Por Jose R. Zapata

En este notebook se encuentra los temas mas importantes para el uso de R en ciencia de datos, se debe tener un un conocimiento basico de programacion para entender completamente el notebook.

El desarrollo de este codigo se realizara en google Colab

R Basico

R.version.string

‘R version 4.4.1 (2024-06-14)’

Definir el directorio de trabajo

R necesita que se defina el directorio donde se esta trabajando, en jupyter notebook el directorio sera desde donde se ejecuta en el terminal el comando Jupyter notebook

#Obtener el directorio de trabajo actual
DirTrabajo <-getwd()
DirTrabajo

‘/content’

## Definir otro directorio para trabajar
setwd(dir = './sample_data') # ir a la carpeta sample_data de google colab
getwd() #ver cual es el directorio actual de trabajo

‘/content/sample_data’

setwd(DirTrabajo) # regresar al directorio original de trabajo
getwd()

‘/content’

Instalar e Importar Paquetes

R tiene un repositorio donde estan la mayoria de paquetes: https://cran.r-project.org/web/packages/available_packages_by_name.html

• Desde el menu en Rstudio en: Packages->Install package(s).

# Importar una libreria
library(stringr) # Esta ya esta instalada

library(audio) #Este Paquete no esta instalado

Error in library(audio): there is no package called ‘audio’
Traceback:


1. library(audio)

require(audio) # devuelve TRUE o FALSE según el paquete esté o no instalado

Loading required package: audio

Warning message in library(package, lib.loc = lib.loc, character.only = TRUE, logical.return = TRUE, :
“there is no package called ‘audio’”

Instalar, Eliminar y actualizar paquetes en CRAN

# Antes de instalar un paquete es bueno detectar si ya esta instalado
if(!require(audio)) # verificar si esta instalado el paquete
    install.packages("audio") # Comando para instalar paquetes, note las dobles comillas
library(audio) #Importar libreria

Loading required package: audio

Warning message in library(package, lib.loc = lib.loc, character.only = TRUE, logical.return = TRUE, :
“there is no package called ‘audio’”
Installing package into ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

# Quitar un paquete de la memoria
detach("package:audio", unload=TRUE)

# Eliminar un paquete instalado
remove.packages("audio") #es necesario las dobles comillas

Removing package from ‘/usr/local/lib/R/site-library’
(as ‘lib’ is unspecified)

# Actualizar paquetes de cran
update.packages() #se recomienda por linea de comando

if(!require(sos)) # antes de instalar verificar si esta instalado el paquete
    install.packages("sos") # Comando para instalar paquetes, note las dobles comillas

library(sos) #Importar libreria

Loading required package: sos

Loading required package: brew


Attaching package: ‘sos’


The following object is masked from ‘package:utils’:

    ?

findFn("audio")# Buscar paquetes que contengan la palabra audio

found 600 matches;  retrieving 30 pages
2 3 4 5 6 7 8 9 10
11 12 13 14 15 16 17 18 19 20
21 22 23 24 25 26 27 28 29 30

Downloaded 597 links in 123 packages.

Obteniendo ayuda con R

Además de una búsqueda en google o de visitar StackOverflow, hay algunas maneras incorporadas de obtener ayuda con R! La mayoría de las funciones R tienen documentación en línea.

• help(algo) documentacion
• help.search(“algo”) Busca en la ayuda
• apropos(“algo”) nombre de todos los objetos parecidos a ”algo”
• help.start() Inicia la version HTML de la ayuda

# Necesita ayuda con vectors
help(vector)

# Debe ser un string
help.search('numeric')

# Tambien se puede usar ??para buscar
??vector

Aritmetica con R

1+2 #Suma

3

5-3  # Resta

2

1/2 # Division

0.5

2^3 # Potenciacion

8

5 %% 2 # Modulo

1

(100 * 2) + (50 / 2) #Orden de las operaciones

225

Variables

En R la asignacion de variables se hace asi:

# Observe que parece una flecha apuntando hacia la variable.
variable.name <- 100

# Veamos la variable
variable.name

100

bank.account <- 100

deposit <- 10

bank.account <- bank.account + deposit

bank.account

110

Tipos de datos en R

Punto Flotante

n <- 2.2
n # Jupyter notebook muestra las variables solo escribiendolas

2.2

Enteros

i <- 5
i

5

Boolean o logicos

t <- TRUE
f <- FALSE

t

TRUE

f

FALSE

Caracteres (Characters)

los datos tipo Texto/string son conocidos como characters en R.

# Comillas dobles
char <- "Data scientists, according to interviews and expert estimates, spend from 50 percent to 80 percent of their time mired in this more mundane labor of collecting and preparing unruly digital data, before it can be explored for useful nuggets"
char

‘Data scientists, according to interviews and expert estimates, spend from 50 percent to 80 percent of their time mired in this more mundane labor of collecting and preparing unruly digital data, before it can be explored for useful nuggets’

# Comillas simples
c <- 'Hola Mundo!'
c

‘Hola Mundo!’

Verificar la clase de los Datos

Se puede realizar con la funcion class():

class(t)

’logical'

class(f)

’logical'

class(char)

‘character’

class(c)

‘character’

class(n)

’numeric'

class(i)

’numeric'

class(Inf)

’numeric'

class(NaN)

’numeric'

class(4+5i)

‘complex’

Verificar el tipo de los Datos

Se puede realizar con la funcion typeof():

typeof(t)

’logical'

typeof(f)

’logical'

typeof(char)

‘character’

typeof(c)

‘character’

typeof(n)

‘double’

typeof(i)

‘double’

typeof(Inf)

‘double’

typeof(NaN)

‘double’

typeof(4+5i)

‘complex’

Manejo de Variables en el workspace

# listado de las variables en el workspace
ls()

1. 'bank.account'
2. 'c'
3. 'char'
4. 'deposit'
5. 'DirTrabajo'
6. 'f'
7. 'i'
8. 'n'
9. 't'
10. 'variable.name'

# Borrar una variable del workspace
rm(deposit)
ls()

1. 'bank.account'
2. 'c'
3. 'char'
4. 'DirTrabajo'
5. 'f'
6. 'i'
7. 'n'
8. 't'
9. 'variable.name'

Impresion en pantalla

Se realiza con la funcion print() y pueden ser numeros o strings. En jupyter notebook no es necesario la funcion print para imprimir el valor de una variable.

print("Ciencia de Datos")

[1] "Ciencia de Datos"

x <- 10
print(x)

[1] 10

x <- mtcars
print(mtcars)

                     mpg cyl  disp  hp drat    wt  qsec vs am gear carb
Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

Formatos

Podemos imprimir con formato strings y variables de diferentes maneras:

paste()

Concatena los elementos mediante un separador definido paste (..., sep = " ")

print(paste('Hola','Mundo')) # El espacio es el separador predeterminado

[1] "Hola Mundo"

print(paste('Hola','Mundo',sep='-|-')) # puedo definir cualquier separador

[1] "Hola-|-Mundo"

paste0()

Concatena pero sin separador

paste0('Hola','Mundo')

‘HolaMundo’

sprint

es un contenedor para la función C sprintf, que devuelve un vector de caracteres que contiene una combinación formateada de texto y valores variables. Lo que significa que puede usar% códigos para colocar variables especificando todas al final.

sprintf("%s mide %f mt de alto\n", "Jose", 1.85) #\n es para dar un salto de linea

‘Jose mide 1.850000 mt de alto\n’

# Esto producira un error por que 1.85 es un float y no un integer
sprintf("%s mide %f mt de alto\n", "Jose", 1.85)

‘Jose mide 1.850000 mt de alto\n’

Para mas ayuda de como usar la funcion sprintf() se peude ver en la documentacion:

help(sprintf)

Vectores en R

Los vectores son una de las estructuras de datos clave en R. Un vector es una matriz o arreglo de 1 dimensión que puede contener elementos de tipo string, numéricos o lógicos. Podemos crear un vector usando la función de combinación c (). Para usar la función, pasamos los elementos que queremos en la matriz, con cada elemento individual separado por una coma.

# Usando c() para crear un vector con elementos numericos
nvec <- c(1,2,3,4,5)

class(nvec)

’numeric'

# Vector de letras
cvec <- c('U','S','A')

class(cvec)

‘character’

# vector de Booleans
lvec <- c(TRUE,FALSE)
lvec

1. TRUE
2. FALSE

class(lvec)

’logical'

Tenga en cuenta que no podemos mezclar los tipos de datos de los elementos en una matriz, R convertirá los otros elementos en la matriz para obligar a que todo sea del mismo tipo de datos. Más adelante, aprenderemos sobre la estructura de datos de la lista que puede tomar múltiples tipos de datos. A continuación, se muestra un ejemplo rápido de lo que ocurre con las matrices con diferentes tipos de datos:

v <- c(FALSE,2)

v

1. 0
2. 2

class(v)

’numeric'

v <- c('A',1)

v

1. 'A'
2. '1'

class(v)

‘character’

Nombres de vectores

Podemos usar la función names() para asignar nombres a cada elemento de nuestro vector. Por ejemplo, imagine el siguiente vector de una semana de temperaturas:

temps <- c(72,71,68,73,69,75,71)

temps

1. 72
2. 71
3. 68
4. 73
5. 69
6. 75
7. 71

Tenemos 7 temperaturas durante 7 días de la semana, pero ¿qué temperatura corresponde a qué día de la semana? ¿Comienza el lunes, el domingo u otro día de la semana? Aquí es donde se pueden asignar los nombres() de la siguiente manera:

names(temps) <- c('Mon','Tue','Wed','Thu','Fri','Sat','Sun')

Note que pasa cuadno se muestra el vector

temps

Mon

72

Tue

71

Wed

68

Thu

73

Fri

69

Sat

75

Sun

71

¡Ahora podemos comenzar a ver cómo se les asignaron nombres a los elementos! Dependiendo de qué IDE esté utilizando, puede ver lo que se muestra arriba horizontalmente o verticalmente, podemos usar el uso simple de un nombre de variable como asignación de names(), por ejemplo:

days <- c('Mon','Tue','Wed','Thu','Fri','Sat','Sun')
temps2 <- c(1,2,3,4,5,6,7)
names(temps2) <- days

temps2

Mon

1

Tue

2

Wed

3

Thu

4

Fri

5

Sat

6

Sun

7

Operaciones con Vectores

Podemos realizar aritmética básica con vectores y las operaciones se realizarán elemento a elemento, por ejemplo:

v1 <- c(1,2,3)
v2 <- c(5,6,7)

Suma de Vectores

v1+v2

1. 6
2. 8
3. 10

Resta de Vectores

v1-v1

1. 0
2. 0
3. 0

v1-v2

1. -4
2. -4
3. -4

Multiplicacion de Vectores

v1*v2

1. 5
2. 12
3. 21

Division de vectores

v1/v2

1. 0.2
2. 0.333333333333333
3. 0.428571428571429

Funciones con vectores

Aprendamos algunas funciones útiles que podemos usar con vectores. Una función tendrá el siguiente formato: nombre_de_la_funcion(input) Luego aprenderemos a crear nuestras propias funciones, pero R viene con una gran cantidad de funciones integradas que usará habitualmente. Por ejemplo, si desea sumar todos los elementos en un vector numérico, puede usar la función sum(). Por ejemplo:

v1

1. 1
2. 2
3. 3

sum(v1)

6

También podemos verificar cosas como la desviación estándar, la varianza, el elemento máximo, el elemento mínimo, el producto de los elementos:

v <- c(12,45,100,2)

# Desviacion estandar
sd(v)

44.1691823182937

# Varianza
var(v)

1950.91666666667

# Elemento con valor maximo
max(v)

100

#Elemento con el minimo valor
min(v)

2

# Producto interno de los elementos
prod(v1)
prod(v2)

6

210

# Una de las funciones mas utiles es summary()
# que nos da la informacion estadistica de cuartiles
summary(v)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
   2.00    9.50   28.50   39.75   58.75  100.00

Referencia a todas las funciones de R en: https://cran.r-project.org/doc/contrib/Short-refcard.pdf

Indexación y slicing de vectores

Se usan los corchetes para indexar y acceder a elementos individuales desde un vector, el index empieza en 1:

v1 <- c(100,200,300)
v2 <- c('a','b','c')

v1
v2

1. 100
2. 200
3. 300

1. 'a'
2. 'b'
3. 'c'

La indexación funciona usando corchetes y pasando la posición del índice del elemento como un número. Tenga en cuenta que el índice comienza en 1 (en otros lenguajes de programación la indexación comienza en 0 por ejemplo Python, C++).

# Obtener el segundo elemento
v1[2]

200

v2[2]

‘b’

Indexación múltiple

Podemos tomar múltiples elementos de un vector pasando un vector con las posiciones de los índices dentro de los corchetes. Por ejemplo:

v1[c(1,2)] # tomar el elemento 1 y 2

1. 100
2. 200

v2[c(2,3)] # tomar el elemento 2 y 3

1. 'b'
2. 'c'

v2[c(1,3)] # tomar el elemento 1 y 3

1. 'a'
2. 'c'

Slicing

Puede usar dos puntos (:) para indicar una porción de un vector.

El formato es: vector[inicio_index: final_index]

Se incluye los elementos del inicio y final

Por ejemplo:

v <- c(1,2,3,4,5,6,7,8,9,10)

v[2:4] # La indexacionempieza desde el numero 1

1. 2
2. 3
3. 4

v[7:10]

1. 7
2. 8
3. 9
4. 10

Indexacion con nombres

v <- c(1,2,3,4)
names(v) <- c('a','b','c','d')

v['a']

a: 1

# Se pueden llamar en cualquier orden!
v[c('a','c','b')]

a

1

c

3

b

2

Operadores de comparación y selección

Se puede usar operadores de comparación para filtrar elementos de un vector. A veces esto se conoce como enmascaramiento lógico/booleano, porque está creando un vector de valores lógicos para filtrar los resultados que desea.

v

a

1

b

2

c

3

d

4

v>2

a

FALSE

b

FALSE

c

TRUE

d

TRUE

Pasamos este vector de valores lógicos a través de los paréntesis del vector y solo devolvemos los valores donde sea verdadera la condicion:

v[v>2]

c

3

d

4

Podemos asignarles nombres a las comparaciones logicas

filter <- v>2

filter

a

FALSE

b

FALSE

c

TRUE

d

TRUE

v[filter]

c

3

d

4

Operadores de Comparacion

En R, podemos usar operadores de comparación para comparar variables y devolver valores lógico

Mayor que

5 > 6

FALSE

6 > 5

TRUE

Se puede hacer elemento a elemento en un vector

v1 <- c(1,2,3)
v2 <- c(10,20,30)

v1 < v2

1. TRUE
2. TRUE
3. TRUE

Mayor o Igual que

6 >= 6

TRUE

6 >= 5

TRUE

6 >= 7

FALSE

Menor y Menor o igual que

3 < 2

FALSE

2 <= 2

TRUE

!Mucho cuidado con los operadores de comparación y los números negativos! se Recomienda usar espaciado para mantener las cosas claras. Un ejemplo de una situación peligrosa:

var <- 1

var

1

# Comparando var menor que  -2
var < -2

FALSE

# Accidentalmente se reasgina var
var <- 2

var

2

Diferente

5 != 2

TRUE

5 != 5

FALSE

Igual

5 == 5

TRUE

2 == 3

FALSE

Comparacion con Vectores

v <- c(1,2,3,4,5)

v < 2

1. TRUE
2. FALSE
3. FALSE
4. FALSE
5. FALSE

v == 3

1. FALSE
2. FALSE
3. TRUE
4. FALSE
5. FALSE

Matrices con R

Crear una Matriz

Hemos aprendido acerca de los vectores que nos permiten almacenar elementos indexados. Una matriz nos permitirá tener una estructura de datos bidimensional que contiene elementos que constan del mismo tipo de datos. Antes de hablar sobre Matrix, debemos mostrar un consejo rápido para crear rápidamente vectores numéricos secuenciales, puede usar la notación de dos puntos de la división para crear vectores secuenciales:

1:10

1. 1
2. 2
3. 3
4. 4
5. 5
6. 6
7. 7
8. 8
9. 9
10. 10

v <- 1:10
v

1. 1
2. 2
3. 3
4. 4
5. 5
6. 6
7. 7
8. 8
9. 9
10. 10

Para crear una matriz en R, se usa la función matrix(). Podemos pasar un vector en la matriz:

matrix(v) #Matriz de una sola dimension

Observe cómo se muestra la salida. Aquí tenemos una matriz bidimensional que tiene 10 filas por 1 columna. Ahora, ¿qué pasa si queremos especificar el número de filas? Podemos pasar el parámetro / argumento a la función de matriz llamada nrow que representa el número de filas:

matrix(v,nrow=2)

Ahora tenemos una matriz de 2 por 5. Tenga en cuenta que el argumento nrow permite que esto suceda. ¿Pero cómo decidimos la orden de relleno? Podríamos haber puesto columnas primero (como lo hicimos anteriormente) o haber completado las primeras filas de orden insecuencial. El argumento byrow le permite especificar si desea completar o no la matriz por filas o columnas. Por ejemplo:

matrix(1:12,byrow = FALSE,nrow=4)

matrix(1:12, byrow=TRUE, nrow=4)

v

1. 1
2. 2
3. 3
4. 4
5. 5
6. 6
7. 7
8. 8
9. 9
10. 10

Crear Matrices de Vectores

Podemos combinar vectores para luego ingresarlos en una matriz. Por ejemplo, imagine los siguientes vectores a continuación de los precios de las acciones:

# no son valores reales
goog <- c(450,451,452,445,468)
msft <- c(230,231,232,236,228)

stocks <- c(goog,msft)

stock.matrix <- matrix(stocks,byrow=TRUE,nrow=2)

stock.matrix

Nombrando matrices

Ahora que tenemos nuestra matriz, sería bueno nombrar las filas y columnas para referencia. Podemos hacer esto de forma similar a la función names() para vectores, pero en este caso definimos colnames() y rownames().

days <- c('Mon','Tue','Wed','Thu','Fri')
st.names <- c('GOOG','MSFT')

colnames(stock.matrix) <- days
rownames(stock.matrix) <- st.names

stock.matrix

Aritmetica de Matrices

Podemos realizar operaciones matemáticas elemento por elemento en una matriz con un escalar (número único) al igual que con los vectores.

mat <- matrix(1:50,byrow=TRUE,nrow=5)
mat

# Multiplicacion
2*mat

# Division
1/mat

# Division
mat/2

# Potencia
mat ^ 2

Operadores de comparacion con Matrices

mat > 17

Aritmetica con matrices

Elemento a elemento

mat + mat

mat / mat

#Cuidado, puede dar numeros grandes
mat ^ mat

mat*mat

Multiplicación de Matrices

mat2 <- matrix(1:9, nrow=3)

mat2

# Verdadera Multiplicacion de Matrices
mat2 %*% mat2

Operaciones de matriz

Ahora que aprendimos cómo crear una matriz, ¡aprendamos a usar funciones y realizar operaciones en ella!

# Precios
goog <- c(450,451,452,445,468)
msft <- c(230,231,232,236,228)

# Poner los vectores en la matriz
stocks <- c(goog,msft)
stock.matrix <- matrix(stocks,byrow=TRUE,nrow=2)

# Nombrar la matriz
days <- c('Mon','Tue','Wed','Thu','Fri')
st.names <- c('GOOG','MSFT')
colnames(stock.matrix) <- days
rownames(stock.matrix) <- st.names

# Mostrarla
stock.matrix

Podemosrealizar funciones atraves de las columnas como colSums()

# Por columnas
colSums(stock.matrix)

Mon

680

Tue

682

Wed

684

Thu

681

Fri

696

# Por filas
rowSums(stock.matrix)

GOOG

2266

MSFT

1157

Tambien se pueden hacer diferentes operaciones matematicas,para mas informacion de todas las funciones disponibles: https://cran.r-project.org/doc/contrib/Short-refcard.pdf

# el valor promedio de cada fila
rowMeans(stock.matrix)

GOOG

453.2

MSFT

231.4

Agregar columnas y filas

Con cbind() se agregan nuevas columnas, y rbind() para nuevas filas.

FB <- c(111,112,113,120,145)

tech.stocks <- rbind(stock.matrix,FB)

tech.stocks

Ahora agreguemos una columna con el valor promedio a la matriz:

avg <- rowMeans(tech.stocks)

avg

GOOG

453.2

MSFT

231.4

FB

120.2

tech.stocks <- cbind(tech.stocks,avg)

tech.stocks

Selección e indexación de matrices

Al igual que con los vectores, utilizamos la notación de corchetes para seleccionar elementos de una matriz. Como tenemos dos dimensiones para trabajar, utilizaremos una coma para separar la indexación para cada dimensión. La sintaxis es:

matriz.ejemplo[filas, columnas]

Si cualquiera de las filas o columnas se deja en blanco, entonces estamos seleccionando todas las filas y columnas.

# Creando una matriz de 50elementos de 5 x10
mat <- matrix(1:50,byrow=TRUE,nrow=5)

mat

# Tomar la primera fila
mat[1,]

1. 1
2. 2
3. 3
4. 4
5. 5
6. 6
7. 7
8. 8
9. 9
10. 10

# Tomarla primera columna
mat[,1]

1. 1
2. 11
3. 21
4. 31
5. 41

# Tomar las primeras 3 filas
mat[1:3,]

# Tomar diferente numero de filas y columnas
# 1,2,3
# 11,12,13
#
mat[1:2,1:3]

#Tomar las dos ultimas columnas
mat[,9:10]

# Tomar los valores centrales
# 15,16
# 25,26
mat[2:3,5:6]

Factor y Matrices categoricas

la función factor() sirve para crear matrices categóricas. Esta función específica será extremadamente útil cuando comencemos a aplicar técnicas de análisis de datos y aprendizaje automático a nuestros datos, esta idea a veces también se conoce como la creación de dummy variables (variables ficticias).

Comencemos mostrando un ejemplo de por qué y cómo construimos esta matriz. Imagine que tenemos los siguientes vectores que representan datos de un santuario de animales para dogs(’d’) y cats(‘c’), donde cada uno tiene un número de identificación correspondiente en otro vector.

animal <- c('d','c','d','c','c')
id <- c(1,2,3,4,5)

Queremos convertir el vector animal en información que un algoritmo o ecuación pueda comprender más fácilmente. Lo que significa que queremos comenzar a verificar cuántas categorías (niveles de factores) hay en nuestro vector de caracteres. Esto se hace con la funcion factor()

factor.ani <- factor(animal)

# Ver los niveles creados
factor.ani

1. d
2. c
3. d
4. c
5. c

Podemos ver que tenemos dos niveles, ’d’ y ‘c’. En R hay dos tipos distintos de variables categóricas, una variable categórica ordinal y una variable categórica nominal

Las variables categóricas nominales no tienen ningún orden, como perros y gatos (no hay ningún orden para ellos). Versus Las variables categóricas ordinales (como su nombre lo indica) sí tienen un orden. Por ejemplo, si tuvieras el vector:

ord.cat <- c('frio','tibio','caliente')

Puede comenzar a asignar para estas variables, como: frio tibio caliente si quiere asignar un orden mientras usa la función factor(), puede pasar los argumentos ordenados = True y el pase los niveles = y pasar en un vector en el orden en que desea que estén los niveles. Por ejemplo:

temps <- c('frio','tibio','frio','tibio','caliente','caliente','frio')
fact.temp <- factor(temps,ordered=TRUE,levels=c('frio','tibio','caliente'))
fact.temp

1. frio
2. tibio
3. frio
4. tibio
5. caliente
6. caliente
7. frio

Esta información es útil cuando se usa junto con la función summary() que es una función sorprendentemente conveniente para obtener rápidamente información de una matriz o vector.

summary(temps)

   Length     Class      Mode
        7 character character

summary(fact.temp)

frio

3

tibio

2

caliente

2

Dataframes en R

Los Dataframes son una de las herramientas principales para el análisis de datos con R! Las entradas de la matriz eran limitadas porque todos los datos dentro de la matriz tenían que ser del mismo tipo de datos (numéricos, lógicos, etc.). ¡Con Dataframes podremos organizar y mezclar tipos de datos para crear una herramienta de estructura de datos muy poderosa!

# Dataframe sobre states
state.x77

# Gastos personales en US
USPersonalExpenditure

# Mujeres
women

Para obtener una lista de dataframes pre-instalados en R,use data()

data()

Trabajando con Dataframes

Cuando el dataframe es muy grande se puede usar la funcion head() y tail() para ver las primeras o ultimas 6 filas respectivamente.

#Asignacionde variable para escribir menos :)
states <- state.x77

head(states) #primeras 6 filas

tail(states) #ultimas 6 filas

Informacion General de los DataFrames

str() entrega la informacion de la estructura del dataframe y el tipo de datos que contiene, como el nombre de las variables y el tipo de datos.

summary() para obtener rapidamente informacion estadistica de cada columna, dependiendo de los datos puede ser su utilidad.

# Resumen estadistico de los datos
summary(states)

   Population        Income       Illiteracy       Life Exp
 Min.   :  365   Min.   :3098   Min.   :0.500   Min.   :67.96
 1st Qu.: 1080   1st Qu.:3993   1st Qu.:0.625   1st Qu.:70.12
 Median : 2838   Median :4519   Median :0.950   Median :70.67
 Mean   : 4246   Mean   :4436   Mean   :1.170   Mean   :70.88
 3rd Qu.: 4968   3rd Qu.:4814   3rd Qu.:1.575   3rd Qu.:71.89
 Max.   :21198   Max.   :6315   Max.   :2.800   Max.   :73.60
     Murder          HS Grad          Frost             Area
 Min.   : 1.400   Min.   :37.80   Min.   :  0.00   Min.   :  1049
 1st Qu.: 4.350   1st Qu.:48.05   1st Qu.: 66.25   1st Qu.: 36985
 Median : 6.850   Median :53.25   Median :114.50   Median : 54277
 Mean   : 7.378   Mean   :53.11   Mean   :104.46   Mean   : 70736
 3rd Qu.:10.675   3rd Qu.:59.15   3rd Qu.:139.75   3rd Qu.: 81162
 Max.   :15.100   Max.   :67.30   Max.   :188.00   Max.   :566432

# Estrutura de los Datos
str(states)

 num [1:50, 1:8] 3615 365 2212 2110 21198 ...
 - attr(*, "dimnames")=List of 2
  ..$ : chr [1:50] "Alabama" "Alaska" "Arizona" "Arkansas" ...
  ..$ : chr [1:8] "Population" "Income" "Illiteracy" "Life Exp" ...

Crear Dataframes

Podemos crear dataframes usando la función data.frame() y pasar vectores como argumentos, que luego convertirán los vectores en columnas del marco de datos.

empty <- data.frame() # data frame vacio

c1 <- 1:10 # vector de enteros

c2 <- letters[1:10] # vector de strings

df <- data.frame(col.name.1=c1,col.name.2=c2)

df

# Ejemplo con valores
# Algunos datos de la temperatura de los dias
days <- c('mon','tue','wed','thu','fri')
temp <- c(22.2,21,23,24.3,25)
rain <- c(TRUE, TRUE, FALSE, FALSE, TRUE)

# Conviertiendo los vectores en dataframe
df <- data.frame(days,temp,rain)

df

# estructura
str(df)

'data.frame': 5 obs. of  3 variables:
 $ days: chr  "mon" "tue" "wed" "thu" ...
 $ temp: num  22.2 21 23 24.3 25
 $ rain: logi  TRUE TRUE FALSE FALSE TRUE

# Resumen estadistico
summary(df)

     days                temp         rain
 Length:5           Min.   :21.0   Mode :logical
 Class :character   1st Qu.:22.2   FALSE:2
 Mode  :character   Median :23.0   TRUE :3
                    Mean   :23.1
                    3rd Qu.:24.3
                    Max.   :25.0

Seleccion e Indexacion de Dataframes

Se realiza utilizando corchetes [ ] y de la misma forma que con matrices df[filas,columnas]

# Toda la fila 1
df[1,]

# Toda la columna 1
df[,1]

1. 'mon'
2. 'tue'
3. 'wed'
4. 'thu'
5. 'fri'

# Tomar los datos del viernes
df[5,]

Seleccion usando nombres de columnas

Se pueden usar los nombes de las columnas en vez de las posiciones de las columnas

# Todos los valores de la columna rain
df[,'rain']

1. TRUE
2. TRUE
3. FALSE
4. FALSE
5. TRUE

# Primeas 5 filas de las columnas days y temp
df[1:5,c('days','temp')]

Si desea todos los valores de una columna en particular, puede usar el signo de dólar directamente después del dataframe de la siguiente manera (esta notacion es muy usada):

df.name$column.name

df$rain

1. TRUE
2. TRUE
3. FALSE
4. FALSE
5. TRUE

df$days

1. 'mon'
2. 'tue'
3. 'wed'
4. 'thu'
5. 'fri'

También puede usar la notación de corchetes para devolver un dataframe con la misma información:

df['rain']

df['days']

Filtrar un subconjunto de datos con condiciones

Podemos usar la función subset() para tomar un subconjunto de valores de nuestro dataframe en función de alguna condición. Entonces, por ejemplo, si quisiéramos tomar los días en los que llovió (rain = True), podemos usar la función subset() de la siguiente manera:

subset(df,subset=rain==TRUE)

Observe cómo la condición utiliza algún tipo de operador de comparación, en el caso anterior ==. Tomemos días donde la temperatura era mayor que 23:

subset(df,subset= temp>23)

Otra cosa a tener en cuenta es que no pasamos el nombre de la columna como un string, el subconjunto sabe que se está refiriendo a una columna en ese dataframe.

Ordenar un Dataframe

Podemos organizar el orden de un dataframe utilizando la función order().

# Orden ascendente
sorted.temp <- order(df$temp)

df[sorted.temp,]

Observemos en realidad de que tipo es sorted.temp:

sorted.temp

1. 2
2. 1
3. 3
4. 4
5. 5

# Orden descendente poniendo el signo negativo
desc.temp <- order(-df$temp)

df[desc.temp,]

Informacion de filas y columnas

# Numero de Filas y Columnas
nrow(df)
ncol(df)

5

3

# Nombres de las columnas
colnames(df)

1. 'days'
2. 'temp'
3. 'rain'

# Nombre de las filas (En este dataframe son numeros)
rownames(df)

1. '1'
2. '2'
3. '3'
4. '4'
5. '5'

Referenciando Celdas especificas

Se utiliza corchetes dobles para obtener un solo numero y corchetes simples para varias celdas

vec <- df[[5, 2]] # obtener la celda po [[fila,columna]]
vec

25

newdf <- df[1:3, 1:2] # tomar varias celdas
newdf

df[[2, 'temp']] <- 99999 # reasignando el valor en una celda
df

Referenciando filas

# Retorna un dataframe (No un vector)
rowdf <- df[1, ]
rowdf

#Para obtener un vector debe ser asi
vrow <- as.numeric(as.vector(df[1,]))
vrow

Warning message in eval(expr, envir, enclos):
“NAs introduced by coercion”

1. <NA>
2. 22.2
3. 1

Referenciando Columnas

La mayoria de referencias de columna retornan un vector

# dataset de carros
cars <- mtcars
head(cars)

colv1 <- cars$mpg # retorna un vector
colv1

1. 21
2. 21
3. 22.8
4. 21.4
5. 18.7
6. 18.1
7. 14.3
8. 24.4
9. 22.8
10. 19.2
11. 17.8
12. 16.4
13. 17.3
14. 15.2
15. 10.4
16. 10.4
17. 14.7
18. 32.4
19. 30.4
20. 33.9
21. 21.5
22. 15.5
23. 15.2
24. 13.3
25. 19.2
26. 27.3
27. 26
28. 30.4
29. 15.8
30. 19.7
31. 15
32. 21.4

colv2 <- cars[, 'mpg'] # retorna un vector
colv2

1. 21
2. 21
3. 22.8
4. 21.4
5. 18.7
6. 18.1
7. 14.3
8. 24.4
9. 22.8
10. 19.2
11. 17.8
12. 16.4
13. 17.3
14. 15.2
15. 10.4
16. 10.4
17. 14.7
18. 32.4
19. 30.4
20. 33.9
21. 21.5
22. 15.5
23. 15.2
24. 13.3
25. 19.2
26. 27.3
27. 26
28. 30.4
29. 15.8
30. 19.7
31. 15
32. 21.4

colv3<- cars[, 1] # son int o string?
colv3

1. 21
2. 21
3. 22.8
4. 21.4
5. 18.7
6. 18.1
7. 14.3
8. 24.4
9. 22.8
10. 19.2
11. 17.8
12. 16.4
13. 17.3
14. 15.2
15. 10.4
16. 10.4
17. 14.7
18. 32.4
19. 30.4
20. 33.9
21. 21.5
22. 15.5
23. 15.2
24. 13.3
25. 19.2
26. 27.3
27. 26
28. 30.4
29. 15.8
30. 19.7
31. 15
32. 21.4

colv4 <- cars[['mpg']] # retorna un vector
colv4

1. 21
2. 21
3. 22.8
4. 21.4
5. 18.7
6. 18.1
7. 14.3
8. 24.4
9. 22.8
10. 19.2
11. 17.8
12. 16.4
13. 17.3
14. 15.2
15. 10.4
16. 10.4
17. 14.7
18. 32.4
19. 30.4
20. 33.9
21. 21.5
22. 15.5
23. 15.2
24. 13.3
25. 19.2
26. 27.3
27. 26
28. 30.4
29. 15.8
30. 19.7
31. 15
32. 21.4

Para retornar dataframes puederser asi:

mpgdf <- cars['mpg'] # retorna un dataframe de 1 col
head(mpgdf)

mpgdf2 <- cars[1] # retorna un dataframe de 1 col
head(mpgdf2)

Agregando Filas rbind()

df

# Los dos argumentos son dataframes
df2 <- data.frame(days = "sat", temp = NA ,rain = TRUE )
df2

# usar rbind para agregar una nueva fila
df <- rbind(df,df2)
df

Agregando Columnas cbind()

# crear una columna convalores NA
df$newcol <- rep(NA, nrow(df))
df

# Copiar una columna
df[, 'copy.of.temp'] <- df$temp
df

# tambien se pueden usar ecuaciones
df[['temp.times.2']] <- df$temp * 2
df

# Usando la funcion cbind()
df3 <- cbind(df, df$temp)
df3

Definir el Nombre de las Columnas

# Renombrar unacolumna
colnames(df)[5] <- 'copia.Temperatura'
df

# Renombrar todas con un vector
colnames(df) <- c('col.name.1', 'col.name.2', 'col.name.3', 'col.name.4' ,'copy.temp','temp2')
df

Seleccion de varias Filas

# Seleccionar solo algunas filas
primeras.cuatro.filas <- df[1:4, ] # Lo mismo que head(df, 4)
primeras.cuatro.filas

# No tomar alguna fila
todo.sin.fila.dos <- df[-2, ]
todo.sin.fila.dos

# Seleccion Condicional
sub1 <- df[ (df$col.name.2 > 23 & df$temp2 > 48), ]
sub1

# Seleccion Condicional
sub2 <- subset(df, col.name.2 > 23 & temp2 < 100)
sub2

Seleccion de varias columnas

# Tomar las columnas 1 2 3
df[, c(1, 2, 3)]

# Por el nombre
df[, c('col.name.1', 'temp2')]

# Tomar todo menos la primera columna
df[, -1]

# Tomar todo menos la columna 1 y 3
df[, -c(1, 3)]

Tratando con datos faltantes

Tratar con los datos que faltan es una habilidad muy importante que debe conocer cuando se trabaja con dataframes. Las celdas con datos faltantes se llenan con el valor na

df2 <- df# hacer una copia del dataframe
df2

# detectar si hay algun dato faltante en el dataframa
any(is.na(df2))

TRUE

# Algun dato faltante en la columna buscada
any(is.na(df2$col.name.1))

FALSE

# Algun dato faltante en la columna buscada
any(is.na(df2$col.name.4))

TRUE

# reemplazar NA con algun valor
df2[is.na(df2)] <- 0 # lo hace para todo el dataframe
df2

# Para una columna en especifico
df2<-df
df2$col.name.4[is.na(df2$col.name.4)] <- 999
df2

# Borrar las filas que tengan datos faltantes en una columna especifica
df2<-df
df2 <- df2[!is.na(df2$col.name.2),]
df2

Mezclando dataframes merge()

# utilice columnas de caracteres de nombres para obtener un orden de clasificación razonable
authors <- data.frame(
    surname = I(c("Tukey", "Venables", "Tierney", "Ripley", "McNeil")),
    nationality = c("US", "Australia", "US", "UK", "Australia"),
    deceased = c("yes", rep("no", 4)))
authors

books <- data.frame(
    name = I(c("Tukey", "Venables", "Tierney",
             "Ripley", "Ripley", "McNeil", "R Core")),
    title = c("Exploratory Data Analysis",
              "Modern Applied Statistics ...",
              "LISP-STAT",
              "Spatial Statistics", "Stochastic Simulation",
              "Interactive Data Analysis",
              "An Introduction to R"),
    other.author = c(NA, "Ripley", NA, NA, NA, NA,
                     "Venables & Smith"))
books

# Mezclar authors y books por el nombre
# Observar que estan en columnas diferentes
(m1 <- merge(authors, books, by.x = "surname", by.y = "name"))