Apunte 4 — Uniendo bases de datos

Analítica de Personas · Semestre otoño 2026 · Semana 2 · Prof. René Gempp

1. ¿Por qué unir tablas?

En people analytics, los datos casi nunca vienen en una sola tabla. El HRIS tiene una tabla de empleados, otra de evaluaciones de desempeño, otra de entrevistas de salida, otra de encuestas. Para responder preguntas de negocio, necesitas combinar estas tablas usando una columna en común (una clave).

En nuestro caso de InnovaCo:

Las funciones de unión (joins) de dplyr resuelven exactamente este problema. La idea es simple: "buscar coincidencias" entre dos tablas por una columna compartida.

2. left_join(): el join que más usarás

left_join() toma todas las filas de la tabla izquierda y les agrega columnas de la tabla derecha donde coincida la clave. Si no hay coincidencia, rellena con NA.

# Sintaxis básica
datos <- tabla_izquierda |>
  left_join(tabla_derecha, by = "columna_clave")

# Ejemplo concreto de InnovaCo
datos <- innovaco |>
  left_join(salidas, by = "id_empleado")

¿Qué pasa paso a paso?

INN-0002 e INN-0003 no se fueron, así que no están en salidas. left_join() los mantiene y rellena con NA las columnas nuevas.

3. Claves de unión: el argumento by

Caso simple: misma columna en ambas tablas

# Cuando la clave se llama igual en ambas tablas
datos <- innovaco |>
  left_join(salidas, by = "id_empleado")

Caso con nombres distintos

# Si en una tabla la clave se llama "id" y en otra "id_empleado"
datos <- tabla_a |>
  left_join(tabla_b, by = c("id_empleado" = "id"))
# Izquierda = derecha

Clave compuesta (más de una columna)

# Cuando necesitas cruzar por dos columnas a la vez
# Ejemplo: encuesta por empleado Y por período
datos <- empleados |>
  left_join(encuestas, by = c("id_empleado", "periodo"))

4. Los otros tipos de join

left_join() es el que usarás el 90% del tiempo, pero existen otros cuatro tipos. La diferencia es qué filas conservan cuando no hay coincidencia:

# inner_join: solo empleados que se fueron (326 filas)
solo_salidas <- innovaco |>
  inner_join(salidas, by = "id_empleado")

nrow(solo_salidas)  # 326

# anti_join: empleados que NO se fueron (874 filas)
activos <- innovaco |>
  anti_join(salidas, by = "id_empleado")

nrow(activos)       # 874

5. Verificar el resultado de un join

Siempre verifica después de un join. Los tres chequeos esenciales:

# 1. ¿Cuántas filas tiene el resultado?
nrow(datos)  # Debería ser 1200 con left_join

# 2. ¿Hay duplicados? (filas más que las esperadas)
datos |>
  count(id_empleado) |>
  filter(n > 1)  # Si hay filas aquí, algo salió mal

# 3. ¿Los NA están donde esperamos?
datos |>
  count(rotacion, tipo_salida)
# Los que NO se fueron deberían tener NA en tipo_salida

6. bind_rows(): apilar tablas

A veces no necesitas cruzar tablas por una clave, sino simplemente apilar una debajo de otra (cuando tienen las mismas columnas). Esto es bind_rows():

# Ejemplo: juntar datos de dos oficinas
datos_stgo <- read_csv("oficina_santiago.csv")
datos_valpo <- read_csv("oficina_valparaiso.csv")

todos <- bind_rows(datos_stgo, datos_valpo)
# Si una tabla tiene una columna que la otra no tiene,
# bind_rows() rellena con NA. No da error.

A |> left_join(B, by = "id")
# A tiene 5 cols → resultado 8 cols

bind_rows(A, B)
# A tiene 100 filas, B tiene 50
# → resultado 150 filas

7. Resumen: ¿qué función necesito?

8. Errores frecuentes