432676	0.00	3.27	2.33	1	1.00	3.5	5.00	8	▇▁▆▁▂
P8_13_14_1	432676	0.00	2.16	1.64	1	1.00	1.0	3.00	6	▇▁▁▂▁
P8_10_15_1	429080	0.01	3.34	1.95	1	1.00	4.0	4.00	8	▇▁▇▁▂
P8_10_15_2	432243	0.00	4.56	1.46	1	4.00	4.0	5.00	8	▁▁▇▁▂
P8_11_15	430135	0.01	3.40	1.06	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_15_1	431816	0.00	3.53	1.73	1	2.00	4.0	4.00	8	▅▁▇▁▁
P8_13_15_1	431816	0.00	1.25	0.82	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_16_1	431620	0.00	3.90	2.22	1	1.00	4.0	6.00	8	▇▁▇▂▃
P8_11_16	431933	0.00	3.50	1.10	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_16_1	432488	0.00	4.13	1.92	1	3.00	4.0	5.00	8	▃▁▇▂▁
P8_13_16_1	432488	0.00	1.44	1.01	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_17_1	428939	0.01	2.64	1.76	1	1.00	2.0	4.00	8	▇▂▃▁▁
P8_10_17_2	431725	0.00	3.75	1.46	1	3.00	4.0	4.00	8	▃▂▇▁▁
P8_10_17_3	432418	0.00	4.65	1.58	1	4.00	4.0	5.00	8	▁▃▇▁▂
P8_11_17	429977	0.01	3.12	1.25	1	2.00	4.0	4.00	9	▅▇▁▁▁
P8_12_17_1	431512	0.00	2.58	1.62	1	1.00	2.0	4.00	8	▇▂▃▁▁
P8_12_17_2	432383	0.00	3.79	1.37	2	3.00	4.0	4.00	8	▆▇▂▁▁
P8_12_17_3	432634	0.00	4.89	1.54	3	4.00	5.0	6.00	8	▇▃▂▁▂
P8_13_17_1	431512	0.00	1.17	0.76	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_13_17_2	432713	0.00	2.76	1.32	2	2.00	2.0	3.00	6	▇▂▁▁▁
P8_10_18_1	428242	0.01	3.64	1.86	1	2.00	4.0	4.00	8	▅▁▇▁▁
P8_10_18_2	431756	0.00	4.47	1.63	1	4.00	4.0	5.00	8	▂▂▇▂▂
P8_10_18_3	432444	0.00	5.06	1.64	1	4.00	5.0	6.00	8	▁▂▇▂▃
P8_11_18	429510	0.01	3.15	1.21	1	2.00	4.0	4.00	9	▅▇▁▁▁
P8_12_18_1	431307	0.00	3.66	1.74	1	2.00	4.0	4.00	8	▅▁▇▁▁
P8_12_18_2	432405	0.00	4.60	1.56	2	4.00	4.0	5.00	8	▃▇▃▂▂
P8_12_18_3	432648	0.00	5.37	1.58	3	4.00	5.0	6.75	8	▇▅▃▂▃
P8_13_18_1	431307	0.00	1.21	0.75	1	1.00	1.0	1.00	6	▇▁▁▁▁
P8_10_19_1	431709	0.00	3.87	1.88	1	3.00	4.0	4.00	8	▃▁▇▁▂
P8_11_19	432027	0.00	3.36	1.14	1	3.00	4.0	4.00	9	▂▇▁▁▁
P8_12_19_1	432465	0.00	3.94	1.59	1	4.00	4.0	4.00	8	▂▁▇▁▁
P8_13_19_1	432465	0.00	1.31	0.95	1	1.00	1.0	1.00	6	▇▁▁▁▁
HOGAR	0	1.00	1.03	0.21	1	1.00	1.0	1.00	6	▇▁▁▁▁
SEXO	0	1.00	1.51	0.50	1	1.00	2.0	2.00	2	▇▁▁▁▇
GRA	16648	0.96	3.12	1.62	0	2.00	3.0	4.00	9	▂▇▂▂▁
P2_8	275478	0.36	1.30	0.50	1	1.00	1.0	2.00	9	▇▁▁▁▁
P2_9	16648	0.96	1.71	0.45	1	1.00	2.0	2.00	2	▃▁▁▁▇
P2_10	16648	0.96	2.53	1.14	1	1.00	3.0	3.00	8	▃▇▁▁▁
P2_11	16648	0.96	1.93	0.25	1	2.00	2.0	2.00	2	▁▁▁▁▇
P2_12	405162	0.06	1.08	0.26	1	1.00	1.0	1.00	2	▇▁▁▁▁
P2_13	81468	0.81	1.46	0.50	1	1.00	1.0	2.00	2	▇▁▁▁▇
P2_15	230938	0.47	2.17	1.50	1	1.00	1.0	4.00	6	▇▁▃▁▁
P2_16	81468	0.81	4.35	1.86	1	3.00	5.0	6.00	6	▆▁▁▇▇
COD_M15	263134	0.39	1.00	0.00	1	1.00	1.0	1.00	1	▁▁▇▁▁
CODIGO	263134	0.39	0.65	0.48	0	0.00	1.0	1.00	1	▅▁▁▁▇
FAC_MUJ	0	1.00	116.75	326.98	0	0.00	0.0	58.00	8836	▇▁▁▁▁
P1_1	0	1.00	2.40	0.55	1	2.00	2.0	3.00	3	▁▁▇▁▆
P1_4_1	0	1.00	1.41	0.49	1	1.00	1.0	2.00	2	▇▁▁▁▆
P1_4_2	0	1.00	1.08	0.27	1	1.00	1.0	1.00	2	▇▁▁▁▁
P1_4_3	0	1.00	1.58	0.49	1	1.00	2.0	2.00	2	▆▁▁▁▇
P1_4_4	0	1.00	1.64	0.48	1	1.00	2.0	2.00	2	▅▁▁▁▇
P1_4_5	0	1.00	1.06	0.24	1	1.00	1.0	1.00	2	▇▁▁▁▁
P1_4_6	0	1.00	1.10	0.30	1	1.00	1.0	1.00	2	▇▁▁▁▁
P1_4_7	0	1.00	1.24	0.42	1	1.00	1.0	1.00	2	▇▁▁▁▂
P1_4_8	0	1.00	1.51	0.50	1	1.00	2.0	2.00	2	▇▁▁▁▇
P1_4_9	0	1.00	1.36	0.48	1	1.00	1.0	2.00	2	▇▁▁▁▅
P1_5	0	1.00	1.43	1.10	1	1.00	1.0	1.00	6	▇▁▁▁▁
P1_6	0	1.00	1.36	0.76	1	1.00	1.0	2.00	5	▇▂▁▁▁
P1_8	0	1.00	1.05	0.22	1	1.00	1.0	1.00	2	▇▁▁▁▁
P1_10_1	411265	0.05	0.11	0.31	0	0.00	0.0	0.00	1	▇▁▁▁▁
P1_10_2	411265	0.05	0.84	0.36	0	1.00	1.0	1.00	1	▂▁▁▁▇
P1_10_3	411265	0.05	0.11	0.32	0	0.00	0.0	0.00	1	▇▁▁▁▁
P1_10_4	411265	0.05	0.13	0.33	0	0.00	0.0	0.00	1	▇▁▁▁▁
FAC_VIV	0	1.00	295.70	252.31	12	132.00	226.0	363.00	2826	▇▁▁▁▁
ESTRATO	0	1.00	2.14	0.82	1	2.00	2.0	3.00	4	▃▇▁▃▁