Open Tools and R Packages for Open Science

Mauro Lepore

Hace poco Yanina Bellini Saibene nos recordó actualizar el perfil de Slack: Después de hacer eso, decidí actualizar mis fotos de perfil en el sitio web de rOpenSci, y termine aprendiendo algunos trucos de git que voy a compartir acá.

Trucos de Git para trabajar con repositorios grandes

Yanina Bellini Saibene

Sébastien Rochette

Alejandra Bellini

Lucio Casalla

Steffi LaZerte

Este es el segundo artículo de nuestra serie de entrevistas “Conociendo a las estrellas del universo R”. Nuestro objetivo es presentar a los grupos de trabajo y a las personas que están detrás del desarrollo de software y paquetes que utilizamos y que están disponibles a través del R-Universe.

Aprender, ayudar y compartir. El método de ThinkR para crear una comunidad cada vez más grande y amigable de R

Pachá (aka Mauricio Vargas Sepúlveda)

Resumen censo2017 es un paquete en R diseñado paraorganizar los archivos Redatam

 1

proporcionados por el Instituto Nacional de Estadísticas de Chile en formatoDVD

 2

. Este paquete fue inspirado por citesdb(Noam Ross, 2020) y taxadb(Carl Boettiger et al, 2021).Esta entrada trata sobre este paquete, elproblema que resuelve, cómo usarlo, y el hecho de que el paquete y su proceso derevisión se hicieron íntegramente enespañol.

La Historia de censo2017, el Primer Paquete de rOpenSci Revisado en Español

Maëlle Salmon

Como parte de nuestro proyecto editorial multilingüe y con financiación del Consorcio R hemos trabajado en el paquete R babeldown para traducir contenido basado en Markdown utilizando la API de DeepL.En esta nota técnica, mostraremos cómo puedes utilizar babeldown para traducir un artículo de blog que utiliza Hugo.

Cómo traducir un artículo de blog de Hugo con Babeldown

¡Nos complace abrir la convocatoria para la segunda cohorte de

 Campeonas/es y Mentoras/es

para el Programa de rOpenSci 🎉 ! Este programa continuará apoyando nuestro objetivo de identificar, reconocer y recompensar a los miembros apasionados de la comunidad que ayudan a la comunidad a crecer y mejorar.

¡Convocatoria abierta para la presentación de candidaturas al Programa de Campeonas y Campeones de rOpenSci!

Karthik Ram

Estimada comunidad rOpenSci,  Este es un anuncio un poco agridulce… después de casi 13 años, es hora de que me retire como Director Ejecutivo de rOpenSci. En el verano de 2011 cofundé rOpenSci junto con un grupo de colegas dedicados. Lo que comenzó como una colaboración informal entre entusiastas de la ciencia abierta evolucionó rápidamente hacia algo mucho más significativo.

Del Director Fundador: Mi despedida de rOpenSci

Resumen   Este artículo trata sobre los usos sorprendentes que he observado y las preguntasque recibo sobre el paquete R censo2017, una herramienta paraacceder a los datos del censo chileno de 2017, que he recibido desde que fue revisado por paresa través de rOpenSci hace un año.

Usos interesantes de censo2017 un año después de su publicación

El Universo R es utilizado por profesionales de distintos ámbitos, aunque todos persiguen el mismo objetivo:

 ofrecer sus paquetes de R de manera simple y accesible

. Desde rOpenSci trabajamos para ofrecer herramientas que faciliten el acceso a datos y software de investigación generado con buenas prácticas de desarrollo de software y en una comunidad amigable.

El multiverso de rOpenSci

Juan Pablo Ruiz Nicolini

Corría el año 2015, un estudiante de maestría de Ciencia Política tenía que procesar datos para entregar su tésis y decidió aprovechar la oportunidad para aprender a usar R. Al largo y tortuoso camino del requisito académico se agregó un grado de dificultad extra: incorporar un software de programación desde cero, con una curva de aprendizaje algo empinada.

Divide y venceras: de polar al Polarverse

R es un lenguaje y un entorno para la computación estadística.Existen varias herramientas y enfoques para interactuar con R, pero no todos son accesibles con lectores de pantalla.Esta guía proporciona una visión general de las herramientas y técnicas disponibles para las personas que usan lectores de pantalla en diferentes sistemas operativos, con consejos prácticos y recursos para ayudarles a navegar por el entorno R.Puede que esta guía no esté

Recursos para utilizar R con lectores de pantalla

Twitter es una de las plataformas y redes sociales preferidas por la comunidad de R y por las comunidades de datos, ciencia abierta e investigación. Desde el comienzo de rOpenSci hemos utilizado Twitter para conectarnos con nuestra comunidad y otras comunidades similares, para compartir lo que hacemos y para formar parte de las conversaciones en torno a los temas importantes para nuestra misión.

Canales de comunicación de rOpenSci: Twitter

¿Porqué un programa de Campeones y Campeonas? Estos programas se diseñan para identificar, reconocer y premiar a miembros apasionados de nuestras comunidades. En rOpenSci, reconocemos que existe una consternadora falta de diversidad en el ecosistema de las comunidades de software de investigación y de código abierto. La Comunidad R no es una excepción;

¡Anunciamos el programa de Campeones y Campeonas de rOpenSci!

Noam Ross

Me complace, emociona y llena de humildad anunciar que asumo el cargo de Director Ejecutivo de rOpenSci a partir del 1 de Abril. En primer lugar, permítanme expresar mi gratitud a nuestro Director Ejecutivo saliente y amigo Karthik Ram por su liderazgo y tutoría al frente de rOpenSci durante la última década. Ha sido una mano firme y un visionario que ha ayudado a nuestra comunidad a lograr tanto juntos en este tiempo.

Hola de nuestro nuevo Director Ejecutivo

Elio Campitelli

Marcos Prunello

Pao Corrales

Las personas

 campeonas

de una comunidad son

 personas que asumen una mayor responsabilidad en el éxito, la sostenibilidad y/o el funcionamiento de una comunidad

.

 1

rOpenSci desarrolla un programa de campeones y campeonas enfocado y pensado para que participen personas que pertenecen a grupos histórica y sistemáticamente excluidos de las comunidades de software abierto y de software de investigación.

Participación  Latinoamérica en el Programa de Campeonas y Campeones de rOpenSci

Un nuevo artículo de nuestra serie de entrevistas “Conociendo a las estrellas del universo R”. Nuestro objetivo es presentar a los equipos y personas que están detrás del desarrollo de software y paquetes que utilizamos y que están disponibles a través del R-universe. Queremos destacar y explorar diferentes equipos y proyectos de todo el mundo, el trabajo que realizan, sus procesos y usuarios.

Conociendo a las estrellas del Universo R: El universo R contra las enfermedades.

Tal como lo anticipamos en noviembre del 2022 los cambios aplicados en Twitter han generado un espacio menos seguro y amigable para nuestra comunidad. Es por eso que a partir de

 Junio de 2023

, dejaremos de interactuar en esa plataforma. Mantendremos la cuenta con la esperanza de poder volver cuando Twitter vuelva a ser un espacio seguro y solidario, pero mientras tanto centraremos nuestros esfuerzos de comunicación en otros lugares.

Los canales de comunicación de rOpenSci para un intercambio seguro y amigable

Conociendo a las estrellas del Universo R: PEcAn, un proyecto de código abierto para cuidar el planeta

Conociendo a las estrellas del Universo R: Investigando nuestro cerebro con la magia del universo R

¡El programa de campeones arrancó con todo este 2023! Nos complace informar sobre los dos primeros meses de nuestro primer programa de campeones y campeonas. En septiembre de 2022 hicimos el lanzamiento del programa, anunciando el llamado a aplicar a personas que quisieran participar. Recibimos un total de 102 solicitudes de 31 países diferentes.

Puntapié inicial de nuestro programa de campeonas y campeones

Jeroen Ooms

Encontrar la herramienta adecuada para el trabajo   Lo más difícil de usar R con eficacia es encontrar los mejores paquetes para el problema que intentas resolver. Creo que esto es incluso, más importante que dominar el lenguaje en sí. Cosa que irás adquiriendo a medida que empieces a utilizar R con más frecuencia.

Descubrir y aprender todo lo que hay que saber sobre los paquetes de R utilizando r-universe

Esta entrada del blog pretende ayudarte a iniciarte en la comunidad rOpenSci destacando algunos links y actividades clave. Si tienes alguna pregunta, no dudes en ponerte en contacto con nuestra Community Manager, Yanina Bellini Saibene por correo electrónico o programa una reunión con ella. Estamos a tu disposición para que comiences tu camino con nuestra comunidad. ¡Te damos la bienvenida! ¿Por dónde empiezo?

Cómo participar en rOpenSci

En rOpenSci, creamos y curamos software para ayudar a quienes hacen ciencia en el ciclo de vida de los datos. Estas herramientas acceden, descargan, gestionan y archivan datos científicos de forma abierta y reproducible. Desde el principio, nos dimos cuenta de que esto sólo podía ser un esfuerzo comunitario.

Cómo rOpenSci utiliza la revisión de código para promover la ciencia reproducible

Nos agrada anunciar que, con el aporte de Chan Zuckerberg Initiative, NumFOCUS y R Consortium, estamos comenzando el proceso de traducir los materiales de rOpenSci sobre buenas prácticas de desarrollo de software, revisión de código y contribución a proyectos de código abierto al español.Como parte de este esfuerzo, también estamos desarrollando guías y herramientas para traducir recursos de código abierto y alcanzar una mayor audiencia.

Agrandando nuestra comunidad con publicaciones multi-idioma

Los procesos de revisión de software y revisión de software estadístico que realizamos en rOpenSci dependen del trabajo voluntario de quienes realizan estas tareas de revisión y edición.El equipo editorial gestiona el flujo diario de envíos, recluta personas para revisar y guía el proceso de revisión por pares de principio a fin.

Desafíos y soluciones editoriales en la revisión por pares de software

Durante useR! 2021 Jeroen Ooms presentó el proyecto universo R en su

 keynote

.Comentó sobre el proyecto, los casos de uso y repasó las instrucciones para crear tu propio

 universo-r

. En este post the explico como crear el tuyo a partir de la experiencia de crear el mio.

Creando Tu R-universe

Nos complace anunciar el nuevo Grupo de Trabajo de Documentación Multilingüe del R Consortium.Este Grupo de Trabajo surgió luego de varias conversaciones durante el R Project Sprint 2023 y supervisará la implementación del soporte de documentación multilingüe en R y organizará los esfuerzos de traducción de la comunidad.Nuestro primer proyecto es el paquete (experimental)

 rhelpi18n

que añade soporte en R para el uso de

Documentación multilingüe en paquetes de R

Las orientaciones de la Revisión por Pares de Software de rOpenSci se compilan en un libro en línea que sigue mejorando.Esta articulo de blog resume las novedades de nuestra Guía de Desarrollo 0.9.0, con todos los cambios enumerados en la sección registro de cambios.¡Ahora disponible en español!

rOpenSci Dev Guide 0.9.0: ¡Ahora multilingüe! Y mejor

Esta es la primera entrega de nuestra serie de entrevistas

 “Conociendo a las estrellas del universo R”

. Tenemos como objetivo introducir los grupos de trabajo y las personas que están detrás del desarrollo del software y paquetes que muchos utilizamos y que se encuentran disponibles en

 R-Universe

. Queremos resaltar y conocer diferentes proyectos alrededor del mundo, el trabajo que hacen, sus procesos y usuarios.

Conociendo a las estrellas del universo R: comunidad R, intercambiar y aprender

¡Hola! Soy Yanina Bellini Saibene, tu nueva Community Manager. Estoy muy entusiasmada de unirme a rOpenSci con este rol y así poder apoyar un proyecto tan importante en la ciencia abierta y en la Comunidad R.  Cuando vi la convocatoria para el puesto, pensé que mis más de 20 años de experiencia trabajando en comunidades, siendo profesora e investigadora se alineaban perfectamente.

Presentamos a la nueva Community Manager de rOpenSci, Yanina Bellini Saibene

rOpenSci - herramientas abiertas para una ciencia abierta

## Resumen

Este artículo trata sobre los usos sorprendentes que he observado y las
preguntasque recibo sobre el paquete R
[censo2017](https://docs.ropensci.org/censo2017), una herramienta
paraacceder a los datos del censo chileno de 2017, que he recibido desde
que fue revisado por paresa través de rOpenSci hace un año. El [artículo
original](/blog/2021/07/27/censo2017/) sobre elpaquete no cubría los
diferentes ejemplos que presento aquí,incluyendo una versión Python del
paquete R.

## Organizar los datos del censo

[Hace tres años](/blog/2021/07/27/censo2017/), tuve que realizar una
tarea que me exigíaextraer los datos de un software sólo para Windows en
formato DVD, lo que se hizo muycomplicado.

Necesitaba acceder a los archivos REDATAM y obtener unos resúmenes de
poblacióncon un software específico para ese formato. Para mi sorpresa,
la tarea fueincreíblemente difícil, y exporté los datos a SQL para
unaextracción de datos más accesible.

Lo que inicialmente organicé en PostgreSQL, terminó siendo organizado en
unabase de datos local (embebida), que es más conveniente para los
usuarios finales ypuede instalarse con dos líneas de código.

Instalación en R:

 remotes::install_github("ropensci/censo2017")censo2017::censo_descargar()

Instalación en Python:

 pip install git+https://github.com/pachadotdev/censo2017python.git#egg=censo2017import censo2017censo2017.descargar()

## Uso inesperado I: Viviendas precarias (en R)

Podemos utilizar los datos del censo para determinar dónde son comunes
las viviendas precarias,lo que nos permite obtener ideas valiosas para
la política pública. Esto es algo que nunca contemplé cuandohice el
software.

¿Qué tipo de información sobre la vivienda podemos buscar en el censo?
Para simplificarvamos a explorar la variable `p01`, que podemos
consultar en la tabla`variables_codificación`, la cual creé para
organizar mi trabajo.

 library(censo2017)library(dplyr)con <- censo_conectar()tbl(con, "variables") %>% filter(variable == "p01") %>% collect() %>% kable()

| tabla | variable | descripcion | tipo | rango |
|:----------|:---------|:-----------------|:--------|:-------|
| viviendas | p01 | Tipo de Vivienda | integer | 1 - 10 |

 tbl(con, "variables_codificacion") %>% filter(variable == "p01") %>% select(valor, descripcion) %>% collect() %>% kable()

La variable se refiere al "Tipo de Vivienda" y contiene diez valores
numéricos que significan:

| valor | descripcion |
|------:|:-----------------------------------------------------|
| 1 | Casa |
| 2 | Departamento en Edificio |
| 3 | Vivienda Tradicional Indígena (Ruka, PaePae u Otras) |
| 4 | Pieza en Casa Antigua o enConventillo |
| 5 | Mediagua, Mejora, Rancho o Choza |
| 6 | Móvil (Carpa, Casa Rodante o Similar) |
| 7 | Otro Tipo de Vivienda Particular |
| 8 | Vivienda Colectiva |
| 9 | Operativo Personas en Tránsito (No EsVivienda) |
| 10 | Operativo Calle (No Es Vivienda) |
| 11 | Valor Perdido |
| 0 | No Aplica |

En este ejemplo, considero las viviendas codificadas como 5 (Mediagua,
Mejora, Rancho o Choza) como subestándar. Debido a la organización de
los datos del censo, para obtener la proporción de estos tiposde
vivienda por región, necesitamos

1. Crear el código de cada división política (es decir, región) a
 partir delcódigo geográfico de la tabla de zonas.
2. Unir la tabla de zonas con la tabla de viviendas para hacer
 coincidir cada unidad consu ubicación (por ejemplo, el hogar ID 100
 está en la región "Los Ríos (14)").
3. Agrupar por `p01` y contar el número de unidades.

Por ejemplo, si queremos ver la 14ava región específicamente, una forma
de hacerlo podría ser:

 tbl(con, "zonas") %>% mutate(region = str_sub(geocodigo, 1, 2)) %>% filter(region == 14) %>% inner_join(tbl(con, "viviendas")) %>% group_by(p01) %>% count() %>% collect() %>% kable()

| p01 | n |
|----:|-------:|
| 1 | 144081 |
| 2 | 4793 |
| 3 | 44 |
| 4 | 494 |
| 5 | 2187 |
| 6 | 35 |
| 7 | 1875 |
| 8 | 467 |
| 9 | 6 |
| 10 | 8 |

Podemos mejorar esta salida con una unión opcional y un paso paraextraer
los porcentajes:

 tbl(con, "zonas") %>% mutate(region = str_sub(geocodigo, 1, 2)) %>% filter(region == "14") %>% inner_join(tbl(con, "viviendas")) %>% group_by(p01) %>% count() %>% left_join( tbl(con, "variables_codificacion") %>% filter(variable == "p01") %>% select(p01 = valor, p01_desc = descripcion) ) %>% select(p01, p01_desc, n) %>% arrange(-n) %>% ungroup() %>% mutate(p = round(100 * n / sum(n), 2)) %>% collect() %>% kable()

| p01 | p01_desc | n | p |
|----:|:-----------------------------------------------------|-------:|------:|
| 1 | Casa | 144081 | 93.57 |
| 2 | Departamento en Edificio | 4793 | 3.11 |
| 5 | Mediagua, Mejora, Rancho o Choza | 2187 | 1.42 |
| 7 | Otro Tipo de Vivienda Particular | 1875 | 1.22 |
| 4 | Pieza en Casa Antigua o enConventillo | 494 | 0.32 |
| 8 | Vivienda Colectiva | 467 | 0.30 |
| 3 | Vivienda Tradicional Indígena (Ruka, PaePae u Otras) | 44 | 0.03 |
| 6 | Móvil (Carpa, Casa Rodante o Similar) | 35 | 0.02 |
| 10 | Operativo Calle (No Es Vivienda) | 8 | 0.01 |
| 9 | Operativo Personas en Tránsito (No EsVivienda) | 6 | 0.00 |

Para la 14ava región, la calidad de la vivienda no parece ser un
problema. ¿Y sinos preguntamos por el número de personas que viven en
cada uno de estos tipos de unidades?Esto requeriría pasos adicionales
para unir a las personas con los hogares y los hogares conlas viviendas.

 tbl(con, "zonas") %>% mutate(region = str_sub(geocodigo, 1, 2)) %>% filter(region == "14") %>% inner_join(tbl(con, "viviendas")) %>% inner_join(tbl(con, "hogares")) %>% inner_join(tbl(con, "personas")) %>% group_by(p01) %>% count() %>% left_join( tbl(con, "variables_codificacion") %>% filter(variable == "p01") %>% select(p01 = valor, p01_desc = descripcion) ) %>% select(p01, p01_desc, n) %>% arrange(-n) %>% ungroup() %>% mutate(p = round(100 * n / sum(n), 2)) %>% collect() %>% kable()

| p01 | p01_desc | n | p |
|----:|:-----------------------------------------------------|-------:|------:|
| 1 | Casa | 359343 | 93.38 |
| 2 | Departamento en Edificio | 9139 | 2.37 |
| 8 | Vivienda Colectiva | 7905 | 2.05 |
| 5 | Mediagua, Mejora, Rancho o Choza | 3980 | 1.03 |
| 7 | Otro Tipo de Vivienda Particular | 3008 | 0.78 |
| 4 | Pieza en Casa Antigua o enConventillo | 727 | 0.19 |
| 9 | Operativo Personas en Tránsito (No EsVivienda) | 494 | 0.13 |
| 3 | Vivienda Tradicional Indígena (Ruka, PaePae u Otras) | 96 | 0.02 |
| 10 | Operativo Calle (No Es Vivienda) | 84 | 0.02 |
| 6 | Móvil (Carpa, Casa Rodante o Similar) | 61 | 0.02 |

¿Cómo se compara el resultado anterior con el de la capital (13ava
región)?

 tbl(con, "zonas") %>% mutate(region = str_sub(geocodigo, 1, 2)) %>% filter(region == "13") %>% inner_join(tbl(con, "viviendas")) %>% inner_join(tbl(con, "hogares")) %>% inner_join(tbl(con, "personas")) %>% group_by(p01) %>% count() %>% left_join( tbl(con, "variables_codificacion") %>% filter(variable == "p01") %>% select(p01 = valor, p01_desc = descripcion) ) %>% select(p01, p01_desc, n) %>% arrange(-n) %>% ungroup() %>% mutate(p = round(100 * n / sum(n), 2)) %>% collect() %>% kable()

| p01 | p01_desc | n | p |
|----:|:-----------------------------------------------------|--------:|------:|
| 1 | Casa | 5265416 | 74.03 |
| 2 | Departamento en Edificio | 1613157 | 22.68 |
| 8 | Vivienda Colectiva | 78763 | 1.11 |
| 4 | Pieza en Casa Antigua o enConventillo | 72142 | 1.01 |
| 5 | Mediagua, Mejora, Rancho o Choza | 52710 | 0.74 |
| 7 | Otro Tipo de Vivienda Particular | 17335 | 0.24 |
| 9 | Operativo Personas en Tránsito (No EsVivienda) | 9113 | 0.13 |
| 10 | Operativo Calle (No Es Vivienda) | 2740 | 0.04 |
| 3 | Vivienda Tradicional Indígena (Ruka, PaePae u Otras) | 865 | 0.01 |
| 6 | Móvil (Carpa, Casa Rodante o Similar) | 567 | 0.01 |

De los datos resumidos anteriores podemos ver que en la capital,
52.710personas viven en viviendas precarias (Mediagua, Mejora, Rancho o
Choza).

No debemos olvidar cerrar la conexión de base de datos.

 censo_desconectar()

## Uso inesperado II: Fuente de agua (en Python)

La motivación de este ejemplo es mostrar que el objetivo de organizar
losdatos del censo no era promover R, sino mostrar algunos de los
beneficios de tener losdatos organizados en un formato abierto,
independientemente del lenguaje de programación utilizadopara el
análisis. Para mí es más fácil completar este ejemplo en R, pero
queríaincluir a las personas que utilizan estos datos del censo con
Python.

La variable para la fuente de agua es `p05`. El análisis es muy
similaral anterior, y empezamos por ver su descripción. Este ejemploes
relevante, ya que permite cuantificar el número de personas que
podríanestar expuestas a agua contaminada en una zona determinada.

 import censo2017import duckdbcon = duckdb.connect(database = censo2017.archivo_sql())con.execute("SELECT * FROM variables_codificacion WHERE variable = 'p05'").df()## tabla variable valor descripcion## 0 viviendas p05 1 Red Pública## 1 viviendas p05 2 Pozo o Noria## 2 viviendas p05 3 Camión Aljibe## 3 viviendas p05 4 Río, Vertiente, Estero, Canal, Lago, Etc.## 4 viviendas p05 99 Valor Perdido## 5 viviendas p05 98 No Aplica

Utilizando esta variable, podemos conocer el número de personas para
cada fuente de aguade la misma manera que en el caso anterior.

 con.execute("""SELECT "p05", "p05_desc", "n", ROUND((100.0 * "n") / SUM("n") OVER (), CAST(ROUND(2.0, 0) AS INTEGER)) AS "p"FROM ( SELECT "LHS"."p05" AS "p05", "n", "p05_desc" FROM ( SELECT "p05", COUNT(*) AS "n" FROM ( SELECT *, "LHS"."hogar_ref_id" AS "hogar_ref_id" FROM ( SELECT *, "LHS"."vivienda_ref_id" AS "vivienda_ref_id" FROM ( SELECT *, "LHS"."zonaloc_ref_id" AS "zonaloc_ref_id" FROM ( SELECT * FROM ( SELECT *, SUBSTR("geocodigo", 1, 2) AS "region" FROM "zonas" ) "q01" WHERE ("region" = '14') ) "LHS" INNER JOIN "viviendas" AS "RHS" ON ("LHS"."zonaloc_ref_id" = "RHS"."zonaloc_ref_id") ) "LHS" INNER JOIN "hogares" AS "RHS" ON ("LHS"."vivienda_ref_id" = "RHS"."vivienda_ref_id") ) "LHS" INNER JOIN "personas" AS "RHS" ON ("LHS"."hogar_ref_id" = "RHS"."hogar_ref_id") ) "q02" GROUP BY "p05" ) "LHS" LEFT JOIN ( SELECT "valor" AS "p05", "descripcion" AS "p05_desc" FROM "variables_codificacion" WHERE ("variable" = 'p05') ) "RHS" ON ("LHS"."p05" = "RHS"."p05")) "q03"ORDER BY -"n"""").df()## p05 p05_desc n p## 0 1 Red Pública 299464 77.82## 1 4 Río, Vertiente, Estero, Canal, Lago, Etc. 38796 10.08## 2 2 Pozo o Noria 32150 8.35## 3 98 No Aplica 8483 2.20## 4 3 Camión Aljibe 3558 0.92## 5 99 Valor Perdido 2386 0.62

Aquí vemos que para la 14ava región, el 22,18% de la población notiene
acceso a la red pública de agua corriente. La ventaja de esteenfoque es
que aquí utilizamos SQL puro para la consulta, que funcionaría
encualquier lenguaje en el que podamos pasar consultas SQL. La
desventaja es que notenemos una herramienta como `dplyr` y está la
necesidad de aprender la sintaxis SQL.

No debemos olvidar cerrar la conexión a la base de datos.

 con.close()

## Observaciones finales

Los ejemplos mostrados aquí se han simplificado. La mayoría de las
consultas querecibo son sobre resúmenes de datos a nivel subcomunitario,
por ejemplo cómo contar lasocurrencias de una variable categórica en un
barrio, como hicimos en nuestro ejemplo deacceso al agua (es decir, pozo
o red pública). Usando censo2017 podemos extraer informaciónútil para
las políticas públicas basada en la evidencia cuando se trata, por
ejemplo, depriorizar las decisiones presupuestarias.