informe.Rmd

---
title: "Exploración de datos sobre vino."
author: "Jorge González"
output:
  prettydoc::html_pretty:
    theme: architect
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
# Cargar los paquetes necesarios acá
library(readr)
library(dplyr)
library(ggplot2)
library(knitr)
library(kableExtra)
library(tidyr)
library(forcats)
```

## Introducción

En el siguiente informe exploraremos datos sobre reseñas de vinos publicadas en la revista [WineEnthusiast](http://www.winemag.com/?s=&drink_type=wine).

### Origen de los datos.
Se trata de un conjunto de datos traducidos y extraídos como resumen de las casi 130.000 reseñas de vinos con variedad, ubicación, bodega, precio y descripción existentes en  [Kaggle](https://www.kaggle.com/zynicide/wine-reviews). Los datos se extrajeron de WineEnthusiast durante la semana del 15 de junio de 2017.

## Exploración de los datos

```{r include=FALSE}
# Código para cargar o leer los datos
vinos <- read_csv("datos/vinos.csv")
```

### Variables

Tenemos `r ncol(vinos)` variables que se listan a continuación: 

```{r echo=FALSE}
vinos |> colnames()
```

La muestra cuenta con `r nrow(vinos)` observaciones. Estas observaciones corresponden a `r length(unique(vinos$variedad))` variedades o cepas de vino de `r length(unique(vinos$pais))` paises diferentes.

---

### Países con más vinos reseñados.  
Los 10 países con más vinos reseñados son:

```{r echo=FALSE}
# Paises con vinos reseñados ordenados por cantidad de observaciones
vinos |> 
  group_by(pais) |> 
  summarise(cantidad = n()) |> 
  top_n(10, cantidad) |> 
  arrange(desc(cantidad)) |> 
  kable(col.names = c("País", "Cantidad reseñas"), align = c("l", "r")) |> 
  kable_styling(bootstrap_options = "bordered", full_width = F) |> 
  column_spec(1, bold = T) |> 
  column_spec(2, bold = T)
```

---

### Países con vinos más caros.  
El ránking de los vinos más caros en promedio lo lideran: 

```{r echo=FALSE}
# Paises con los vinos reseñados ordenados por promedio de precio
vinos |> 
  group_by(pais) |> 
  summarise(prom_precio = mean(precio, na.rm = T)) |> 
  top_n(10, prom_precio) |> 
  arrange(desc(prom_precio)) |> 
  kable(col.names = c("País", "Precio promedio"), align = c("l", "r")) |> 
  kable_styling(bootstrap_options = "bordered", full_width = F) |> 
  column_spec(1, bold = T) |> 
  column_spec(2, bold = T)
```

El rango de precios oscila entre los `r vinos$precio |> range(na.rm = T) |> min()` y los `r vinos$precio |> range(na.rm = T) |> max()` euros.  
El promedio general de precios es de `r vinos$precio |> mean(na.rm = T)` euros.  
Su desvío estándar `r vinos$precio |> sd(na.rm = T)`.  

---

### Países con mejores puntuaciones.  
Los países con los mejores puntajes acumulados son:

```{r echo=FALSE}
# Paises con los vinos reseñados ordenados por mayor puntaje
vinos |> 
  group_by(pais) |> 
  drop_na(pais) |> 
  summarise(prom_puntaje = mean(puntos, na.rm = T)) |> 
  top_n(10, prom_puntaje) |> 
  arrange(desc(prom_puntaje)) |> 
  kable(col.names = c("País", "Puntaje promedio"), align = c("l", "r")) |> 
  kable_styling(bootstrap_options = "bordered", full_width = F) |> 
  column_spec(1, bold = T) |> 
  column_spec(2, bold = T)
```

El peor puntaje es de `r vinos$puntos |> range(na.rm = T) |> min()` puntos y el mejor de `r vinos$puntos |> range(na.rm = T) |> max()`.  
El promedio general de puntos es de `r vinos$puntos |> mean(na.rm = T)` puntos.  
Su desvío estándar `r vinos$puntos |> sd(na.rm = T)`.  

---

### Cepas más valoradas según puntaje.  
Las 10 cepas con mejor puntaje son:

```{r echo=FALSE}
# Ranking de cepas por puntaje
vinos |> 
  group_by(variedad) |> 
  summarise(prom_puntaje_por_cepa = mean(puntos, na.rm = T)) |> 
  arrange(desc(prom_puntaje_por_cepa)) |> 
  top_n(10, prom_puntaje_por_cepa) |> 
  kable(col.names = c("Variedad", "Puntaje promedio"), align = c("l", "r")) |> 
  kable_styling(bootstrap_options = "bordered", full_width = F) |> 
  column_spec(1, bold = T) |> 
  column_spec(2, bold = T)
```

---

## Hipótesis

#. Asumiendo que la mayor calificación en las reseñas refieren a una mayor "calidad" del vino reseñado ¿cuáles son los países con mejor relación precio-calidad?  

#. ¿Se disparan los precios si las calificaciones están por encima de los 95 puntos?  

#. ¿Cuál es la relación para los vinos argentinos?  

---

## Conclusiones

1. Luego de relacionar las variables "puntos" y "precio" (puntos/precio) y de calcular la mediana de la relación, graficamos:

```{r include=FALSE}
# Ranking de vinos por puntaje
vinos_puntos <- vinos |> 
  group_by(titulo_resena) |> 
  summarise(n = n()) |> 
  arrange(desc(n))
```

```{r include=FALSE}
# Relación entre el precio y el puntaje:
precio_puntos <- vinos |> 
  select(puntos, precio, titulo_resena) |> 
  mutate(pp_ratio = puntos/precio) |> 
  arrange(desc(pp_ratio))
```

```{r include=FALSE}
# Top 10 de paises con vinos más reseñados
pais_obs <- vinos |> 
  group_by(pais) |> 
  summarise(cantidad = n()) |> 
  top_n(10, cantidad)
```

```{r include=FALSE}
# Mediana de la relación precio puntaje para el top de paises reseñados
mediana_paises <- precio_puntos |> 
  inner_join(vinos) |> 
  inner_join(pais_obs) |> 
  group_by(pais) |> 
  summarize(med_ratio = median(pp_ratio, na.rm = T)) |> 
  arrange(desc(med_ratio))
```

```{r include=FALSE}
# Join para tener todos los datos en una sola tabla para hacer el gráfico:
vinos_plot <- precio_puntos |> 
  inner_join(vinos) |> 
  inner_join(vinos_puntos) |> 
  inner_join(pais_obs) |> 
  select(titulo_resena, pp_ratio, pais, variedad, n) |> 
  drop_na(pais) |> 
  mutate(pais = as.factor(pais)) |> 
  mutate(pais = fct_relevel(pais, mediana_paises$pais))
```

```{r echo=FALSE, fig.align='center', message=FALSE, warning=FALSE, out.width='90%'}
# Boxplot a partir del data frame vinos_plot.
vinos_plot |> 
  ggplot(aes(x = reorder(pais, desc(pais)), y = pp_ratio)) +
  stat_boxplot(geom = "errorbar", width = 0.2) + 
  geom_boxplot(aes(color = "black", fill = pais), width = 0.6, alpha = 0.5, outlier.colour = NA) +  
  labs(y = "Relación puntaje y precio (mayor es mejor)", x = "País") +  
  ggtitle("Relación precio puntaje de vinos por país", subtitle = "Para los 10 paises con más reseñas") +   
  theme(legend.position = "none", panel.background = element_blank()) +
  coord_flip()
```

Según vemos en el gráfico los vinos chilenos, portugueses y argentinos son los que cuentan con la mejor relación precio calidad para este grupo de países (top 10 de cantidad de reseñas).
  
 2. En cuanto al aumento de precios para los vinos mejor calificados (más de 95 puntos): 
  
```{r echo=FALSE, fig.align='center', message=FALSE, warning=FALSE, out.width='90%'}
vinos |> 
  ggplot(aes(puntos, precio)) +
  geom_point(alpha = 1/20, na.rm = T) +
  labs(y = "Precio", x = "Puntaje") + 
  theme(legend.position = "none", panel.background = element_blank())
```

Si bien existe un aumento de precios, no se ve que se disparen para los vinos que cuentan con calificaciones por encima de los 95 puntos.

3. Gráfica de la relación precio/calidad para los vinos argentinos.

```{r echo=FALSE}
# Me quedo solo con los vinos de Argentina.
vinos <- vinos |> filter(pais == "Argentina")
vinos$region_1[vinos$region_1 == "Uco Valley"] <- "Valle de Uco"
```

```{r include=FALSE}
# Ranking de vinos por puntaje
vinos_puntos <- vinos |> 
  group_by(titulo_resena) |> 
  summarise(n = n()) |> 
  arrange(desc(n))
```

```{r include=FALSE}
# Relación entre el precio y el puntaje:
precio_puntos <- vinos |> 
  select(puntos, precio, titulo_resena) |> 
  mutate(pp_ratio = puntos/precio) |> 
  arrange(desc(pp_ratio))
```

```{r include=FALSE}
# ranking de regiones más reseñadas
pais_obs <- vinos |> 
  group_by(region_1) |> 
  summarise(cantidad = n()) |> 
  top_n(10, cantidad)
```

```{r include=FALSE}
# Mediana de la relación precio puntaje por region y ordenados por ranking
mediana_paises <- precio_puntos |> 
  inner_join(vinos) |> 
  inner_join(pais_obs) |> 
  group_by(region_1) |> 
  summarize(med_ratio = median(pp_ratio, na.rm = T)) |> 
  arrange(desc(med_ratio))
```

```{r include=FALSE}
# Join para tener todos los datos en una sola tabla para hacer el gráfico:
vinos_plot <- precio_puntos |> 
  inner_join(vinos) |> 
  inner_join(vinos_puntos) |> 
  inner_join(pais_obs) |> 
  select(titulo_resena, pp_ratio, region_1, variedad, n) |> 
  drop_na(region_1) |> 
  mutate(region_1 = as.factor(region_1)) |> 
  mutate(region_1 = fct_relevel(region_1, mediana_paises$region_1))
```

```{r echo=FALSE, fig.align='center', message=FALSE, warning=FALSE, out.width='90%'}
# Boxplot a partir del data frame vinos_plot.
vinos_plot |> 
  ggplot(aes(x = reorder(region_1, desc(region_1)), y = pp_ratio)) +
  stat_boxplot(geom = "errorbar", width = 0.2) + 
  geom_boxplot(aes(color = "black", fill = region_1), width = 0.6, alpha = 0.5, outlier.colour = NA) +  
  labs(y = "Relación puntaje y precio (mayor es mejor)", x = "Región") +  
  ggtitle("Relación precio puntaje de vinos argentinos por región") +   
  theme(legend.position = "none", panel.background = element_blank()) +
  coord_flip()