Dejad vuestras hojas de cálculo a un lado
Correo: javalv09@ucm.es. Despacho: 722 (3ª planta).
Javier Álvarez Liébana, de Carabanchel (Bajo).
Licenciado en Matemáticas (UCM). Doctorado en estadística (UGR).
Encargado de la visualización y análisis de datos covid del Principado de Asturias (2021-2022).
Miembro de la Sociedad Española de Estadística e IO y la Real Sociedad Matemática Española.
Quitarnos el miedo a los errores en programación → a programar se aprende programando
Entender los conceptos básicos de R desde cero → aprender a abstraer ideas y algoritmos
Utilidad de programar → flujos de trabajo reproducibles, transparentes y mantenibles
Introducción al análisis y preprocesamiento de datos → {tidyverse}
Adquirir habilidades en la visualización de datos → {ggplot2}
Introducción al modelo de técnicas Machine Learning → {tidymodels}
En el menú de las diapositivas (abajo a la izquierda) tienes una opción para descargarlas en pdf en Tools
(consejo: no lo hagas hasta el final del curso ya que irán modificándose)
Material: scripts de cada tema y materiales extras
Resúmenes de paquetes: chuletas de los paquetes en formato .pdf
Instalando R y RStudio. Primeros pasos. Scripts y proyectos
Para el curso los únicos requisitos serán:
Conexión a internet (para la descarga de algunos datos y paquetes).
Instalar R: será nuestro lenguaje. La descarga la haremos (gratuitamente) desde https://cran.r-project.org/
Programaremos como escribimos (castellano, por ejemplo) → R
es lenguaje
R
)RStudio
), para escribirloEl lenguaje R
será nuestra gramática y ortografía (nuestras reglas de juego)
Paso 1: entra en https://cran.r-project.org/ y selecciona tu sistema operativo.
Paso 2: para Mac basta con que hacer click en el archivo .pkg, y abrirlo una vez descargado. Para sistemas Windows, debemos clickar en install R for the first time y después en Download R for Windows. Una vez descargado, abrirlo como cualquier archivo de instalación.
Paso 3: abrir el ejecutable de instalación.
Para comprobar que se ha instalado correctamente, tras abrir R
, deberías ver una pantalla blanca similar a esta.
Esa «pantalla blanca» se llama consola y podemos hacer un primer uso de ella como una calculadora.
Para comprobar que se ha instalado correctamente, tras abrir R
, deberías ver una pantalla blanca similar a esta.
Esa «pantalla blanca» se llama consola y podemos hacer un primer uso de ella como una calculadora.
Idea: definiremos otra variable llamada b
y le asignaremos el valor 2
Para comprobar que se ha instalado correctamente, tras abrir R
, deberías ver una pantalla blanca similar a esta.
Esa «pantalla blanca» se llama consola y podemos hacer un primer uso de ella como una calculadora.
Idea: haremos la suma a + b
y nos devolverá su resultado
RStudio
será el Word que usaremos para escribir (lo que se conoce como un IDE: entorno integrado de desarrollo).
Paso 1: entra la web oficial de RStudio (ahora llamado Posit) y selecciona la descarga gratuita.
Paso 2: selecciona el ejecutable que te aparezca acorde a tu sistema operativo.
Paso 3: tras descargar el ejecutable, hay que abrirlo como otro cualquier otro y dejar que termine la instalación.
Al abrir RStudio
seguramente tengas tres ventanas:
Al abrir RStudio
seguramente tengas tres ventanas:
Al abrir RStudio
seguramente tengas tres ventanas:
R
es el lenguaje estadístico por excelencia, creado por y para estadísticos/as, con 5 ventajas fundamentales frente a Excel:
Lenguaje de programación: la obviedad → análisisreplicables
Gratuito: la filosofía de la comunidad de R
es el compartir código bajo copyleft →uso ético de dinero público
Software libre: no solo es gratis sino que permite acceder libremente a código ajeno, incluso al propio código fuente →flexibilidad y transparencia
Lenguaje modular: hemos instalado lo mínimo, pero existen códigos de otras personas que podemos reusar (casi 20 000 paquetes) →ahorro de tiempo
Lenguaje de alto nivel: facilita la programación (como Python) →menor curva de aprendizaje
Automatizar → te permitirá automatizar tareas recurrentes.
Replicabilidad → podrás replicar tu análisis siempre de la misma manera.
Flexibilidad → podrás adaptar el software a tus necesidades.
Transparencia → ser auditado por la comunidad.
Una de las ideas claves de R
es el uso de paquetes: códigos que otras personas han implementado para resolver un problema
Una vez instalado, hay dos manera de usar un paquete (traerlo de la estantería)
library()
, usando el nombre del paquete sin comillas, cargamos en la sesión todo el libroDurante tu aprendizaje va a ser muy habitual que las cosas no salgan a la primera → te vas equivocar. No solo será importante asumirlo sino que es importante leer los mensajes de error para aprender de ellos.
Un script será el documento en el que programamos, nuestro archivo .doc
(aquí con extensión .R
) donde escribiremos las órdenes. Para abrir nuestro primero script, haz click en el menú en File < New File < R Script
.
Ahora tenemos una cuarta ventana: la ventana donde escribiremos nuestros códigos. ¿Cómo ejecutarlo?
Save current document
.Ctrl+Enter
Ejecuta tu primer script: crea un script de cero, programa lo indicado debajo y ejecútalo (de las 3 maneras posibles)
📝 Añade debajo otra línea para definir una variable b
con el valor 5. Tras ello múltiplica ambas variables
📝 Modifica el código inferior para definir dos variables c y d, con valores 3 y -1. Tras ello divide las variables.
📝 Asigna un valor positivo a x
y calcula su raíz cuadrada; asigna otro negativo y
y calcula su valor absoluto con la función abs()
.
De la misma manera que en el ordenador solemos trabajar de manera ordenada por carpetas, en RStudio
podemos hacer lo mismo para trabajar de manera eficaz creando proyectos.
Un proyecto será una «carpeta» dentro de RStudio
, de manera que nuestro directorio raíz automáticamente será la propia carpeta de proyecto (pudiendo pasar de un proyecto a otro con el menu superior derecho).
Podemos crear uno en una carpeta nueva o en una carpeta ya existente.
¿Qué tipo de dato podemos tener en cada celda de una tabla?
¿Qué tipos de celdas (datos) existen? Concatenando celdas: vectores
¿Qué tipo de dato podemos tener en cada celda de una tabla?
¿Existen variables más allá de los números?
Piensa por ejemplo en los datos guardados de una persona:
TRUE
si está matriculado o FALSE
en otro caso).El dato más sencillo (ya lo hemos usado) serán las variables numéricas
Con las variables numéricas podemos realizar las operaciones aritméticas de una calculadora: sumar (+
)…
Imagina que además de la edad de una persona queremos guardar su nombre: ahora la variable será de tipo character
Las cadenas de texto son un tipo con el que obviamente no podremos hacer operaciones aritméticas (sí otras operaciones como pegar o localizar patrones).
En R
llamaremos función a un trozo de código encapsulado bajo un nombre, y que depende de unos argumentos de entrada. Nuestra primera función será paste()
: dadas dos cadenas de texto nos permite pegarlas.
¿Cómo saber qué argumentos necesita una función? Escribiendo en consola ? paste
te aparecerá una ayuda en el panel multiusos.
En dicha ayuda podrás ver en su cabecera que argumentos ya tiene asignados por defecto la función
Es muy importante entender el concepto de argumento por defecto de una función en R
: es un valor que la función usa pero a veces podemos no ver porque ya tiene un valor asignado.
[1] "Javier Álvarez"
[1] "Javier Álvarez"
Una forma más intuitiva de trabajar con textos es usar el paquete {glue}
: lo primero que haremos será «comprar el libro» (si nunca lo hemos hecho). Tras ello cargamos el paquete
Con la función glue()
de dicho paquete podemos usar variables dentro de cadenas de texto. Por ejemplo, «la edad es de … años», donde la edad está guardada en una variable.
Otro tipo fundamental serán las variables lógicas o binarias (dos valores):
TRUE
: verdadero guardado internamente como un 1.FALSE
: falso guardado internamente como un 0.Como veremos en breve, las variables lógicas en realidad puede tomar un tercer valor: NA
o dato ausente, representando las siglas de not available, y será muy habitual encontrarlo dentro de una base de datos.
Los valores lógicos suelen ser resultado de evaluar condiciones lógicas. Por ejemplo, imaginemos que queremos comprobar si una persona se llama Javi.
Con el operador lógico ==
preguntamos sí lo que tenemos guardado a la izquierda es igual que lo que tenemos a la derecha: es una pregunta
Además de las comparaciones «igual a» frente «distinto», también comparaciones de orden como <, <=, > o >=
.
¿Tiene la persona menos de 32 años?
Un tipo de datos muy especial: los datos de tipo fecha.
Parece una simple cadena de texto pero debería representar un instante en el tiempo. ¿Qué debería suceder si sumamos un 1 a una fecha?
Las fechas NO pueden ser texto: debemos convertir la cadena de texto a fecha.
Una vez instalado, de todos los paquetes (libros) que tenemos, le indicaremos que nos cargue ese concretamente.
Para convertir a tipo fecha usaremos la función as_date()
del paquete {lubridate}
En dicho paquete tenemos funciones muy útiles para manejar fechas:
today()
podemos obtener directamente la fecha actual.Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Define una variable que guarde tu edad (llamada edad
) y otra con tu nombre (llamada nombre
)
📝 Comprueba si NO tienes 60 años o si te llamas “Ornitorrinco” (debes obtener variables lógicas)
📝 Define otra variable llamada hermanos
que responda la pregunta «¿tienes hermanos?» y otra variable que almacene tu fecha de nacimiento (llamada fecha_nacimiento
).
📝 Define otra variable con tus apellidos (llamada apellidos
) y usa glue()
para tener, en una sola variable llamada nombre_completo
, tu nombre y apellidos separando nombre y apellido por una coma
Cuando trabajamos con datos normalmente tendremos columnas que representan variables: llamaremos vectores a una concatenación de celdas (valores) del mismo tipo (lo que sería una columna de una tabla).
La forma más sencilla es con el comando c()
(c de concatenar), y basta con introducir sus elementos entre paréntesis y separados por comas
El vector más famoso será el de tipo numérico, y en concreto, las conocidas como secuencias numéricas (por ejemplo, los días del mes), usadas para, entre otras cosas, indexar bucles.
El comando seq(inicio, fin)
nos permite crear una secuencia numérica desde un elemento inicial hasta uno final, avanzando de uno en uno.
Un atajo es el comando 1:n
, que nos devuelve lo mismo que seq(1, n)
Si el elemento inicial es mayor que el final, entenderá que la secuencia es en orden decreciente.
Otras veces nos interesará definir una secuencia con una longitud concreta
[1] 1.000000 9.166667 17.333333 25.500000 33.666667 41.833333 50.000000
Incluso puede nos interese generar un vector de n elementos repetidos
Un vector es una concatenación de elementos del mismo tipo, pero no tienen porque ser necesariamente números. Vamos a crear una frase de ejemplo.
¿Qué sucederá si concatenamos elementos de diferente tipo?
Fíjate que como todos tienen que ser del mismo tipo, lo que hace R
es convertir todo a texto, violando la integridad del dato
Con los vectores numéricos podemos hacer las mismas operaciones aritméticas que con los números → un número es un vector (de longitud uno)
¿Qué sucederá si sumamos o restamos un valor a un vector?
Los vectores también pueden interactuar entre ellos, así que podemos definir, por ejemplo, sumas de vectores (elemento a elemento)
Dado que la operación (por ejemplo, una suma) se realiza elemento a elemento, ¿qué sucederá si sumamos dos vectores de distinta longitud?
Una operación muy habitual es preguntar a los datos mediante el uso de condiciones lógicas. Por ejemplo, si definimos un vector de temperaturas…
¿Qué días hizo menos de 22 grados?
Nos devolverá un vector lógico, en función de si cada elemento cumple o no la condición pedida (de igual longitud que el vector preguntado)
Las condiciones lógicas pueden ser combinadas de dos maneras:
&
) para devolver un TRUE
|
)Otra operación muy habitual es la de acceder a elementos. La forma más sencilla es usar el operador [i]
(acceder al elemento i-ésimo)
Dado que un número no es más que un vector de longitud uno, esta operación también la podemos aplicar usando un vector de índices a seleccionar
Otras veces no querremos seleccionar sino eliminar algunos elementos. Deberemos repetir la misma operación pero con el signo - delante: el operador [-i]
no selecciona el elemento i-ésimo del vector sino que lo «des-selecciona»
En muchas ocasiones los queremos seleccionar o eliminar en base a condiciones lógicas, en función de los valores, así que pasaremos como índice la propia condición (recuerda, x < 2
nos devuelve un vector lógico)
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Define el vector x
como la concatenación de los 5 primeros números impares. Calcula la longitud del vector
📝 Accede al tercer elemento. Accede al último elemento (sin importar la longitud, un código que pueda ejecutarse siempre). Elimina el primer elemento.
📝 Obtén de dicho vector los elementos de x
mayores que 4. Calcula el vector 1/x
y guárdalo en una variable.
📝 Crea un vector que represente los nombres de 5 personas, de los cuales uno es desconocido.
📝 Encuentra del vector x
de ejercicios anteriores los elementos mayores (estrictos) que 1 Y ADEMÁS menores (estrictos) que 7. Encuentra una forma de averiguar si todos los elementos son o no positivos.
📝 Dado el vector x <- c(1, -5, 8, NA, 10, -3, 9)
, extrae los elementos que ocupan los lugares 1, 2, 5, 6. Elimina del vector el segundo elemento. Tras eliminarlo determina su suma y su media
En el paquete {datasets}
tenemos diversos conjuntos de datos y uno de ellos es airquality
. Debajo te he extraído 3 variables de dicho dataset
Haciendo uso de ? ...
podemos consultar en el panel de ayuda lo que significa el objeto.
date
con la fecha de cada registro (combinando año, mes y día)[1] 31
[1] 31
[1] 0
[1] 83.96774
[1] 28.87097
[1] "1973-06-08" "1973-06-09" "1973-06-10" "1973-06-11" "1973-06-12"
[6] "1973-07-07" "1973-07-08" "1973-07-09" "1973-07-10" "1973-07-14"
[11] "1973-07-19" "1973-07-28" "1973-08-06" "1973-08-07" "1973-08-08"
[16] "1973-08-09" "1973-08-10" "1973-08-27" "1973-08-28" "1973-08-29"
[21] "1973-08-30" "1973-08-31" "1973-09-01" "1973-09-02" "1973-09-03"
[26] "1973-09-04" "1973-09-05"
[1] 27
[1] 27
También podemos hacer uso de operaciones estadísticas como por ejemplo sum()
que, dado un vector, nos devuelve la suma de todos sus elementos.
¿Qué sucede cuando falta un dato (ausente)?
Como hemos comentado que los valores lógicos son guardados internamente como 0 y 1, podremos usarlos en operaciones aritméticas.
Por ejemplo, si queremos averiguar el número de elementos que cumplen una condición (por ejemplo, menores que 3), los que lo hagan tendrán asignado un 1 (TRUE
) y los que no un 0 (FALSE
) , por lo que basta con sumar dicho vector lógico para obtener el número de elementos que cumplen
Otra operación habitual que puede sernos útil es la suma acumulada con cumsum()
que, dado un vector, nos devuelve un vector a su vez con el primero, el primero más el segundo, el primero más el segundo más el tercero…y así sucesivamente.
¿Qué sucede cuando falta un dato (ausente)?
Otra operación habitual que puede sernos útil es la diferencia (con retardo) con diff()
que, dado un vector, nos devuelve un vector con el segundo menos el primero, el tercero menos el segundo, el cuarto menos el tercero…y así sucesivamente.
Otras operaciones habituales son la media, mediana, percentiles, etc.
Otras operaciones habituales son la media, mediana, percentiles, etc.
Variables de tipo texto. Primeras bases de datos
Por último, una acción habitual es saber ordenar valores:
sort()
: devuelve el vector ordenado. Por defecto de menor a mayor pero con decreasing = TRUE
podemos cambiarlo[1] 7 20 23 25 33 41 65 77 81
[1] 81 77 65 41 33 25 23 20 7
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Define el vector x
como la concatenación de los 4 primeros números pares, y calcula su suma.
📝 Obtén los elementos de x
menores estrictamente que 5. Calcula el número de elementos de x
menores estrictamente que 5.
📝 Calcula el vector 1/x
y obtén la versión ordenada (de menor a mayor) de las dos formas posibles
📝 Encuentra del vector x
los elementos mayores (estrictos) que 1 y menores (estrictos) que 6. Encuentra una forma de averiguar si todos los elementos son o no negativos.
Primeras bases de datos. Tidydata
Matrices
Cuando analizamos datos solemos tener varias variables de cada individuo: necesitamos una «tabla» que las recopile. La opción más inmediata son las matrices: concatenación de variables del mismo tipo e igual longitud.
Imagina que tenemos estaturas y pesos de 4 personas. ¿Cómo crear un dataset con las dos variables?
cbind()
concatenamos vectores en forma de columnasrbind()
(aunque lo recomendable es tener cada variable en columna e individuo en fila). [,1] [,2] [,3] [,4]
estaturas 150 160 170 180
pesos 63 70 85 95
View()
.t()
.Con las matrices sucede como con los vectores: cuando aplicamos una operación aritmética lo hacemos elemento a elemento
[,1] [,2] [,3] [,4] [,5]
[1,] 0.2 0.8 1.4 2.0 2.6
[2,] 0.4 1.0 1.6 2.2 2.8
[3,] 0.6 1.2 1.8 2.4 3.0
También podemos realizar operaciones por columnas/filas sin recurrir a bucles con la función apply()
, y le indicaremos como argumentos
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Modifica el código para definir una matriz x
de ceros de 3 filas y 7 columnas de unos.
📝 A la matriz anterior, suma un 1 a cada número de la matriz y divide el resultado entre 5. Tras ello calcula su transpuesta y obtén sus dimensiones
📝 Define la matriz x <- matrix(1:12, nrow = 4)
. Obtén la primera fila, la tercera columna, y el elemento (4, 1).
📝 Con la matriz anterior definida como x <- matrix(1:12, nrow = 4)
, calcula la media de todos los elementos, la media de cada fila y la media de cada columna. Calcula la suma de de cada fila y de cada columna
Data.frames y tibbles
Las matrices tienen el mismo problema que los vectores: si juntamos datos de distinto tipo, se perturba la integridad del dato ya que los convierte
Para poder trabajar con variables de distinto tipo tenemos lo que se conoce como data.frame: concatenación de variables de igual longitud pero pueden ser de tipo distinto.
Dado que un data.frame
es ya una «base de datos» las variables no son meros vectores matemáticos: tienen un significado y podemos (debemos) ponerles nombres
¡TENEMOS NUESTRO PRIMER CONJUNTO DE DATOS! Puedes visualizarlo escribiendo su nombre en consola o con View(tabla)
Si queremos acceder a sus elementos, podemos como en las matrices (aunque no es recomendable): ahora tenemos dos índices (filas y columnas, dejando libre la que no usemos)
edad estado nombre f_nacimiento
2 24 NA laura 1992-04-01
[1] "javi" "laura" "lucía"
[1] 24
También tiene ventajas de una «base» de datos : podemos aceder a las variables por su nombre (recomendable ya que las variables pueden cambiar de posición), poniendo el nombre de la tabla seguido del símbolo $
(con el tabulador, nos aparecerá un menú de columnas a elegir)
names()
: nos muestra los nombres de las variablesSi tenemos uno ya creado y queremos añadir una columna es tan simple como usar la función data.frame()
que ya hemos visto para concatenar la columna. Vamos añadir por ejemplo una nueva variable, el número de hermanos de cada individuo.
Las tablas en formato data.frame
tienen algunas limitaciones
La principal es que no permite la recursividad: imagina que definimos una base de datos con estaturas y pesos, y queremos una tercera variable con el IMC
Error in data.frame(estatura = c(1.7, 1.8, 1.6), peso = c(80, 75, 70), : object 'peso' not found
tabla <- tibble("estatura" = c(1.7, 1.8, 1.6), "peso" = c(80, 75, 70),
"IMC" = peso / (estatura^2))
tabla
# A tibble: 3 × 3
estatura peso IMC
<dbl> <dbl> <dbl>
1 1.7 80 27.7
2 1.8 75 23.1
3 1.6 70 27.3
Las tablas en formato tibble
nos permitirá una gestión más ágil, eficiente y coherente de los datos, con 4 ventajas principales:
tribble()
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Carga del paquete {datasets}
el conjunto de datos airquality
(variables de la calidad del aire de Nueva York desde mayo hasta septiembre de 1973). ¿Es el conjunto de datos airquality de tipo tibble? En caso negativo, conviértelo a tibble (busca en la documentación del paquete en https://tibble.tidyverse.org/index.html).
📝 Una vez convertido a tibble
obtén el nombre de las variables y las dimensiones del conjunto de datos. ¿Cuántas variables hay? ¿Cuántos días se han medido?
📝 Selecciona aquellos datos que no sean ni de julio ni de agosto.
📝 Modifica el siguiente código para quedarte solo con las variable de ozono y temperatura.
R
por defecto las operaciones se hacen elemento a elementoDel paquete Biostatistics
usaremos el conunto de datos pinniped
tibble
(renombra con pinniped_tb
)[1] "data.frame"
Phoca
o no.[1] TRUE
[1] FALSE
# A tibble: 33 × 8
Species Male_brain_g Female_brain_g Male_mass_Kg Female_mass_Kg Mate_type
<chr> <dbl> <dbl> <dbl> <dbl> <chr>
1 Monachus s… 370 NA 173 272. mono
2 Monachus m… 480 480 260 275 mono
3 Mirounga a… 700 640 2275 488 poly
4 Mirounga l… 1431. 899. 3510 566. poly
5 Leptonycho… 535 638. 450 447 poly
6 Ommatophoc… 425 530 154. 164 mono
7 Lobodon ca… 578. 539. 220. 224 mono
8 Hydrurga l… 765 660 324 367 mono
9 Cystophora… 480 430 343. 222. mono
10 Erignathus… NA 460 312. 326 mono
# ℹ 23 more rows
# ℹ 2 more variables: phoca <lgl>, dif_m_f <dbl>
Nuestra base de datos: tibble. Tidydata: un multiverso de datos limpios
Nuestro formato final de base de datos será el objeto de tipo tibble
, un data.frame
mejorado
library(tibble)
tibble("estatura" = c(1.7, 1.8, 1.6), "peso" = c(80, 75, 70), "IMC" = peso / (estatura^2))
# A tibble: 3 × 3
estatura peso IMC
<dbl> <dbl> <dbl>
1 1.7 80 27.7
2 1.8 75 23.1
3 1.6 70 27.3
tribble()
Para definir un tibble()
nosotro mismos tenemos dos opciones:
tibble()
del paquete {tibble}
(ya incluido en {tidyverse}
)Si conoces algún otro lenguaje de programación (o tienes gente cercana que programa) te extrañará que aún no hayamos hablado de conceptos habituales como
Bucles for: repetir un código un número fijo de iteraciones.
Bucles while: repetir un código hasta que se cumpla una condición
Estructuras if-else: estructuras de control para decidir por donde camina el código en función del valor de las variables.
Y aunque conocer dichas estructuras puede sernos en algún momento interesante, en la mayoría de ocasiones vamos a poder evitarlas (en especial los bucles)
{tidyverse}
es un «universo» de paquetes para garanatizar un flujo de trabajo (de inicio a fin) eficiente, coherente y lexicográficamente sencillo de entender, basado en la idea de que nuestros datos están limpios y ordenados (tidy)
{tibble}
: optimizando data.frame{tidyr}
: limpieza de datos{readr}
: carga datos rectangulares (.csv){dplyr}
: gramática para depurar{stringr}
: manejo de textos{ggplot2}
: visualización de datos{tidymodels}
: modelización/predicciónTambién tenemos los paquetes {purrr}
para el manejo de listas, {forcast}
para cualitativas, {lubridate}
para fechas, {readxl}
para importar archivos .xls y .xlsx, {rvest}
para web scraping y {rmarkdown}
para comunicar resultados.
{tibble}
: optimizando data.frame{tidyr}
: limpieza de datos{readr}
: carga datos rectangulares (.csv){dplyr}
: gramática para depurar{stringr}
: manejo de textos{ggplot2}
: visualización de datos{tidymodels}
: modelización/predicciónTambién tenemos los paquetes {purrr}
para el manejo de listas, {forcast}
para cualitativas, {lubridate}
para fechas, {readxl}
para importar archivos .xls y .xlsx, {rvest}
para web scraping y {rmarkdown}
para comunicar resultados.
Tidy datasets are all alike, but every messy dataset is messy in its own way (Hadley Wickham, Chief Scientist en RStudio)
TIDYVERSE
El universo de paquetes {tidyverse}
se basa en la idea introducido por Hadley Wickham (el Dios al que rezo) de estandarizar el formato los datos para
Lo primero por tanto será entender qué son los conjuntos tidydata ya que todo {tidyverse}
se basa en que los datos están estandarizados.
En {tidyverse}
será clave el operador pipe (tubería) definido como |>
(ctrl+shift+M): será una tubería que recorre los datos y los transforma.
En R base, si queremos aplicar tres funciones first()
, second()
y third()
en orden, sería
La principal ventaja es que el código sea muy legible (casi literal) pudiendo hacer grandes operaciones con los datos con apenas código.
¿Pero qué aspecto tienen los datos no tidy? Vamos a cargar la tabla table4a
del paquete {tidyr}
(ya lo tenemos cargado del entorno tidyverse).
# A tibble: 3 × 3
country `1999` `2000`
<chr> <dbl> <dbl>
1 Afghanistan 745 2666
2 Brazil 37737 80488
3 China 212258 213766
¿Qué puede estar fallando?
❎ Cada fila representa dos observaciones (1999 y 2000) → las columnas 1999
y 2000
en realidad deberían ser en sí valores de una variable y no nombres de columnas.
Incluiremos una nueva columna que nos guarde el año y otra que guarde el valor de la variable de interés en cada uno de esos años. Y lo haremos con la función pivot_longer()
: pivotaremos la tabla a formato long:
cols
: nombre de las variables a pivotarnames_to
: nombre de la nueva variable a la quemandamos la cabecera de la tabla (los nombres).values_to
: nombre de la nueva variable a la que vamos a mandar los datos.Veamos otro ejemplo con la tabla table2
# A tibble: 12 × 4
country year type count
<chr> <dbl> <chr> <dbl>
1 Afghanistan 1999 cases 745
2 Afghanistan 1999 population 19987071
3 Afghanistan 2000 cases 2666
4 Afghanistan 2000 population 20595360
5 Brazil 1999 cases 37737
6 Brazil 1999 population 172006362
7 Brazil 2000 cases 80488
8 Brazil 2000 population 174504898
9 China 1999 cases 212258
10 China 1999 population 1272915272
11 China 2000 cases 213766
12 China 2000 population 1280428583
¿Qué puede estar fallando?
# A tibble: 12 × 4
country year type count
<chr> <dbl> <chr> <dbl>
1 Afghanistan 1999 cases 745
2 Afghanistan 1999 population 19987071
3 Afghanistan 2000 cases 2666
4 Afghanistan 2000 population 20595360
5 Brazil 1999 cases 37737
6 Brazil 1999 population 172006362
7 Brazil 2000 cases 80488
8 Brazil 2000 population 174504898
9 China 1999 cases 212258
10 China 1999 population 1272915272
11 China 2000 cases 213766
12 China 2000 population 1280428583
❎ Cada observación está dividido en dos filas → los registros con el mismo año deberían ser el mismo
Lo que haremos será lo opuesto: con pivot_wider()
ensancharemos la tabla
# A tibble: 6 × 4
country year cases population
<chr> <dbl> <dbl> <dbl>
1 Afghanistan 1999 745 19987071
2 Afghanistan 2000 2666 20595360
3 Brazil 1999 37737 172006362
4 Brazil 2000 80488 174504898
5 China 1999 212258 1272915272
6 China 2000 213766 1280428583
Veamos otro ejemplo con la tabla table3
# A tibble: 6 × 3
country year rate
<chr> <dbl> <chr>
1 Afghanistan 1999 745/19987071
2 Afghanistan 2000 2666/20595360
3 Brazil 1999 37737/172006362
4 Brazil 2000 80488/174504898
5 China 1999 212258/1272915272
6 China 2000 213766/1280428583
¿Qué puede estar fallando?
❎ Cada celda contiene varios valores
Lo que haremos será hacer uso de la función separate()
para mandar separar cada valor a una columna diferente.
# A tibble: 6 × 4
country year cases pop
<chr> <dbl> <chr> <chr>
1 Afghanistan 1999 745 19987071
2 Afghanistan 2000 2666 20595360
3 Brazil 1999 37737 172006362
4 Brazil 2000 80488 174504898
5 China 1999 212258 1272915272
6 China 2000 213766 1280428583
# A tibble: 6 × 4
country year cases pop
<chr> <dbl> <chr> <chr>
1 Afghanistan 1999 745 19987071
2 Afghanistan 2000 2666 20595360
3 Brazil 1999 37737 172006362
4 Brazil 2000 80488 174504898
5 China 1999 212258 1272915272
6 China 2000 213766 1280428583
Fíjate que los datos, aunque los ha separado, los ha mantenido como texto cuando en realidad deberían ser variables numéricas. Para ello podemos añadir el argumento opcional convert = TRUE
# A tibble: 6 × 4
country year cases pop
<chr> <dbl> <int> <int>
1 Afghanistan 1999 745 19987071
2 Afghanistan 2000 2666 20595360
3 Brazil 1999 37737 172006362
4 Brazil 2000 80488 174504898
5 China 1999 212258 1272915272
6 China 2000 213766 1280428583
Veamos el último ejemplo con la tabla table5
# A tibble: 6 × 4
country century year rate
<chr> <chr> <chr> <chr>
1 Afghanistan 19 99 745/19987071
2 Afghanistan 20 00 2666/20595360
3 Brazil 19 99 37737/172006362
4 Brazil 20 00 80488/174504898
5 China 19 99 212258/1272915272
6 China 20 00 213766/1280428583
¿Qué puede estar fallando?
❎ Tenemos mismos valores divididos en dos columnas
Usaremos unite()
para unir los valores de siglo y año en una misma columna
# A tibble: 6 × 3
country year_completo rate
<chr> <chr> <chr>
1 Afghanistan 1999 745/19987071
2 Afghanistan 2000 2666/20595360
3 Brazil 1999 37737/172006362
4 Brazil 2000 80488/174504898
5 China 1999 212258/1272915272
6 China 2000 213766/1280428583
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Echa un vistazo a la tabla table4b
del paquete {tidyr}
. ¿Es tidydata? En caso negativo, ¿qué falla? ¿Cómo convertirla a tidy data en caso de que no lo sea ya?
📝 Echa un vistazo a la tabla relig_income
del paquete {tidyr}
. ¿Es tidydata? En caso negativo, ¿qué falla? ¿Cómo convertirla a tidy data en caso de que no lo sea ya?
📝 Echa un vistazo a la tabla billboard
del paquete {tidyr}
. ¿Es tidydata? En caso negativo, ¿qué falla? ¿Cómo convertirla a tidy data en caso de que no lo sea ya?
En el paquete {tidyr}
contamos con el dataset who
(dataset de la Organización Mundial de la Salud)
Manipulación en R
Operaciones con filas
{tibble}
: optimizando data.frame{tidyr}
: limpieza de datos{readr}
: carga datos rectangulares (.csv){dplyr}
: gramática para depurar{stringr}
: manejo de textos{ggplot2}
: visualización de datos{tidymodels}
: modelización/predicciónTambién tenemos los paquetes {purrr}
para el manejo de listas, {forcast}
para cualitativas, {lubridate}
para fechas, {readxl}
para importar archivos .xls y .xlsx, {rvest}
para web scraping y {rmarkdown}
para comunicar resultados.
Dentro de {tidyverse}
usaremos el paquete {dplyr}
para el preprocesamiento y depuración de datos de datos.
La idea es que el código sea legible, como si fuese una lista de instrucciones que al leerla nos diga de manera muy evidente lo que está haciendo.
Toda la depuración que vamos a realizar es sobre la hipótesis de que nuestros datos están en tidydata
Recuerda que en {tidyverse}
será clave el operador pipe (tubería) definido como |>
(ctrl+shift+M): será una tubería que recorre los datos y los transforma.
Una de las operaciones más comunes es lo que se conoce en estadística como muestreo: una selección o filtrado de registros (una submuestra)
filter()
)slice()
)slice_sample()
)group_by()
+ slice_sample()
)El más simple es cuando filtramos registros en base a alguna condición lógica: con filter()
se seleccionarán solo individuos que cumplan ciertas condiciones (muestreo no aleatorio por condiciones)
==
, !=
: igual o distinto que (|> filter(variable == "a")
)>
, <
: mayor o menor que (|> filter(variable < 3)
)>=
, <=
: mayor o igual o menor o igual que (|> filter(variable >= 5)
)%in%
: valores pertenencen a un listado de opciones (|> filter(variable %in% c("azul", "verde"))
)between(variable, val1, val2)
: si los valores (continuos) caen dentro de un rango de valores (|> filter(between(variable, 160, 180))
)Dichas condiciones lógicas las podemos combinar de diferentes maneras (y, o, o excluyente)
¿Cómo harías para… filtrar los personajes de ojos marrones?
¿Qué tipo de variable es? –> La variable eye_color
es cualitativa así que está representada por textos
# A tibble: 21 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Leia Or… 150 49 brown light brown 19 fema… femin…
2 Biggs D… 183 84 black light brown 24 male mascu…
3 Han Solo 180 80 brown fair brown 29 male mascu…
4 Yoda 66 17 white green brown 896 male mascu…
5 Boba Fe… 183 78.2 black fair brown 31.5 male mascu…
6 Lando C… 177 79 black dark brown 31 male mascu…
7 Arvel C… NA NA brown fair brown NA male mascu…
8 Wicket … 88 20 brown brown brown 8 male mascu…
9 Padmé A… 185 45 brown light brown 46 fema… femin…
10 Quarsh … 183 NA black dark brown 62 male mascu…
# ℹ 11 more rows
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
¿Cómo harías para… filtrar los personajes que no tienen ojos marrones?
# A tibble: 66 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk… 172 77 blond fair blue 19 male mascu…
2 C-3PO 167 75 <NA> gold yellow 112 none mascu…
3 R2-D2 96 32 <NA> white, bl… red 33 none mascu…
4 Darth V… 202 136 none white yellow 41.9 male mascu…
5 Owen La… 178 120 brown, gr… light blue 52 male mascu…
6 Beru Wh… 165 75 brown light blue 47 fema… femin…
7 R5-D4 97 32 <NA> white, red red NA none mascu…
8 Obi-Wan… 182 77 auburn, w… fair blue-gray 57 male mascu…
9 Anakin … 188 84 blond fair blue 41.9 male mascu…
10 Wilhuff… 180 NA auburn, g… fair blue 64 male mascu…
# ℹ 56 more rows
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
¿Cómo harías para … filtrar los personajes que tengan los ojos marrones o azules?
# A tibble: 40 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk… 172 77 blond fair blue 19 male mascu…
2 Leia Or… 150 49 brown light brown 19 fema… femin…
3 Owen La… 178 120 brown, gr… light blue 52 male mascu…
4 Beru Wh… 165 75 brown light blue 47 fema… femin…
5 Biggs D… 183 84 black light brown 24 male mascu…
6 Anakin … 188 84 blond fair blue 41.9 male mascu…
7 Wilhuff… 180 NA auburn, g… fair blue 64 male mascu…
8 Chewbac… 228 112 brown unknown blue 200 male mascu…
9 Han Solo 180 80 brown fair brown 29 male mascu…
10 Jek Ton… 180 110 brown fair blue NA <NA> <NA>
# ℹ 30 more rows
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
Fíjate que %in%
es equivalente a concatenar varios ==
con una conjunción o (|
)
# A tibble: 40 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk… 172 77 blond fair blue 19 male mascu…
2 Leia Or… 150 49 brown light brown 19 fema… femin…
3 Owen La… 178 120 brown, gr… light blue 52 male mascu…
4 Beru Wh… 165 75 brown light blue 47 fema… femin…
5 Biggs D… 183 84 black light brown 24 male mascu…
6 Anakin … 188 84 blond fair blue 41.9 male mascu…
7 Wilhuff… 180 NA auburn, g… fair blue 64 male mascu…
8 Chewbac… 228 112 brown unknown blue 200 male mascu…
9 Han Solo 180 80 brown fair brown 29 male mascu…
10 Jek Ton… 180 110 brown fair blue NA <NA> <NA>
# ℹ 30 more rows
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
¿Cómo harías para … filtrar los personajes que midan entre 120 y 160 cm?
¿Qué tipo de variable es? –> La variable height
es cuantitativa continua así que deberemos filtrar por rangos de valores (intervalos) –> usaremos between()
# A tibble: 6 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Leia Org… 150 49 brown light brown 19 fema… femin…
2 Mon Moth… 150 NA auburn fair blue 48 fema… femin…
3 Nien Nunb 160 68 none grey black NA male mascu…
4 Watto 137 NA black blue, grey yellow NA male mascu…
5 Gasgano 122 NA none white, bl… black NA male mascu…
6 Cordé 157 NA brown light brown NA <NA> <NA>
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
¿Cómo harías… filtrar los personajes que tengan ojos y no sean humanos?
# A tibble: 3 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Yoda 66 17 white green brown 896 male mascu…
2 Wicket S… 88 20 brown brown brown 8 male mascu…
3 Eeth Koth 171 NA black brown brown NA male mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
¿Cómo harías… filtrar los personajes que tengan ojos y no sean humanos, o que tengan más de 60 años? Piénsalo bien: los paréntesis son importantes: no es lo mismo \((a+b)*c\) que \(a+(b*c)\)
# A tibble: 18 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 C-3PO 167 75 <NA> gold yellow 112 none mascu…
2 Wilhuff… 180 NA auburn, g… fair blue 64 male mascu…
3 Chewbac… 228 112 brown unknown blue 200 male mascu…
4 Jabba D… 175 1358 <NA> green-tan… orange 600 herm… mascu…
5 Yoda 66 17 white green brown 896 male mascu…
6 Palpati… 170 75 grey pale yellow 82 male mascu…
7 Wicket … 88 20 brown brown brown 8 male mascu…
8 Qui-Gon… 193 89 brown fair blue 92 male mascu…
9 Finis V… 170 NA blond fair blue 91 male mascu…
10 Quarsh … 183 NA black dark brown 62 male mascu…
11 Shmi Sk… 163 NA black fair brown 72 fema… femin…
12 Mace Wi… 188 84 none dark brown 72 male mascu…
13 Ki-Adi-… 198 82 white pale yellow 92 male mascu…
14 Eeth Ko… 171 NA black brown brown NA male mascu…
15 Cliegg … 183 NA brown fair blue 82 male mascu…
16 Dooku 193 80 white fair brown 102 male mascu…
17 Bail Pr… 191 NA black tan brown 67 male mascu…
18 Jango F… 183 79 black tan brown 66 male mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
Hay un filtro especial para una de las operaciones más habituales en depuración: retirar los ausentes. Para ello podemos usar dentro de un filtro is.na()
, que nos devuelve TRUE/FALSE
en función de si es ausente, o bien …
Usar drop_na()
: si no indicamos variable, elimina registros con ausente en cualquier variable. Más adelante veremos como imputar esos ausentes
# A tibble: 7 × 4
name mass height hair_color
<chr> <dbl> <int> <chr>
1 Luke Skywalker 77 172 blond
2 C-3PO 75 167 <NA>
3 R2-D2 32 96 <NA>
4 Darth Vader 136 202 none
5 Leia Organa 49 150 brown
6 Owen Lars 120 178 brown, grey
7 Beru Whitesun Lars 75 165 brown
# A tibble: 7 × 4
name mass height hair_color
<chr> <dbl> <int> <chr>
1 Luke Skywalker 77 172 blond
2 Darth Vader 136 202 none
3 Leia Organa 49 150 brown
4 Owen Lars 120 178 brown, grey
5 Beru Whitesun Lars 75 165 brown
6 Biggs Darklighter 84 183 black
7 Obi-Wan Kenobi 77 182 auburn, white
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Selecciona del conjunto de starwars solo los personajes que sean androides o cuyo valor en species
sea desconocido
📝 Selecciona del conjunto de starwars solo los personajes cuyo peso esté entre 65 y 90 kg.
📝 Tras limpiar de ausentes en todas las variables, selecciona del conjunto de starwars solo los personajes que sean humanos y que vengan de Tatooine
📝 Selecciona del conjunto original de starwars los personajes no humanos, male
en el sexo y que midan entre 120 y 170 cm, o los personajes con ojos marrones o rojos.
📝 Busca información en la ayuda de la función str_detect()
del paquete {stringr}
(cargado en {tidyverse}
). Consejo: prueba antes las funciones que vayas a usar con algún vector de prueba para poder comprobar su funcionamiento. Tras saber lo que hace, filtra solo aquellos personajes con apellido Skywalker
A veces nos puede interesar realizar un muestreo no aleatorio discreccional, o lo que es lo mismo, filtrar por posición: con slice(posiciones)
podremos seleccionar filas concretas pasando como argumento un vector de índices
# A tibble: 1 × 4
name height mass hair_color
<chr> <int> <dbl> <chr>
1 Luke Skywalker 172 77 blond
# A tibble: 4 × 8
name height mass hair_color skin_color eye_color birth_year sex
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr>
1 C-3PO 167 75 <NA> gold yellow 112 none
2 Beru Whitesun L… 165 75 brown light blue 47 fema…
3 Obi-Wan Kenobi 182 77 auburn, w… fair blue-gray 57 male
4 Qui-Gon Jinn 193 89 brown fair blue 92 male
Disponemos de opciones por defecto:
slice_head(n = ...)
y slice_tail(n = ...)
podemos obtener la cabecera y cola de la tablaDisponemos de opciones por defecto:
slice_max()
y slice_min()
obtenemos la filas con menor/mayor valor de una variable (si empate, todas salvo que with_ties = FALSE
) que indicamos en order_by = ...
# A tibble: 2 × 4
name height mass hair_color
<chr> <int> <dbl> <chr>
1 Ratts Tyerel 79 15 none
2 Yoda 66 17 white
El conocido como muestreo aleatorio simple se basa en seleccionar individuos aleatoriamente, de forma que cada uno tenga ciertas probabilidades de ser seleccionado. Con slice_sample(n = ...)
podemos extraer n registros aleatoriamente (a priori equiprobables).
# A tibble: 2 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Dooku 193 80 white fair brown 102 male mascu…
2 Jek Tono… 180 110 brown fair blue NA <NA> <NA>
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
También podremos indicarle la proporción de datos a samplear (en lugar del número) y si queremos que sea con reemplazamiento (que se puedan repetir).
# 5% de registros aleatorios con reemplazamiento
starwars |>
slice_sample(prop = 0.05, replace = TRUE)
# A tibble: 4 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Kit Fisto 196 87 none green black NA male mascu…
2 Ben Quad… 163 65 none grey, gre… orange NA male mascu…
3 Jar Jar … 196 66 none orange orange 52 male mascu…
4 Plo Koon 188 80 none orange black 22 male mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
Como decíamos, «aleatorio» no es igual que «equiprobable», así que podemos pasarle un vector de probabilidades. Por ejemplo, vamos a forzar que sea muy improbable sacar una fila que no sean las dos primeras
# A tibble: 2 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 C-3PO 167 75 <NA> gold yellow 112 none mascu…
2 Luke Sky… 172 77 blond fair blue 19 male mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
# A tibble: 2 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 C-3PO 167 75 <NA> gold yellow 112 none mascu…
2 Luke Sky… 172 77 blond fair blue 19 male mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
La función slice_sample()
es simplemente una integración de {tidyverse}
de la función básica de R
conocida como sample()
que nos permite muestrear elementos
Por ejemplo, vamos a muestrear 10 tiradas de un dado, indicándole
x
)size
)TRUE
entonces pueden salir repetidas, como en el caso del dado)La opción anterior lo que genera son sucesos de una variable aleatoria equiprobable pero al igual que antes, podemos asignarle un vector de probabilidades o función de masa concreta con el argumento prob = ...
¿Cómo harías el siguiente enunciado?
Supongamos que en una ciudad se han estudiado episodios de gripe estacional. Sean las variables aleatorias \(X_m\) y \(X_p\) tal que \(X_m=1\) si la madre tiene gripe, \(X_m=0\) si la madre no tiene gripe, \(X_p=1\) si el padre tiene gripe y \(X_p=0\) si el padre no tiene gripe. El modelo teórico asociado a este tipo de epidemias indica que la distribución conjunta viene dada por \(P(X_m = 1, X_p=1)=0.02\), \(P(X_m = 1, X_p=0)=0.08\), \(P(X_m = 1, X_p=0)=0.1\) y \(P(X_m = 0, X_p=0)=0.8\)
Genera una muestra de tamaño \(n = 1000\) (soporte "10"
, "01"
, "00"
y "11"
) haciendo uso de runif()
y haciendo uso de sample()
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Selecciona solo los personajes que sean humanos y de ojos marrones, para después ordernarlos en altura descendente y peso ascendente.
📝 Extrae aleatoriamente 10 personajes pero de forma que la probabilidad de que salga cada uno sea proporcional a su peso (más pesados, más probable)
También podemos ordenar filas en función de alguna variable con arrange()
# A tibble: 5 × 6
name height mass hair_color skin_color eye_color
<chr> <int> <dbl> <chr> <chr> <chr>
1 Ratts Tyerel 79 15 none grey, blue unknown
2 Yoda 66 17 white green brown
3 Wicket Systri Warrick 88 20 brown brown brown
4 R2-D2 96 32 <NA> white, blue red
5 R5-D4 97 32 <NA> white, red red
Por defecto de menor a mayor pero podemos invertir el orden con desc()
# A tibble: 5 × 3
name height mass
<chr> <int> <dbl>
1 Yarael Poof 264 NA
2 Tarfful 234 136
3 Lama Su 229 88
4 Chewbacca 228 112
5 Roos Tarpals 224 82
Muchas veces necesitaremos asegurarnos que no hay duplicados en alguna variable (DNI) y podemos eliminar filas duplicadas con distinct()
.
# A tibble: 5 × 1
sex
<chr>
1 male
2 none
3 female
4 hermaphroditic
5 <NA>
Para mantener todas las columnas de la tabla usaremos .keep_all = TRUE
.
# A tibble: 3 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sky… 172 77 blond fair blue 19 male mascu…
2 C-3PO 167 75 <NA> gold yellow 112 none mascu…
3 Leia Org… 150 49 brown light brown 19 fema… femin…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
Por último, podemos concatenar nuevas filas con bind_rows()
con las nuevas observaciones en tabla (si no cuadran columnas rellena con ausentes)
# A tibble: 2 × 2
nombre edad
<chr> <dbl>
1 javi 33
2 laura 50
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Para saber que valores únicos hay en el color de pelo, elimina duplicados de la variable hair_color
, eliminando antes los ausentes de dicha variable.
📝 De los personajes que son humanos y miden más de 160 cm, elimina duplicados en color de ojos, elimina ausentes en peso, selecciona los 3 más altos, y orden de mayor a menor peso. Devuelve la tabla.
La clave de {tidyverse}
es la legibilidad: es importantísimo que el código se entienda, por nuestro yo el futuro pero también por la transparencia algorítmica hacia los demás
Por ejemplo: quitaremos ausentes de la variable peso, filtraremos los personajes humanos y altura superior a 140cm, sin duplicados en el color de pelo, extrayendo los 5 más altos y obteniendo 2 personajes aleatorios finalmente.
La clave de {tidyverse}
es la legibilidad: es importantísimo que el código se entienda, por nuestro yo el futuro pero también por la transparencia algorítmica hacia los demás
Por ejemplo: quitaremos ausentes de la variable peso, filtraremos los personajes humanos y altura superior a 140cm, sin duplicados en el color de pelo, extrayendo los 5 más altos y obteniendo 2 personajes aleatorios finalmente.
La clave de {tidyverse}
es la legibilidad: es importantísimo que el código se entienda, por nuestro yo el futuro pero también por la transparencia algorítmica hacia los demás
Por ejemplo: quitaremos ausentes de la variable peso, filtraremos los personajes humanos y altura superior a 140cm, sin duplicados en el color de pelo, extrayendo los 5 más altos y obteniendo 2 personajes aleatorios finalmente.
La clave de {tidyverse}
es la legibilidad: es importantísimo que el código se entienda, por nuestro yo el futuro pero también por la transparencia algorítmica hacia los demás
Por ejemplo: quitaremos ausentes de la variable peso, filtraremos los personajes humanos y altura superior a 140cm, sin duplicados en el color de pelo, extrayendo los 5 más altos y obteniendo 2 personajes aleatorios finalmente.
La clave de {tidyverse}
es la legibilidad: es importantísimo que el código se entienda, por nuestro yo el futuro pero también por la transparencia algorítmica hacia los demás
Por ejemplo: quitaremos ausentes de la variable peso, filtraremos los personajes humanos y altura superior a 140cm, sin duplicados en el color de pelo, extrayendo los 5 más altos y obteniendo 2 personajes aleatorios finalmente.
La opción más sencilla para seleccionar variables por nombre es select()
, dando como argumentos los nombres de columnas sin comillas.
# A tibble: 87 × 2
name hair_color
<chr> <chr>
1 Luke Skywalker blond
2 C-3PO <NA>
3 R2-D2 <NA>
4 Darth Vader none
5 Leia Organa brown
6 Owen Lars brown, grey
7 Beru Whitesun Lars brown
8 R5-D4 <NA>
9 Biggs Darklighter black
10 Obi-Wan Kenobi auburn, white
# ℹ 77 more rows
La función select()
nos permite seleccionar varias variables a la vez, incluso concatenando sus nombres como si fuesen índices numéricos
# A tibble: 4 × 6
name height mass hair_color skin_color eye_color
<chr> <int> <dbl> <chr> <chr> <chr>
1 Luke Skywalker 172 77 blond fair blue
2 C-3PO 167 75 <NA> gold yellow
3 R2-D2 96 32 <NA> white, blue red
4 Darth Vader 202 136 none white yellow
Tenemos además palabras reservadas: everything()
todas las variables…
# A tibble: 4 × 14
mass homeworld name height hair_color skin_color eye_color birth_year sex
<dbl> <chr> <chr> <int> <chr> <chr> <chr> <dbl> <chr>
1 77 Tatooine Luke … 172 blond fair blue 19 male
2 75 Tatooine C-3PO 167 <NA> gold yellow 112 none
3 32 Naboo R2-D2 96 <NA> white, bl… red 33 none
4 136 Tatooine Darth… 202 none white yellow 41.9 male
# ℹ 5 more variables: gender <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
…y last_col()
para referirnos a la última columna.
# A tibble: 4 × 5
name height mass homeworld starships
<chr> <int> <dbl> <chr> <list>
1 Luke Skywalker 172 77 Tatooine <chr [2]>
2 C-3PO 167 75 Tatooine <chr [0]>
3 R2-D2 96 32 Naboo <chr [0]>
4 Darth Vader 202 136 Tatooine <chr [1]>
También podemos jugar con patrones en el nombre, aquellas que comiencen por un prefijo (starts_with()
), terminen con un sufijo (ends_with()
), contengan un texto (contains()
) o cumplan una expresión regular (matches()
).
# variables cuyo nombre acaba en "color" y contengan sexo o género
starwars |> select(ends_with("color"), matches("sex|gender"))
# A tibble: 87 × 5
hair_color skin_color eye_color sex gender
<chr> <chr> <chr> <chr> <chr>
1 blond fair blue male masculine
2 <NA> gold yellow none masculine
3 <NA> white, blue red none masculine
4 none white yellow male masculine
5 brown light brown female feminine
6 brown, grey light blue male masculine
7 brown light blue female feminine
8 <NA> white, red red none masculine
9 black light brown male masculine
10 auburn, white fair blue-gray male masculine
# ℹ 77 more rows
Incluso podemos seleccionar por rango numérico si tenemos variables con un prefijo y números.
Por último, podemos seleccionar columnas por tipo de dato haciendo uso de where()
y dentro una función que devuelva un valor lógico de tipo de dato.
# A tibble: 87 × 11
height mass birth_year name hair_color skin_color eye_color sex gender
<int> <dbl> <dbl> <chr> <chr> <chr> <chr> <chr> <chr>
1 172 77 19 Luke Sk… blond fair blue male mascu…
2 167 75 112 C-3PO <NA> gold yellow none mascu…
3 96 32 33 R2-D2 <NA> white, bl… red none mascu…
4 202 136 41.9 Darth V… none white yellow male mascu…
5 150 49 19 Leia Or… brown light brown fema… femin…
6 178 120 52 Owen La… brown, gr… light blue male mascu…
7 165 75 47 Beru Wh… brown light blue fema… femin…
8 97 32 NA R5-D4 <NA> white, red red none mascu…
9 183 84 24 Biggs D… black light brown male mascu…
10 182 77 57 Obi-Wan… auburn, w… fair blue-gray male mascu…
# ℹ 77 more rows
# ℹ 2 more variables: homeworld <chr>, species <chr>
Para facilitar la recolocación de variables tenemos una función para ello, relocate()
, indicándole en .after
o .before
detrás o delante de qué columnas queremos moverlas.
# A tibble: 87 × 14
species name height mass hair_color skin_color eye_color birth_year sex
<chr> <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr>
1 Human Luke S… 172 77 blond fair blue 19 male
2 Droid C-3PO 167 75 <NA> gold yellow 112 none
3 Droid R2-D2 96 32 <NA> white, bl… red 33 none
4 Human Darth … 202 136 none white yellow 41.9 male
5 Human Leia O… 150 49 brown light brown 19 fema…
6 Human Owen L… 178 120 brown, gr… light blue 52 male
7 Human Beru W… 165 75 brown light blue 47 fema…
8 Droid R5-D4 97 32 <NA> white, red red NA none
9 Human Biggs … 183 84 black light brown 24 male
10 Human Obi-Wa… 182 77 auburn, w… fair blue-gray 57 male
# ℹ 77 more rows
# ℹ 5 more variables: gender <chr>, homeworld <chr>, films <list>,
# vehicles <list>, starships <list>
A veces también podemos querer modificar la «metainformación» de los datos, renombrando columnas. Para ello usaremos de rename()
poniendo primero el nombre nuevo y luego el antiguo.
# A tibble: 87 × 14
nombre altura peso hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk… 172 77 blond fair blue 19 male mascu…
2 C-3PO 167 75 <NA> gold yellow 112 none mascu…
3 R2-D2 96 32 <NA> white, bl… red 33 none mascu…
4 Darth V… 202 136 none white yellow 41.9 male mascu…
5 Leia Or… 150 49 brown light brown 19 fema… femin…
6 Owen La… 178 120 brown, gr… light blue 52 male mascu…
7 Beru Wh… 165 75 brown light blue 47 fema… femin…
8 R5-D4 97 32 <NA> white, red red NA none mascu…
9 Biggs D… 183 84 black light brown 24 male mascu…
10 Obi-Wan… 182 77 auburn, w… fair blue-gray 57 male mascu…
# ℹ 77 more rows
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
Si observas la salida de los select()
sigue siendo una tabla tibble, ya que nos preserva la naturaleza de nuestros datos.
A veces no querremos dicha estructura sino extraer literalmente la columna en un vector, algo que podemos hacer con pull()
[1] "Luke Skywalker" "C-3PO" "R2-D2"
[4] "Darth Vader" "Leia Organa" "Owen Lars"
[7] "Beru Whitesun Lars" "R5-D4" "Biggs Darklighter"
[10] "Obi-Wan Kenobi" "Anakin Skywalker" "Wilhuff Tarkin"
[13] "Chewbacca" "Han Solo" "Greedo"
[16] "Jabba Desilijic Tiure" "Wedge Antilles" "Jek Tono Porkins"
[19] "Yoda" "Palpatine" "Boba Fett"
[22] "IG-88" "Bossk" "Lando Calrissian"
[25] "Lobot" "Ackbar" "Mon Mothma"
[28] "Arvel Crynyd" "Wicket Systri Warrick" "Nien Nunb"
[31] "Qui-Gon Jinn" "Nute Gunray" "Finis Valorum"
[34] "Padmé Amidala" "Jar Jar Binks" "Roos Tarpals"
[37] "Rugor Nass" "Ric Olié" "Watto"
[40] "Sebulba" "Quarsh Panaka" "Shmi Skywalker"
[43] "Darth Maul" "Bib Fortuna" "Ayla Secura"
[46] "Ratts Tyerel" "Dud Bolt" "Gasgano"
[49] "Ben Quadinaros" "Mace Windu" "Ki-Adi-Mundi"
[52] "Kit Fisto" "Eeth Koth" "Adi Gallia"
[55] "Saesee Tiin" "Yarael Poof" "Plo Koon"
[58] "Mas Amedda" "Gregar Typho" "Cordé"
[61] "Cliegg Lars" "Poggle the Lesser" "Luminara Unduli"
[64] "Barriss Offee" "Dormé" "Dooku"
[67] "Bail Prestor Organa" "Jango Fett" "Zam Wesell"
[70] "Dexter Jettster" "Lama Su" "Taun We"
[73] "Jocasta Nu" "R4-P17" "Wat Tambor"
[76] "San Hill" "Shaak Ti" "Grievous"
[79] "Tarfful" "Raymus Antilles" "Sly Moore"
[82] "Tion Medon" "Finn" "Rey"
[85] "Poe Dameron" "BB8" "Captain Phasma"
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Filtra el conjunto de personajes y quédate solo con aquellos que en la variable height
no tengan un dato ausente. Con los datos obtenidos del filtro anterior, selecciona solo las variables name, height, así como todas aquellas variables que CONTENGAN la palabra color en su nombre.
📝 Con los datos obtenidos del ejercicio anterior, traduce el nombre de las columnas a castellano
📝 Con los datos obtenidos del ejercicio anterior, coloca la variable de color de pelo justo detrás de la variable de nombres.
📝 Con los datos obtenidos del ejercicio anterior, comprueba cuántas modalidades únicas hay en la variable de color de pelo (sin usar unique()
).
📝 Del conjunto de datos originales, elimina las columnas de tipo lista, y tras ello elimina duplicados en la variable eye_color
. Tras eliminar duplicados extrae dicha columna en un vector.
En muchas ocasiones querremos modificar o crear variables con mutate()
.
Vamos a crear por ejemplo una nueva variable height_m
con la altura en metros.
# A tibble: 87 × 15
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk… 172 77 blond fair blue 19 male mascu…
2 C-3PO 167 75 <NA> gold yellow 112 none mascu…
3 R2-D2 96 32 <NA> white, bl… red 33 none mascu…
4 Darth V… 202 136 none white yellow 41.9 male mascu…
5 Leia Or… 150 49 brown light brown 19 fema… femin…
6 Owen La… 178 120 brown, gr… light blue 52 male mascu…
7 Beru Wh… 165 75 brown light blue 47 fema… femin…
8 R5-D4 97 32 <NA> white, red red NA none mascu…
9 Biggs D… 183 84 black light brown 24 male mascu…
10 Obi-Wan… 182 77 auburn, w… fair blue-gray 57 male mascu…
# ℹ 77 more rows
# ℹ 6 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>, height_m <dbl>
Además con los argumentos opcionales podemos recolocar la columna modificada
# A tibble: 87 × 16
height_m IMC name height mass hair_color skin_color eye_color birth_year
<dbl> <dbl> <chr> <int> <dbl> <chr> <chr> <chr> <dbl>
1 1.72 26.0 Luke … 172 77 blond fair blue 19
2 1.67 26.9 C-3PO 167 75 <NA> gold yellow 112
3 0.96 34.7 R2-D2 96 32 <NA> white, bl… red 33
4 2.02 33.3 Darth… 202 136 none white yellow 41.9
5 1.5 21.8 Leia … 150 49 brown light brown 19
6 1.78 37.9 Owen … 178 120 brown, gr… light blue 52
7 1.65 27.5 Beru … 165 75 brown light blue 47
8 0.97 34.0 R5-D4 97 32 <NA> white, red red NA
9 1.83 25.1 Biggs… 183 84 black light brown 24
10 1.82 23.2 Obi-W… 182 77 auburn, w… fair blue-gray 57
# ℹ 77 more rows
# ℹ 7 more variables: sex <chr>, gender <chr>, homeworld <chr>, species <chr>,
# films <list>, vehicles <list>, starships <list>
# A tibble: 87 × 15
constante name height mass hair_color skin_color eye_color birth_year sex
<dbl> <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr>
1 97.3 Luke… 172 77 blond fair blue 19 male
2 97.3 C-3PO 167 75 <NA> gold yellow 112 none
3 97.3 R2-D2 96 32 <NA> white, bl… red 33 none
4 97.3 Dart… 202 136 none white yellow 41.9 male
5 97.3 Leia… 150 49 brown light brown 19 fema…
6 97.3 Owen… 178 120 brown, gr… light blue 52 male
7 97.3 Beru… 165 75 brown light blue 47 fema…
8 97.3 R5-D4 97 32 <NA> white, red red NA none
9 97.3 Bigg… 183 84 black light brown 24 male
10 97.3 Obi-… 182 77 auburn, w… fair blue-gray 57 male
# ℹ 77 more rows
# ℹ 6 more variables: gender <chr>, homeworld <chr>, species <chr>,
# films <list>, vehicles <list>, starships <list>
También podemos combinar mutate()
con la expresión de control if_else()
para recategorizar la variable: si se cumple una condición, hace una cosa, en caso contrario otra.
starwars |>
mutate(human = if_else(species == "Human", "Human", "Not Human"),
.after = name) |>
select(name:mass)
# A tibble: 87 × 4
name human height mass
<chr> <chr> <int> <dbl>
1 Luke Skywalker Human 172 77
2 C-3PO Not Human 167 75
3 R2-D2 Not Human 96 32
4 Darth Vader Human 202 136
5 Leia Organa Human 150 49
6 Owen Lars Human 178 120
7 Beru Whitesun Lars Human 165 75
8 R5-D4 Not Human 97 32
9 Biggs Darklighter Human 183 84
10 Obi-Wan Kenobi Human 182 77
# ℹ 77 more rows
Para recategorizaciones más complejas tenemos case_when()
, por ejemplo, para crear una categoría de los personajes en función de su altura.
starwars |>
drop_na(height) |>
mutate(altura = case_when(height < 120 ~ "enanos",
height < 160 ~ "bajito",
height < 180 ~ "normal",
height < 200 ~ "alto",
TRUE ~ "gigante"), .before = name)
# A tibble: 81 × 15
altura name height mass hair_color skin_color eye_color birth_year sex
<chr> <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr>
1 normal Luke S… 172 77 blond fair blue 19 male
2 normal C-3PO 167 75 <NA> gold yellow 112 none
3 enanos R2-D2 96 32 <NA> white, bl… red 33 none
4 gigante Darth … 202 136 none white yellow 41.9 male
5 bajito Leia O… 150 49 brown light brown 19 fema…
6 normal Owen L… 178 120 brown, gr… light blue 52 male
7 normal Beru W… 165 75 brown light blue 47 fema…
8 enanos R5-D4 97 32 <NA> white, red red NA none
9 alto Biggs … 183 84 black light brown 24 male
10 alto Obi-Wa… 182 77 auburn, w… fair blue-gray 57 male
# ℹ 71 more rows
# ℹ 6 more variables: gender <chr>, homeworld <chr>, species <chr>,
# films <list>, vehicles <list>, starships <list>
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Selecciona solo las variables nombre, altura y así como todas aquellas variables relacionadas con el color, a la vez que te quedas solo con aquellos que no tengan ausente en la altura.
📝 Con los datos obtenidos del ejercicio anterior, traduce el nombre de las columnas a castellano.
📝 Con los datos obtenidos del ejercicio anterior, coloca la variable de color de pelo justo detrás de la variable de nombres.
📝 Con los datos originales, comprueba cuántas modalidades únicas hay en la variable de color de pelo.
📝 Del dataset original, selecciona solo las variables numéricas y de tipo texto. Tras ello define una nueva variable llamada under_18
que nos recategorice la variable de edad: TRUE
si es menor de edad y FALSE
en caso contrario
📝 Del dataset original, crea una nueva columna llamada auburn
(cobrizo/caoba) que nos diga TRUE si el color de pelo contiene dicha palabra y FALSE en caso contrario (reminder str_detect()
).
📝 Del dataset original, incluye una columna que calcule el IMC. Tras ello, crea una nueva variable que valga NA
si no es humano, delgadez
por debajo de 18, normal
entre 18 y 30, sobrepeso
por encima de 30.
Haciendo uso de todo lo aprendido, vamos a proceder a crear una tabla con datos de bebés de tamaño n = 20
en donde simulemos el sexo de los bebés y su peso
tibble
con dos columnas, una llamada id_bebe
y otra llamada sexo
. En el primer caso debe ir de 1 a 20. En el segundo caso, simula su sexo de manera que haya un 0.5 de probabilidad de chico
y 0.5 de chica
.peso
en la que simules dicho valor. Supondremos que para los chicos el peso sigue una distribución \(N(\mu = 3.266kg, \sigma = 0.514)\) y que para las chicas sigue una distribución \(N(\mu = 3.155kg, \sigma = 0.495)\).Hasta ahora solo hemos transformado o consultado los datos pero no hemos generado estadísticas. Empecemos por lo sencillo: ¿cómo contar (frecuencias)?
Cuando lo usamos en solitario count()
nos devolverá simplemente el número de registros , pero cuando lo usamos con variables count()
calcula lo que se conoce como frecuencias: número de elementos de cada modalidad.
Además si pasamos varias variables nos calcula lo que se conoce como una tabla de contigencia. Con sort = TRUE
nos devolverá el conteo ordenado (más frecuentes primero).
Una de las funciones más potentes a combinar con las acciones vistas es group_by()
, que nos permitirá agrupar nuestros registros previamente
Cuando apliquemos group_by()
es importante entender que NO MODIFICA los datos, sino que nos crea una variable de grupo (subtablas por cada grupo) que modificará las acciones futuras: las operaciones se aplicarán a cada subtabla por separado
Por ejemplo, imaginemos que queremos extraer el personaje más alto con slice_max()
.
# A tibble: 1 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Yarael P… 264 NA none white yellow NA male mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
¿Y si queremos extraer el personaje más alto pero…de cada uno de los sexos?
# A tibble: 5 × 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Taun We 213 NA none grey black NA fema… femin…
2 Jabba De… 175 1358 <NA> green-tan… orange 600 herm… mascu…
3 Yarael P… 264 NA none white yellow NA male mascu…
4 IG-88 200 140 none metal red 15 none mascu…
5 Gregar T… 185 85 black dark brown NA <NA> <NA>
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
La web https://tidydatatutor.com/ permite visualizar las operaciones de {tidyverse}
(con el pipe antiguo)
En la nueva versión de {dplyr}
ahora se permite incluir la variable de grupo en la llamada a muchas funciones con el argumento by = ...
o .by = ...
# A tibble: 5 × 6
name height mass hair_color skin_color eye_color
<chr> <int> <dbl> <chr> <chr> <chr>
1 Yarael Poof 264 NA none white yellow
2 IG-88 200 140 none metal red
3 Taun We 213 NA none grey black
4 Jabba Desilijic Tiure 175 1358 <NA> green-tan, brown orange
5 Gregar Typho 185 85 black dark brown
Una opción muy útil usada antes de una operación también es rowwise()
: toda operación que venga después se aplicará en cada fila por separado. Por ejemplo, vamos a definir un conjunto dummy de notas.
Si aplicamos la media directamente el valor será idéntico ya que nos ha hecho la media global, pero nos gustaría sacar una media por registro. Para eso usaremos rowwise()
Por último tenemos summarise()
, que nos permitirá sacar resúmenes estadísticos. Por ejemplo, vamos a calcular la media de las alturas.
# A tibble: 1 × 1
media_altura
<dbl>
1 175.
Si además esto lo combinamos con la agrupación de group_by()
o .by = ...
, en pocas líneas de código puedes obtener estadísticas desagreagadas
En el nuevo {dplyr}
han incluido reframe()
para evitar problemas de summarise()
cuando devolvemos más de un valor por variable.
Warning: Returning more (or less) than 1 row per `summarise()` group was deprecated in
dplyr 1.1.0.
ℹ Please use `reframe()` instead.
ℹ When switching from `summarise()` to `reframe()`, remember that `reframe()`
always returns an ungrouped data frame and adjust accordingly.
# A tibble: 5 × 1
`quantile(mass)`
<dbl>
1 15
2 55.6
3 79
4 84.5
5 1358
Un truco es hacer uso de selectores across()
y where()
. El primero nos permite actuar sobre varias columnas por nombre (con mutate()
o summarise()
)
# A tibble: 5 × 2
sex medias$height $mass
<chr> <dbl> <dbl>
1 male 179. 80.2
2 none 131. 69.8
3 female 172. 54.7
4 hermaphroditic 175 1358
5 <NA> 175 81
El segundo, where()
, nos permite hacer lo mismo pero seleccionando por tipo.
# A tibble: 6 × 5
sex gender height mass birth_year
<chr> <chr> <dbl> <dbl> <dbl>
1 male masculine 179. 80.2 84.8
2 none masculine 140 69.8 53.3
3 female feminine 172. 54.7 47.2
4 hermaphroditic masculine 175 1358 600
5 <NA> <NA> 175 81 NaN
6 none feminine 96 NaN NaN
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Calcula cuántos personajes hay de cada especie, ordenados de más a menor frecuencia.
📝 Tras eliminar ausentes en las variables de peso y estatura, añade una nueva variable que nos calcule el IMC de cada personaje, y determina el IMC medio de nuestros personajes desagregada por sexo
📝 Obtén la edad del personaje más joven y más viejo de cada sexo.
Vamos antes a hacer un repaso de lo aprendido en {tidyverse}
{tidyr}
.Vamos a usar el dataset biopsy
que podemos encontrar en el agregador de datasets https://vincentarelbundock.github.io/Rdatasets/index.html. El dataset contiene datos de 699 pacientes a lo que se les realizó una biopsia de pecho, obteniendo 11 variables (una que hace de id y 10 escalas medidas de 1 a 10)
Puedes ver la documentación en https://vincentarelbundock.github.io/Rdatasets/doc/MASS/biopsy.html
.csv
desde la propia web (a través del enlace del archivo)ID
hasta class
. Convierte a tidydataID
debería ser identificador de cada registro: elimina duplicados por dicha variable del dataset anterior.V9
con valor 4 o inferior, eliminando además cualquier registro que contenga ausente en cualquiera de la variables.V1
y, en caso de empate, de menor a mayor por la variable V2
Importar/exportar. Comunicar con Quarto
Repasando tidydata. Importar/exportar datos en R
Hasta ahora solo hemos usado datos cargados ya en paquetes pero muchas veces necesitaremos importar datos de manera externa. Una de las principales fortalezas de R
es que podemos importar datos de manera muy sencilla en distintos formatos:
.rda
, .RData
y .rds
.csv
y .tsv
.txt
.xls
y .xlsx
.sas7bdat
, .sav
y .dat
Puedes descargar la carpeta de datos desde Google Drive.
Recuerda descomprimir la carpeta. Lo recomendable es crear un proyecto, donde guardes los scripts y los datos.
Los ficheros más simples para importar en R
(y que suele ocupar menos espacio en disco) son sus propias extensiones nativas: archivos con formatos .RData
, .rda
y .rds
.
Para cargar los dos primeros simplemente necesitamos usar la función nativa load()
indicándole la ruta del archivo.
.RData
: vamos a importar un dataset con las distintas características de los viajeros del Titanic, incluyendo quién sobrevivió y quién murió.# A tibble: 5 × 12
PassengerId Survived Pclass Name Sex Age SibSp Parch Ticket Fare Cabin
<int> <int> <int> <fct> <fct> <dbl> <int> <int> <fct> <dbl> <fct>
1 1 0 3 Braund… male 22 1 0 A/5 2… 7.25 ""
2 2 1 1 Cuming… fema… 38 1 0 PC 17… 71.3 "C85"
3 3 1 3 Heikki… fema… 26 0 0 STON/… 7.92 ""
4 4 1 1 Futrel… fema… 35 1 0 113803 53.1 "C12…
5 5 0 3 Allen,… male 35 0 0 373450 8.05 ""
# ℹ 1 more variable: Embarked <fct>
.rda
: vamos a importar un dataset con datos de cáncer de pecho de Royston and Altman (2013), incluyendo 2982 pacientes y sus características# A tibble: 7 × 15
pid year age meno size grade nodes pgr er hormon chemo rtime recur
<int> <int> <int> <int> <fct> <int> <int> <int> <int> <int> <int> <dbl> <int>
1 1 1992 74 1 <=20 3 0 35 291 0 0 1799 0
2 2 1984 79 1 20-50 3 0 36 611 0 0 2828 0
3 3 1983 44 0 <=20 2 0 138 0 0 0 6012 0
4 4 1985 70 1 20-50 3 0 0 12 0 0 2624 0
5 5 1983 75 1 <=20 3 0 260 409 0 0 4915 0
6 6 1983 52 0 <=20 3 0 139 303 0 0 5888 0
7 7 1993 40 0 <=20 2 0 13 4 0 0 2491 0
# ℹ 2 more variables: dtime <dbl>, death <int>
.rds
: para este tipo debemos usar readRDS()
, y necesitamos incorporar un argumento file
con la ruta. En este caso vamos a importar datos de cáncer de pulmón del North Central Cancer Treatment Group.# A tibble: 5 × 10
inst time status age sex ph.ecog ph.karno pat.karno meal.cal wt.loss
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 3 306 2 74 1 1 90 100 1175 NA
2 3 455 2 68 1 0 90 90 1225 15
3 3 1010 1 56 1 0 90 90 NA 15
4 5 210 2 57 1 1 90 60 1150 11
5 1 883 2 60 1 0 100 90 NA 0
El paquete {readr}
dentro del entorno {tidyverse}
contiene distintas funciones útiles para la carga de datos rectangulares (sin formatear).
read_csv()
: archivos .csv
cuyo separador sea la comaread_csv2()
: punto y comaread_tsv()
: tabulador.read_table()
: espacio.read_delim()
: función genérica para archivos delimitados por caracteres.Todos necesitan como argumento la ruta del archivo amén de otros opcionales (saltar o no cabecera, decimales, etc). Ver más en https://readr.tidyverse.org/
La principal ventaja de {readr}
es que automatiza el formateo para pasar de un archivo plano (sin formato) a un tibble (en filas y columnas, con formato).
.csv
: con read_csv()
cargaremos archivos separados por coma, pasando como argumento la ruta en file = ...
. Vamos a importar el dataset chickens.csv
(sobre pollos de dibujos animados, why not). Si te fijas en la salida nos proporciona el tipo de variables.# A tibble: 5 × 4
chicken sex eggs_laid motto
<chr> <chr> <dbl> <chr>
1 Foghorn Leghorn rooster 0 That's a joke, ah say, that's a jok…
2 Chicken Little hen 3 The sky is falling!
3 Ginger hen 12 Listen. We'll either die free chick…
4 Camilla the Chicken hen 7 Bawk, buck, ba-gawk.
5 Ernie The Giant Chicken rooster 0 Put Captain Solo in the cargo hold.
El formato de las variables normalmente lo hará read_csv()
de forma automática, y podemos consultarlo con spec()
Aunque lo haga normalmente bien de forma automática podemos especificar el formato explícitamente en col_types = list()
(en formato lista, con col_xxx()
para cada tipo de variable, por ejemplo una la pondremos como cualitativa o factor).
chickens <-
read_csv(file = "./datos/chickens.csv",
col_types = list(col_character(), col_factor(), col_double(), col_character()))
chickens
# A tibble: 5 × 4
chicken sex eggs_laid motto
<chr> <fct> <dbl> <chr>
1 Foghorn Leghorn rooster 0 That's a joke, ah say, that's a jok…
2 Chicken Little hen 3 The sky is falling!
3 Ginger hen 12 Listen. We'll either die free chick…
4 Camilla the Chicken hen 7 Bawk, buck, ba-gawk.
5 Ernie The Giant Chicken rooster 0 Put Captain Solo in the cargo hold.
Incluso podemos indicar que variables que queremos seleccionar (sin ocupar memoria), indicándoselo en col_select = ...
Vamos a usar de nuevo read_csv()
con el archivo massey-rating.txt
.
# A tibble: 10 × 1
`UCC PAY LAZ KPK RT COF BIH DII ENG ACU Rank Team Conf`
<chr>
1 1 1 1 1 1 1 1 1 1 1 1 Ohio St B10
2 2 2 2 2 2 2 2 2 4 2 2 Oregon P12
3 3 4 3 4 3 4 3 4 2 3 3 Alabama SEC
4 4 3 4 3 4 3 5 3 3 4 4 TCU B12
5 6 6 6 5 5 7 6 5 6 11 5 Michigan St B10
6 7 7 7 6 7 6 11 8 7 8 6 Georgia SEC
7 5 5 5 7 6 8 4 6 5 5 7 Florida St ACC
8 8 8 9 9 10 5 7 7 10 7 8 Baylor B12
9 9 11 8 13 11 11 12 9 14 9 9 Georgia Tech ACC
10 13 10 13 11 8 9 10 11 9 10 10 Mississippi SEC
Si te fijas nos interpreta todo como una sola columna: no tiene comas el archivo y no sabe por donde separar
¿Qué sucede cuando el separador no es el correcto?
Para ello tenemos
read_csv2()
cuando el separador sea el punto y coma, read_tsv()
cuando el sea un tabulador y read_table()
cuando el sea un espacio
read_delim()
en general
# A tibble: 10 × 13
UCC PAY LAZ KPK RT COF BIH DII ENG ACU Rank Team Conf
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <chr> <chr>
1 1 1 1 1 1 1 1 1 1 1 1 Ohio St
2 2 2 2 2 2 2 2 2 4 2 2 Oreg… P12
3 3 4 3 4 3 4 3 4 2 3 3 Alab… SEC
4 4 3 4 3 4 3 5 3 3 4 4 TCU B12
5 6 6 6 5 5 7 6 5 6 11 5 Mich… St
6 7 7 7 6 7 6 11 8 7 8 6 Geor… SEC
7 5 5 5 7 6 8 4 6 5 5 7 Flor… St
8 8 8 9 9 10 5 7 7 10 7 8 Bayl… B12
9 9 11 8 13 11 11 12 9 14 9 9 Geor… Tech
10 13 10 13 11 8 9 10 11 9 10 10 Miss… SEC
Otro de los paquetes fundamentales de importación será el paquete {readxl}
para importar datos desde una Excel. Tres funciones serán claves:
read_xls()
específica para .xls
, read_xlsx()
específica para .xlsx
read_excel()
: para ambasVamos a importar deaths.xlsx
con registros de fallecimientos de famosos
# A tibble: 8 × 6
`Lots of people` ...2 ...3 ...4 ...5 ...6
<chr> <chr> <chr> <chr> <chr> <chr>
1 simply cannot resist writing <NA> <NA> <NA> <NA> some not…
2 at the top <NA> of their sp…
3 or merging <NA> <NA> <NA> cells
4 Name Profession Age Has kids Date of birth Date of …
5 David Bowie musician 69 TRUE 17175 42379
6 Carrie Fisher actor 60 TRUE 20749 42731
7 Chuck Berry musician 90 TRUE 9788 42812
8 Bill Paxton actor 61 TRUE 20226 42791
# A tibble: 8 × 6
`Lots of people` ...2 ...3 ...4 ...5 ...6
<chr> <chr> <chr> <chr> <chr> <chr>
1 simply cannot resist writing <NA> <NA> <NA> <NA> some not…
2 at the top <NA> of their sp…
3 or merging <NA> <NA> <NA> cells
4 Name Profession Age Has kids Date of birth Date of …
5 David Bowie musician 69 TRUE 17175 42379
6 Carrie Fisher actor 60 TRUE 20749 42731
7 Chuck Berry musician 90 TRUE 9788 42812
8 Bill Paxton actor 61 TRUE 20226 42791
Algo por desgracia muy habitual es que haya algún tipo de comentario o texto al inicio del archivo, teniendo que saltarnos dichas filas.
Podemos saltarnos dichas filas directamente en la carga con skip = ...
(indicando el número de filas que nos saltamos)
# A tibble: 5 × 6
Name Profession Age `Has kids` `Date of birth` `Date of death`
<chr> <chr> <chr> <chr> <dttm> <chr>
1 David Bowie musician 69 TRUE 1947-01-08 00:00:00 42379
2 Carrie Fisher actor 60 TRUE 1956-10-21 00:00:00 42731
3 Chuck Berry musician 90 TRUE 1926-10-18 00:00:00 42812
4 Bill Paxton actor 61 TRUE 1955-05-17 00:00:00 42791
5 Prince musician 57 TRUE 1958-06-07 00:00:00 42481
Además con col_names = ...
podemos renombrar ya las columnas en la importación (si proporcionamos nombres asume la 1ª línea ya como un dato)
# A tibble: 7 × 6
name profession age kids birth death
<chr> <chr> <chr> <chr> <dttm> <chr>
1 David Bowie musician 69 TRUE 1947-01-08 00:00:00 42379
2 Carrie Fisher actor 60 TRUE 1956-10-21 00:00:00 42731
3 Chuck Berry musician 90 TRUE 1926-10-18 00:00:00 42812
4 Bill Paxton actor 61 TRUE 1955-05-17 00:00:00 42791
5 Prince musician 57 TRUE 1958-06-07 00:00:00 42481
6 Alan Rickman actor 69 FALSE 1946-02-21 00:00:00 42383
7 Florence Henderson actor 82 TRUE 1934-02-14 00:00:00 42698
En ocasiones las fechas de Excel están mal formateadas (sorpresa): podemos hacer uso de convertToDate()
del paquete {openxlsx}
para convertirlo
# A tibble: 7 × 6
name profession age kids birth death
<chr> <chr> <chr> <chr> <dttm> <date>
1 David Bowie musician 69 TRUE 1947-01-08 00:00:00 2016-01-10
2 Carrie Fisher actor 60 TRUE 1956-10-21 00:00:00 2016-12-27
3 Chuck Berry musician 90 TRUE 1926-10-18 00:00:00 2017-03-18
4 Bill Paxton actor 61 TRUE 1955-05-17 00:00:00 2017-02-25
5 Prince musician 57 TRUE 1958-06-07 00:00:00 2016-04-21
6 Alan Rickman actor 69 FALSE 1946-02-21 00:00:00 2016-01-14
7 Florence Henderson actor 82 TRUE 1934-02-14 00:00:00 2016-11-24
También podemos cargar un Excel con varias hojas: para indicarle la hoja (bien por su nombre bien por su número) usaremos el argumento sheet = ...
# A tibble: 5 × 11
mpg cyl disp hp drat wt qsec vs am gear carb
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 21 6 160 110 3.9 2.62 16.5 0 1 4 4
2 21 6 160 110 3.9 2.88 17.0 0 1 4 4
3 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1
4 21.4 6 258 110 3.08 3.22 19.4 1 0 3 1
5 18.7 8 360 175 3.15 3.44 17.0 0 0 3 2
El paquete {haven}
dentro de la órbita tidyverse nos permitirá importar archivos de los 3 software de pago más importantes: SAS, SPSS y Stata
De la misma manera que podemos importar también podemos exportar
.RData
(opción recomendada para variables guardadas en R
). Recuerda que esta extensión solo se podrá usar en R
. Para ello nos basta con usar save(objeto, file = ruta)
De la misma manera que podemos importar también podemos exportar
.RDS
(opción recomendada para variables guardadas en R
). Recuerda que esta extensión solo se podrá usar en R
. Para ello nos basta con usar saveRDS(objeto, file = ruta)
De la misma manera que podemos importar también podemos exportar
.csv
. Para ello nos basta con usar write_csv(objeto, file = ruta)
De la misma manera que podemos importar también podemos exportar
.xlsx
. Para ello nos basta con usar write.xlsx(objeto, file = ruta)
del paquete {openxlsx}
Una de las principales ventajas de R
es que podemos hacer uso de todas las funciones anteriores de importar pero directamente desde una web, sin necesidad de realizar la descarga manual: en lugar de pasarle la ruta local le indicaremos el enlace. Por ejemplo, vamos a descargar los datos de covid del ISCIII (https://cnecovid.isciii.es/covid19/#documentaci%C3%B3n-y-datos)
# A tibble: 700 × 8
provincia_iso sexo grupo_edad fecha num_casos num_hosp num_uci num_def
<chr> <chr> <chr> <date> <dbl> <dbl> <dbl> <dbl>
1 A H 0-9 2020-01-01 0 0 0 0
2 A H 10-19 2020-01-01 0 0 0 0
3 A H 20-29 2020-01-01 0 0 0 0
4 A H 30-39 2020-01-01 0 0 0 0
5 A H 40-49 2020-01-01 0 0 0 0
6 A H 50-59 2020-01-01 0 0 0 0
7 A H 60-69 2020-01-01 0 0 0 0
8 A H 70-79 2020-01-01 0 0 0 0
9 A H 80+ 2020-01-01 0 0 0 0
10 A H NC 2020-01-01 0 0 0 0
# ℹ 690 more rows
Otra opción disponible (sobre todo si trabajamos con otras personas que trabajan) es importar desde una hoja de cálculo Google Drive, haciendo uso de read_sheet()
del paquete {googlesheets4}
La primera vez te pedirá un permiso de tidyverse para interactuar con vuestro drive
Una opción también muy interesante es la carga de datos desde una API: un intermediario entre una app o proveedor datos y nuestro R
. Por ejemplo, vamos a cargar la librería {owidR}
, que nos permite la descarga de datos de la web https://ourworldindata.org/. La función owid_covid()
nos carga sin darnos cuenta más de 300 000 registros con más de 50 variables de 238 países
Este paquete tiene la función owid_search()
para buscar datasets por palabras clave, por ejemplo, emissions
, dándonos un dataset con el título de la base de datos y su id para luego usarla.
En muchas ocasiones para conectar con la API tendremos antes que registrarnos y obtener una clave, es el caso del paquete {climaemet}
para acceder a datos meteorológicos (https://opendata.aemet.es/centrodedescargas/inicio)
Una vez que tenemos la clave de la API la registramos en nuestro RStudio para poder usarla a futuro
library(climaemet)
# Definir la clave
apikey <- "eyJhbGciOiJIUzI1NiJ9.eyJzdWIiOiJqYXZhbHYwOUB1Y20uZXMiLCJqdGkiOiI4YTU1ODUxMS01MTE3LTQ4MTYtYmM4OS1hYmVkNDhiODBkYzkiLCJpc3MiOiJBRU1FVCIsImlhdCI6MTY2NjQ2OTcxNSwidXNlcklkIjoiOGE1NTg1MTEtNTExNy00ODE2LWJjODktYWJlZDQ4YjgwZGM5Iiwicm9sZSI6IiJ9.HEMR77lZy2ASjmOxJa8ppx2J8Za1IViurMX3p1reVBU"
aemet_api_key(apikey, install = TRUE, overwrite = TRUE)
Con dicho paquete podemos hacer una búsqueda de estaciones para conocer tanto su código postal como su código identificador dentro de la red AEMET
# A tibble: 291 × 7
indicativo indsinop nombre provincia altitud longitud latitud
<chr> <chr> <chr> <chr> <dbl> <dbl> <dbl>
1 0252D "08186" ARENYS DE MAR BARCELONA 74 2.54 41.6
2 0076 "08181" BARCELONA AEROPUERTO BARCELONA 4 2.07 41.3
3 0200E "" BARCELONA, FABRA BARCELONA 408 2.12 41.4
4 0201D "08180" BARCELONA BARCELONA 6 2.2 41.4
5 0149X "08174" MANRESA BARCELONA 291 1.84 41.7
6 0229I "08192" SABADELL AEROPUERTO BARCELONA 146 2.10 41.5
7 0255B "08188" SANTA SUSANNA BARCELONA 40 2.70 41.7
8 0367 "08184" GIRONA AEROPUERTO GIRONA 143 2.76 41.9
9 0370B "" GIRONA, ANTIC INSTITUT GIRONA 95 2.83 42.0
10 0372C "08120" PORQUERES GIRONA 157 2.76 42.1
# ℹ 281 more rows
Por ejemplo, la estación del aeropuerto de El Prat, Barcelona, es el código "0076"
# A tibble: 23 × 23
idema lon fint prec alt vmax vv dv lat dmax
<chr> <dbl> <dttm> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 0076 2.07 2023-11-27 15:00:00 0 4 8.2 5.2 250 41.3 260
2 0076 2.07 2023-11-27 16:00:00 0 4 8.8 5.7 250 41.3 250
3 0076 2.07 2023-11-27 17:00:00 0 4 7.7 5.5 250 41.3 260
4 0076 2.07 2023-11-27 18:00:00 0 4 6.2 1.8 310 41.3 260
5 0076 2.07 2023-11-27 19:00:00 0 4 5.7 2.9 20 41.3 20
6 0076 2.07 2023-11-27 20:00:00 0 4 6.2 3.1 360 41.3 360
7 0076 2.07 2023-11-27 21:00:00 0 4 5.1 1.5 260 41.3 340
8 0076 2.07 2023-11-27 22:00:00 0 4 5.7 3.8 280 41.3 280
9 0076 2.07 2023-11-27 23:00:00 0 4 9.8 5.3 310 41.3 300
10 0076 2.07 2023-11-28 00:00:00 0 4 7.2 1 360 41.3 300
# ℹ 13 more rows
# ℹ 13 more variables: ubi <chr>, pres <dbl>, hr <dbl>, stdvv <dbl>, ts <dbl>,
# pres_nmar <dbl>, tamin <dbl>, ta <dbl>, tamax <dbl>, tpr <dbl>, vis <dbl>,
# stddv <dbl>, inso <dbl>
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 El dataset who
que hemos usado en ejercicios anteriores, expórtalo a un formato nativo de R
en la carpeta datos
del proyecto
📝 Carga el dataset who
pero desde la carpeta de datos (importa el archivo creado en el ejercicio anterior)
📝 Repite lo mismo (exportar e importar) en 4 formatos: .csv
, .xlsx
, .sav
(spss) y .dta
(stata)
# csv
library(readr)
write_csv(who, file = "./datos/who.csv")
who_data <- read_csv(file = "./datos/who.csv")
# excel
library(openxlsx)
write.xlsx(who, file = "./datos/who.xlsx")
who_data <- read_xlsx(path = "./datos/who.xlsx")
# sas y stata
library(haven)
write_sav(who, path = "./datos/who.sav")
who_data <- read_spss(path = "./datos/who.sav")
write_dta(who, path = "./datos/who.dta")
who_data <- read_dta(path = "./datos/who.dta")
Comunicar resultados: rmd y Quarto
Una de las principales fortalezas de R
es la facilidad para generar informes, libros, webs, apuntes y hasta diapositivas (este mismo material por ejemplo). Para ello instalaremos antes
{rmarkdown}
(para generar archivos .rmd
).rmd
ahora como .qmd
)Hasta ahora solo hemos programado en scripts (archivos .R
) dentro de proyectos, pero en muchas ocasiones no trabajaremos solos y necesitaremos comunicar los resultados en diferentes formatos:
Para todo ello usaremos Quarto (nuevo rmarkdown)
Los archivos de extensión .qmd
(o .rmd
) nos permitirán fácilmente combinar:
R
), con cajitas de código llamadas chunks.La principal ventaja de realizar este tipo de material en Quarto/Rmarkdown es que, al hacerlo desde RStudio
, puedes generar un informe o una presentación sin salirte del entorno de programación en el que estás trabajando
De esta forma podrás analizar los datos, resumirlos y a la vez comunicarlos con la misma herramienta.
Recientemente el equipo de RStudio
desarrolló Quarto, una versión mejorada de Rmarkdown (archivos .qmd
), con un formato un poco más estético y simple. Tienes toda la documentación y ejemplos en https://quarto.org/
Vamos a crear el primer fichero rmarkdown con Quarto con extensión .qmd
. Para ello solo necesitaremos hacer click en
File << New File << Quarto Document
Tras hacerlo nos aparecerán varias opciones de formatos de salida:
.pdf
.html
(recomendable): documento dinámico, permite la interacción con el usuario, como una «página web»..doc
(nada recomendable)De momento dejaremos marcado el formato HTML que viene por defecto, y escribiremos el título de nuestro documento. Tras ello tendremos nuestro archivo .qmd (ya no es un script .R como los que hemos abierto hasta ahora).
Deberías tener algo similar a la captura de la imagen con dos modos de edición: Source
(con código, la opción recomendada hasta que lo domines) y Visual
(más parecido a un blog)
Para ejecutar TODO el documento debes clickar Render on Save
y darle a guardar.
Deberías haber obtenido una salida en html similar a esta (y se te ha generado en tu ordenador un archivo html)
Un fichero .qmd
se divide básicamente en tres partes:
Cabecera: la parte que tienes al inicio entre ---
.
Texto: que podremos formatear y mejorar con negritas (escrito como negritas, con doble astérisco al inicio y final), cursivas (cursivas, con barra baja al inicio y final) o destacar nombres de funciones o variables de R. Puedes añadir ecuaciones como \(x^2\) (he escrito $x^2$
, entre dólares).
Código R
La cabecera están en formato YAML y contiene los metadatos del documento:
title
y subtitle
: el título/subtítulo del documentoauthor
: autor del mismodate
: fechaformat
: formato de salida (podremos personalizar)
theme
: si tienes algún archivo de estilostoc
: si quieres índice o notoc-location
: posición del índicetoc-title
: título del índicetoc-depth
: profundidad del índiceeditor
: si estás en modo visual o source.Respecto a la escritura solo hay una cosa importante: salvo que indiquemos lo contrario, TODO lo que vamos a escribir es texto (normal). No código R.
Vamos a empezar escribiendo una sección al inicio (# Intro
y detrás por ej. la frase
Este material ha sido diseñado por el profesor Javier Álvarez Liébana, docente en la Universidad Complutense de Madrid
Además al Running Code
le añadiremos una almohadilla #
: las almohadillas FUERA DE CHUNKS nos servirán para crear epígrafes (secciones) en el documento
Para que el índice capture dichas secciones modificaremos la cabecera del archivo como se observa en la imagen (puedes cambiar la localización del índice y el título si quieres para probar).
Vamos a personalizar un poco el texto haciendo lo siguiente:
Vamos a añadir negrita al nombre (poniendo ** al inicio y al final).
Vamos añadir cursiva a la palabra material (poniendo _ al inicio y al final).
Vamos añadir un enlace https://www.ucm.es, asociándolo al nombre de la Universidad. Para ello el título lo ponemos entre corchetes y justo detrás el enlace entre paréntesis [«Universidad Complutense de Madrid»](https://www.ucm.es)
Para añadir código R debemos crear nuestras cajas de código llamadas chunks: altos en el camino en nuestro texto markdown donde podremos incluir código de casi cualquier lenguaje (y sus salidas).
Para incluir uno deberá de ir encabezado de la siguiente forma tienes un atajo Command + Option + I
(Mac) o Ctrl + Shift + I
(Windows)
Dentro de dicha cajita (que tiene ahora otro color en el documento) escribiremos código R como lo veníamos haciendo hasta ahora en los scripts.
Los chunks pueden tener un nombre o etiqueta, de forma que podamos referenciarlos de nuevo para no repetir código.
En cada chunk aparecen dos botones:
botón de play: activa la ejecución y salida de ese chunk particular (lo puedes visualizar dentro de tu propio RStudio
)
botón de rebobinar: activa la ejecución y salida de todos los chunk hasta ese (sin llegar a él)
Además podemos incluir código R dentro de la línea de texto (en lugar de mostrar el texto x ejecuta el código R mostrando la variable).
Los chunks podemos personalizarlos con opciones al inicio del chunk precedido de #|
:
#| echo: false
: ejecuta código y se muestra resultado pero no visualiza código en la salida.
#| include: false
: ejecuta código pero no muestra resultado y no visualiza código en la salida.
#| eval: false
: no ejecuta código, no muestra resultado pero sí visualiza código en la salida.
#| message: false
: ejecuta código pero no muestra mensajes de salida.
#| warning: false
: ejecuta código pero no muestra mensajes de warning.
#| error: true
: ejecuta código y permite que haya errores mostrando el mensaje de error en la salida.
Estas opciones podemos aplicarlas chunk a chunk o fijar los parámetros de forma global con knitr::opts_chunk$set()
al inicio del documento (dentro de un chunk).
Además de texto y código podemos introducir lo siguiente:
Ecuaciones: puedes añadir además ecuaciones como \(x^2\) (he escrito $x^2$
, la ecuación entre dólares).
Listas: puedes itemizar elementos poniendo *
* Paso 1: ...
* Paso 2: ...
{#nombre-seccion}
) y llamarlas luego con [Sección](@nombre-seccion)
Por último, también podemos añadir pies de gráficas o imágenes añadiendo #| fig-cap: "..."
Fíjate que el caption está en el margen (por ejemplo). Puedes cambiarlo introduciendo ajustes en la cabecera (todo lo relativo a figuras empieza por fig-
, y puedes ver las opciones tabulando). Tienes más información en https://quarto.org/
Por último puedes añadir un tema personalizado incluyendo un archivo de estilos (archivo en formato .scss
o .css
). Te he dejado uno en https://github.com/dadosdelaplace/R-ayuntamiento/tree/main/material.
En la carpeta de datos tienes el dataset breast-cancer-wisconsin-data.csv
. Crea un archivo .qmd
y personalízalo incluyendo lo siguiente:
tibble
. ¿Es tidydata? ¿Cuántos pacientes y variables tenemos?id
identificador, diagnosis
el diagnóstico maligno/benigno y el resto propiedades del tumor). Usando SOLO LO APRENDIDO, convierte a tidydata. ¿Qué % tenían un tumor maligno y qué % uno benigno?Uso de funciones. Visualización de datos
¿Qué es una función? ¿Cómo se definen?
No solo podemos usar funciones predeterminadas que vienen ya cargadas en paquetes, además podemos crear nuestras propias funciones para automatizar tareas.
¿Cómo crear nuestra propia función? Veamos su esquema básico:
name_fun
(sin espacios ni caracteres extraños). Al nombre le asignamos la palabra reservada function()
.function()
).No solo podemos usar funciones predeterminadas que vienen ya cargadas en paquetes, además podemos crear nuestras propias funciones para automatizar tareas.
¿Cómo crear nuestra propia función? Veamos su esquema básico:
{ }
.arg1, arg2, ...
: serán los argumentos de entrada, los argumentos que toma la función para ejecutar el código que tiene dentro
código
: líneas de código que queramos que ejecute la función.
return(var_salida)
: se introducirán los argumentos de salida.
Veamos un ejemplo muy simple de función para calcular el área de un rectángulo.
Dado que el área de un rectángulo se calcula como el producto de sus lados, necesitaremos precisamente eso, sus lados: esos serán los argumentos de entrada y el valor a devolver será justo su área (\(lado_1 * lado_2\)).
También podemos hacer una definición directa, sin almacenar variables por el camino.
¿Cómo aplicar la función?
Imagina ahora que nos damos cuenta que el 90% de las veces usamos dicha función para calcular por defecto el área de un cuadrado (es decir, solo necesitamos un lado). Para ello, podemos definir argumentos por defecto en la función: tomarán dicho valor salvo que le asignemos otro.
¿Por qué no asignar lado_2 = lado_1
por defecto, para ahorrar líneas de código y tiempo?
Ahora por defecto el segundo lado será igual al primero (si se lo añadimos usará ambos).
Compliquemos un poco la función y añadamos en la salida los valores de cada lado, etiquetados como lado_1
y lado_2
, empaquetando la salida en una lista.
Veamos un pequeño resumen de los datos que ya conocemos:
vectores: colección de elementos de igual tipo. Pueden ser números, caracteres o valores lógicos, entre otros.
matrices: colección BIDIMENSIONAL de elementos de igual tipo e igual longitud.
data.frame / tibble: colección BIDIMENSIONAL de elementos de igual longitud pero de cualquier tipo.
Las listas serán colecciones de variables de diferente tipo y diferente longitud, con estructuras totalmente heterógeneas (incluso una lista puede tener dentro a su vez otra lista).
Vamos a crear nuestra primera lista con list()
con tres elementos: el nombre de nuestros padres/madres, nuestro lugar de nacimiento y edades de nuestros hermanos.
variable_1 <- c("Paloma", "Gregorio")
variable_2 <- "Madrid"
variable_3 <- c(25, 30, 26)
lista <- list("progenitores" = variable_1, "lugar_nacimiento" = variable_2,
"edades_hermanos" = variable_3)
lista
$progenitores
[1] "Paloma" "Gregorio"
$lugar_nacimiento
[1] "Madrid"
$edades_hermanos
[1] 25 30 26
Si observas el objeto que hemos definido como lista, su longitud del es de 3 ya que tenemos guardados tres elementos: un vector de caracteres (de longitud 2), un caracter (vector de longitud 1), y un vector de números (de longitud 3)
Si los juntásemos con un tibble()
, al tener distinta longitud, obtendríamos un error.
[[i]]
accedemos al elemento i-ésimo de la lista.$nombre_elemento
accedemos por su nombre.Antes nos daba igual el orden de los argumentos pero ahora el orden de los argumentos de entrada importa, ya que en la salida incluimos lado_1
y lado_2
.
Parece una tontería lo que hemos hecho pero hemos cruzado una frontera importante: hemos pasado de consumir conocimiento (código de otros paquetes, elaborado por otros/as), a generar conocimiento, creando nuestras propias funciones.
Un aspecto importante sobre el que reflexionar con las funciones: ¿qué sucede si nombramos a una variable dentro de una función a la que se nos ha olvidado asignar un valor dentro de la misma?
Debemos ser cautos al usar funciones en R
, ya que debido a la «regla lexicográfica», si una variable no se define dentro de la función, R
buscará dicha variable en el entorno de variables.
Si una variable ya está definida fuera de la función (entorno global), y además es usada dentro de cambiando su valor, el valor solo cambia dentro pero no en el entorno global.
Si queremos que además de cambiar localmente lo haga globalmente deberemos usar la doble asignación (<<-
).
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Modifica el código inferior para definir una función llamada funcion_suma
, de forma que dados dos elementos, devuelve su suma.
📝 Modifica el código inferior para definir una función llamada funcion_producto
, de forma que dados dos elementos, devuelve su producto, pero que por defecto calcule el cuadrado
📝 Define una función llamada igualdad_nombres
que, dados dos nombres, nos diga si son iguales o no. Hazlo considerando importantes las mayúsculas, y sin que importen las mayúsculas. Echa un vistazo al paquete {stringr}
.
# Distinguiendo mayúsculas
igualdad_nombres <- function(persona_1, persona_2) {
return(persona_1 == persona_2)
}
igualdad_nombres("Javi", "javi")
igualdad_nombres("Javi", "Lucía")
# Sin importar mayúsculas
igualdad_nombres <- function(persona_1, persona_2) {
return(toupper(persona_1) == toupper(persona_2))
}
igualdad_nombres("Javi", "javi")
igualdad_nombres("Javi", "Lucía")
📝 Crea una función llamada calculo_IMC
que, dados dos argumentos (peso y estatura en metros) y un nombre, devuelva una lista con el IMC y el nombre.
📝 Repite el ejercicio anterior pero con otro argumento opcional que se llame unidades (por defecto, unidades = "metros"
). Desarrolla la función de forma que haga lo correcto si unidades = "metros"
y si unidades = "centímetros"
.
📝 Crea un tibble ficticio de 7 personas, con tres variables (inventa nombre, y simula peso, estatura en centímetros), y aplica la función definida de forma que obtengamos una cuarta columna con su IMC.
Define una función llamada conversor_temperatura
que, dada una temperatura en Fahrenheit, Celsius o Kelvin, la convierta a cualquiera de las otras (piensa que argumentos necesita el usuario). Aplica la función a la columna Temp
del conjunto airquality
, e incorpórala al fichero en una nueva columna Temp_Celsius
.
Acude a https://cnecovid.isciii.es/covid19/#documentaci%C3%B3n-y-datos e importa casos_hosp_uci_def_sexo_edad_provres.csv
. Documentación en https://cnecovid.isciii.es/covid19/resources/metadata_casos_hosp_uci_def_sexo_edad_provres.pdf
casos_diarios
y fallec_diarios
, respectivamente. Tras ello crea dos nuevas variables llamadas casos_acum
y otra fallec_acum
, que contengan los casos acumulados y fallecidos acumulados para cada fecha, desagregados por provincia, tramo etario y sexo.calculo_letalidad()
que, dados como argumentos un vector ordenado (por fecha) de casos y otro de fallecidos, devuelva el % de casos que han fallecido, de manera acumulada en cada fecha. Haz uso de dicha función y crea una nueva variable que represente la letalidad, en cada grupo de edad, sexo y provincia.Tras ello, determina las 5 provincias con mayor letalidad en mujeres mayores de 80 años a fecha 01 de marzo de 2022.
Cruzxando tablas
Al trabajar con datos no siempre tendremos la información en una sola tabla y a veces nos interesará cruzar la información de distintas fuentes.
Para ello usaremos un clásico de todo lenguaje que maneja datos: los famosos join, una herramienta que nos va a permitir cruzar una o variables tablas, haciendo uso de una columna identificadora de cada una de ellas (por ejemplo, imagina que cruzamos datos de hacienda y de antecedentes penales, haciendo join por la columna DNI
).
inner_join()
: solo sobreviven los registros con id en ambas tablas.
full_join()
: mantiene todos los registros de ambas tablas.
left_join()
: mantiene todos los registros de la primera tabla, y busca cuales tienen id también en la segunda (en caso de no tenerlo se rellena con NA los campos de la 2ª tabla).
right_join()
: mantiene todos los registros de la segunda tabla, y busca cuales tienen id también en la primera.
Vamos a probar los distintos joins con un ejemplo sencillo
Imagina que queremos incorporar a tb_1
la información de la tabla_2, identificando los registros por la columna key (indicando con by = "key"
la columna por la que tiene que cruzar): queremos mantener todos los registros de la primera tabla y buscar cuales tienen id (mismo valor en key
) también en la segunda tabla.
# A tibble: 3 × 3
key val_x val_y
<dbl> <chr> <chr>
1 1 x1 y1
2 2 x2 y2
3 3 x3 <NA>
Fíjate que los registros de la primera cuya key no ha encontrado en la segunda les ha dado el valor de ausente.
El right_join()
realizará la operación contraria: vamos ahora a incorporar a tb_2
la información de la tabla_2, identificando los registros por la columna key (indicando con by = "key"
la columna por la que tiene que cruzar): queremos mantener todos los registros de la segunda y buscar cuales tienen id (mismo valor en key
) también en la primera tabla.
# A tibble: 3 × 3
key val_x val_y
<dbl> <chr> <chr>
1 1 x1 y1
2 2 x2 y2
3 4 <NA> y3
Fíjate que ahora los registros de la segunda cuya key no ha encontrado en la primera son los que les ha dado el valor de ausente.
Las columnas clave que usaremos para el cruce no siempre se llamarán igual.
by = c("key_2" = "key_2")
: le indicaremos en qué columna de cada tabla están las claves por las que vamos a cruzar.Además podemos cruzar por varias columnas a la vez (interpretará como igual registro aquel que tenga el conjunto de claves igual), con by = c("var1_t1" = "var1_t2", "var2_t1" = "var2_t2", ...)
. Modifiquemos el ejemplo anterior
También podría suceder que al cruzar dos tablas, haya columnas de valores que se llamen igual
Dicho sufijo podemos especificárselo en el argumento opcional suffix = ...
, que nos permita distinguir las variables de una tabla y de otra.
Los dos anteriores casos forman lo que se conoce como outer joins: cruces donde se mantienen observaciones que salgan en al menos una tabla. El tercer outer join es el conocido como full_join()
que nos mantendrá las observaciones de ambas tablas, añadiendo las filas que no casen con la otra tabla.
Frente a los outer join está lo que se conoce como inner join, con inner_join()
: un cruce en el que solo se mantienen las observaciones que salgan en ambas tablas, solo mantiene aquellos registros matcheados.
Fíjate que en términos de registros, inner_join
si es conmutativa, nos da igual el orden de las tablas: lo único que cambia es el orden de las columnas que añade.
Por último tenemos dos herramientas interesantes para filtrar (no cruzar) registros: semi_join()
y anti_join()
. El semi join nos deja en la primera tabla los registros que cuya clave está también en la segunda (como un inner join pero sin añadir la info de la segunda tabla). Y el segundo, los anti join, hace justo lo contrario (aquellos que no están).
Intenta realizar los siguientes ejercicios sin mirar las soluciones
Para los ejercicios usaremos las tablas disponibles en el paquete {nycflights13}
(echa un vistazo antes)
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Del paquete {nycflights13}
cruza la tabla flights
con airlines
. Queremos mantener todos los registros de vuelos, añadiendo la información de las aerolíneas a la tabla de aviones.
📝 A la tabla obtenida del cruce del apartado anterior, cruza después con los datos de los aviones en planes
, pero incluyendo solo aquellos vuelos de los que tengamos información de sus aviones (y viceversa).
📝 Repite el ejercicio anterior pero conservando ambas variables year
(en una es el año del vuelo, en la otra es el año de construcción del avión), y distinguiéndolas entre sí
📝 Al cruce obtenido del ejercicio anterior incluye la longitud y latitud de los aeropuertos en airports
, distinguiendo entre la latitud/longitud del aeropuerto en destino y en origen.
📝 Filtra de airports
solo aquellos aeropuertos de los que salgan vuelos. Repite el proceso filtrado solo aquellos a los que lleguen vuelos
Visualización de datos
La aparición de gráficos estadísticos es relativamente reciente en la ciencia ya que hasta la Edad Media la única visualización estaba en los mapas. 1 Las propias palabras chart y cartography derivan del mismo origen latino, charta, aunque el primer uso de coordenadas viene de los egipcios. 2 3
No es hasta la Edad Media, cuando la navegación y la astronomía empezaban a tomar relevancia, cuando aparece la primera gráfica (no propiamente estadística), del movimiento cíclico de los planetas (siglos X y XI)
Con una motivación similar, en torno a 1360 el matemático Nicole Oresme diseñó el primer gráfico de barras (pero no estadístico), con la idea de visualizar a la vez dos magnitudes físicas teóricas. 1
La mayoría de expertos, como Tufte 1 2, consideran este gráfico casi longitudinal como la primera visualización de datos de la historia, hecha por Van Langren en 1644, representando la distancia entre Toledo y Roma.
¿Es una gráfica estadística? ¿Por qué sí o por qué no?
No hay ninguna INFORMACIÓN representada
¿Es una gráfica estadística? ¿Por qué sí o por qué no?
No hay ningún PROCESO DE MEDIDA representado, no cuantifica nada (real).
¿Es una gráfica estadística? ¿Por qué sí o por qué no?
No hay ningún DATO representado en él, es una magnitud física teórica, no un dato (medido empíricamente o simulado).
Esas mismas preguntas se hizo Joaquín Sevilla 1, proporcionando 3 requisitos:
Hay muchas formas de hacer una gráfica estadística, y no suele pasar por un gráfico de tartas ya que tienen un grave problema de reversibilidad:
Si hay muchas variables: salvo que tengas transportador de ángulos…
Si hay pocas variables: ¿aporta algo distinto (y/o mejor) que una tabla?
El principal problema de un diagrama de sectores es que la posible información está contenida en los ángulos, pero nuestra interpretación la realizamos a través de la comparación de áreas (nuestros ojos no miden bien ángulos), las cuales dependen no solo del ángulo sino del radio.
Algo similar sucede con los mal llamados gráficos tridimensionales (son bidimensionales con perspectiva en realidad): los valores más cercanos aparecen sobredimensionados, siendo prácticamente imposible la reversibilidad por la distorsión.
La figura elegida (persona caminando) sin relación con lo visualizado: mala metáfora.
Los sectores señalados sin relación con el ítem a representar, lo que dificulta su interpretación.
Los colores sin codificar: no dan información de ningún tipo.
Las formas irregulares impiden la comparación de las áreas (amén de que la suma total supera el 100%).
Sin fuente
Una buena idea puede estar mal ejecutada: la forma de llevarla a cabo es importante
En el siglo XVII hubo un boom de la estadística al empezar a aplicarse en demografía. Uno de los autores más importantes fue J. Graunt, autor de «Natural and Political Observations Made upon the Bills of Mortality» (1662), estimando la población de Londres con las primeras tablas de natalidad y mortalidad.
Son precisamente las tablas de Graunt las que usó Christiaan Huygens para generar la primera gráfica de densidad de una distribución continua (esperanza de vida vs edad).
La figura que cambió el dataviz fue, sin lugar a dudas, el economista y político William Playfair (1759-1823), publicando en 1786 el «Atlas político y comercial» 1 2 con 44 gráficas (43 series temporales y el diagrama de barras más famoso de la historia).
Playfair no solo fue el primero en usar el dataviz para entender (y no solo describir): fue el primero en usar conceptos modernos como grid, tema o color
Playfair es además el autor del gráfico de barras más famoso (no fue el primero pero sí quien lo hizo mainstream).
Playfair además fue el primero en combinar gráficos en la misma visualización 1 2
Otro pionero en combinar visualizaciones fue Minard, autor del famoso «Carte figurative des pertes successives en hommes de l’Armée Française dans la campagne de Russie 1812-1813», según Tufte «el mejor gráfico estadístico jamás dibujado», publicado en 1869 sobre la desastrosa campaña rusa de Napoleón en 1812 (3 variables en un gráfico bidimensional)
Según J. Sevilla, se considera al astrónomo británico John Frederick William Herschel el autor del primer diagrama de dispersión o scatterplot en 1833, visualizando el movimiento de la estrella doble Virginis (tiempo en el eje horizontal, posición angular en el eje vertical)
La primera pirámide de población (doble histograma de población), fue publicada por Francis Amasa Walker, superintendente del censo de EE.UU., en 1874.
El 21 de octubre de 1854 Florence Nigthingale fue enviada para mejorar las condiciones sanitarias de los soldados británicos en la guerra de Crimea.
A su regreso demostró que los soldados fallecían por las condiciones sanitarias. Nigthingale es la creadora del famoso diagrama de rosa, visualizando tres variables a la vez y su estacionalidad.
El 8 de febrero de 1955, The Times la describió como la «ángel guardián» de los hospitales, y acabó siendo conocida como «The Lady with the Lamp» tras un poema de H. W. Longfellow (1857).
Años después se convirtió en la primera mujer en la Royal Statistical Society.
Florence Nigthingale es la creadora del famoso diagrama de rosa, permitiendo pintar tres variables a la vez y su estacionalidad: tiempo (cada gajo es un mes), nº de muertes (área del gajo) y causa de la muerte (color del gajo: azules enfermedades infecciosas, rojas por heridas, negras otras causas).
📚 «The Functional Art: an introduction to information graphics and visualization» de Alberto Cairo
📚 «Gramática de las gráficas: pistas para mejorar las representaciones de datos» de Joaquín Sevilla
📚 «A Brief History of Visualization» de Friendly et al. (2008)
📚 «The Grammar of Graphics» de Leland Wilkinson
📚 «The Minard System: The Graphical Works of Charles-Joseph Minard» de Sandra Rendgen
📚 «The Visual Display of Quantitative Information» de E. W. Tufte
El paquete {ggplot2}
se basa en la idea de Wilkinson en «Grammar of graphics»: dotar a los gráficos de una gramática propia. Una de las principales fortalezas de R
es la visualización con {ggplot2}
.
La visualización de datos debería ser una parte fundamental de todo análisis de datos. No es solo una cuestión estética.
La filosofía detrás de {ggplot2}
es entender los gráficos como parte del flujo de trabajo, dotándoles de una gramática. El objetivo es empezar con un lienzo en blanco e ir añadiendo capas a tu gráfico. La ventaja de {ggplot2}
es poder mapear atributos estéticos (color, forma, tamaño) de objetos geométricos (puntos, barras, líneas) en función de los datos.
La documentación del paquete puedes consultarla en https://ggplot2-book.org/introduction.html
Un gráfico se podrá componer de capas
Veamos un primer intento para entender la filosofía ggplot. Imagina que queremos dibujar un scatter plot (diagrama de dispersión de puntos). Para ello vamos a usar el conjunto de datos gapminder
, del paquete homónimo: un fichero con datos de esperanzas de vida, poblaciones y renta per cápita de distintos países en distintos momentos temporales.
# A tibble: 1,704 × 6
country continent year lifeExp pop gdpPercap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1952 28.8 8425333 779.
2 Afghanistan Asia 1957 30.3 9240934 821.
3 Afghanistan Asia 1962 32.0 10267083 853.
4 Afghanistan Asia 1967 34.0 11537966 836.
5 Afghanistan Asia 1972 36.1 13079460 740.
6 Afghanistan Asia 1977 38.4 14880372 786.
7 Afghanistan Asia 1982 39.9 12881816 978.
8 Afghanistan Asia 1987 40.8 13867957 852.
9 Afghanistan Asia 1992 41.7 16317921 649.
10 Afghanistan Asia 1997 41.8 22227415 635.
# ℹ 1,694 more rows
El fichero consta de 1704 registros y 6 variables: country
, continent
, year
, lifeExp
(esperanza de vida), pop
(población) y gdpPercap
(renta per cápita).
Rows: 1,704
Columns: 6
$ country <fct> "Afghanistan", "Afghanistan", "Afghanistan", "Afghanistan", …
$ continent <fct> Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, …
$ year <int> 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, …
$ lifeExp <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.8…
$ pop <int> 8425333, 9240934, 10267083, 11537966, 13079460, 14880372, 12…
$ gdpPercap <dbl> 779.4453, 820.8530, 853.1007, 836.1971, 739.9811, 786.1134, …
Para empezar con algo sencillo filtraremos solo los datos de 1997
¿Qué elementos necesitamos para realizar un diagrama de puntos? Para iniciar el lienzo necesitamos una base de datos y dos variables a representar.
Dentro de geom_point()
tenemos varios argumentos a usar:
na.rm = ...
: si queremos que nos quite ausentes.
color = ...
: color (si tiene dimensión, color del contorno)
fill = ...
: color del relleno.
Los colores también podemos asignárselos por su código hexadecimal, consultando en https://htmlcolorcodes.com/es/, eligiendo el color que queramos. El código hexadecimal siempre comenzará con #
Hasta ahora los atributos estéticos se los hemos pasado fijos y constantes. Pero la verdadera potencia y versatilidad de ggplot
es que podemos mapear los atributos estéticos en función de los datos en aes()
para que dependan de variables de los datos.
Podemos combinarlo con lo que hemos hecho anteriormente:
color en función del continente.
tamaño en función de la población.
transparencia la fijamos constante del 50%.
A este scatter plot particular se le conoce BUBBLE CHART
Reflexionemos sobre el gráfico anterior:
Usando los datos hemos conseguido dibujar en un gráfico bidimensional 4 variables: lifeExp
y gdpPercap
en los ejes , continent
como color y pop
como tamaño de la geometría, con muy pocas líneas de código.
Podemos personalizar de manera sencilla haciendo uso de la capa labs()
:
title, subtitle
: título/subtítulocaption
: pie de gráficax, y
: nombres de los ejessize, color, fill, ...
: nombre en la leyenda de las variables que codifiquen los distintos atributosggplot(gapminder_1997,
aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
labs(x = "Esperanza de vida", y = "Renta per cápita",
title = "Primer ggplot", subtitle = "Datos de gapminder",
caption = "J. Álvarez Liébana", color = "continente", size = "población")
Podemos eliminar variables de la leyenda con guides(atributo = "none")
Una de las capas más importantes es la capa de escalas: dentro de aes()
solo le indicamos que variable mapeamos pero no sus ajustes.
Vamos a configurar el eje x para tener marcas cada 10 unidades (scale_x_continuous()
)
La misma idea la podemos aplicar a otro atríbuto como los colores con scale_color_...()
y scale_fill_...()
: hemos indicado que mapeé dicho atributo por continente pero…¿qué colores usar?
Con scale_color_manual()
podemos indicar manualmente una paleta (puedes buscar en https://htmlcolorcodes.com/)
pal <- c("#A02B85", "#2DE86B", "#4FB2CA", "#E8DA2D", "#E84C2D")
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent)) +
geom_point(alpha = 0.7) +
scale_x_continuous(breaks = seq(35, 85, by = 10)) +
scale_color_manual(values = pal) +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente")
Otra opción es elegir alguna de las paletas de colores diseñadas en el paquete {ggthemes}
:
scale_color_economist()
: paleta de colores basada en los colores de The Economist.ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(breaks = seq(35, 85, by = 10)) +
ggthemes::scale_color_economist() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente")
Otra opción es elegir alguna de las paletas de colores diseñadas en el paquete {ggthemes}
:
scale_color_colorblind()
: paleta de colores basada en los colores de daltónicos/as.ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(breaks = seq(35, 85, by = 10)) +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente")
Incluso cargar paletas de colores diseñadas en base a películas o arte
{harrypotter}
(repositorio de Github aljrico/harrypotter
) usando scale_color_hp_d()
.devtools::install_github(repo = "aljrico/harrypotter")
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(breaks = seq(35, 85, by = 10)) +
harrypotter::scale_color_hp_d(option = "ravenclaw")+
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente")
Incluso cargar paletas de colores diseñadas en base a películas o arte
{MetBrewer}
(repositorio de Github BlakeRMills/MetBrewer
) usando scale_colour_manual(values = met.brewer(...))
.devtools::install_github(repo = "BlakeRMills/MetBrewer")
library(MetBrewer)
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(breaks = seq(35, 85, by = 10)) +
scale_color_manual(values = met.brewer("Monet")) +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente")
Incluso cargar paletas de colores diseñadas en base a películas o arte
{peRReo}
(repositorio de Github jbgb13/peRReo
) usando scale_colour_manual(values = latin_palette())
.devtools::install_github(repo = "jbgb13/peRReo")
library(peRReo)
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(breaks = seq(35, 85, by = 10)) +
scale_color_manual(values = latin_palette("rosalia")) +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente")
Lo mismo que hemos hecho para los ejes o colores podemos hacer para el resto de atríbutos estéticos
Por ejemplo, vamos a indicarle que mapeé el tamaño en función de población pero indicándole el rango de valores (continuo en este caso) entre los que moverse con scale_size_continuous()
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(breaks = seq(35, 85, by = 10)) +
ggthemes::scale_color_colorblind() +
scale_size_continuous(range = c(3, 15)) +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente")
::: ::::
Por último en este primer gráfico, vamos personalizar el tema con alguna de las capas theme_...()
Por ejemplo, vamos a usar theme_minimal()
para tener un tema “austero” y minimalista (aprenderemos a definir cada detalle de nuestro tema).
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(breaks = seq(35, 85, by = 10)) +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Vamos a hacer un pequeño resumen de lo que llevamos aprendido hasta ahora respecto a {ggplot2}
{ggplot2}
empieza con ggplot(datos)
.aes()
Vamos a profundizar un poco dentro de nuestro scatter plot en escalas
scale_x_continuous()
y scale_y_continuous()
, además de “saltos” podemos indicar límites con limits = ...
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(limits = c(50, 70), breaks = seq(50, 70, by = 5)) +
scale_y_continuous(limits = c(1000, 18000), breaks = seq(0, 18000, by = 1000)) +
ggthemes::scale_color_colorblind() +
guides(size = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
{scales}
podemos añadir prefijos/sufijos con labels = label_number(...)
library(scales)
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_x_continuous(limits = c(50, 70), breaks = seq(50, 70, by = 5),
labels = label_number(suffix = " años")) +
scale_y_continuous(limits = c(1000, 18000), breaks = seq(0, 18000, by = 1000),
labels = label_number(suffix = " $")) +
ggthemes::scale_color_colorblind() +
guides(size = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Vamos a profundizar un poco dentro de nuestro scatter plot en escalas
scale_x_...()
o scale_color_...()
, tenemos también scale_size_...()
y scale_alpha_...()
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(aes(alpha = pop)) +
scale_size(range = c(4, 12)) +
scale_alpha(range = c(0.1, 0.5)) +
ggthemes::scale_color_colorblind() +
guides(size = "none", alpha = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Vamos a profundizar un poco dentro de nuestro scatter plot en escalas
scale_x_sqrt()
o scale_x_log10()
podemos cambiar la escala de los ejes.ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.7) +
scale_y_log10() +
ggthemes::scale_color_colorblind() +
guides(size = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Una de las capas de escalas más importantes son las capas de color. Ya vimos como definir paletas manuales, ¿pero qué opciones hay para escalas continuas de colores?
Existen unas paletas de colores conocidas como ColorBrewer pudiendo definirse de manera secuencial, divergente o de manera cualitativa (ver info en https://colorbrewer2.org)
maxcolors category colorblind
BrBG 11 div TRUE
PiYG 11 div TRUE
PRGn 11 div TRUE
PuOr 11 div TRUE
RdBu 11 div TRUE
RdGy 11 div FALSE
RdYlBu 11 div TRUE
RdYlGn 11 div FALSE
Spectral 11 div FALSE
Accent 8 qual FALSE
Dark2 8 qual TRUE
Paired 12 qual TRUE
Pastel1 9 qual FALSE
Pastel2 8 qual FALSE
Set1 9 qual FALSE
Set2 8 qual TRUE
Set3 12 qual FALSE
Blues 9 seq TRUE
BuGn 9 seq TRUE
BuPu 9 seq TRUE
GnBu 9 seq TRUE
Greens 9 seq TRUE
Greys 9 seq TRUE
Oranges 9 seq TRUE
OrRd 9 seq TRUE
PuBu 9 seq TRUE
PuBuGn 9 seq TRUE
PuRd 9 seq TRUE
Purples 9 seq TRUE
RdPu 9 seq TRUE
Reds 9 seq TRUE
YlGn 9 seq TRUE
YlGnBu 9 seq TRUE
YlOrBr 9 seq TRUE
YlOrRd 9 seq TRUE
Con RColorBrewer::brewer.pal()
podemos obtener el vector de n colores para una paleta dada
[1] "#D7191C" "#FDAE61" "#FFFFBF" "#ABD9E9" "#2C7BB6"
Para incluirlo podemos usar scale_colour_brewer()
o bien scale_color_distiller()
si queremos crear una escala continua (interpolando entre los colores)
ggplot(gapminder_1997, aes(y = gdpPercap, x = pop, color = lifeExp)) +
geom_point(alpha = 0.7, size = 3) +
scale_x_log10() +
scale_color_distiller(palette = "RdYlBu") +
guides(size = "none") +
labs(x = "Población", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "esperanza de vida") +
theme_minimal()
Tambien podemos crear un gradiente de color manual son scale_..._gradient()
para dos colores, scale_..._gradient2()
para tres colores (bajo, medio y alto) y scale_..._gradientn()
para n colores
ggplot(gapminder_1997, aes(y = gdpPercap, x = pop, color = lifeExp)) +
geom_point(alpha = 0.8, size = 3) +
scale_x_log10() +
scale_color_gradient2(low = "#E92745", mid = "#F4ED5B", high = "#56B1F7", midpoint = 60) +
labs(x = "Población", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "esperanza de vida") +
theme_minimal()
Además de escalas tenemos una capa de coordenadas con coord_...
para indicar si queremos un sistema cartesiano (y sus límites), coordenadas polares (coord_polar()
), si queremos coordenadas iguales (coord_equal()
) o invertir su rol (coord_flip()
)
ggplot(gapminder_1997, aes(y = gdpPercap, x = pop, color = lifeExp)) +
geom_point(alpha = 0.8, size = 3) +
scale_x_log10() +
scale_color_gradient2(low = "#E92745", mid = "#F4ED5B", high = "#56B1F7", midpoint = 60) +
coord_flip() +
labs(x = "Población", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "esperanza de vida") +
theme_minimal()
Una capa importante es la capa de estadísticas
stat_smooth()
: visualiza un ajuste suavizado de los datos (reg. lineal, glm, loess, gam, etc).Con stat_smooth(method = "lm", se = FALSE)
una recta de regresión (sin intervalos).
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp)) +
geom_point(aes(color = continent, size = pop), alpha = 0.8) +
stat_smooth(method = "lm", se = FALSE, linewidth = 1.5) +
scale_y_log10() +
guides(size = "none") +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Una capa importante es la capa de estadísticas que nos permite combinar en nuestro gráfico algunas funcionalidades
Fíjate que si usas en la primera capa parámetros estéticos se acaban heredando a capas posteriores, en concreto al ajuste visualizado.
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, color = continent, size = pop)) +
geom_point(alpha = 0.8) +
stat_smooth(method = "lm", se = FALSE, linewidth = 1.5) +
scale_y_log10() +
guides(size = "none") +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Podemos añadirle textos simples con geom_text(label = ...)
, por ejemplo, para añadir la correlación del ajuste.
cor <- round(cor(gapminder_1997$gdpPercap, gapminder_1997$lifeExp), 3)
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp)) +
geom_point(aes(color = continent, size = pop), alpha = 0.8) +
stat_smooth(method = "lm", se = FALSE) +
geom_text(aes(x = 50, y = 20000, label = glue("Correlación: {cor}")),
size = 5, color = "darkcyan") +
scale_y_log10() +
guides(size = "none") +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Dentro de stat_smooth()
podemos especificarle otro ajuste polinómico dándole expresión en formula = ...
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp)) +
geom_point(aes(color = continent, size = pop), alpha = 0.8) +
stat_smooth(method = "lm", formula = y ~ x + I(x^2) + I(x^3) + I(x^4) + I(x^5),
color = "firebrick", se = FALSE, linewidth = 1.2) +
guides(size = "none") +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Sin method
especificado ajuste por un LOESS (menos de 1000 puntos) o GAM (más de 1000 puntos)
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp)) +
geom_point(aes(color = continent, size = pop), alpha = 0.8) +
stat_smooth(color = "firebrick", se = FALSE, linewidth = 1.2) +
guides(size = "none") +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Con stat_summary()
podemos incluso añadir estadísticas por grupos, como la media o mediana.
ggplot(gapminder, aes(y = gdpPercap, x = year)) +
geom_point(size = 1.7, alpha = 0.2) +
stat_summary(fun = "mean", size = 0.4, color = "coral") +
stat_summary(fun = "median", size = 0.4, color = "darkcyan") +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Fíjate que si no tenemos una variable cuali, la media la hace con n = 1
(es decir, es el propio punto).
ggplot(gapminder, aes(y = gdpPercap, x = pop)) +
geom_point(size = 1.7, alpha = 0.2) +
stat_summary(fun = "mean", size = 0.4, color = "coral") +
stat_summary(fun = "median", size = 0.4, color = "darkcyan") +
ggthemes::scale_color_colorblind() +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
También podemos desagregar los gráficos (facetar) por grupos, equivalente al group_by()
en tidyverse.
Por ejemplo, vamos a crear un gráfico por continente, mostrando todos los gráficos a la vez (pero por separado) con facet_wrap(~continent)
.
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, size = pop, color = continent)) +
geom_point(alpha = 0.75) +
ggthemes::scale_color_colorblind() +
facet_wrap(~continent) +
guides(size = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
También podemos desagregar los gráficos (facetar) por grupos, equivalente al group_by()
en tidyverse.
Por defecto las escalas en los ejes son compartidas. Si queremos que la escala de los ejes vaya por libre debemos usar scales = "free_x"
, scales = "free_y"
o scales = "free"
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, size = pop, color = continent)) +
geom_point(alpha = 0.75) +
ggthemes::scale_color_colorblind() +
facet_wrap(~continent, scales = "free") +
guides(size = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
También podemos desagregar los gráficos (facetar) por grupos, equivalente al group_by()
en tidyverse.
Con nrow = ...
y ncol = ...
podemos especificar cuantas columnas y filas tenemos en la cuadrícula de gráficas
ggplot(gapminder_1997, aes(y = gdpPercap, x = lifeExp, size = pop, color = continent)) +
geom_point(alpha = 0.75) +
ggthemes::scale_color_colorblind() +
facet_wrap(~continent, scales = "free", nrow = 3) +
guides(size = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
También le podemos pasar dos argumentos (variables) para formar un grid de gráficas
ggplot(gapminder |> filter(year >= 1962), aes(y = gdpPercap, x = lifeExp, size = pop, color = continent)) +
geom_point(alpha = 0.7) +
ggthemes::scale_color_colorblind() +
facet_grid(continent ~ year, scales = "free") +
guides(size = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal()
Aprenderemos distintas personalizaciones del tema pero con theme(legend.position = ...)
podemos decidir la posición de la leyenda
ggplot(gapminder |> filter(year >= 1962), aes(y = gdpPercap, x = lifeExp, size = pop, color = continent)) +
geom_point(alpha = 0.7) +
ggthemes::scale_color_colorblind() +
facet_grid(continent ~ year, scales = "free") +
guides(size = "none") +
labs(x = "Esperanza de vida", y = "Renta per cápita", title = "Primer ggplot",
caption = "J. Álvarez Liébana", color = "continente") +
theme_minimal() +
theme(legend.position = "bottom")
Visualización de datos
Hemos aprendido a realizar uno de los gráficos más famosos, un diagrama de dispersión, pero…¿qué propiedades deben cumplir las variables?
Para visualizar dos variables con un diagrama de dispersión es necesario que ambas sean variables numéricas continuas
¿Se te ocurre algúna gráfico básico para variables discretas?
¿Y si tengo variables discretas o cualitativas?
La ventaja de ggplot es que, al trabajar por capas, todo lo que hemos aprendido nos sirve: solo tenemos que cambiar la geometría.
En este caso para realizar un diagrama de barras usaremos geom_bar()
en lugar de geom_point()
, indicando solo la variable de grupo con x = sex
(ggplot hará solo el recuento)
Podemos aplicar lo aprendido sobre colores para codificar la información, en este caso vamos a usar las paletas ya cargadas en scale_color_colorblind()
del paquete {ggthemes}
Fíjate que ahora solo nos ha coloreado el contorno: en otras geometrías, como las barras, será importante distinguir entre color
y fill
Podemos personalizar el gráfico haciendo uso de las opciones ya vistas, por ejemplo, con escalas en ejes, títulos de las variables, leyendas, etc
starwars |>
drop_na(sex) |>
ggplot(aes(x = sex)) +
geom_bar(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
scale_y_continuous(breaks = seq(0, 70, by = 10)) +
labs(x = "sexo", y = "frecuencia absoluta", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana") +
theme_minimal()
Para cambiar el rol de los ejes, generando un diagrama de barras horizontales, podemos dejar el gráfico igual y luego simplemente hacer coord_flip()
starwars |>
drop_na(sex) |>
ggplot(aes(x = sex)) +
geom_bar(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
scale_y_continuous(breaks = seq(0, 70, by = 10)) +
coord_flip() +
labs(x = "sexo", y = "frecuencia absoluta", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana") +
theme_minimal()
Vamos a hacer un paréntesis y aprender a personalizar más nuestras gráficas
theme_set(theme_minimal())
fija tema base
theme_update(...)
personaliza parámetros.
Por ejemplo, en plot.title
vamos a indicarle el tamaño y negrita en el título, dentro de element_text()
theme_set(theme_minimal())
theme_update(plot.title = element_text(size = 25, face = "bold"))
starwars |>
drop_na(sex) |>
ggplot(aes(x = sex)) +
geom_bar(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
coord_flip() +
labs(x = "sexo", y = "frecuencia absoluta", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente", caption = "J. Álvarez Liébana")
Podemos hacer lo mismo con otros textos con plot.subtitle
o plot.caption
Vamos incluso a elegir fuente o el color
sysfonts::font_add_google()
: le indicaremos la tipografía de https://fonts.google.com/
showtext_auto()
del paquete {showtext}
nos permite su uso.
library(showtext)
library(sysfonts)
font_add_google(name = "Roboto")
showtext_auto()
theme_set(theme_minimal(base_family = "Roboto"))
# Configurar tema
theme_update(
plot.title = element_text(color = "#C34539", face = "bold", size = 33),
plot.subtitle = element_text(color = "#3E6FCB", face = "bold", size = 21),
axis.title.x = element_text(size = 19),
axis.title.y = element_text(size = 19))
¿Podríamos visualizar dos variables discretas/cualis a la vez?
Podemos incluir una en x = ...
y otra en fill = ...
, de manera que por defecto nos visualiza barras apiladas, por ejemplo, para ver el reparto de sexos entre humanos y no humanos.
starwars |>
drop_na(sex) |>
mutate(Human = species == "Human") |>
ggplot(aes(x = Human)) +
geom_bar(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
labs(x = "¿Humanos?", y = "frecuencia absoluta", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
Con position = "dodge"
visualizamos las barras sin apilar, solapadas una al lado de otra
starwars |>
drop_na(sex) |>
mutate(Human = species == "Human") |>
ggplot(aes(x = Human)) +
geom_bar(aes(fill = sex), alpha = 0.5, position = "dodge") +
scale_fill_colorblind() +
labs(x = "¿Humanos?", y = "frecuencia absoluta", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
Con position = "fill"
visualizamos las barras en forma de frecuencia relativa, con las barras de la misma altura para facilitar la comparativa.
starwars |>
drop_na(sex) |>
mutate(Human = species == "Human") |>
ggplot(aes(x = Human)) +
geom_bar(aes(fill = sex), alpha = 0.5, position = "fill") +
scale_fill_colorblind() +
labs(x = "¿Humanos?", y = "frecuencia relativa", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
Variables cualitativas
En el caso de las variables cualitativas, llamaremos niveles o modalidades a los diferentes valores que pueden tomar estos datos. Por ejemplo, en el caso de la variable sex
del conjunto starwars
, tenemos 4 niveles permitidos: female
, hermaphroditic
, male
y none
(amén de datos ausentes).
Este tipo de variables se conocen en R
como factores. Y el paquete fundamental para tratarlos es {forcats}
(del entorno {tidyverse}
).
Este paquete nos permite fijar los niveles (guardados internamente como levels
) que toma una determinada variable categórica, dándoles un tratamiento diferente a las cadena de texto normales.
Veamos un ejempo sencillo definiendo una variable estado
que tome los valores "sano"
, "leve"
y "grave"
de la siguiente manera.
estado <-
c("leve", "grave", "sano", "sano", "leve", "sano", "sano", "grave",
"grave", "leve", "grave", "sano", "sano")
estado
[1] "leve" "grave" "sano" "sano" "leve" "sano" "sano" "grave" "grave"
[10] "leve" "grave" "sano" "sano"
La variable estado
actualmente es de tipo texto, de tipo chr
, algo que podemos comprobar con class(estado)
.
Desde un punto de vista estadístico y computacional, para R
esta variable ahora mismo sería equivalente una variable de nombres. Pero estadísticamente no es lo mismo una variable con nombres (que identifican muchas veces el registro) que una variable categórica como estado que solo puede tomar esos 3 niveles. ¿Cómo convertir a factor?
Haciendo uso de la función as_factor()
del paquete {forcats}
.
No solo ha cambiado la clase de la variable sino que ahora, debajo del valor guardado, nos aparece la frase Levels: grave leve sano
: son las modalidades o niveles de nuestra cualitativa.
Imagina que ese día en el hospital no tuviésemos a nadie en estado grave: aunque ese día nuestra variable no tome dicho valor, el estado grave
es un nivel permitido en la base de datos, así que aunque lo eliminemos, por ser un factor, el nivel permanece (no lo tenemos ahora pero es un nivel permitido).
Con factor()
podemos especificar explícitamente los nombres de las modalidades, incluso si son nominales u ordinales
Con levels = ...
podemos indicarle explícitamente el orden de las modalidades
Si queremos indicarle que elimine un nivel no usado en ese momento (y que queremos excluir de la definición) podemos hacerlo con fct_drop()
Al igual que podemos eliminar niveles podemos ampliar los niveles existentes (aunque no existan datos de ese nivel en ese momento) con fct_expand()
Además con fct_explicit_na()
podemos asignar un nivel a los valores para que sea incluido dicho nivel en los análisis y visualizaciones.
Incluso una vez definidos podemos reordenar los níveles con fct_relevel()
estado_fct_expand <-
estado_fct |>
mutate(estado = fct_expand(estado, c("UCI", "fallecido"))) |>
pull(estado)
estado_fct_expand |>
fct_relevel(c("fallecido", "leve", "sano", "grave", "UCI"))
[1] leve grave sano sano leve sano sano grave grave leve grave sano
[13] sano
Levels: fallecido < leve < sano < grave < UCI
Esta forma de trabajar con variables cualitativas nos permite dar una definición teórica de nuestra base de datos, pudiendo incluso contar valores que aún no existen (pero que podrían), haciendo uso de fct_count()
Los níveles también podemos ordenarlos por frecuencia con fct_infreq()
A veces querremos agrupar niveles, por ejemplo, no permitiendo niveles que no sucedan un mínimo de veces con fct_lump_min(.., min = ..)
(las observaciones que no lo cumplan irán a un nivel genérico llamado Other
, aunque se puede cambiar con el argumento other_level
).
Podemos hacer algo equivalente pero en función de su frecuencia relativa con fct_lump_prop()
.
Esto lo podemos aplicar a nuestros conjuntos de datos para recategorizar variables de forma muy rápida.
Con fct_reorder()
podemos también indicar que queremos ordenar los factores en función de una función aplicada a otra variable.
[1] Human Droid Droid Human Human Human Human Droid Human Human
[11] Human Human Otras Human Otras Otras Human Otras Human Human
[21] Droid Otras Human Human Otras Human Otras Otras Human Otras
[31] Human Human Gungan Gungan Gungan Human Otras Otras Human Human
[41] Otras Otras Otras Otras Otras Otras Otras Human Otras Otras
[51] Otras Otras Otras Otras Otras Otras Human Otras Otras Otras
[61] Human Human Human Human Otras Otras Otras Otras Human Droid
[71] Otras Otras Otras Otras Otras Human Otras
Levels: Droid Gungan Human Otras
[1] Human Droid Droid Human Human Human Human Droid Human Human
[11] Human Human Otras Human Otras Otras Human Otras Human Human
[21] Droid Otras Human Human Otras Human Otras Otras Human Otras
[31] Human Human Gungan Gungan Gungan Human Otras Otras Human Human
[41] Otras Otras Otras Otras Otras Otras Otras Human Otras Otras
[51] Otras Otras Otras Otras Otras Otras Human Otras Otras Otras
[61] Human Human Human Human Otras Otras Otras Otras Human Droid
[71] Otras Otras Otras Otras Otras Human Otras
Levels: Droid Otras Human Gungan
Intenta realizar los siguientes ejercicios sin mirar las soluciones
📝 Dada la variable meses
definida debajo (definida como un vector de caracteres), convierte dicha variable a factor (solo eso)
📝 Dada la variable meses
definida debajo convierte dicha variable a factor pero indicando los niveles de forma correcta.
meses <- c(NA, "Abr", "Ene", "Oct", "Jul", "Ene", "Sep", NA, "Feb", "Dic",
"Jul", "Mar", "Ene", "Mar", "Feb", "Abr", "May", "Oct", "Sep", NA,
"Dic", "Jul", "Nov", "Feb", "Oct", "Jun", "Sep", "Oct", "Oct", "Sep")
# Orden de niveles correcto e incluimos agosto aunque no haya
meses_fct <-
factor(meses,
levels = c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago", "Sep", "Oct", "Nov", "Dic"))
meses_fct
📝 Cuenta cuantos valores hay de cada mes pero teniendo en cuenta que son factores (quizás haya niveles sin ser usados y de los que debería obtener un 0).
📝 Dado que hay ausentes, indica que los ausentes sea un decimotercer nivel etiquetado como “ausente”.
Haciendo uso de los que sabemos sobre factores podemos indicarle que nos ordene las columnas de manera personalizada definiendo la variable cuali como un factor.
starwars |>
drop_na(sex) |>
mutate(sex = factor(sex, levels = c("female", "male", "hermaphroditic", "none"))) |>
ggplot(aes(x = sex)) +
geom_bar(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
labs(x = "Sexo", y = "frecuencia absoluta", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
También podemos indicarle que nos ordene las columnas de mayor a menor frecuencia usando simplemente fct_infreq()
starwars |>
drop_na(sex) |>
mutate(sex = factor(sex, levels = c("female", "male", "hermaphroditic", "none"))) |>
ggplot(aes(x = fct_infreq(sex))) +
geom_bar(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
labs(x = "Sexo", y = "frecuencia absoluta", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
Para invertir el orden de los factores basta usar fct_rev()
starwars |>
drop_na(sex) |>
mutate(sex = factor(sex, levels = c("female", "male", "hermaphroditic", "none"))) |>
ggplot(aes(x = fct_rev(fct_infreq(sex)))) +
geom_bar(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
labs(x = "Sexo", y = "frecuencia absoluta", fill = "sexo", title = "Primer diagrama de barras",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
La capa geom_bar()
está solo pensada para conteos de variables discretas o cualitativas. ¿Y si queremos visualizar en el peso por sexo?
Usaremos geom_col()
(ahora si necesitamos x,y
)
starwars |>
drop_na(mass, sex) |>
ggplot(aes(x = sex, y = mass)) +
geom_col(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
labs(x = "Sexo", y = "Peso", fill = "sexo", title = "Primer diagrama de columnas",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente", caption = "J. Álvarez Liébana")
Fíjate que por defecto lo que hace es sumar la variable continua. ¿Cómo pedir que visualice, por ejemplo, la media por grupos?
La forma más inmediata es hacer un geom_col()
pero en lugar de a la tabla original a un resumen de la misma.
starwars |>
drop_na(mass, sex) |>
summarise(mean_mass = mean(mass), .by = sex) |>
ggplot(aes(x = sex, y = mean_mass)) +
geom_col(aes(fill = sex), alpha = 0.5) +
scale_fill_colorblind() +
labs(x = "Sexo", y = "Peso (medio)", fill = "sexo", title = "Primer diagrama de columnas",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente", caption = "J. Álvarez Liébana")
Otra opción es no usar la capa geométrica sino la capa estadística, con stat_summary()
e indicándole la función a visualizar y el geometría
starwars |>
drop_na(mass, sex) |>
mutate(sex = factor(sex, levels = c("female", "male", "hermaphroditic", "none"))) |>
ggplot(aes(x = sex, y = mass, fill = sex)) +
stat_summary(geom = "col", fun = mean, alpha = 0.5) +
scale_fill_colorblind() +
labs(x = "Sexo", y = "Peso (medio)", fill = "sexo",
title = "Primer diagrama de columnas",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
Fíjate que ambas formas nos permiten visualizar cualquier otro estadístico, por ejempo, la mediana
starwars |>
drop_na(mass, sex) |>
mutate(sex = factor(sex, levels = c("female", "male", "hermaphroditic", "none"))) |>
ggplot(aes(x = sex, y = mass, fill = sex)) +
stat_summary(geom = "col", fun = median, alpha = 0.5) +
scale_fill_colorblind() +
labs(x = "Sexo", y = "Peso (mediana)", fill = "sexo",
title = "Primer diagrama de columnas",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
La última opción es volver a nuestra conocida geom_bar()
, indicándole stat = "summary", fun = "mean"
, por ejemplo (por defecto stat = "count"
) con ahora sí dos variables
starwars |>
drop_na(mass, sex) |>
mutate(sex = factor(sex, levels = c("female", "male", "hermaphroditic", "none"))) |>
ggplot(aes(x = sex, y = mass)) +
geom_bar(aes(fill = sex), alpha = 0.5,
stat = "summary", fun = "mean") +
scale_fill_colorblind() +
labs(x = "Sexo", y = "Peso (media)", fill = "sexo",
title = "Primer diagrama de columnas",
subtitle = "Sexos: femenino, masculino, hemafrodita, ninguno y ausente",
caption = "J. Álvarez Liébana")
Usa el dataset gapminder
y visualiza en un gráfico la media de la variable gdpPercap
por continente y año mediante un diagrama de barras en 3 formas:
El objetivo es analizar un conjunto de datos que contiene las respuestas a las pregunta «¿Qué probabilidad (%) asignarías al término (entre otros) …
…con el objetivo de comprender cómo la gente percibe el vocabulario de la probabilidad.
datos <-
read_csv("https://raw.githubusercontent.com/zonination/perceptions/master/probly.csv")
datos
# A tibble: 46 × 17
`Almost Certainly` `Highly Likely` `Very Good Chance` Probable Likely
<dbl> <dbl> <dbl> <dbl> <dbl>
1 95 80 85 75 66
2 95 75 75 51 75
3 95 85 85 70 75
4 95 85 85 70 75
5 98 95 80 70 70
6 95 99 85 90 75
7 85 95 65 80 40
8 97 95 75 70 70
9 95 95 80 70 65
10 90 85 90 70 75
# ℹ 36 more rows
# ℹ 12 more variables: Probably <dbl>, `We Believe` <dbl>,
# `Better Than Even` <dbl>, `About Even` <dbl>, `We Doubt` <dbl>,
# Improbable <dbl>, Unlikely <dbl>, `Probably Not` <dbl>,
# `Little Chance` <dbl>, `Almost No Chance` <dbl>, `Highly Unlikely` <dbl>,
# `Chances Are Slight` <dbl>
datos <-
read_csv("https://raw.githubusercontent.com/zonination/perceptions/master/probly.csv")
datos
# A tibble: 46 × 17
`Almost Certainly` `Highly Likely` `Very Good Chance` Probable Likely
<dbl> <dbl> <dbl> <dbl> <dbl>
1 95 80 85 75 66
2 95 75 75 51 75
3 95 85 85 70 75
4 95 85 85 70 75
5 98 95 80 70 70
6 95 99 85 90 75
7 85 95 65 80 40
8 97 95 75 70 70
9 95 95 80 70 65
10 90 85 90 70 75
# ℹ 36 more rows
# ℹ 12 more variables: Probably <dbl>, `We Believe` <dbl>,
# `Better Than Even` <dbl>, `About Even` <dbl>, `We Doubt` <dbl>,
# Improbable <dbl>, Unlikely <dbl>, `Probably Not` <dbl>,
# `Little Chance` <dbl>, `Almost No Chance` <dbl>, `Highly Unlikely` <dbl>,
# `Chances Are Slight` <dbl>
Solo haciendo uso de los gráficos aprendidos hasta ahora, ¿cómo visualizarías dicho dataset? Realiza las tranformaciones que consideres para una correcta preparación de los datos.
Variables continuas
Solo haciendo uso de los gráficos aprendidos hasta ahora, ¿cómo visualizarías dicho dataset? Realiza las tranformaciones que consideres para una correcta preparación de los datos.
Lo primero que deberemos hacer es preparar nuestros datos para la posterior visualización en formato tidy
datos_tidy <-
datos |>
pivot_longer(cols = everything(),
names_to = "termino", values_to = "prob")
datos_tidy
# A tibble: 782 × 2
termino prob
<chr> <dbl>
1 Almost Certainly 95
2 Highly Likely 80
3 Very Good Chance 85
4 Probable 75
5 Likely 66
6 Probably 75
7 We Believe 66
8 Better Than Even 55
9 About Even 50
10 We Doubt 40
# ℹ 772 more rows
¿Cómo podemos visualizar estos datos?
Tenemos dos variables:
termino
: cualitativa ordinalprob
: cuantitativa continuaPor lo que de momento no tenemos herramienta para visualizarlo ya que
La única manera será realizar un resumen de los datos visualizando, por ejemplo, la media de probabilidad asignada
La única manera será realizar un resumen de los datos visualizando, por ejemplo, la media de probabilidad asignada
# A tibble: 17 × 2
termino mean_prob
<chr> <dbl>
1 Almost Certainly 92.6
2 Highly Likely 86.2
3 Very Good Chance 79.8
4 Probable 71.5
5 Likely 72
6 Probably 71.5
7 We Believe 68.5
8 Better Than Even 58.4
9 About Even 49.6
10 We Doubt 27.9
11 Improbable 18.0
12 Unlikely 19.9
13 Probably Not 29.5
14 Little Chance 16.0
15 Almost No Chance 5.63
16 Highly Unlikely 10.1
17 Chances Are Slight 14.1
Con scale_fill_gradient2()
vamos a crear un gradiente de color, y con scale_y_continuous()
incorporamos % en el eje Y.
ggplot(resumen, aes(x = termino, y = mean_prob, fill = mean_prob)) +
geom_col(alpha = 0.8) +
scale_fill_gradient2(low = "#DA4A4A", mid = "#FEFADF", high = "#144F8D", midpoint = 50) +
scale_y_continuous(labels = scales::label_number(suffix = "%")) +
labs(fill = "Prob. media", x = "Términos", y = "Probabilidad media",
title = "Percepción de la probabilidad") +
theme_minimal()
Para mejorar la legibilidad vamos a reducir el tamaño de las etiquetas del eje X.
ggplot(resumen, aes(x = termino, y = mean_prob, fill = mean_prob)) +
geom_col(alpha = 0.8) +
scale_fill_gradient2(low = "#DA4A4A", mid = "#FEFADF", high = "#144F8D", midpoint = 50) +
scale_y_continuous(labels = scales::label_number(suffix = "%")) +
labs(fill = "Prob. media", x = "Términos", y = "Probabilidad media",
title = "Percepción de la probabilidad") +
theme_minimal() +
theme(axis.text.x = element_text(size = 6, angle = 30))
Por último, vamos a ordenar las barras de más a menos
ggplot(resumen |> mutate(termino = fct_reorder(termino, mean_prob)), aes(x = termino, y = mean_prob, fill = mean_prob)) +
geom_col(alpha = 0.8) +
scale_fill_gradient2(low = "#DA4A4A", mid = "#FEFADF", high = "#144F8D", midpoint = 50) +
scale_y_continuous(labels = scales::label_number(suffix = "%")) +
labs(fill = "Prob. media", x = "Términos", y = "Probabilidad media",
title = "Percepción de la probabilidad") +
theme_minimal() +
theme(axis.text.x = element_text(size = 6, angle = 30))
Aun así al haber sumarizado, estamos perdiendo información…
¿Qué otros gráficos se te ocurren para hacer con variables continuas?
Algunos de los más habituales son:
Nuestra primera alternativa será el conocido como histograma con geom_histogram()
Fíjate que está realizando el histograma de todo el dataset.
El argumento bins = ...
nos servirá para personalizar el nímero de barras que queremos. Fíjate que el gráfico es una proximación discreta de un gráfico de densidad.
Si queremos hacer uno por término, basta con añadir a nuestro gráfico un facet_wrap()
para componer
Vamos a filtrar solo algunos términos para poder usar la paleta scale_fill_brewer()
datos_tidy <-
datos_tidy |>
filter(!(termino %in% c("Chances Are Slight", "Improbable", "Probably Not", "Probable", "Likely", "Very Good Chance")))
ggplot(datos_tidy, aes(x = prob, fill = termino)) +
geom_histogram(bins = 12, alpha = 0.8) +
scale_fill_brewer(palette = "RdBu") +
facet_wrap(~termino, scale = "free_y", ncol = 4) +
labs(x = "Probabilidad", y = "Frecuencia",
title = "Percepción de la probabilidad") +
theme_minimal()
Nos aparecen desordenadas así que de nuevo podemos hacer uso del paquete {forcats}
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)), aes(x = prob, fill = termino)) +
geom_histogram(bins = 12, alpha = 0.8) +
scale_fill_brewer(palette = "RdBu") +
facet_wrap(~termino, scale = "free_y", ncol = 4) +
labs(x = "Probabilidad", y = "Frecuencia",
title = "Percepción de la probabilidad") +
theme_minimal()
Vamos a añadir una fuente personaliza al gráfico anterior.
Con el paquete {showtext}
podemos cargar fuentes de https://fonts.google.com/: con font_add_google()
añadimos la fuente y con showtext_auto()
habilitamos su uso.
Con theme_set()
podemos fijar un tema base (en nuestro caso theme_minimal(base_family = ...)
) y con theme_update()
añadimos el resto de personalizaciones
Los histogramas en realidad son una aproximación discreta de los gráficos de densidad (asumiendo que los intervalos se pudieran ir haciendo tan pequeños como queramos).
Las densidades mejoran la robustez al histograma. Para ello usaremos geom_density()
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)), aes(x = prob, fill = termino)) +
geom_density(alpha = 0.8) +
scale_fill_brewer(palette = "RdBu") +
facet_wrap(~termino, scale = "free_y", ncol = 4) +
labs(x = "Probabilidad", y = "Frecuencia relativa",
title = "Percepción de la probabilidad") +
theme_minimal()
A veces puede ser interesante [superponer las densidades], lo cual lo podemos hacer con geom_density_ridges()
del paquete {ggridges}
(ahora sí necesitamos indicarle un y = ...
)
library(ggridges)
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)),
aes(x = prob, y = termino, fill = termino, color = termino)) +
geom_density_ridges(alpha = 0.5) +
scale_fill_brewer(palette = "RdBu") +
scale_color_brewer(palette = "RdBu") +
guides(color = "none") +
labs(x = "Probabilidad", y = "Términos",
title = "Percepción de la probabilidad") +
theme_minimal()
Una opción muy habitual en variables continuas son los gráficos de cajas y bigotes o boxplots
Para realizar estos gráficos debemos usar la geometría geom_boxplot()
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)),
aes(x = termino, y = prob, fill = termino, color = termino)) +
geom_boxplot(alpha = 0.8) +
scale_fill_brewer(palette = "RdBu") +
scale_color_brewer(palette = "RdBu") +
guides(color = "none") +
labs(x = "Términos", y = "Probabilidad",
title = "Percepción de la probabilidad") +
theme_minimal()
Los boxplot a veces pueden ser insuficiente y podemos usar geom_jitter()
que nos añadirá puntos como un «gotelé aleatorio» (ver https://hausetutorials.netlify.app/posts/2019-02-22-why-we-should-never-use-barplots-use-geomquasirandom-instead/)
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)),
aes(x = termino, y = prob, fill = termino, color = termino)) +
geom_boxplot(alpha = 0.8) +
geom_jitter(alpha = 0.3, size = 2) +
scale_fill_brewer(palette = "RdBu") +
scale_color_brewer(palette = "RdBu") +
guides(color = "none") +
labs(x = "Términos", y = "Probabilidad",
title = "Percepción de la probabilidad") +
theme_minimal()
Si te fijas los outliers aparecen dos veces ya que el boxplot los marca. Dentro de geom_boxplot()
podemos indicarle la forma, color y alpha de los atípicos.
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)),
aes(x = termino, y = prob, fill = termino, color = termino)) +
geom_boxplot(alpha = 0.8, outlier.shape = 23) +
geom_jitter(alpha = 0.3, size = 2) +
scale_fill_brewer(palette = "RdBu") +
scale_color_brewer(palette = "RdBu") +
guides(color = "none") +
labs(x = "Términos", y = "Probabilidad",
title = "Percepción de la probabilidad") +
theme_minimal()
Si te fijas los outliers aparecen dos veces ya que el boxplot los marca. Dentro de geom_boxplot()
podemos indicarle la forma, color y alpha de los atípicos.
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)),
aes(x = termino, y = prob, fill = termino, color = termino)) +
geom_boxplot(alpha = 0.8, outlier.alpha = 0) +
geom_jitter(alpha = 0.3, size = 2) +
scale_fill_brewer(palette = "RdBu") +
scale_color_brewer(palette = "RdBu") +
guides(color = "none") +
labs(x = "Términos", y = "Probabilidad",
title = "Percepción de la probabilidad") +
theme_minimal()
Podemos mejorar el «gotelé aleatorio» con geom_quasirandom()
del paquete {ggbeeswarm}
(con width = ...
controlamos la anchura de lo aleatorio)
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)),
aes(x = termino, y = prob, fill = termino, color = termino)) +
geom_boxplot(alpha = 0.8, outlier.alpha = 0) +
geom_quasirandom(size = 2, alpha = 0.4, width = 0.7) +
scale_fill_brewer(palette = "RdBu") +
scale_color_brewer(palette = "RdBu") +
guides(color = "none") +
labs(x = "Términos", y = "Probabilidad",
title = "Percepción de la probabilidad") +
theme_minimal()
Para solventar los problemas de los box-plots, una alternativa muy popular son los gráficos de violín (en realidad es una densidad reflejada)
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)),
aes(x = termino, y = prob, fill = termino, color = termino)) +
geom_violin(alpha = 0.8) +
scale_fill_brewer(palette = "RdBu") +
scale_color_brewer(palette = "RdBu") +
guides(color = "none") +
labs(x = "Términos", y = "Probabilidad",
title = "Percepción de la probabilidad") +
theme_minimal()
Con el argumento scale = "count"
las àreas son proporcionales al número de observaciones en cada violín (por defecto scale = "area"
, todos la misma área). Con bw = ...
modulamos la suavidad del kernel usado (bandwidth).
ggplot(datos_tidy |>
mutate(termino = fct_reorder(termino, prob, .fun = mean)),
aes(x = termino, y = prob, fill = termino, color = termino)) +
geom_violin(alpha = 0.8, scale = "count", bw = 1.5) +
scale_fill_brewer(palette = "RdBu") +
scale_color_brewer(palette = "RdBu") +
guides(color = "none") +
labs(x = "Términos", y = "Probabilidad",
title = "Percepción de la probabilidad") +
theme_minimal()
Otra categoría muy común de gráficos con variables continusa son los gráficos de evolución
El más simple es el [gráfico de líneas] {.hl-yellow}, que podemos construir con geom_line()
, y para el que ahora sí necesitamos un x = ...
y un y = ...
ggplot(gapminder |> summarise(mean_gdp = mean(gdpPercap), .by = c(continent, year)), aes(x = year, y = mean_gdp, color = continent)) +
geom_line(alpha = 0.8, linewidth = 2) +
scale_y_continuous(labels = scales::label_dollar()) +
scale_color_colorblind() +
labs(x = "Año", y = "Renta per cápita media",
title = "Evolución en gapminder") +
theme_minimal()
Fíjate que dando color = ...
nos hace solo una gráfica por variable de grupo. Si usamos geom_step()
en su lugar obtenemos un gráfico de escalera
ggplot(gapminder |> summarise(mean_gdp = mean(gdpPercap), .by = c(continent, year)), aes(x = year, y = mean_gdp, color = continent)) +
geom_step(alpha = 0.8, linewidth = 1.2) +
scale_y_continuous(labels = scales::label_dollar()) +
scale_color_colorblind() +
labs(x = "Año", y = "Renta per cápita media",
title = "Evolución en gapminder") +
theme_minimal()
Un gráfico de línea muy particular son las series temporales, donde en el eje X hay una variable de fecha y/o hora
Por ejemplo, vamos a cargar el siguiente dataset de Github de la evolución del precio de bitcoins cuyo separado es el espacio
data <- read_table(file = "https://raw.githubusercontent.com/holtzy/data_to_viz/master/Example_dataset/3_TwoNumOrdered.csv")
data
# A tibble: 1,822 × 2
date value
<date> <dbl>
1 2013-04-28 136.
2 2013-04-29 147.
3 2013-04-30 147.
4 2013-05-01 140.
5 2013-05-02 126.
6 2013-05-03 108.
7 2013-05-04 115
8 2013-05-05 119.
9 2013-05-06 125.
10 2013-05-07 113.
# ℹ 1,812 more rows
La forma más sencilla es de nuevo usar geom_line()
. Con scale_x_date(date_breaks = ...)
podemos indicarle los saltos en las fechas de manera sencilla.
ggplot(data, aes(x = date, y = value)) +
geom_line(alpha = 0.8, color = "#145412", linewidth = 1.2) +
scale_x_date(date_breaks = "4 months") +
scale_y_continuous(labels = scales::label_dollar()) +
scale_color_colorblind() +
labs(x = "Fecha", y = "Precio del bitcoin",
title = "Evolución del precio del bitcoin") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 30))
Una mejora de los gráficos de línea son los gráficos de área (visualizando la curva con rellena)
La forma más sencilla es de nuevo usar geom_line()
pero añadiendo la capa geom_area()
(con fill
en lugar de color
)
ggplot(data, aes(x = date, y = value)) +
geom_line(color = "#145412", linewidth = 1) +
geom_area(alpha = 0.4, fill = "#145412") +
scale_x_date(date_breaks = "4 months") +
scale_y_continuous(labels = scales::label_dollar()) +
labs(x = "Fecha", y = "Precio del bitcoin",
title = "Evolución del precio del bitcoin") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 30))
Todo gráfico ggplot podemos hacerlo interactivo guardándonos la gráfico y haciendo uso de {plotly}