import pandas as pd

# Leer encuesta exportada desde KoboToolbox
df = pd.read_csv("encuesta_hogares.csv")

# Ver estructura y valores perdidos
print(df.info())
print(df.isnull().sum())

# Frecuencia por categoría + porcentaje
tabla = (df["nivel_educativo"]
         .value_counts(normalize=True)
         .mul(100)
         .round(1)
         .reset_index())
print(tabla)

library(tidyverse)

# Leer encuesta
df <- read_csv("encuesta_hogares.csv")

# Ingreso promedio por nivel educativo y sexo
resumen <- df |>
  filter(!is.na(ingreso_mensual)) |>
  group_by(nivel_educativo, sexo) |>
  summarise(
    promedio = mean(ingreso_mensual),
    n        = n(),
    .groups  = "drop"
  )

print(resumen)

import statsmodels.formula.api as smf

# Regresión: ingreso ~ educación + experiencia + sexo
modelo = smf.ols(
    "ingreso ~ C(educacion) + anios_exp + C(sexo)",
    data=df
).fit()

# Tabla de resultados estilo paper
print(modelo.summary())

library(lme4)
library(lmerTest) # agrega p-valores

# Rendimiento escolar ~ nivel socioeconómico
# con intercepto aleatorio por escuela
modelo <- lmer(
  rendimiento ~ nse + (1 | escuela_id),
  data = df_estudiantes
)

summary(modelo)
confint(modelo) # intervalos de confianza

import spacy

# Modelo en español: python -m spacy download es_core_news_md
nlp = spacy.load("es_core_news_md")

texto = "La ministra de Educación anunció en San Salvador...
         un aumento en la cobertura escolar para 2025."

doc = nlp(texto)

# Extraer entidades: personas, lugares, organizaciones
for ent in doc.ents:
    print(ent.text, "→", ent.label_)

library(tidytext)
library(tidyverse)

# df con columnas: entrevista_id, texto
palabras <- df |>
  unnest_tokens(palabra, texto) |>
  filter(!palabra %in% stopwords("es")) |>
  count(palabra, sort = TRUE)

palabras |>
  slice_max(n, n = 20) |>
  ggplot(aes(n, reorder(palabra, n))) +
  geom_col(fill = "#0891b2") +
  labs(title = "Términos más frecuentes")

from gensim import corpora, models

# textos: lista de listas de tokens limpios
diccionario = corpora.Dictionary(textos)
corpus_bow  = [diccionario.doc2bow(t) for t in textos]

lda = models.LdaModel(
    corpus=corpus_bow,
    id2word=diccionario,
    num_topics=6,
    passes=15,
    random_state=42
)

for i, topico in lda.print_topics():
    print(f"Tópico {i}: {topico}")

library(ggplot2)

ggplot(df, aes(x = ingreso_mensual, fill = sexo)) +
  geom_density(alpha = 0.6) +
  facet_wrap(~ region) +
  scale_fill_manual(values = c("#3b82f6", "#f59e0b")) +
  labs(
    title = "Distribución del ingreso por sexo y región",
    x = "Ingreso mensual (USD)", y = "Densidad"
  ) +
  theme_minimal(base_size = 12)

import seaborn as sns
import matplotlib.pyplot as plt

# Variables socioeconómicas continuas
vars_num = ["ingreso", "educacion_anios", "edad", "hijos"]

fig, ax = plt.subplots(figsize=(7, 5))
sns.heatmap(
    df[vars_num].corr(),
    annot=True, fmt=".2f",
    cmap="RdBu_r", center=0,
    ax=ax
)
ax.set_title("Correlaciones entre variables socioeconómicas")
plt.tight_layout()

library(survey)

# Declarar diseño muestral de la EHPM
diseno <- svydesign(
  id      = ~upm,
  strata  = ~estrato,
  weights = ~fac_hog,
  data    = ehpm_df,
  nest    = TRUE
)

# Ingreso promedio per cápita con IC
svymean(~ingreso_percapita, design = diseno)

# Tasa de pobreza por departamento
svyby(~pobre, ~departamento, diseno, svymean)

from samplics.sampling import SampleSize

# Calcular n para estimar proporción con precisión
calculador = SampleSize()
n = calculador.calculate(
    target      = "proportion",
    hal         = 0.04,   # margen de error ±4%
    proportion  = 0.50,   # p conservadora
    alpha       = 0.05,   # confianza 95%
    deff        = 1.5    # efecto de diseño
)
print(f"Tamaño de muestra requerido: {n}")

library(lavaan)

# Modelo de 2 factores latentes
modelo <- '
  capital_social =~ cs1 + cs2 + cs3 + cs4
  confianza      =~ cf1 + cf2 + cf3
  capital_social ~~ confianza
'

fit <- cfa(modelo, data = df_encuesta)

summary(fit, fit.measures = TRUE,
              standardized = TRUE)

import networkx as nx

# Crear red desde lista de vínculos (actores, colaboraciones)
G = nx.from_pandas_edgelist(
    df_vinculos,
    source="actor_a", target="actor_b",
    edge_attr="peso"
)

# Centralidad de intermediación
centralidad = nx.betweenness_centrality(G, weight="peso")

# Top 5 actores más influyentes
top = sorted(centralidad.items(), key=lambda x: x[1], reverse=True)[:5]
print(top)

library(sf)
library(tmap)

# Leer shapefile de municipios
municipios <- st_read("municipios_sv.shp")

# Unir con indicadores de pobreza
mapa_df <- municipios |>
  left_join(indicadores, by = "cod_mun")

# Mapa coroplético
tm_shape(mapa_df) +
  tm_fill("tasa_pobreza",
          palette = "YlOrRd",
          title   = "Tasa de pobreza (%)") +
  tm_borders(alpha = 0.4) +
  tm_layout(title = "Pobreza por municipio")