Quería poneros unos apuntes sobre el paquete XML de R. El caso es que, entre todos los fregados en los que ando metido, he retomado el tema de leer páginas web con R. Y con esto he llegado a la sentencia install.packages("XML") y, con la fiebre mundialista, estoy en lo siguiente:

library(XML)
pag <- "http://es.wikipedia.org/wiki/Anexo:Finales_de_la_Copa_Mundial_de_F%C3%BAtbol"
# readHTMLTable devuelve una lista de tablas
tablas <- readHTMLTable(pag)
pagina <- data.frame(tablas[[1]])

ganador <- data.frame(substr(pagina$Ganador, 3, nchar(as.character(pagina$Ganador))))
names(ganador) <- "primero"

segundo <- data.frame(substr(pagina$Segundo.puesto, 3, nchar(as.character(pagina$Segundo.puesto))))
names(segundo) <- "segundo"

Muy sencillo: leemos la Wikipedia y nos creamos un objeto con las finales de todos los mundiales. Me voy a centrar en los finalistas. Parece que tengo algún problema con las tildes y con nulos. Grafiquemos un poco:

ganador <- subset(ganador, nchar(as.character(primero)) > 0)
segundo <- subset(segundo, nchar(as.character(segundo)) > 0)

library(plyr)
tabla <- ddply(ganador, "primero", summarise, veces = length(primero))

library(plotrix)
pie3D(tabla$veces, labels = tabla$primero, main = "Campeones históricos")

Vemos que, al final, esto siempre lo ganan los mismos. Nos facilita una predicción. Veamos los finalistas:

finalistas <- data.frame(rbind(
  as.matrix(ganador, dimnames = list("finalista")),
  as.matrix(segundo, dimnames = list("finalista"))
))

# Suponiendo que queremos contar finalistas totales
tabla_finalistas <- ddply(finalistas, "primero", summarise, veces = length(primero))
pie3D(tabla_finalistas$veces, labels = tabla_finalistas$primero, main = "Finalistas")

Un poco vago con el nombre de las variables. A la vista de los datos, la final será Brasil – Argentina. Lo que no tengo tan claro es cuál ganará… Seguiremos trabajando con XML y con plotrix.