Explorando los resultados de las PASO 2021

codigo
tutorial
Author

Pedro Damian Orden

Published

May 8, 2023

Inicio

El presente documento electrónico es un ejercicio abierto de extracción, sistematización y visualización de los resultados del recuento provisional de las Elecciones Primarias, Abiertas, Simultaneas y Obligatorias en Argentina (PASO 2021). Lo armé originalmente para el encuentro Cómo empezar? de R-Ladies y NIS realizado en 20211, y lo cierto es que como nunca lo publiqué en ninguno de los espacios para los que escribo, me pareció interesante compartirlo aquí, ya que próximamente se llevarán adelante las Elecciones Nacionales, por medio de las cuales los argentinos y argentinas elegiremos Presidente.

Nuestra Consulta

Para consultar los datos de las PASO debemos acceder al portal del Estado Nacional donde se encuentra publicado el recuento provisorio: https://www.argentina.gob.ar/elecciones/resultados-del-recuento-provisional-de-las-elecciones-paso. Aquí encontraremos los resultados de las elecciones por provincia (y sección para el caso de Buenos Aires).

En esta oportunidad nos invito a conocer cuáles fueron los resultados de las elecciones PASO para la categoría concejal en mi ciudad: Lanús, Provincia de Buenos Aires, correspondiente a la tercera sección electoral.

Extrayendo los datos

Es importante destacar que a los fines expositivos de este documento no vamos a leer los datos localmente, sino que los consultaremos de manera remota conectándonos mediante el siguiente enlace: https://www.argentina.gob.ar/interior/dine/elecciones2021/resultados-del-recuento-provisional-de-las-elecciones-paso

Vamos a levantar las librerías que utilizaremos para nuestra consulta:

Code 
library(data.table) # nos interesa la función fread para levantar el CSV
library(tidyverse) #un clásico
library(stringr) # para limpiar y acomodar el dataframe
library(ggplot2) # (L)
library(artyfarty) # para customizar los gglots

Vamos a descargar el set de datos de los votos correspondiente a la tercera sección electoral de la Provincia de Buenos Aires.

Lo que observaremos inicialmente es que dicho enlace nos remite a un archivo comprimido zip, pero en vez de descargarlo y descomprimirlo manualmente, lo vamos a hacer de manera automática con R. Veamos cómo:

Code 
activity_url <- "https://argentina.gob.ar/sites/default/files/buenos_aires_tercera.zip" #definimos una variable activity_url que contiene la URL del archivo zip que queremos descargar.

temp <- tempfile() #Creamos un archivo temporal en el sistema de archivos local. Este archivo se utilizará más tarde para descargar y descomprimir el archivo zip.

download.file(activity_url, temp) #Descarga el archivo zip de la URL especificada y lo guarda en el archivo temporal que acabamos de crear.

unzip(temp, "Buenos Aires_Tercera.csv") #Descomprimimos el archivo zip y extrae el archivo CSV con el nombre "Buenos Aires_Tercera.csv". Este archivo se guarda en el directorio de trabajo actual.

ba_tercera <- fread("Buenos Aires_Tercera.csv", sep=";") #Leemos el archivo CSV recién descargado en R utilizando la función fread() de la librería data.table. 
#La opción sep=";" especifica que el separador de campo utilizado en el archivo CSV es el punto y coma.

unlink(temp) #Elimina el archivo temporal que creamos anteriormente para descargar y descomprimir el archivo zip.

Primera exploración

Con la función summary obtendremos una descripción rápida y por eso no menos detallada de los datos que descargamos. Nos devuelve estadísticas descriptivas para cada variable, lo cual nos permite entender rápidamente la distribución, el rango y la variabilidad de los datos.

Code 
summary(ba_tercera)

Siempre que nos encontramos con un nuevo set de datos es importante tener una primera vista de su estructura para ver si efectivamente contiene lo que nos interesa.

Otra librería interesante para explorar nuestra data recién llegada es skim, del paquete skimr.

Code 
library(skimr)
skim(ba_tercera)
Data summary
Name ba_tercera
Number of rows 1107503
Number of columns 19
Key NULL
_______________________
Column type frequency:
character 11
numeric 8
________________________
Group variables None

Variable type: character

skim_variable n_missing complete_rate min max empty n_unique whitespace
Agrupacion 0 1 0 46 191690 36 0
Cargo 0 1 10 22 0 3 0
Distrito 0 1 12 12 0 1 0
Establecimiento 0 1 10 64 0 1439 0
Fecha 0 1 16 16 0 422 0
IdCircuito 0 1 5 5 0 189 0
SeccionProvincial 0 1 15 15 0 1 0
Mesa 0 1 6 6 0 3126 0
Seccion 0 1 5 18 0 19 0
lista 0 1 0 34 191690 53 0
tipoVoto 0 1 5 10 0 6 0

Variable type: numeric

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
Codigo 0 1.00 12741.67 10314.33 3689 6065 8129 13166 50180 ▇▁▂▁▁
IdCargo 0 1.00 5.22 1.73 3 3 6 7 7 ▇▁▁▇▇
IdDistrito 0 1.00 2.00 0.00 2 2 2 2 2 ▁▁▇▁▁
IdSeccion 0 1.00 52.29 33.48 3 17 61 70 132 ▅▂▇▂▁
idAgrupacion 191690 0.83 362.96 193.19 8 258 320 506 911 ▃▇▇▁▁
idAgrupacionInt 191690 0.83 32.58 11.27 15 22 31 43 80 ▇▆▅▁▁
idLista 191690 0.83 1.87 1.26 1 1 1 2 7 ▇▁▁▁▁
votos 0 1.00 8.12 19.72 0 0 1 5 230 ▇▁▁▁▁

Al chequear nuestros datos nos encontraremos con más de un millón de observaciones y 19 variables correspondiente a los resultados de las PASO por municipio (de la tercera sección), lista en pugna, agrupaciones y escuelas donde votaron lxs ciudadanxs.

Transformación de los datos

Ahora que verificamos que la data está ok, haremos una serie operaciones para generar una estadística descriptiva que de cuenta de la compulsa electoral para la categoría “concejal” en Lanús.

Nos interesa generar un cuadro de 6 columnas que aloja los votos totales y porcentuales por agrupación (partidos) y lista (sub-categorías dentro de las agrupaciones). Para ello, una estrategia, de muchas posibles, es armar dos cuadros que después uniremos para obtener los datos tal cual los queremos.

Code 
# Seleccionamos las filas donde el valor de la columna "Cargo" es "CONCEJALES" y creamos un nuevo objeto "lanus_listas" que se basa en la tabla "ba_tercera".

lanus_listas <- ba_tercera %>% 
  filter(Cargo == "CONCEJALES") %>% 

# Filtramos solamente las filas donde el valor de la columna "Seccion" es "Lanús".
  filter(Seccion == "Lanús") %>% 

# Seleccionamos las columnas "Agrupacion", "lista", "tipoVoto" y "votos".
  select(Agrupacion, lista, tipoVoto, votos) %>% 
# Creamos una nueva columna llamada "tipo_voto" que se basa en la columna "tipoVoto".
# Si el valor de "tipoVoto" es "blancos", entonces el valor de "tipo_voto" es "blancos".
# Si el valor de "tipoVoto" es cualquiera de los valores en el vector c("nulos", "recurridos", "impugnados", "comando"), entonces el valor de "tipo_voto" es "nulos".
# Si el valor de "tipoVoto" es "positivo", entonces el valor de "tipo_voto" es "positivo".
  mutate(tipo_voto = case_when(
    tipoVoto %in% "blancos" ~ "blancos",
    tipoVoto %in% c("nulos", "recurridos", "impugnados", "comando") ~ "nulos",
    tipoVoto %in% "positivo" ~ "positivo"
  )) %>% 
# Agrupamos las filas de la tabla según los valores de las columnas "Agrupacion", "lista" y "tipo_voto".
  group_by(Agrupacion, lista, tipo_voto) %>% 
  
# Calculamos el total de votos para cada combinación de "Agrupacion", "lista" y "tipo_voto".
  summarise(votos_lista = sum(votos)) %>% 
  
# Eliminamos la palabra "positivo" de cualquier valor en las columnas que sean de tipo caracter (texto).  dejamos lugares vacios para completar luego.
  mutate(across(where(is.character), str_remove_all, pattern = fixed("positivo")))

Terminamos de acomodar el dataset para obtener en una misma columna las etiquetas de partidos políticos, más las de votos en blanco y nulos, para eso vamos a concatenar los datos de lista|agrupación y tipo_voto.

Code 
# Creamos la variable "listas" concatenando las columnas "lista" y "tipo_voto"
lanus_listas$listas <- paste(lanus_listas$lista, lanus_listas$tipo_voto)

# Creamos la variable "agrupaciones" concatenando las columnas "Agrupacion" y "tipo_voto"
lanus_listas$agrupaciones <- paste(lanus_listas$Agrupacion, lanus_listas$tipo_voto)

# Agrupamos por la variable "agrupaciones" y sumamos los votos de las listas de cada agrupación,
# luego creamos una variable "totales" que almacena la suma total de votos por agrupación
# y calculamos el porcentaje de votos de cada agrupación
lanus_agrupaciones <- lanus_listas %>%
  group_by(agrupaciones) %>% 
  summarise(votos_agrupacion=sum(votos_lista)) %>% 
  mutate(totales=sum(votos_agrupacion),
         porc_agrupacion=1e2*votos_agrupacion/totales)

# Combinamos la tabla "lanus_listas" con la tabla "lanus_agrupaciones" utilizando la variable "agrupaciones",
# y calculamos el porcentaje de votos de cada lista en su agrupación
# Finalmente, seleccionamos las variables que nos interesan
lanus_concejales <- lanus_listas %>% 
  left_join(lanus_agrupaciones, by="agrupaciones") %>%
  mutate(porc_lista=1e2*votos_lista/votos_agrupacion) %>%
  ungroup() %>% 
  select(agrupaciones, listas, votos_agrupacion,
         votos_lista, porc_agrupacion, porc_lista)

El dataframe final

Nuestra data ahora se ve así.

Code 
library(gt)  # Cargar la biblioteca "gt" para la creación de tablas
lanus_concejales %>%  # Seleccionar el conjunto de datos "lanus_concejales"
  ungroup() %>%  # Desagrupar cualquier agrupación de filas que se haya realizado anteriormente
  arrange(desc(votos_agrupacion)) %>%  # Ordenar las filas en orden descendente según la columna "votos_agrupacion"
  gt()  # Crear una tabla utilizando la biblioteca "gt"
agrupaciones listas votos_agrupacion votos_lista porc_agrupacion porc_lista
FRENTE DE TODOS CELESTE Y BLANCA 2 97929 22070 38.3306261 22.53674
FRENTE DE TODOS CELESTE Y BLANCA 4 97929 42289 38.3306261 43.18333
FRENTE DE TODOS CELESTE Y BLANCA 6 97929 33570 38.3306261 34.27994
JUNTOS A 94807 70601 37.1086365 74.46813
JUNTOS DAR EL PASO 94807 24206 37.1086365 25.53187
FRENTE DE IZQUIERDA Y DE TRABAJADORES - UNIDAD (R)EVOLUCIONEMOS LA IZQUIERDA 12914 2379 5.0546999 18.42187
FRENTE DE IZQUIERDA Y DE TRABAJADORES - UNIDAD UNIDAD DE LA IZQUIERDA 12914 10535 5.0546999 81.57813
blancos blancos 12674 12674 4.9607609 100.00000
AVANZA LIBERTAD LIBERTAD 12205 7233 4.7771885 59.26260
AVANZA LIBERTAD REPUBLICANOS UNIDOS 12205 4972 4.7771885 40.73740
FRENTE VAMOS CON VOS HAY OTRO CAMINO 8571 4219 3.3547958 49.22413
FRENTE VAMOS CON VOS OTRO CAMINO 8571 4352 3.3547958 50.77587
nulos nulos 4078 4078 1.5961798 100.00000
UNION CELESTE Y BLANCO + VALORES 2655 2655 1.0392000 100.00000
MOVIMIENTO AL SOCIALISMO PARA RENOVAR A LA IZQUIERDA 2012 2012 0.7875218 100.00000
REPUBLICANO FEDERAL PRINCIPIOS Y VALORES 1766 1766 0.6912343 100.00000
UNION POR TODOS UNIDAD 1525 1525 0.5969039 100.00000
FRENTE PATRIOTA PRIMERO LA PATRIA 1121 1121 0.4387733 100.00000
FEDERAL CELESTE Y BLANCA 825 825 0.3229152 100.00000
TODOS POR BUENOS AIRES TODOS POR LA PROVINCIA 783 783 0.3064759 100.00000
HUMANISTA NARANJA 717 717 0.2806427 100.00000
RENOVADOR FEDERAL SOMOS RENOVADORES 470 470 0.1839638 100.00000
CONSERVADOR POPULAR UNICA 433 433 0.1694816 100.00000

Generamos una tabla de los resultados con gt, una biblioteca de R que permite crear tablas de una manera muy fácil y personalizable. La abreviación “gt” significa “grammar of tables” (gramática de tablas), lo que refleja la filosofía detrás de la biblioteca, que es la de proporcionar una sintaxis fácil y consistente para crear y dar formato a tablas.

“gt” nos da varias opciones para personalizar la apariencia de las tablas, tales como agregar filas y columnas de encabezado, formatear los valores de las celdas, agregar estilos CSS, y mucho más. Además, “gt” puede producir tablas en varios formatos, incluyendo HTML, Markdown, LaTeX, y otros.

Visualización de los resultados

Para finalizar vamos a graficar nuestro trabajo recuperando la performance electoral de las fuerzas políticas más votadas en el municipio.

Primero imprimiremos el porcentual de votos por agrupación:

Code 
p <- lanus_concejales%>%
  select(agrupaciones, porc_agrupacion) %>% 
  distinct()%>%
  filter(porc_agrupacion>1) %>% 
  arrange(porc_agrupacion) %>% 
  mutate(agrupaciones= fct_recode(agrupaciones,
                                  "FIT"= "FRENTE DE IZQUIERDA Y DE TRABAJADORES - UNIDAD "))%>%
  mutate_if(is.numeric, round, digits=1)%>%
  ggplot(aes(x = reorder(agrupaciones, +porc_agrupacion, sum), 
             y = porc_agrupacion, fill = agrupaciones)) +
  geom_bar(stat = "identity")+
  coord_flip()+
  geom_text(aes(label=porc_agrupacion), 
            position=position_dodge(width=0.1), vjust=-0.25,
            size = 2, lineheight=.7, margin=margin(-15,5,5,10))+
  ggtitle("PASO 2021 Lanús: Porcentaje de votos por agrupación política para la categoría concejal.") +
  labs(x= "Agrupación",
       y= "% votos por agrupación",
       fill = "Agrupaciones",
       caption = "Fuente: datos abiertos de la Dirección Nacional Electoral.")+
  theme(plot.title = element_text(hjust = 0.5, size = 9, 
                                  lineheight=.7, face="bold",
                                  margin=margin(15,15,15,15)),    
        axis.text.x = element_text(angle = 45, size = 5),
        axis.title.x = element_text(size = 7),
        axis.title.y = element_text(size = 7),
        axis.text.y = element_text(size = 7),
        plot.caption = element_text(hjust = 0, face = "italic", size = 6),
        legend.title = element_text(color = "black", size = 6),
        legend.text = element_text(color = "black", size = 5),
        legend.position="right")

p

Por último generaremos un gráfico de paneles customizado en ggplot (potenciado con la librería artyfarty) que refleja los votos que obtuvieron las distintas listas dentro las principales fuerzas contendientes en el Municipio, el objetivo es ver conocer qué porcentaje obtuvo cada fracción.

Code 
p <- lanus_concejales%>%
  filter(votos_agrupacion>12900) %>% 
  mutate(agrupaciones= fct_recode(agrupaciones,
      "FIT"= "FRENTE DE IZQUIERDA Y DE TRABAJADORES - UNIDAD "))%>%
  mutate_if(is.numeric, round, digits=1)%>%
  ggplot(aes(x = reorder(listas, +porc_lista, sum), 
             y = porc_lista, fill = agrupaciones)) +
  geom_bar(stat = "identity")+
  geom_text(aes(label=porc_lista), 
            position=position_dodge(width=0.1), vjust=-0.25,
            size = 2, lineheight=.7, margin=margin(-15,0,0,0))+
  ggtitle("PASO 2021 Lanús: Porcentaje de votos a concejal por lista, según agrupación política") +
  scale_fill_manual(values = pal("d3js"))+
  labs(x= "Listas",
       y= "% Votos por lista.",
       fill = "Agrupaciones",
       caption = "Fuente: datos abiertos de la Dirección Nacional Electoral.")+
  theme(plot.title = element_text(hjust = 0.5, size = 9, 
                              lineheight=.7, face="bold",
                              margin=margin(15,15,15,15)),    
    axis.text.x = element_text(angle = 45, size = 5,
                               margin=margin(-15,-15,-15,-15)),
    axis.title.x = element_text(size = 7, 
                                margin=margin(-15,-15,-15,-15)),
    axis.title.y = element_text(size = 7),
    axis.text.y = element_text(size = 7),
    plot.background=element_rect(fill = "#fefdf6"),
    panel.background = element_rect(fill = '#F0EDE3'),
    panel.grid.major = element_line(colour = "#b4d9cf"),
    strip.background = element_rect(fill="#b4d9cf"),
    plot.caption = element_text(hjust = 0, face = "italic", size = 6,
                                margin=margin(20,20,20,20)),
    legend.title = element_text(color = "black", size = 6),
    legend.text = element_text(color = "black", size = 5),
    legend.position="right")+
  facet_wrap(~agrupaciones, scales = "free", ncol = 3)

p

Podríamos seguir ordenando los datos para las distintas categorías de la elección, prestando atención por ejemplo al caso de diputadxs nacionales, provinciales, como así también a la posibilidad de filtrar los resultados por Provincia, Municipio, o Escuela…pero eso quedará para que puedas replicarlo en tu computadora con el ejemplo que vimos.

Bonus:

Siguiendo la línea de trabajo presentada en este documento armé en RShiny un visor interactivo que permite explorar los resultados de las Elecciones Legislativas 2021 para la categoría Diputado/a Nacional en el Conurbano Bonaerense según corredor de referencia (sur, oeste, norte). La propuesta aquí es dar cuenta de los matices de la preferencia electoral, indagando en cómo se dirime la puja FDT-JUNTOS a escala territorial, para lo cual se extraen y visualizan en pantalla los datos de victorias de ambas fuerzas calculando los votos positivos por circuito electoral.

La aplicación puede consultarse full haciendo click aquí.

Hasta aquí llegamos, nos leemos la próxima!

Footnotes

  1. Encuentran la data de la actividad aquí, y el código original que presenté durante mi exposición está subido en este repositorio.↩︎

Reuse

Citation

BibTeX citation:
@online{damian orden2023,
  author = {Damian Orden, Pedro},
  title = {Explorando Los Resultados de Las {PASO} 2021},
  date = {2023-05-08},
  url = {https://tecysoc.netlify.app/posts/paso 2021},
  langid = {en}
}
For attribution, please cite this work as:
Damian Orden, Pedro. 2023. “Explorando Los Resultados de Las PASO 2021.” May 8, 2023. https://tecysoc.netlify.app/posts/paso 2021.