about.Rmd

---
title: "Visualització dels resultats"
output: rmarkdown::github_document
---
  
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE, message = FALSE, warning = FALSE)
knitr::opts_knit$set(eval.after = 'fig.cap')
library(mnormt); # generació de normals 'multivariants'
library(xtable); # taules amb LaTeX
library(fBasics) # funcions matricials
library(FactoMineR); library(factoextra)
library(ggplot2); library(ggpubr); library(magrittr); library(Matrix)
library(datasets);library(MASS); library(knitr)
library(readr); library(ggfortify); library(ggplot2)
library(readxl);library(tidyverse);library(dplyr)
library(gganimate)
library(transformr)
library(kableExtra)
library(corrplot)
```

```{r global_options, include=FALSE}
knitr::opts_chunk$set(fig.path="C:/Users/patig/OneDrive/Desktop/PatiGenius.github.io/about_files/figure-html")
```


```{r, include=FALSE}
## per llegir tots els csv

files <- list.files(path = "C:/Users/patig/OneDrive/Desktop/PatiGenius.github.io", pattern = "*.csv", full.names = F)
# si poso fullnames=TRUE surt tot el path (C:/.......)

tbl <- sapply(files, read.csv, simplify=FALSE, header=TRUE) 

## extrec tots els datasets
list2env(tbl,globalenv())

```

```{r, include=FALSE}
resum2019<- ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv %>%
  group_by(Nom_Districte) %>%
  summarise(
    N=length(unique(Nom_Barri)),
    Mitj_Pes=mean(Pes_atur),
    Desv_Pes=sd(Pes_atur),
    Pobl= sum(Poblacio_16_64_anys)
  )

### recodifiquem nom variables (districtes). 

levels(resum2019$Nom_Districte)[3]<- "Gracia"
levels(resum2019$Nom_Districte)[4]<- "Horta-Guinardo"
levels(resum2019$Nom_Districte)[8]<- "Sant Marti"
levels(resum2019$Nom_Districte)[9]<- "Sants-Montjuic"
levels(resum2019$Nom_Districte)[10]<- "Sarria-Sant Gervasi"

levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[3]<- "Gracia"
levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[4]<- "Horta-Guinardo"
levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[8]<- "Sant Marti"
levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[9]<- "Sants-Montjuic"
levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[10]<- "Sarria-Sant Gervasi"

```


# ECONOMIA
**Quin és el pes de l'atur a la ciutat comtal?**

La següent taula resumeix, per l'any 2019, el pes de l'atur que es troba en cada districte, juntament amb la desviació que aquest pes presenta, el número de població activa que hi viu i el número de barris que configuren el districte:

```{r, echo=FALSE, fig.align='center'}
resum19<- resum2019
colnames(resum19)<- c("Districte", "Nº Barris", "Pes atur (%)", "Desviació pes atur", "Població activa 16-64 anys")
resum19$`Pes atur (%)`<- round(resum19$`Pes atur (%)`,3)
resum19$`Desviació pes atur`<- round(resum19$`Desviació pes atur`, 3)


kable(resum19,caption = "Taula 1: Resum de l'any 2019, de la mitjana del pes de l'atur, desviació d'aquest pes, número de població activa i número de barris que hi ha per districte a Barcelona" ) %>%
  kable_styling(latex_options = "HOLD_position")
```

```{r, include=FALSE}
resum2019<- ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv %>%
  group_by(Nom_Districte) %>%
  summarise(
    N=length(unique(Nom_Barri)),
    Mitj_Pes=mean(Pes_atur),
    Desv_Pes=sd(Pes_atur),
    Pobl= sum(Poblacio_16_64_anys)
  )

levels(resum2019$Nom_Districte)[3]<- "Gracia"
levels(resum2019$Nom_Districte)[4]<- "Horta-Guinardo"
levels(resum2019$Nom_Districte)[8]<- "Sant Marti"
levels(resum2019$Nom_Districte)[9]<- "Sants-Montjuic"
levels(resum2019$Nom_Districte)[10]<- "Sarria-Sant Gervasi"

levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[3]<- "Gracia"
levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[4]<- "Horta-Guinardo"
levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[8]<- "Sant Marti"
levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[9]<- "Sants-Montjuic"
levels(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[10]<- "Sarria-Sant Gervasi"

levels(ECONOMIAEMPR_OCUP_2020_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[3]<- "Gracia"
levels(ECONOMIAEMPR_OCUP_2020_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[4]<- "Horta-Guinardo"
levels(ECONOMIAEMPR_OCUP_2020_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[8]<- "Sant Marti"
levels(ECONOMIAEMPR_OCUP_2020_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[9]<- "Sants-Montjuic"
levels(ECONOMIAEMPR_OCUP_2020_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte)[10]<- "Sarria-Sant Gervasi"

```

A partir de les dades d'aquesta taula, visualitzem el següent gràfic, on podem observar, en mitjana, el pes de l'atur a cada un dels districtes de la ciutat de Barcelona, l'any 2019.

```{r, echo=FALSE, fig.cap="Figura 1: Pes de l'atur per districtes a BCN l'any 2019.", fig.align='center'}
ggplot(resum2019) + geom_point(aes(Nom_Districte, Mitj_Pes, size=Pobl)) +
  theme_minimal() + 
  theme(axis.text.x = element_text(angle = 40, hjust = 1, size=9), axis.title.x = element_text(size=11), axis.title.y = element_text(size=11)) +
  labs(x="Districte", y="Pes Atur \n (% població aturada)") + 
  theme(plot.title = element_text(hjust = 0.5)) +
  labs(size="Població activa \n (nº persones entre 16-64 anys)") 
  
```


Nou Barris,Sant Andreu, Ciutat Vella, Sant Martí i Sants-Montjuïc són els 5 districtes amb un major percentatge de població activa aturada, mentre que els districtes de Sarrià-Sant Gervasi, Les Corts, l'Eixample, Gràcia i Horta-Guinardó són els que presenten una menor taxa d'atur.


A continuació, podem observar la distribució de la taxa d'atur entre districtes, al llarg dels mesos durant l'any 2019. 
**Què vol dir la distribució de la taxa d'atur entre districtes?**
A cada districte trobem diferent número de barris. La distribució de la taxa d'atur en un districte correspon, per tant, a la dispersió que trobem de la taxa d'atur entre els diferents barris d'un mateix districte. 

```{r, echo=FALSE, fig.cap="Figura 2: Pes de l'atur per districtes a BCN l'any 2019",  render=FALSE, fig.align='center'}
#### fem la distribucio dels pesos de l'atur per mes i districte#####

ggplot(data = ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv,
       mapping = aes(x = reorder(Nom_Districte, Pes_atur,FUN = mean),y = Pes_atur)) +
   geom_boxplot(alpha=0.3, outlier.colour = "blue") +
  geom_point(stat= "summary", fun=mean, shape=16, size=1.5, color="red") + 
  labs(x="Districte", y="Pes atur \n (% població aturada)") +
   theme (plot.title = element_text(size=10,vjust=2,hjust=0.5,face="bold")) + 
  theme(axis.title.x = element_text(size=9)) +
  theme(axis.title.y = element_text(size=9)) +
  theme(axis.text.x = element_text(angle = 60, hjust = 1, size=9)) +
  transition_states(
    Mes,
    transition_length = 1,
    state_length = 1
  ) +
  enter_fade() + 
  exit_shrink() +
  ease_aes('sine-in-out') + labs(title = "Mesos: {closest_state}")
```

Aquests *boxplots* mostren la mitjana del percentatge de població activa aturada (punt vermell), valors extrems del pes de l'atur (punts blaus), i el rang en el que es mou el percentatge de població aturada en un districte (tamany de les caixes)
Podem veure com la taxa d'atur que presenta una major dispersió és la del districte de Nou Barris, acompanyada també per altres districtes com Ciutat Vella, Sant Martí, Sants-Montjuic i les Corts. En el primer i darrer trimestre de l'any és quan s'observa, en mitjana, major taxa d'atur entre els districtes. Es pot observar un descens d'aquesta en els mesos corresponents a finals de la primavera i estiu. 

Podem observar la mateixa distribució de la taxa d'atur per districtes durant els mesos registrats de l'any 2020:

```{r, echo=FALSE, fig.cap="Figura 3: Pes de l'atur per districtes a BCN l'any 2020", fig.align='center'}
ggplot(data = ECONOMIAEMPR_OCUP_2020_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv,
       mapping = aes(x = reorder(Nom_Districte, Pes_atur,FUN = mean),y = Pes_atur)) +
  geom_boxplot(alpha=0.3, outlier.colour = "blue") +
  geom_point(stat= "summary", fun=mean, shape=16, size=1.5, color="red") + 
  labs(x="Districte", y="Pes atur \n (% població aturada)") +
  ggtitle ("Pes de l'atur per districtes a BCN") + 
  theme (plot.title = element_text(size=10,vjust=2,hjust=0.5,face="bold")) + 
  theme(axis.title.x = element_text(size=9)) +
  theme(axis.title.y = element_text(size=9)) +
  theme(axis.text.x = element_text(angle = 60, hjust = 1, size=9)) +
  transition_states(
    Mes,
    transition_length = 1,
    state_length = 1
  ) +
  enter_fade() + 
  exit_shrink() +
  ease_aes('sine-in-out') + labs(title = "Mesos: {closest_state}")
```

Es pot observar com arrel de la situació viscuda aquest 2020, la pandèmia ha tingut un gran efecte en l'increment de la taxa de l'atur en els diferents districtes, que ha estat augmentant des de gener fins a juliol.

```{r, include=FALSE}
by_barri<- ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv %>%
  group_by(Nom_Barri) %>%
  summarise(
    Mitj_Pes=mean(Pes_atur),
    Desv_Pes=sd(Pes_atur),
    Pobl= sum(Poblacio_16_64_anys)
  )

## al costat de cada barri haig de posar el districte #####
districtes<- data.frame(ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Districte, ECONOMIAEMPR_OCUP_2019_Pes_del_atur_registrat_sobre_poblacio_16_64_anys.csv$Nom_Barri)
colnames(districtes)<- c("Nom_Districte","Nom_Barri")
## es repetien casos ###
districtesbo<- distinct(districtes)

districtes_barris<-merge(by_barri,districtesbo , by.x="Nom_Barri", by.y="Nom_Barri", all.x = TRUE)


######### hi ha un codi per deixar espai entre grups però no em surt ####
empty_bar <- 10
to_add <- data.frame(matrix(NA, empty_bar*length(unique(districtes_barris$Nom_Districte)), ncol(districtes_barris)) )
colnames(to_add) <- colnames(districtes_barris)

to_add$Nom_Districte<- rep(unique(districtes_barris$Nom_Districte), each=empty_bar)

data <- rbind(districtes_barris, to_add)

data <- data %>% arrange(Nom_Districte)

data$id <- seq(1, nrow(data))


#### mitjana del pes de l'atur en cada barri de cada districte #####
label_data <- data
number_of_bar <- nrow(data)
angle <-  90 - 360 * (label_data$id-0.5) /number_of_bar
label_data$hjust<-ifelse( angle < -90, 1, 0)
label_data$angle<-ifelse(angle < -90, angle+180, angle)


base_data <- data %>% 
  group_by(Nom_Districte) %>% 
  summarize(start=min(id), end=max(id) - empty_bar) %>% 
  rowwise() %>% 
  mutate(title=mean(c(start, end)))


grid_data <- base_data
grid_data$end <- grid_data$end[ c( nrow(grid_data), 1:nrow(grid_data)-1)] + 1
grid_data$start <- grid_data$start - 1
grid_data <- grid_data[-1,]

summary(data$Mitj_Pes)

p <- ggplot(data, aes(x=as.factor(id), y=Mitj_Pes, fill=Nom_Districte)) +
  geom_bar(aes(x=as.factor(id), y=Mitj_Pes, fill=Nom_Districte), stat="identity", alpha=0.5)+
  geom_segment(data=grid_data, aes(x = end, y = 12, xend = start, yend = 12), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 10, xend = start, yend = 10), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 8, xend = start, yend = 8), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 6, xend = start, yend = 6), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 4, xend = start, yend = 4), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 2, xend = start, yend = 2), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 0, xend = start, yend = 0), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  annotate("text", x = rep(max(data$id),7), y = c(0,2,4,6,8,10,12), label =c("0%","2%","4%","6%","8%","10%","12%") , color="grey", size=3 , angle=0, fontface="bold", hjust=1) +
  geom_bar(aes(x=as.factor(id), y=Mitj_Pes, fill=Nom_Districte), stat="identity", alpha=0.5) +
  ylim(-2,20) +
  theme_minimal() +
  theme(
    axis.text = element_blank(),
    axis.title = element_blank(),
    panel.grid = element_blank(),
    plot.margin = unit(rep(-1,4), "cm") 
  ) +
  coord_polar() + 
  geom_text(data=label_data, aes(x=id, y=Mitj_Pes+1.5, label=Nom_Barri, hjust=hjust), color="black", fontface="bold",alpha=0.7, size=2, angle= label_data$angle, inherit.aes = FALSE )+
  scale_fill_discrete(name = "Districtes") 




p2 <- ggplot(data, aes(x=as.factor(id), y=Desv_Pes, fill=Nom_Districte)) +
  geom_bar(aes(x=as.factor(id), y=Desv_Pes, fill=Nom_Districte), stat="identity", alpha=0.5)+
  geom_segment(data=grid_data, aes(x = end, y = 0.4, xend = start, yend = 0.4), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 0.25, xend = start, yend = 0.25), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 0.2, xend = start, yend = 0.2), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 0.15, xend = start, yend = 0.15), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 0.1, xend = start, yend = 0.1), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 0.05, xend = start, yend = 0.05), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  geom_segment(data=grid_data, aes(x = end, y = 0, xend = start, yend = 0), colour = "grey", alpha=1, size=0.3 , inherit.aes = FALSE ) +
  annotate("text", x = rep(max(data$id),7), y = c(0,0.05,0.1,0.15,0.2,0.25,0.4), label =c("0","0.05","0.1","0.15","0.2","0.25","0.4") , color="grey", size=3 , angle=0, fontface="bold", hjust=1) +
  geom_bar(aes(x=as.factor(id), y=Desv_Pes, fill=Nom_Districte), stat="identity", alpha=0.5) +
  ylim(-1,1) +
  theme_minimal() +
  theme(
    axis.text = element_blank(),
    axis.title = element_blank(),
    panel.grid = element_blank(),
    plot.margin = unit(rep(-1,4), "cm") 
  ) +
  coord_polar() + 
  geom_text(data=label_data, aes(x=id, y=Desv_Pes+0.05, label=Nom_Barri, hjust=hjust), color="black", fontface="bold",alpha=0.7, size=2, angle= label_data$angle, inherit.aes = FALSE )+
  scale_fill_discrete(name = "Pes mitjà de l'atur per barris i districtes") 


```

A continuació mostrem el percentatge mitjà de persones aturades, d'entre la població activa de l'any 2019, de cada un dels barris, agrupats en funció del districte al qual pertanyen:

```{r, echo=FALSE, warning=FALSE, fig.cap="Figura 4: Percentatge de població aturada en cada barri, agrupats per districte.", fig.align='center'}
p
```

Veiem com el grup de barris que configuren el districte de Sarrià-Sant Gervasi són els que presenten una menor taxa d'atur, mentre que el bloc que configuren el districte de Nou Barris en presenten de molt superiors. Podem veure el comportament del pes de l'atur per cada bloc de districtes i subgrups de barris.

# TERRITORI

**Quins són els preus que s'estan pagant per viure a la ciutat comtal?**

```{r, include=FALSE}
### lloguer mitjà per barri #### 
summary(TERRITORI_HAB_2019_lloguer_preu_trim.csv)
### no mirem en funció del trimestre, sinó la mitjana anual ###
posicionsNA<-as.vector(which(TERRITORI_HAB_2019_lloguer_preu_trim.csv$Preu=="N/A"))
territori<-TERRITORI_HAB_2019_lloguer_preu_trim.csv[-posicionsNA,]
##hem exclos 46 casos on no es tenia el rpeu mitjà ##
territori$Preu<- as.numeric(levels(territori$Preu))[territori$Preu] 


lloguersTOT<- rbind(TERRITORI_HAB_2015_lloguer_preu_trim.csv, TERRITORI_HAB_2016_lloguer_preu_trim.csv, TERRITORI_HAB_2017_lloguer_preu_trim.csv, TERRITORI_HAB_2018_lloguer_preu_trim.csv, TERRITORI_HAB_2019_lloguer_preu_trim.csv)
levels(lloguersTOT$Nom_Districte)[3]<- "Gracia"
levels(lloguersTOT$Nom_Districte)[4]<- "Horta-Guinardo"
levels(lloguersTOT$Nom_Districte)[8]<- "Sant Marti"
levels(lloguersTOT$Nom_Districte)[9]<- "Sants-Montjuic"
levels(lloguersTOT$Nom_Districte)[10]<- "Sarria-Sant Gervasi"

posicionsNA2<-as.vector(which(lloguersTOT$Preu=="N/A"))
lloguersTOT2<-lloguersTOT[-posicionsNA,]
lloguersTOT2$Preu<- as.numeric(as.character(lloguersTOT2$Preu))
lloguersTOT2<- na.omit(lloguersTOT2)

lloguer_tot_distr<-  lloguersTOT2 %>%
  group_by(Nom_Districte) %>%
  summarise(
    mitj_preu= mean(Preu)
  )

lloguer_tot_distrANY<-  lloguersTOT2 %>%
  group_by(Nom_Districte, Any) %>%
  summarise(
    mitj_preu= mean(Preu)
  )
```

Analitzem el preu dels lloguers mensuals dels districtes de Barcelona. Per a fer-ho partim del preu dels lloguers dels barris de cada districte, i fem la mitjana per obtenir el preu mig del lloguer mensual de cada districte. 
Podem observar el valor mig del lloguer mensual per cada districte, partint de les dades dels últims 5 anys (sense discriminar per any), a la següent taula:

```{r, echo=FALSE,  fig.align='center'}
lloguer_tot_distr2<- lloguer_tot_distr
colnames(lloguer_tot_distr2)<- c("Districte","Preu lloguer (€/mes)")
lloguer_tot_distr2$`Preu lloguer (€/mes)`<- round(lloguer_tot_distr2$`Preu lloguer (€/mes)`)

kable(lloguer_tot_distr2, caption="Taula 2: Preu mitjà del lloguer mensual als districtes de Barcelona") %>%
  kable_styling(latex_options = "HOLD_position")
```


Mostrem l'evolució del lloguer mensual en els últims 5 anys:

```{r, echo=FALSE, fig.cap="Figura 5: Evolució del preu mitjà del lloguer mensual de les vivendes dels districtes de BCN. Des del 2015 fins al 2019.", fig.align='center'}
ggplot(lloguer_tot_distrANY) + geom_point(aes(Nom_Districte, mitj_preu)) +
  theme_minimal() + 
  theme(axis.text.x = element_text(angle = 40, hjust = 1, size=9)) +
  labs(x="Districte", y="Preu mitjà lloguer (euros/mes)") + 
  theme(plot.title = element_text(hjust = 0.5)) + 
  transition_states(states=Any, transition_length=5, state_length = 5) + labs(title = "Any: {closest_state}") 

```

Podem observar un increment del preu mensual dels lloguers en la majoria de districtes any rere any, excepte un decrement que s'observa de 2017 a 2018 en el districte de Sarrià-Sant Gervasi. 
Els 5 districtes on els lloguers són més alts són Sarrià-Sant Gervasi, Les Corts, l'Eixample, Sant Martí i Ciutat Vella. La resta de districtes presenten lloguers més baixos, sent per ordre decreixent, menors en el districte de Gràcia, Sants-Montjuïc, Horta-Guinardó, Sant Andreu i Nou Barris.
Districtes on s'observen altes taxes d'atur, com Ciutat Vella (tercer amb major taxa d'atur) i Sant Martí (5è amb major taxa d'atur), presenten també lloguers alts (tercer i quart districte, respectivament, amb lloguers mensuals més alts), que no disten massa del que trobem al districte de l'Eixample.

# VALORACIÓ RESULTATS

Després de les anàlisis realitzades hem pogut observar que els districtes amb un major pes de l'atur són Nou Barris, Sant Andreu, Ciutat Vella, Sants-Montjuïc i Sant Martí. D'altra banda, Horta-Guinardó, Gràcia, l'Eixample, Les Corts i Sarrià-Sant Gervasi presenten menors taxes d'atur.

En estudiar el preu dels lloguers, els districtes on el preu mensual de la vivenda és superior són Sarrià-Sant Gervasi, Les Corts, l'Eixample, Sant Martí i Ciutat Vella, mentre que el preu dels lloguers és inferior a Gràcia, Sants-Montjuïc, Horta-Guinardó, Sant Andreu i Nou Barris.

Sembla doncs que, majoritàriament, en els barris on hi ha majors taxes d'atur, els lloguers són més baixos. Trobem però, alguns casos que ens sorprenen. Podem visualitzar-ho en la següent gràfica. El que hem fet és donar el valor de 1 als paràmetres *atur* i *lloguer* en els casos més alts, partint dels resultats observats en l'estudi. En aquest cas, per a les variables *atur* i *lloguer* la puntuació de 1 la prenen el districte de Nou Barris i Sarrià-Sant Gervasi, respectivament. Per contra hem donat el valor de 10 quan els paràmetres indiquen valors baixos (baix atur i lloguers baixos). En aquest cas el valor de 10 el prenen Sarrià-Sant Gervasi i Nous Barris respectivament. 
Aquests valors no són ni més ni menys que l'ordre en el que es troba, cada un dels districtes, quan es comparen tots entre tots pel que fa a taxa d'atur i preu dels lloguers. 

Ordenant d'aquesta manera els districtes amb una puntuació que indica la posició en la que es troben quan s'ordenen els paràmetres *atur* i *lloguer* de més alts a més baixos , podem observar la relació entre tots dos paràmetres en cada un dels districtes.

```{r, echo=FALSE, fig.cap="Figura 6: Rànking dels districtes pel que fa a la taxa d'atur i el preu del lloguer", fig.align='center'}
barris<- c("Nou Barris",  " Sant Andreu","Ciutat Vella", 
           "Sants-Montjuic","Sant Martí","Horta-Guinardo","Gracia",
           "Eixample", "Les Corts","Sarria-Sant Gervasi")
punt<- c(1:10)
atur<- data.frame(barris, punt)

barris2<- c("Nou Barris", " Sant Andreu","Horta-Guinardo",
           "Sants-Montjuic","Gracia","Ciutat Vella","Sant Martí",
           "Eixample", "Les Corts","Sarria-Sant Gervasi")
 
punt2<- c(10:1)
lloguer<- data.frame(barris2, punt2)
colnames(lloguer)<- c("barris", "punt")

dadesTOT<- rbind(atur, lloguer)
dadesTOT$grup<- rep(c("atur","lloguer"),each=10)
dadesTOT$punt<- as.factor(dadesTOT$punt)

ggplot(dadesTOT, aes(x=barris, y = punt,  group=grup, col=grup))+
 geom_line() + geom_point() + theme_minimal() +
  theme(axis.text.x = element_text(angle = 40, hjust = 1, size=9)) +
  labs(x="Districte", y="Puntuació escala \n (1-alt; 10-baix)", col="Paràmetres")

```

Nou Barris i Sant Andreu, que són els dos districtes amb major taxa d'atur (1r i 2n en el rànking), també són els dos districtes que presenten lloguers més baixos (9è i 10è en el rànking). Sarrià-Sant Gervasi, Les Corts i L'Eixample, que són districtes que presenten baixes taxes d'atur (10è, 9è i 8è en l'ordenació), presenten lloguers més alts (1r, 2n i 3r en el rànking).
Per contra, observem també districtes, com el de Sant Martí, on es registra una alta taxa d'atur (5è en l'ordenació), els lloguers no són pas dels més baixos (4rts en el rànking del preu dels lloguers).  
El districte de Gràcia, que és dels que presenta una taxa d'atur més baixa (7è en el rànking) presenta un lloguer mig mensual menor que el que presenta el districte de Sant-Martí (6+e en el rànking del preu dels lloguers).
Per tant, veiem com districtes on la taxa d'atur és superior que en altres, els preus dels lloguers comencen a ser superiors.


Si agrupem els districtes per clústers (grups que comparteixen semblances entre ells i diferències amb la resta de grups) observem que la classificació final dels districtes de Barcelona queda de la següent manera:

```{r, warnings=FALSE, echo=FALSE, fig.cap="Figura 7: Agrupació dels districtes de Barcelona en 3 clústers en funció de 2 paràmetres: atur i lloguer", fig.align='center'}
dadesTOT_2<- merge(lloguer_tot_distr, resum19, by.x="Nom_Districte", by.y="Districte")
dadesTOT_2<- dadesTOT_2[,c(1,2,4)]

colnames(dadesTOT_2)<- c("districte","lloguer","atur")


set.seed(123)
barris.scaled<-scale(dadesTOT_2[,-1])
barris3km<- kmeans(barris.scaled, 3)
nomsbarris<-levels(dadesTOT_2$barris)
#barris3km$cluster
#str(barris3km)
#barris3km

## plot normal que és més ràpid que ggplot
rownames(dadesTOT_2) <- dadesTOT_2$districte
dadesTOT_2<- dadesTOT_2[,-1]
set.seed(123)
fviz_cluster(object = barris3km, data = dadesTOT_2,show.clust.cent = TRUE, geom= "text") +  labs(title = "Resultados clustering K-means") +
  theme_bw() + ggtitle(" K = 3") + ylim(c(-2,2)) + xlim(c(-2,2))

```

La classificació resultant respon al que venim observant durant tot l'anàlisi. Una pregunta interessant a fer-se és si aquests clústers que trobem ara, en un futur, podran veure's d'una forma diferent i canviaran les tendències. A més a més, també resultaria d'interès saber quants individus d'un clúster, amb el pas dels anys, són capaços de migrar a altres clústers, ja que el desenvolupament personal i professional es veu condicionat per l'entorn en que creixes.



Plasmem el mateix resultat en un gràfic de components principals:

```{r, echo=FALSE, fig.align='center'}
barris2<- dadesTOT_2
barris2$cluster<- barris3km$cluster

library(FactoMineR)
pcaprs<- PCA(barris2, quali.sup=3, ncp=2)
```



**Quina lectura en fem?**

Necessitaríem moltes mes dades per entendre quins fenòmens sorgeixen, què està afectant a aquests successos, etc.. Però bé és cert que existeix un conflicte entre el preu dels habitatges i la taxa d'atur en alguns dels districtes de Barcelona, com el cas de Sant Martí. Altres zones on el conflicte no es veu tant clar, com podrien ser l'Eixample, les Corts o Sarrià-Sant Gervasi, seria d'interès veure quin percentatge del sou mig de les persones/famílies es destina completament al lloguer de la vivenda, perquè menor taxa d'atur, no implica directament bons sous. I el que està clar, que major taxa d'atur, es tradueix en un menor número de persones productives en un districte, menor inversió econòmica d'aquestes en els serveis de la zona, més pobresa, menys oportunitats i menys opció a una vivenda digne, i per tant, a una vida digne.


Aquest estudi pretén sobretot donar veu a la necessitat de conciliar i equilibrar moltes àrees que afecten al desenvolupament de la persona com a individu que forma part de la societat, com a persona que desenvolupa una tasca professional i un servei i que necessita ser recompensat en aspectes bàsics i de necessitat primària com és el dret a l'habitage. El problema no es troba només en el preu dels lloguers, sinó en tots els factors que incideixen en impossibilitar que aquests lloguers, cada cop més estratosfèrics, puguin ser assolits per persones treballadores, que dediquen hores diàries a complir amb el seu deure però no veuen el camí per on seguir.