histogramas.Rmd

---
title: "histogramas"
author: "Juan Baena"
date: "`r Sys.Date()`"
output: html_document
---

```{r setup, echo= FALSE, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
library(tidyverse)
library(hrbrthemes)
```



```{r datos, echo=FALSE}
tidy_presirvienta <- read.csv('data/tidy_presirvienta.csv')

#Convertir a formato de fecha

tidy_presirvienta$timestamp <- ymd_hms(tidy_presirvienta$timestamp)

# Convertir a factores
convertir_fact <- c('author', 'source', 'is_retweet',	'retweeted_user',	'is_quote_tweet',	'quoted_user',	'is_quote_withheld',	'is_reply',	'replied_user',	'is_withheld', 'Emotion')

tidy_presirvienta[convertir_fact] <- lapply(tidy_presirvienta[convertir_fact], as.factor)

# Filtrar las entradas entre el 1 de octubre y el 8 de octubre

# Definir el rango de fechas
start_date <- ymd("2024-10-01")
end_date <- ymd("2024-10-08")

# Filtrar las filas dentro del rango de fechas
tidy_presirvienta <- tidy_presirvienta %>%
  filter(timestamp >= start_date & timestamp <= end_date)
```


```{r}
tidy_presirvienta %>% 
  filter(like_count < 1500) %>% 
  ggplot(aes(x= like_count)) +
  geom_histogram(binwidth = 10)+
  theme_ft_rc() +
  labs(
    title = "Distribución del conteo de likes",
    x = "Número de likes",
    y = "Frecuencia"
  )

```

```{r}
tidy_presirvienta %>% 
  filter(like_count < 1500) %>% 
  ggplot(aes(x= like_count)) +
  geom_histogram(binwidth = 10, colour = ft_cols$red)+
  theme_ft_rc() +
  facet_wrap( ~Emotion)
  labs(
    title = "Distribución del conteo de likes",
    x = "Número de likes",
    y = "Frecuencia"
  )

```