Archivos

• clase_2.R
• datos.csv
• datos.txt
• datos.xlsx
• tidy_ej.xlsx

Contenido de hoy

¿Cómo armar mi tabla de datos?

¿Cómo armar mi tabla de datos?

¿Cómo armar mi tabla de datos?

Resumen

Características principales de un conjunto de datos ordenado:

• cada variable es una columna
• cada observación es una linea
• cada valor está en una celda diferente

¿Cómo armar mi tabla de datos?

Tidyverse

El tidyverse es una colección obstinada de 📦 R diseñados para la ciencia de datos. Todos los paquetes comparten una filosofía de diseño, una gramática y estructuras de datos subyacentes.

• Instale el tidyverse completo con:

install.packages("tidyverse")

Tidyverse

Tidyverse

Tidyverse es una colección de 📦 R

• readr - importación de datos

• tibble - formato de data.frame mejorado

• tidyr, dplyr - manipulación de datos

• ggplot2 - visualizando de datos

• purrr - programación avanzada

• forcats - trabajando con factores

• stringr - trabajando con cadena de caracteres

Tidyverse

Tidyverse es una colección de 📦 R

• readr - importación de datos

• tibble - formato de data.frame mejorado

• tidyr, dplyr - manipulación de datos

• ggplot2 - visualizando de datos

• purrr - programación avanzada

• forcats - trabajando con factores

• stringr - trabajando con cadena de caracteres

Tidyverse

Flujo de trabajo en ciencia de datos, con Tidyverse

Tidyverse

El creador de Tidyverse es Hadley Wickham y hoy en día muchas personas han contribuido a su expansión.

Tidyverse

R for Data Science

Tidyverse

Instale y cargue el paquete Tidyverse en su computadora.

install.packages("tidyverse")
library(tidyverse)

Importar datos a R

Para su alivio, no es necesario producir su tabla en R (como lo hemos hecho hasta ahora). Es posible construir la tabla en Excel y luego importar los datos (de HD a nuestra memoria RAM).

La función de importación dependerá del formato en el que se guardó nuestra tabla (.txt, .csv, .xls, .xlsx).

Importar datos a R

Working directory

• Recuerde que el directorio de trabajo es una 📁 donde R lee y guarda archivos.

• Deberá decirle a R dónde están los archivos en los que va a trabajar.

# Aquí incluirá la dirección donde están sus archivos en su computadora.
setwd("C:/Users/mmfav/introduccionalR/clase_2/data")

• Deje todos los archivos guardados en esta misma carpeta, esto facilitará su trabajo.

• Tenga en cuenta que la dirección aquí se indica con barras invertidas (/), a diferencia de lo que usan algunos sistemas operativos (\). Por ejemplo:

  • : C:\Users\mmfav\introduccionalR\clase_2\data
  • : C:/Users/mmfav/introduccionalR/clase_2/data

Importar datos a R

Importar datos a R

Importar datos a R

readr: .csv

• Como ejemplo, usaremos la base de datos que proporcionamos en el repositorio (datos.csv).

• La función para leer los datos es: read_csv2(file = "archivo.csv").

datos_csv <- read_csv2(file = "datos.csv")

## i Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.

## Rows: 3 Columns: 5

## -- Column specification ------------------------------------------------------------------------
## Delimiter: ";"
## chr (1): localidad
## dbl (4): ID, 2001, 2002, 2003

## 
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.

Importar datos a R

readr: .csv

• Como ejemplo, usaremos la base de datos que proporcionamos en el repositorio (datos.csv).

• La función para leer los datos es: read_csv2(file = "archivo.csv").

datos_csv

## # A tibble: 3 x 5
##      ID localidad `2001` `2002` `2003`
##   <dbl> <chr>      <dbl>  <dbl>  <dbl>
## 1     1 Agricola      10     12     15
## 2     2 PNI           20     22     25
## 3     3 Urbano        15     12     10

Importar datos a R

readr: .txt

• Como ejemplo, usaremos la base de datos que proporcionamos en el repositorio (datos.txt).

• La función para leer los datos es: read_delim(file = "archivo.txt", delim = "\t").

datos_txt <- read_delim(file = "datos.txt", delim = "\t")

## Rows: 6 Columns: 4

## -- Column specification ------------------------------------------------------------------------
## Delimiter: "\t"
## chr (2): localidad, variable
## dbl (2): ID, value

## 
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.

Importar datos a R

readr: .txt

"delim = " es un carácter único utilizado para separar campos dentro de un registro.

Importar datos a R

readr: .txt

• Como ejemplo, usaremos la base de datos que proporcionamos en el repositorio (datos.txt).

• La función para leer los datos es: read_delim(file = "archivo.txt", delim = "\t").

datos_txt

## # A tibble: 6 x 4
##      ID localidad variable    value
##   <dbl> <chr>     <chr>       <dbl>
## 1     1 Agricola  temperatura    25
## 2     1 Agricola  pluviosidad    10
## 3     2 PNI       pluviosidad    23
## 4     2 PNI       temperatura    22
## 5     3 Urbano    temperatura    30
## 6     3 Urbano    pluviosidad    30

Importar datos a R

Exportar datos (write_)

• Para la mayoría de las funciones read_, existe una función write_ correspondiente.

• Estas funciones sirven para guardar bases en un formato de archivo específico.

• Debe especificar el objeto a exportar y el nombre del archivo con la extensión.

# archivo .csv
write.csv2(x = objeto, path = "nombre_tabla.csv")
# como un .txt
write_delim(x = objeto, path = "nombre_tabla.txt", delim = "\t")

Importar datos a R

Exportar datos (write_)

• Para la mayoría de las funciones read_, existe una función write_ correspondiente.

• Estas funciones sirven para guardar bases en un formato de archivo específico.

• Debe especificar el objeto a exportar y el nombre del archivo con la extensión.

# archivo .csv
write.csv2(x = datos_csv, path = "nombre_tabla.csv")
# como un .txt
write_delim(x = datos_txt, path = "nombre_tabla.txt", delim = "\t")

Importar datos a R

install.packages("readxl")

library(readxl)

Importar datos a R

readxl: .xlsx

Ejemplo:

datos_xlsx <- read_xlsx("datos.xlsx")

Importar datos a R

readxl: .xlsx

Ejemplo:

datos_xlsx

## # A tibble: 24 x 6
##       ID localidad                    ano zona     var_respuesta temperatura
##    <dbl> <chr>                      <dbl> <chr>            <dbl>       <dbl>
##  1     1 Puerto Iguazú - Misiones    2001 agrícola            NA        25  
##  2     2 Puerto Liberdad - Misiones  2001 agrícola             2        26.7
##  3     3 San Pedro - Misiones        2001 agrícola             5        24.2
##  4     4 Tareiri - Misiones          2001 agrícola             4        26.2
##  5     5 Puerto Iguazú - Misiones    2005 agrícola             6        27  
##  6     6 Puerto Liberdad - Misiones  2005 agrícola            NA        25.5
##  7     7 San Pedro - Misiones        2005 agrícola             7        26  
##  8     8 Tareiri - Misiones          2005 agrícola             9        26.5
##  9     9 Puerto Iguazú - Misiones    2001 bosque              30        20  
## 10    10 Puerto Liberdad - Misiones  2001 bosque              52        21  
## # ... with 14 more rows

Importar datos a R

as_tibble(data)

Operador pipe (%>%)

# suma el vector y luego obtén la √ (sqrt):
x <- 1:10

# Sin el pipe:
sqrt(sum(x))

## [1] 7.416198

# Con el pipe:
x %>% sum() %>% sqrt()

## [1] 7.416198

Operador pipe (%>%)

"Más intuitivo hacerlo un poco"

piensas(
  que(
    orden(
      la(
        en(
          codar()
          )
        )
      )
    )
  )

codar() %>%
  en() %>%
  la() %>%
  orden() %>%
  que() %>%
  piensas()

tidyr

tidyr

• Estas son sus principales funciones:

  • separate(): separar los caracteres en varias columnas
  • unite(): unir datos de varias columnas en una
  • drop_na(): eliminar líneas con NA
  • replace_na(): reemplazar valores NA
  • pivot_wider(): pasa valores de filas a columnas
  • pivot_longer(): pasa valores de columnas a filas
    

Para ver todas las funciones del paquete, consulte la cheatsheets: https://github.com/rstudio/cheatsheets/blob/master/data-import.pdf

tidyr

separate()

datos %>%
  separate(
    col = columna_vieja,
    into = c("nueva_columna_1", "nueva_columna_2"),
    sep = c("_") # cómo se separan las variables en la columna (ej. ".", "_")
  )

tidyr

separate()

Por ejemplo, dividamos la columna "localidad" de la tabla "datos_xlsx" en "ciudad" y "provincia".

datos_xlsx %>%
  separate(
    col = localidad, # la columna vieja
    into = c("ciudad", "provincia"), # las nuevas columnas
    sep = c(" - ") # modo de separación
  )

tidyr

unite()

datos %>%
  unite(
    col = nueva_columna, columnas_para_juntar,
    sep = c("_") # cómo se separan las variables en la columna (ej. ".", "_")
  )

tidyr

unite()

Por ejemplo, unamos las columnas "zona" y "año".

datos_xlsx %>%
  unite(
    col = "zona_ano", "zona", "ano",
    sep = "_"
  )

tidyr

replace_na() y drop_na()

replace_na(
  list(columna_X = valor)
)

drop_na(
  columna
)

tidyr

replace_na()

Por ejemplo, podemos reemplazar las filas con el valor faltante en la columna "var_respuesta" por cero (lineas 1, 6 y 20)...

datos_xlsx %>%
  replace_na(list(var_respuesta = 0))

tidyr

drop_na()

...o podemos eliminar las líneas que tiene valores NA.

datos_xlsx %>%
  drop_na(var_respuesta)

tidyr

pivot_longer(
  cols = Columnas_para_pivotar,
  names_to = "nombre_nova_columna",
  values_to = "nombre_col_values"
  )

  pivot_wider(
    names_from = columna_nombres, 
    values_from = columna_valores
    )

tidyr

pivot_longer()

datos_csv

datos_csv %>%
  pivot_longer(
    cols = c('2001', '2002', '2003'),
    names_to = "año",
    values_to = "value"
  )

tidyr

pivot_wider()

¿Qué pasa si quiero revertir la tabla a su formato original?

datos_csv2 %>%
  pivot_wider(
    names_from = año,
    values_from = value
  )

dplyr

dplyr

select()

• Usamos para seleccionar columnas.

• Los argumentos son los nombres de las columnas que desea seleccionar.

datos %>%
  select(nombre_col, nombre_col2)

• Para eliminar columnas de la base, agregue un "menos" (-) antes de la selección.

datos %>%
  select(-nombre_col, -nombre_col2)

• También disponemos de otras funciones auxiliares:
  • starts_with(): para columnas que comienzan con texto estándar
  • ends_with(): para columnas que terminan con texto estándar
  • contiene(): para columnas que contienen texto estándar

dplyr

select()

Seleccionemos las columnas "localidad" y "año" de la tabla "datos_xlsx".

datos_xlsx %>%
  select(localidad, ano)

dplyr

select()

Seleccione todos los datos excepto "ID" y "temperatura".

datos_xlsx %>%
  select(-ID, -temperatura)

dplyr

arrange()

• Para ordenar líneas.

• Los argumentos son las columnas por las que queremos ordenar las filas.

datos %>% 
  arrange(columna_x)

• También podemos ordenar en orden descendente usando la función desc()

datos %>% 
  arrange(desc(columna_x))

• ¡Y ordena más de una columna al mismo tiempo!

datos %>% 
  arrange(columna_y, desc(columna_x))

dplyr

arrange()

• En el siguiente ejemplo, ordenamos las líneas base en orden ascendente de "response_var".

datos_xlsx %>% 
  select(ano, var_respuesta)

datos_xlsx %>%
  select(ano, var_respuesta) %>%
  arrange(ano, desc(var_respuesta))

dplyr

filter()

• Para filtrar valores de una columna base, usamos la función filter().

datos %>% 
  filter(columna < value)

• Por ejemplo, podemos seleccionar datos con una "var_respuesta" superior a 50.

datos_xlsx %>%
  filter(var_respuesta > 50)

dplyr

filter()

• También podemos usar el filtro con caracteres.

datos_xlsx %>%
  filter(zona %in% "urbano")

dplyr

mutate()

• Para modificar una columna existente o crear una nueva.

• Aplicaremos una función.

• La regla es que el resultado de la operación devuelve un vector con una longitud igual al número de filas en la base.

datos_xlsx %>%
  mutate(columna = columna + función)

• También puede crear/modificar tantas columnas como desee dentro de la misma mutación.

datos_xlsx %>%
  mutate(columna = columna+función, nueva_columna = columna/valor)

dplyr

mutate()

• Por ejemplo, digamos que descubrió un error en su tabla. Agregaste uno individuo más en la columna "var_respuesta" y ahora necesitas quitar ese valor.

datos_xlsx %>%
  mutate(var_respuesta = var_respuesta - 1)

dplyr

summarize()

• Es la técnica de resumir un conjunto de datos utilizando alguna métrica de interés.

• Media, mediana, varianza, frecuencia, proporción, por ejemplo, son tipos de resumen que aportan información diferente sobre una variable.

datos %>%
  summarize(función(columna))

• No vamos a explorar esta función aquí, ya que tendremos una clase solo sobre estadística descriptiva en R.

datos_xlsx %>%
  summarize(media = mean(temperatura), na.rm = TRUE)

## # A tibble: 1 x 2
##   media na.rm
##   <dbl> <lgl>
## 1  26.5 TRUE

dplyr

relocate()

• Para reubicar columnas.

• De forma predeterminada, coloca una o más columnas al comienzo de la base.

# Coloque las columnas 5 y 4 al principio de la tabla.
datos %>%
  relocate(columna5, columna4)

• Podemos usar los argumentos .after = y .before = para realizar cambios más complejos.

# Poner la columna 2 después de la columna 4
datos %>%
  relocate(columna2, .after = columna4)

# Poner la columna 2 antes de la columna 4
datos %>%
  relocate(columna2, .before = columna4)

dplyr

rename()

• Cambia los nombres de variables individuales (columnas) usando la sintaxis nuevo_nombre = viejo_nombre.

datos %>%
  rename(columna_x = columna.x)

• Por ejemplo, vamos cambiar el nombre de la columna "localidad" por "municipalidad".

datos_xlsx %>%
  names()

## [1] "ID"            "localidad"     "ano"           "zona"          "var_respuesta"
## [6] "temperatura"

datos_xlsx %>%
  rename(municipalidad = localidad) %>%
  names()

## [1] "ID"            "municipalidad" "ano"           "zona"          "var_respuesta"
## [6] "temperatura"

dplyr

left_join(), right_join() y full_join()

• Lo usamos para unir dos tablas en una.

# Une la tabla 'datos' a la tabla 'datos2' por 'columna_x'
# Mantiene los elementos de la tabla 'datos' y excluye elementos adicionales de 'datos2'.
datos %>%
  left_join(datos2, 
            by = "columna_x")
# Mantiene los elementos de la tabla 'datos2' y excluye elementos adicionales de 'datos'.
datos %>%
  right_join(datos2, 
            by = "columna_x")
# Mantiene los valores de las dos tablas.
datos %>%
  full_join(datos2, by = "columna_x")