informe.Rmd

---
title: "Trabajo Final - GRUPO 14"
author: "Lopez Valeria - Alvarez Jorge"
output: 
   html_document:
     code_folding: hide
     toc: true
     theme: united
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(
	echo = TRUE,
	message = FALSE,
	warning = FALSE
)
# Cargar los paquetes necesarios acá
library(readr)
library(dplyr)
library(naniar)
library(ggplot2)
library(hexbin)
library(DT)
```

## Introducción

Los datos pertenecen a reseñas de vinos. Los datos provienen de WineEnthusiast y fueron tomados por Zack Thoutt. Se tomaron durante la semana del 15 de junio de 2017.

<https://www.kaggle.com/datasets/zynicide/wine-reviews>
<https://www.winemag.com/?s=&drink_type=wine>
<https://github.com/zackthoutt/wine-deep-learning/blob/master/README.md>

### Exploración de los datos

```{r}
# Código para cargar o leer los datos

vinos<- read_csv("datos/vinos.csv")
```

Tiene las siguientes variables: 

```{r}
names(vinos) #La función names() por su parte, nos devuelve los nombres de las variables
```

```{r}
cantidad_obs_vinos <-count(vinos) #La funcion count cuenta el nro de filas
```

Se pudieron encontrar en la tabla vinos __`r cantidad_obs_vinos `__ observaciones


```{r}
cantidad_variables_vinos <-length(vinos) # La funcion lengrh devuelve el tamaño de un elemento
```

Posee __`r cantidad_variables_vinos`__ Variables

### Algunas cosas para mostrar:

```{r}
valor_medio_precio <- summarise(vinos, valor_medio = mean(precio,na.rm = TRUE))

```
El valor medio de la variable precio es __`r valor_medio_precio`__

```{r}
desvio_std_precio <- summarise(vinos, desvio_std = sd(precio,na.rm = TRUE))
```

 El desvío estándar de la variable precio es __`r desvio_std_precio`__



```{r}
valor_max_precio <- summarise(vinos, Valor_max = max(precio,na.rm = TRUE))
```

El valor máximo de la variable precio es __`r valor_max_precio`__

```{r}
valor_min_precio <- summarise(vinos, Valor_min = min(precio,na.rm = TRUE))
```
El valor minimo de la variable precio es __`r valor_min_precio`__


```{r}
valor_medio_puntos <- summarise(vinos, valor_medio = mean(puntos,na.rm = TRUE))

```
El valor medio de la variable puntos es __`r valor_medio_puntos`__

```{r}
desv_std_puntos <- summarise(vinos, desvio_std = sd(puntos,na.rm = TRUE))
```
El desvios estandar de la variable puntos es __`r desv_std_puntos`__


```{r}
valor_max_puntos <-summarise(vinos,Valor_max = max(puntos,na.rm = TRUE))
valor_min_puntos <-summarise(vinos,Valor_min = min(puntos,na.rm = TRUE))
```
El valor minimo de la variable precio es __`r valor_max_puntos`__

El valor minimo de la variable precio es __`r valor_min_puntos`__




#### Cantidad de observaciones por la variable PAIS

```{r}
vinos|>
group_by(pais)|>
  summarise(n=n())|>
 datatable()
```

#### Cantidad de observaciones por la variable NOMBRE

```{r}
vinos|>
group_by(nombre)|>
  summarise(n=n())|>
  datatable()
   
```

#### Cantidad de observaciones por la variable PUNTOS

```{r}
vinos|>
group_by(puntos)|>
  summarise(n=n())|>
  datatable()

```

#### Cantidad de observaciones por la variable PRECIO

```{r}
vinos|>
group_by(precio)|>
summarise(n=n())|>
datatable()
  
```

#### Cantidad de observaciones por la variable PROVINCIA 

Se puede concluir que la provincia con mayor produccion de vinos es __California__

```{r}
vinos|>
group_by(provincia)|>
summarise(n=n()) |>
arrange(desc(n))|>
datatable()
  
```

#### Cantidad de observaciones por la variable REGION_1

_Se puede observar que la variable REGION_1 presenta una gran cantidad de valores NA_

```{r}
vinos|>
group_by(region_1)|>
summarise(n=n()) |>
arrange(desc(n))|>
 datatable()
  
```

#### Cantidad de observaciones por la variable REGION_2 

_Se puede observar que la variable REGION_2 presenta una gran cantidad de valores NA_
```{r}
vinos|>
group_by(region_2)|>
summarise(n=n()) |>
arrange(desc(n))|>
 datatable()  
  
```

#### Cantidad de observaciones por la variable VARIEDAD

La variedad de uvas mas usada para la fabricacion de vinos es la __Pinot
Noir__

```{r}
vinos|>
group_by(variedad)|>
  summarise(n=n()) |>
  arrange(desc(n))|>
   datatable()
  
```

#### Cantidad de observaciones por la variable ViÑA

```{r}
vinos|>
group_by(vina)|>
  summarise(n=n())|>
  datatable()
```

#### Cantidad de observaciones por la variable titulo_resena

```{r}
vinos|>
group_by(titulo_resena)|>
  summarise(n=n())|>
  datatable()
 
  
```

<span style="color:blue"> **_Definición valores faltantes en R,se entiende valores que debieron
haberse registrado, pero no lo fueron. R almacena los valores faltantes
como NA, lo que significa Not Available_** </span>

Primero preguntamos ¿Hay valores faltantes?

```{r}
any_na(vinos) #La función any_na() por su parte, nos devuelve TRUE si hay valores faltantes
```


```{r}
valores_faltantes <- sum(is.na(vinos))

```
Los cantidad de valores faltantes (NA) de la tabla vinos es __`r valores_faltantes`__

Los valores faltantes para cada variable es la siguiente

```{r}
apply(X = is.na(vinos), MARGIN = 2, FUN = sum)
```

Podemos observar que en las variables 'nombre' y 'region_2' es donde más datos faltantes hay.
Los datos faltantes son datos que deberían estar pero no fueron registrados.

#### Cantidad de observaciones por la variable PUNTOS, ordenado de forma decreciente

```{r}
 vinos|>
  group_by(puntos)|>
  summarise(n=n()) |>
  arrange(desc(puntos)) |>
 ggplot(mapping = aes(x= puntos, y = n))+
   geom_col()

```

#### Cantidad de observaciones por PAIS, ordenado en forma decreciente para saber que país tiene más observaciones.

Aqui ya podemos ver que unos de los mayores productores de vino es __EEUU__.

```{r}
vinos|>
group_by(pais)|>
  summarise(n=n())|>
  arrange(desc(n))|>
  datatable()
```


## Hipótesis

"Existe relación entre el precio del vino y la puntuación?"

Si bien no es particularmente esclarecedor, muestra que hay cierta
concentración de vinos de menor precio en el rango de 85 a 92,5 puntos.

Podemos deducir mediante el grafico que se produce una concentracion de
vinos de menor precio en el rango comprendido entre los 85 y 90 puntos
aproximadamente, se limito la muestra para vinos por debajo de los
\$200.

```{r}
# Limitamos el precio a $200
vinos2 <- vinos |>
  group_by(nombre)|>
  summarise(valor_medio_precio=mean(precio,na.rm=TRUE),valor_medio_puntos=mean(puntos,na.rm=TRUE) )|>
  filter(valor_medio_precio < 200 & !is.na(valor_medio_precio))

# Datos
vinos2 |>
  ggplot(aes(valor_medio_precio, valor_medio_puntos)) +
  geom_point(position="jitter") +
  geom_hex(bins = 100) +
  labs(title="Puntuacion del Vino vs. Precio",
       subtitle="(Precio inferior a $200)",
       x="Precio ($)", y="Puntos (0-100)")
```

Se desea saber cómo se comparan los países en términos de puntos para
cada vino. ¿Hay alguna diferencia en la calidad del vino entre cada
país? En particular, se va comparar los vinos de EEUU con los vinos
italianos y franceses. Se usara un diagrama de caja que también incluye
la media.

¿Existe relación entre el país de donde proviene el vino y la
puntuación?.

Como ya sabemos los mayores productores de vino son Francia, Italia y
Estados Unidos. A continuación se organizará los datos por país y se
generará un gráfico de barras que muestra la cantidad de vinos elaborado
en cada país, se limitará la muestra a los 20 países que mayor
producción tienen.

```{r}

 vinos_pais <- group_by(vinos,pais) |>
summarise(n= n()) |>
filter(n>30)|>
arrange(desc(n))
head(vinos_pais,20)|>
datatable()
```

```{r}

ggplot(vinos_pais,aes(reorder(pais, n), n, fill= pais)) +
  geom_bar(stat="identity") +
  geom_text(aes(label=n), hjust=-.1, vjust=.25) +
  xlab("PAIS") +
  ylab("vinos Elaborados") +
  ylim(0, 60000) +
  guides(fill="none")+
  coord_flip()
  
 
```

Tomamos estos tres paises para comparar en términos de puntos.

```{r}
EEUU_Francia_Italia <- filter(vinos, pais  %in%  c("Estados Unidos","Francia","Italia"))

```

Se usará un diagrama de caja que también incluye la media.


```{r}

ggplot(EEUU_Francia_Italia, mapping= aes(pais,puntos, fill=pais))+
  geom_boxplot()+
  stat_summary(fun.y="mean", geom="point", shape=21, fill= "red") +
  scale_x_discrete(labels=c("Estados Unidos","Francia", "Italia")) +
  guides(fill=FALSE) +
  theme(axis.title.x=element_blank())


```

**_Es interesante notar que tanto Italia como EEUU tienen medias más altas
que las medianas, lo que significa que tienen unos pocos vinos selectos
excepcionales, mientras que Francia tiene casi exactamente la misma
mediana y media, las cuales son más altas que Italia y EEUU, lo que
significa que Francia posee vinos de mejor calidad (puntuación)._**