Algunos datos (tal vez interesantes) de las paso 2019

devtools::install_gitgub("pmoracho/paso2019")

devtools::install_gitgub("pmoracho/ggelegant")

library("paso2019")
library("tidyverse")
library("ggplot2")
library("ggelegant")

data.frame(tabla = c("mesas_totales", 
                     "mesas_totales_lista", 
                     "mesas_totales_agrp_politica"
                     ),
           registros = c( mesas_totales %>% distinct(CODIGO_MESA) %>% nrow(),
                          mesas_totales_lista %>% distinct(CODIGO_MESA) %>% nrow(),
                          mesas_totales_agrp_politica %>% distinct(CODIGO_MESA) %>% nrow()
                          )
           ) %>% 
    kable()

mesas_totales_lista %>% 
  anti_join(mesas_totales, by = "CODIGO_MESA") %>% 
  distinct(CODIGO_MESA) %>% 
  kable()

mesas %>% 
  summarise(total = n()) %>% 
  as.numeric() -> mesas_totales

mesas %>% 
  group_by(escrutada=ifelse(escrutada, "Si", "No")) %>% 
  summarise(cantidad = n()) %>% 
  mutate(porcentaje=cantidad/mesas_totales*100) %>% 
  union(mesas %>% 
    summarise(escrutada = "Totales", cantidad = n(), porcentaje=100)
  ) %>% 
  arrange(-cantidad) %>% 
  kable()

votos %>% 
  left_join(listas, by = "id_lista") %>% 
  left_join(agrupaciones, by = "id_agrupacion") %>% 
  left_join(categorias, by = "id_categoria") %>% 
  left_join(meta_agrupaciones, by = "id_meta_agrupacion") %>% 
  filter(nombre_categoria == "Presidente y Vicepresidente de la República") %>% 
  group_by(nombre_meta_agrupacion, votos_totales) %>% 
  summarise(votos = sum(votos)) %>%  
  ungroup() %>% 
  arrange(-votos) %>% 
  mutate(porcentaje = votos / votos_totales,
         acumulado = cumsum(porcentaje)) %>%
  select(nombre_meta_agrupacion, votos, porcentaje, acumulado) %>% 
  kable()

mesas_totales_lista %>% 
  filter(CODIGO_CATEGORIA=="000100000000000") %>% 
  summarise(sum(VOTOS_LISTA)) %>% 
  as.numeric() -> votos_totales 

mesas_totales_lista %>% 
  filter(CODIGO_CATEGORIA=="000100000000000") %>% 
  left_join(descripcion_postulaciones, by = c("CODIGO_CATEGORIA", "CODIGO_AGRUPACION", "CODIGO_LISTA")) %>% 
  group_by(NOMBRE_AGRUPACION) %>% 
  summarise(votos=sum(VOTOS_LISTA)) %>% 
  arrange(-votos) %>% 
  mutate(porcentaje = votos / votos_totales,
         acumulado = cumsum(porcentaje)) %>% 
  select(NOMBRE_AGRUPACION, votos, porcentaje) %>% 
  kable()

votos %>% 
    filter(id_categoria == 137) %>% 
    left_join(listas, by = "id_lista") %>% 
    left_join(agrupaciones, by = "id_agrupacion") %>% 
    left_join(meta_agrupaciones, by = "id_meta_agrupacion") %>% 
    inner_join(votos %>% 
                  group_by(id_mesa, id_categoria) %>% 
                  summarize(total_mesa = sum(votos)) %>% 
                  filter(total_mesa != 0), by = c("id_mesa", "id_categoria")) %>% 
    mutate(porcentaje = votos/total_mesa) %>% 
    select(nombre_meta_agrupacion, id_mesa, porcentaje, votos) -> votos_porcentaje

votos_porcentaje %>% 
    group_by(nombre_meta_agrupacion) %>% 
    summarise(total_votos = sum(votos)) %>% 
    arrange(-total_votos) %>% 
    filter(total_votos > quantile(total_votos, .3)) -> top

colores <- c("#26a7ed", "#fbfb00", "#b8867b", "#950000", "#996600", "#4d4d4d", "#57BFEB")    

votos_porcentaje %>%
    inner_join(top, by = "nombre_meta_agrupacion") %>% 
    ggplot(aes(x=fct_reorder(nombre_meta_agrupacion, porcentaje), 
               y=porcentaje, 
               color=nombre_meta_agrupacion)) +
    scale_x_discrete(labels = function(x) str_wrap(x, 10)) +
    geom_boxplot(color=rev(colores)) +
    coord_flip() +
    labs(title="Porcentajes de Votos", 
         subtitle="Distribución de los % por mesa en la categoria Presidente", 
         caption="fuente: DINE", 
         x="",
         color=NULL) +
    theme_elegante_std(base_family = "Raleway") +
    theme(legend.position="none") +
    theme(axis.text.x = element_text(size=8))

# Mesas con el 100% de votos a una agrupación
votos_porcentaje %>% 
  filter(porcentaje == 1) %>% 
  left_join(mesas, by = "id_mesa") %>%
  left_join(circuitos, by = "id_circuito") %>%
  left_join(secciones, by = "id_seccion") %>%
  left_join(distritos, by = "id_distrito") %>%
  left_join(establecimientos, by = "id_establecimiento") %>% 
  select(nombre_meta_agrupacion,
         nombre_distrito,
         nombre_seccion,
         nombre_circuito,
         nombre_establecimiento,
         codigo_mesa,
         votos) -> mesas_100

mesas_100 %>% 
  group_by(nombre_meta_agrupacion) %>% 
  summarise(mesas = n(), votos = sum(votos)) %>% 
  arrange(-votos) %>% 
  union(mesas_100 %>% 
    summarise(nombre_meta_agrupacion = "Total", mesas = n(), votos = sum(votos))
  ) %>% 
  kable()

# Revisemos 10 casos
mesas_100 %>% 
  select(nombre_meta_agrupacion,
         nombre_distrito,
         nombre_seccion,
         nombre_circuito,
         nombre_establecimiento,
         codigo_mesa,
         votos) %>% 
  arrange(-votos) %>% 
  head(10) %>% 
  kable()

mesas_100 %>% 
  filter(votos >= 100) %>% 
  mutate(url = get_telegrama_url(codigo_mesa),
         cmd = paste0("view_telegrama('", codigo_mesa, "')")) %>% 
  select(codigo_mesa, nombre_meta_agrupacion, votos, url) %>% 
  kable()

view_telegrama('0900801352X')
view_telegrama('2200100229X')
view_telegrama('2200500851X')
view_telegrama('2200601184X')
view_telegrama('2200901327X')
view_telegrama('2201801812X')
view_telegrama('2202202007X')
view_telegrama('2202202012X')
view_telegrama('2202402154X')
view_telegrama('0200700142X')

# Calculamos los votos totales por mesa
votos_porcentaje %>%
  group_by(id_mesa) %>% 
  summarize(total_votos = sum(votos)) -> mesas_votos

summary(mesas_votos$total_votos)

# Calculamos la media de votos por mesa
media_total_votos <- round(mean(mesas_votos$total_votos),0)

# Para evitar un geom_histogram que es muy lento es que
# generamos esta función que hace lo mismo dibujando las
# barras mediante geom_rect
# + info: https://es.stackoverflow.com/questions/295767/c%c3%b3mo-mejorar-performance-de-un-geom-histogram

res = hist(mesas_votos$total_votos, plot=FALSE, breaks=1000)
dat = data.frame(xmin=head(res$breaks, -1L),
                 xmax=tail(res$breaks, -1L),
                 ymin=0.0,
                 ymax=res$counts)
  
ggplot(dat, aes(xmin=xmin, xmax=xmax, ymin=ymin, ymax=ymax)) +
  geom_rect(size=0.5, colour="#718FD7", fill="#718FD7") +
  geom_vline(aes(xintercept = media_total_votos),
             col = '#BC3204', size=1) +
  geom_text(aes(label = paste("media:", media_total_votos), y = 1400, x = media_total_votos+1), 
            vjust = -1, col='#BC3204',size = 4, angle = 90) +
  labs(title="Cantidad de votos por mesa", 
       subtitle="Distribución de cantidades de votos por mesa en la categoria Presidente", 
       caption="fuente: DINE", 
       x="Cantidad de mesas",
       y="Cantidad de votos",
       color=NULL) +
  theme_elegante_std(base_family = "Raleway") 

votos_porcentaje %>% 
  filter(nombre_meta_agrupacion %in% c('FRENTE DE TODOS','JUNTOS POR EL CAMBIO')) %>% 
  left_join(mesas, by = "id_mesa") %>%
  left_join(secciones, by = "id_seccion") %>%
  left_join(distritos, by = "id_distrito") %>%
  mutate(fdt = ifelse(nombre_meta_agrupacion == 'FRENTE DE TODOS',votos, 0),
         jpc = ifelse(nombre_meta_agrupacion == 'JUNTOS POR EL CAMBIO',votos, 0)
         ) %>% 
  group_by(nombre_distrito, nombre_seccion) %>% 
  summarise(dif = sum(fdt-jpc)) %>% 
  ungroup() %>% 
  arrange(dif) -> diferencias_distritos

colores <- c("#26a7ed", "#fbfb00")    

diferencias_distritos %>% 
  head(10) %>% 
  union(diferencias_distritos %>% 
          tail(10)) %>% 
  mutate(nombre_distrito = case_when( nombre_distrito == 'CIUDAD AUTÓNOMA DE BUENOS AIRES' ~ 'CABA',  
                                      nombre_distrito == 'BUENOS AIRES' ~ 'BS.AS.',  
                                      TRUE ~ nombre_distrito)
            ) %>% 
  mutate(area = paste(nombre_distrito, nombre_seccion, sep = ' / '),
         agrupacion = ifelse(dif > 0, 'FRENTE DE TODOS', 'JUNTOS POR EL CAMBIO')) %>% 
  select(area,agrupacion,diferencia = dif) -> top_10_distritos

top_10_distritos %>% 
  ggplot(aes(x=fct_reorder(area,diferencia),y=diferencia)) +
  geom_bar(stat='identity', aes(fill=agrupacion), width=.7) +
  geom_text(aes(label=format(abs(diferencia), nsmall=0, big.mark=",")),  vjust=0.38) +
  
  scale_fill_manual(labels = function(x) str_wrap(x, 20), values = colores) + 
  scale_y_continuous(labels = scales::comma) +
  coord_flip() +
  labs(title='Top 10 de Distritos por agrupación', 
         subtitle="Diferencias en Votos entre las dos principales fuerzas", 
         caption="fuente: DINE", 
         x="",
         color=NULL) +
    theme(axis.text.y = element_text(size=8)) +
    theme_elegante_std(base_family = "Raleway")

votos_porcentaje %>% 
  select(nombre_meta_agrupacion, id_mesa, votos) %>% 
  arrange(id_mesa, -votos) %>% 
  group_by(id_mesa) %>% 
  mutate(nr = row_number()) %>% 
  filter(nr == 1) %>% 
  group_by(nombre_meta_agrupacion) %>% 
  summarize(mesas = n()) %>% 
  arrange(-mesas) %>% 
  kable()