MondaGuasu.Rmd

---
title: "Análisis de Eventos de Tarjetas de Pago de Pasaje de Transporte Público"
author: "MondaGuasu"
date: "2023/04/06"
output:
  pdf_document: default
---

## Introducción

Este informe fue generado en R a partir de los datos obtenidos por Maluff.

Lo que fue compartido tiene la siguiente estructura:

|Campo|Descripción|
|serialtarjeta|Serial de la Tarjeta|
|idsam|Identificacion del vehiculo|
|fechahoraevento|timestamp|
|producto|Tipo de Producto|
|montoevento|Monto del evento|
|consecutivoevento|Consecutivo del evento|
|identidad|Identidad|
|tipoevento|Tipo de Evento|
|latitude|Latitud geografica|
|longitude|Longitud geografica|
|idrutaestacion|id ruta estacion|
|tipotransporte|tipo de transporte|

Los archivos publicados son:
```{r Archivos }
list.files("INFORMACION SNBE/")
```

## Carga de datos y preparación

```{r setup, message=FALSE, warning=FALSE}
# Cargar las bibliotecas
library(lubridate)
library(dplyr)
library(ggplot2)
library(tidyverse)
library(knitr)

# Lista de archivos
archivos <- c(
"INFORMACION SNBE/1- Enero_2022.csv",
"INFORMACION SNBE/2- Febrero_2022.csv",   
"INFORMACION SNBE/3- Marzo_2022.csv",     
"INFORMACION SNBE/4- Abril_2022.csv",     
"INFORMACION SNBE/5- Mayo_2022.csv",      
"INFORMACION SNBE/6- Junio_2022.csv",     
"INFORMACION SNBE/7- Julio_2022.csv",     
"INFORMACION SNBE/8- Agosto_2022.csv",    
"INFORMACION SNBE/9- Setiembre_2022.csv", 
"INFORMACION SNBE/10- Octubre_2022.csv",  
"INFORMACION SNBE/11- Noviembre_2022.csv",
"INFORMACION SNBE/12- Diciembre_2022.csv",
"INFORMACION SNBE/13- Enero_2023.csv",    
"INFORMACION SNBE/14- Febrero_2023.csv",  
"INFORMACION SNBE/15- Marzo_2023.csv"
)

# Función para procesar un archivo y devolver un data.frame con el resultado
procesar_archivo <- function(archivo) {
  datos <- read.csv(archivo, header=TRUE, sep=";")
  datos$fechahoraevento <- as.POSIXct(datos$fechahoraevento, format="%Y/%m/%d %H:%M:%S")
  datos$fecha <- as.Date(datos$fechahoraevento)

  resultado <- datos %>%
    group_by(fecha, serialtarjeta) %>%
    summarise(eventos = n(), monto_total = sum(montoevento)) %>%
    slice_max(order_by = eventos, n = 1) %>%
    ungroup()

  return(resultado)
}

# Iterar sobre los archivos y procesarlos
resultados <- lapply(archivos, procesar_archivo)

# Combinar los resultados en un solo data.frame
resultados_combinados <- bind_rows(resultados)
```

## Tarjetas más utilizadas por día
A continuación, se muestra una tabla con las tarjetas más utilizadas en cada día:

```{r Resumen, message=FALSE, warning=FALSE}
kable(resultados_combinados, col.names = c("Fecha", "Serial Tarjeta", "TotalViajes", "Monto Total"), format = "html")
```

## Conclusiones
Basado en el análisis de eventos de tarjetas de pago de pasaje de transporte público, se pueden obtener las siguientes conclusiones:


```{r Conclusion, message=FALSE, warning=FALSE}
```