---
title: "Flujo guiado: del perfil a la evaluación"
output: rmarkdown::html_vignette
vignette: >
  %\VignetteIndexEntry{Flujo guiado: del perfil a la evaluación}
  %\VignetteEngine{knitr::rmarkdown}
  %\VignetteEncoding{UTF-8}
---

```{r, setup, include=FALSE}
knitr::opts_chunk$set(collapse = TRUE, comment = "#>")
# El ancho se restaura al terminar la vinneta: knitr corre cada una en su propia
# sesion, asi que no se filtra, pero el CRAN Cookbook pide devolver toda opcion
# que se cambie y no cuesta nada cumplirlo.
.opciones_previas <- options(width = 90)
```

Esta es la ruta cuando ya se tiene una tabla y se quiere decidir qué medir.
El perfil descriptivo y el perfil de evaluación son objetos distintos: el
primero sale de `perfilar()` y el segundo se construye con
`perfil_evaluacion()`.

## 1. Perfilar

```{r}
library(lupa)

datos <- data.frame(
  id = 1:4,
  edad = c(20, NA, 35, 40),
  zona = c("Norte", "Norte", "Sur", "Sur"),
  stringsAsFactors = FALSE
)

perfil <- perfilar(datos, analizar_dependencias = FALSE)
perfil$hallazgos[, c("columna", "tipo_hallazgo", "severidad")]
```

El perfil responde qué señales aparecen, pero no decide por sí solo qué
requisito debe quedar vigente.

## 2. Proponer y editar

`proponer_modelo()` convierte señales del perfil en una tabla editable. La
columna `incluir` es la decisión que se confirma o se rechaza antes de medir.

```{r}
propuesta <- proponer_modelo(perfil, datos)
propuesta[, c("metrica", "origen", "incluir", "estado")]
```

En este ejemplo se confirma sólo la métrica de no nulidad; las demás
propuestas, si aparecen, quedan fuera explícitamente.

La propuesta ya no falla por codificación al imprimirse bajo LC_CTYPE = C,
donde antes la impresión se cortaba al llegar a una columna de listas con
nombres acentuados. En ese locale R escapa como <U+00F1> los caracteres que no
puede representar. Bajo un locale UTF-8 la salida es exactamente la de R; bajo
uno que no puede, difiere a propósito y publica el punto de código. Lo que no
trae codificación declarada ni es UTF-8 válido se escapa con el octal de R,
\377: la tabla se conserva alineada en los dos casos.
```{r}
propuesta$incluir <- propuesta$metrica == "NoNulo"
stopifnot(any(propuesta$incluir))
```

## 3. Materializar y medir

`modelo_desde_propuesta()` no vuelve a perfilar ni mide: materializa las filas
activas en un modelo operativo. Ese modelo va primero en `medir()` y los datos
van segundos.

```{r}
modelo_operativo <- modelo_desde_propuesta(propuesta)
medicion <- medir(
  modelo_operativo, datos,
  id_medicion = "ejemplo-guiado"
)
medicion[, c("metrica", "metrica_instanciada", "resultado")]
```

## 4. Evaluar

Se declara una regla y se la reúne en un perfil de evaluación. Ese perfil no es
el objeto que devuelve `perfilar()`: es el segundo argumento de `evaluar()`.

```{r}
regla <- regla_evaluacion(
  "Completitud minima",
  function(x) x >= 0.75
)
perfil_para_evaluar <- perfil_evaluacion("Publicable", regla)
evaluacion <- evaluar(medicion, perfil_para_evaluar)
evaluacion$perfiles
```

La evaluación aplica una condición a las medidas existentes. No vuelve a
leer `datos` ni reemplaza la medición.

## 5. Consultar la cobertura

Si además se quiere ver cómo queda el recorrido frente a una taxonomía, el
orden de `cobertura_analisis()` es `perfil`, `medicion`, `modelo`, donde el
tercer objeto es el marco conceptual creado por `marco_calidad()`.

```{r}
cobertura <- cobertura_analisis(perfil, medicion, marco_agesic())
cobertura[, c("marco", "dimension", "factor", "estado")]
```

La tabla permite distinguir una medición ejecutada, un factor no declarado y
un factor fuera de alcance. La ausencia de un hallazgo no se interpreta como
una certificación de calidad.


```{r, cierre, include=FALSE}
options(.opciones_previas)
```