Introducción a R

XII Congreso Colombiano de Botánica

Álex Espinosa Correa

Universidad de Antioquia

Bladimir Vera Marín

Universidad de Antioquia

Proposito 1

Un diagrama de dispersión de la masa corporal frente a la longitud de la aleta de los pingüinos, con una línea de mejor ajuste de la relación entre estas dos variables superpuesta. El gráfico muestra una relación positiva, bastante lineal y relativamente fuerte entre estas dos variables. Las especies (Adelia, Barbijo y Papúa) se representan con diferentes colores y la relación entre la masa corporal y la longitud de la aleta es aproximadamente la misma para estas tres especies, y los pingüinos Papúa son #| más grandes que los pingüinos de las otras dos especies.

Proposito 2

Especie	Isla	Sexo	n	Porcentaje (%)
Adelie	Biscoe	Hembra	22	50.00
	Biscoe	Macho	22	50.00
	Dream	Hembra	27	48.21
		Macho	28	50.00
		NA	1	1.79
	Torgersen	Hembra	24	46.15
		Macho	23	44.23
		NA	5	9.62
Chinstrap	Dream	Hembra	34	50.00
Chinstrap	Dream	Macho	34	50.00
Gentoo	Biscoe	Hembra	58	46.77
		Macho	61	49.19
		NA	5	4.03

Qué es R

R es un sistema para computación estadística y gráficos. Consiste en un lenguaje más un entorno de ejecución con gráficos, un depurador, acceso a ciertas funciones del sistema y la capacidad de ejecutar programas almacenados en archivos de script. R Core Team (2024)

Lenguaje: R es un lenguaje de programación, con sintaxis y funciones propias.
Entorno de ejecución: R proporciona un entorno en el que se pueden ejecutar programas escritos en R.
Gráficos: R incluye capacidades avanzadas para la creación de gráficos.
Depurador: R incluye herramientas para encontrar y corregir errores en sus scripts.
Acceso a funciones del sistema: R puede interactuar con el sistema operativo.
Programas en scripts: se pueden escribir programas y guardarlos en archivos de texto con extensión .R (scripts).

Historia

Algunos hitos importantes en la historia de R. Modificado de Giorgi et al. (2022).

Nuestros guías

R for data science de Wickham et al. (2023). Disponible en r4ds.hadley.nz/

Quizá la persona más importante en el ecosistema R.

Flujo de trabajo en ciencias de datos

En este modelo, todo comienza con la importación y limpieza de los datos. Seguido de un ciclo iterativo de transformación, visualización y modelado. Finalmente, termina con comunicar. Tomado de Wickham et al. (2023).

Programar es como llevar un buen matrimonio

Recordemos donde estamos

Apariencia por defecto de RStudio.

Ejecutar código

Ejecutar código en la consola de R es muy sencillo. Sólo tienes que escribirlo al lado de símbolo de mayor que > y presionar enter para ejecutarlo. En la consola de R, el signo > se conoce como prompt, mientras que el código que escribes se llama un comando.

Console

> 4 + 2
[1] 6
> 4 * 2
[1] 8
> 4 / 2
[1] 2
> 4**2
[1] 16

El número que aparece entre corchetes [] informa que esta línea comienza con ese valor del resultado. Algunos comandos devuelven más de un valor y sus resultados pueden ocupar múltiples líneas. Estos números se pueden ignorara en la mayoría de los casos.

Los símbolos +, suma; -, resta; *, multiplicación; /, división; ** o ^, exponencial; son algunos de operadores matemáticos que tiene R.

Otros operadores

El operador dos puntos : devuelve todos los enteros entre dos enteros. Es una forma fácil de crear una secuencia de números.

Console

> 4:2
[1] 4 3 2

Los operadores de comparación son: == igual != no igual, > mayor que, < menor que, >= mayor o igual que, <= menor o igual que.

Console

> 4 == 2
[1] FALSE
> 4 != 2
[1] TRUE

Los operadores lógicos son: | OR, & AND, ! NOT.

Console

> TRUE | FALSE
[1] TRUE
> TRUE & FALSE
[1] FALSE
> TRUE & !FALSE
[1] TRUE

Crear objetos

Las entidades que R crea y manipula se denominan objetos. Un objeto es un nombre que puedes usar para llamar a los datos almacenados. Los objetos se crean utilizando el operador de asignación <-. Cuando se crea un objeto este aparecerá en el environment pane de RStudio. En RStudio el atajo de teclado para <- es Alt--

console

> x <- 4 * 2

En R los nombres se pueden nombrar de cualquier manera, con dos excepciones. Primero, un nombre no puede comenzar con un número. Segundo, un nombre no puede usar algunos símbolos especiales, como ^, !, $, @, +, -, /, o *.

Llamar objetos

El valor de x no se imprime en consola, sólo se almacena. Si se quiere ver el valor, hay que llamarlo.

Console

> x
[1] 8

Crear objetos

Se pueden combinar múltiples elementos en un vector usando c()

Console

# crear vector de números primos
numeros_primos <- c(2, 3, 5, 7, 11, 13)

Operación con vectores

Así mismo, se pueden realizar operación con los vectores.

Console

# Multiplicar vector de números primos por dos.
> numeros_primos * 2
[1]  4  6 10 14 22 26

R ignora cualquier texto después de #. Esto permite escribir comentarios, texto que es ignorado por R pero leído por otras personas. Usa comentarios para explicar el porqué de tu código, no el cómo ni el qué.

Tipos de datos

En R, hay 5 tipos de datos principales:

numeric:
- double: números reales (con decimales)
- integer: números enteros
character: cadenas de texto (a.k.a. strings)
complex: números complejos.
logical: TRUE, FALSE, NA. (a.k.a. booleanos)

Para identificar el tipo de datos:

class(): dvuelve la clase de un objeto.
typeof(): muestra el tipo de dato subyacente.
mode(): informa el modo de almacenamiento.
is.numeric(), is.character(), is.logical(), etc.: verifica si el dato es de un tipo específico.

Estructura de datos

En R, estos son las principales estructuras de datos:

Vectores: unidimensionales y homogéneos.
Matrices: bidimensionales y homogéneas.
Arrays: multidimensionales y homogéneos.
Data frames: bidimensionales y heterogéneos.
Listas: estructuras heterogéneas y unidimensionales.
Factores: datos categorizados

Para identificar la estructura de datos:

str(): muestra la estructura compacta del objeto.
dim(): devuelve las dimensiones (filas y columnas).
length(): número total de elementos.
attributes(): verifica los atributos del objeto.
summary(): resumen estadístico o descriptivo del objeto.

Funciones

Las funciones son bloques de código que realizan una tarea específica y que pueden ser invocadas (llamadas) desde cualquier parte.

En R las funciones se han de llamar así:

Console

nombre_funcion(argumento_1 = valor_1, argumento_2 = valor_2, ...)

Por ejemplo la función seq() que crea secuencias regulares de números.

Console

> seq(from = 1, to = 10)
 [1]  1  2  3  4  5  6  7  8  9 10

A menudo omitimos los nombres de los primeros argumentos en las llamadas a funciones, por lo que podemos reescribir esto de la siguiente manera:

Console

> seq(1, 10)
 [1]  1  2  3  4  5  6  7  8  9 10

Algunas funciones de R: mean() calcula la media de un vector. sum() suma los elementos de un vector. summary() proporciona un resumen estadístico de un objeto. str() muestra la estructura de un objeto.

Paquetes

Los paquetes son las unidades fundamentales del código reproducible en R. Incluyen funciones reutilizables de R, la documentación que describe cómo usarlas y datos de muestra. Wickham & Bryan (2023) Muchos paquetes de R se encuentran en The Comprehensive R Archive Network (CRAN). CRAN es una red de servidores FTP y web alrededor del mundo que almacenan versiones idénticas y actualizadas del código y la documentación de R.

Instalar y usar paquetes

En R (casi) todos los paquetes se pueden instalar utilizando la función install.packages().

Console

install.packages("ethnobotanyR")

Para poder usar los paquetes se han de cargar (llamar) usando la función library().

Console

library(ethnobotanyR)

Funciones de diferentes paquetes pueden tener el mismo nombre. Por lo cual es recomendable ser explicito a la hora de llamarlas, para lo cual se utilizan :: entre el nombre del paquete y el nombre de la función.

Console

nombre_paquete::nombre_funcion()

Esto no es una pipa `|>`

R 4.1.0 introdujo el operador |> (pipe). Este operador toma la salida de una función y la pasa a otra función como argumento. Enlaza todos los pasos del análisis de datos haciendo que el código sea más eficiente y legible.

Console

> media_numeros_primos <- mean(c(2, 3, 5, 7, 11, 13))
> print(media_numeros_primos)
[1] 6.833333

Console

> numeros_primos <- c(2, 3, 5, 7, 11, 13)
> media_numeros_primos <- mean(numeros_primos)
> print(media_numeros_primos)
[1] 6.833333

Console

> media_numeros_primos <- 
+   c(2, 3, 5, 7, 11, 13) |> 
+   mean() |> 
+   print()
[1] 6.833333

En RStudio hay que activarlo yendo Tools -> Global Options -> Code -> Editing. El atajo de teclado para |> es Shift-Ctrl-M

Scripts

Los scripts son archivos que contienen código en lenguaje R, organizado de manera secuencial para realizar operaciones específicas, análisis de datos, o cualquier tarea que se pueda automatizar.

script.r

# Instalar paquetes
install.packages(
  c(
    "tidyverse",
    "palmerpenguins"
    "ggthemes"
  )
)

# Cargar paquetes
library(tidyverse)
library(palmerpenguins)
library(ggthemes)

# Crea un vector con el gráfico hecho en `ggplot2`
fig_pinguinos <- 
  palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = flipper_length_mm,
      y = body_mass_g
    )
  ) + 
  ggplot2::geom_point()

# Muestras el gráfico
fig_pinguinos

En RStudio hay varias maneras de crear un script y otros archivos.

En la opción a File -> New File -> New R script
Usando el atajo de teclado Shift-Ctrl-N
En la opción New File, sobre la esquina superior derecha del Source pane, en este icono
En la opción New Blank File de la pestaña Files en el Output pane
Usando la Paleta de comandos Ctrl-Shift-P o Tools > Show Command Palette

El código de un script se puede correr linea por linea usando Ctrl-Enter o Ctrl-Shift-Enter corre todo el script.

Que alguien llame a alguien

Antes de pedir ayuda a los demás, suele ser buena idea que intentes ayudarte a ti mismo.

Dentro de R

La función help() o el operador ? proporcionan acceso a documentación de las funciones, conjuntos de datos y otros objetos de R. Por ejemplo: help(lm) o help("lm"), o ?lm o ?"lm". Si el paquete de la función no está cargado se tendría que usar help(rlm, package="MASS"). Para acceder a la documentación de un paquete se ha usar help(package="MASS"). Se puede usar ?? para una palabra o frase en la documentación.

Fuera de R

Google is your friend
Stack Overflow
https://search.r-project.org
https://rseek.org

Siempre es buena idea hacer un reprex (minimal reproducible example). Un buen reprex facilita que otras personas puedan ayudarlo y, a menudo, usted mismo descubrirá el problema durante el proceso. Hacer un reprex consiste en:

Hacer que tu código sea reproducible, usando reprex
Hacerlo mínimo eliminando todo lo que no esté relacionado con el problema.

Actividad

Crear un script dentro de la carpeta intro-r
Practicar la sintaxis vista en esta sección
Consultar la ayuda del paquete palmerpenguins

15:00

Tidyverse

El tidyverse es una colección estructurada de paquetes de R diseñados para la ciencia de datos. Todos los paquetes comparten una filosofía de diseño subyacente, una gramática y estructuras de datos. Wickham et al. (2019).

console

install.packages("tidyverse")

Carguemos el tidyverse y observemos la salida.

console

> library(tidyverse)
── Attaching core tidyverse packages ─────────────────────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.0     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ───────────────────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package to force all conflicts to become errors

Tidyverse y la ciencia de datos

El Tidyverse tiene multipes paquetes que nos ayudaran durante todo el proceso de analizar los datos. Tomado de Çetinkaya-Rundel (2023).

Datos ordenados

Hay tres reglas interrelacionadas que hacen que un conjunto de datos esté ordenado:

Cada variable es una columna; cada columna es una variable.
Cada observación es una fila; cada fila es una observación.
Cada valor es una celda; cada celda es un único valor.

Las siguientes tres reglas hacen que un conjunto de datos esté ordenado: las variables son columnas, las observaciones son filas y los valores son celdas. Tomado de Wickham et al. (2023).

Tibbles

Data frame: estructura de datos bidimensional de variables (en las columnas) y observaciones (en las filas), puede almacenar diferentes tipos de datos.

iris

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa

Tibble: versión moderna de un data frame, optimizados para un manejo de datos más intuitivo y legible. Pertenece al tidyverse.

palmerpenguins::penguins

# A tibble: 5 × 8
  species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
1 Adelie  Torgersen           39.1          18.7               181        3750
2 Adelie  Torgersen           39.5          17.4               186        3800
3 Adelie  Torgersen           40.3          18                 195        3250
4 Adelie  Torgersen           NA            NA                  NA          NA
5 Adelie  Torgersen           36.7          19.3               193        3450
# ℹ 2 more variables: sex <fct>, year <int>

Conozcamos los datos

La función dplyr::glimpse() es similar a utils::str(), pero intenta mostrar la mayor cantidad de datos posible.

palmerpenguins::penguins |> 
  dplyr::glimpse()

Rows: 344
Columns: 8
$ species           <fct> Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Adel…
$ island            <fct> Torgersen, Torgersen, Torgersen, Torgersen, Torgerse…
$ bill_length_mm    <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3, 38.9, 39.2, 34.1, …
$ bill_depth_mm     <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6, 17.8, 19.6, 18.1, …
$ flipper_length_mm <int> 181, 186, 195, NA, 193, 190, 181, 195, 193, 190, 186…
$ body_mass_g       <int> 3750, 3800, 3250, NA, 3450, 3650, 3625, 4675, 3475, …
$ sex               <fct> male, female, female, NA, female, male, female, male…
$ year              <int> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…

Las tres variables de palmerpenguins::penguins que usaremos son:

species: la especie de un pingüino (Adelie, Chinstrap o Gentoo).
flipper_length_mm: longitud de la aleta de un pingüino, en milímetros.
body_mass_g: masa corporal de un pingüino, en gramos.

Tomado de Horst et al. (2020).

`ggplot2`

Sistema para la creación de gráficos. Se basa en la gramática de gráficos (marco teórico desarrollada por Leland Wilkinson para construir gráficos de manera sistemática y coherente), permitiendo construir gráficos de manera declarativa mediante capas de componentes, como datos, escalas, geoms (formas geométricas), facetas y temas.

Los siete componentes que permiten crear un gráfico en `ggplot2`.

`ggplot2` — data

Para comenzar un gráfico, primero definimos un objeto gráfico usando la función ggplot2::ggplot(). El primer argumento de ggplot2::ggplot() son los datos que se utilizará en el gráfico:

ggplot2::ggplot(
  data = palmerpenguins::penguins
)

`ggplot2` — mapping

mapping define cómo las variables de los datos se asignan a propiedades visuales (aesthetics) del gráfico. Se definen con ggplot2::aes(). x e y especifican qué variables se asignarán a los ejes x e y.

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
)

`ggplot2` — layers: geometry

geometry es el objeto geométrico que se utiliza para representar datos: puntos, líneas o rectángulos. Se definen con geom_*(). A menudo se describen los gráficos por el tipo de geom que utilizan¹.

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
) +
  ggplot2::geom_point()

`ggplot2` — agregando aesthetics

Podemos agregar más propiedades visuales (aesthetics). ggplot2 asigna un valor único (como color) a cada nivel de una variable categórica y añade una leyenda que lo explica. Este proceso se llama scaling.

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g,
    color = species
  )
) +
  ggplot2::geom_point()

`ggplot2` — agregando layers

Podemos hacer los gráficos más informativos agregando más layers, ya sean objetos geométricos (geom_*), transformaciones estadísticas (stats_*) o ajustes de posición (position_*).

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g,
    color = species
  )
) +
  ggplot2::geom_point() + 
  ggplot2::geom_smooth(
    method = "lm"
  )

`ggplot2` — asignación global o local

Los aesthetics pueden agregarse de forma global para todo los geom del gráfico o pueden asignarse de forma local para un geom especifico.

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
) +
  ggplot2::geom_point(
    mapping = ggplot2::aes(
      color = species
    )
  ) + 
  ggplot2::geom_smooth(
    method = "lm"
  )

`ggplot2` — accesibilidad

Generalmente no es una buena idea representar información usando sólo colores, por lo cual podemos combinar con formas o usando paletas de colores apta para personas con limitaciones visuales.

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
) +
  ggplot2::geom_point(
    mapping = ggplot2::aes(
      color = species,
      shape = species
    )
  ) + 
  ggplot2::geom_smooth(
    method = "lm"
  ) + 
  ggthemes::scale_color_colorblind()

`ggplot2` — scales

scales controlan cómo se traducen los datos a propiedades visuales. scales suelen formar parejas con aesthetics, y se representan en los gráficos mediante guías, como ejes o leyendas. ggplot2::labs() y ggplot2::lims() son para los ajustes más comunes de las etiquetas y los límites.

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
) +
  ggplot2::geom_point(
    mapping = ggplot2::aes(
      color = species,
      shape = species
    )
  ) + 
  ggplot2::geom_smooth(
    method = "lm"
  ) + 
  ggplot2::labs(
    title = "Masa corporal y longitud de la aleta",
    subtitle = "Dimensiones para los Pingüinos Adelie (Adelia), Chinstrap (Barbijo) y Gentoo (Papúa)",
    x = "Longitud de la aleta (mm)",
    y = "Masa corporal (g)",
    color = "Especie",
    shape = "Especie"
  ) + 
  ggthemes::scale_color_colorblind()

`ggplot2` — theme

theme controla casi todos los elementos visuales del gráfico que no están controlados por los datos y es importante para el aspecto del gráfico. Puede utilizarse muchas de las funciones de theme_*( ).

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
) +
  ggplot2::geom_point(
    mapping = ggplot2::aes(
      color = species,
      shape = species
    )
  ) + 
  ggplot2::geom_smooth(
    method = "lm"
  ) + 
  ggplot2::labs(
    title = "Masa corporal y longitud de la aleta",
    subtitle = "Dimensiones para los Pingüinos Adelie (Adelia), Chinstrap (Barbijo) y Gentoo (Papúa)",
    x = "Longitud de la aleta (mm)",
    y = "Masa corporal (g)",
    color = "Especies",
    shape = "Especies"
  ) + 
  ggplot2::theme_minimal() +
  ggthemes::scale_color_colorblind()

`ggplot2` — invocanción

Mientras se aprende, es bueno ser explicito con los argumentos y los valores.

ggplot2::ggplot(
  data = palmerpenguins::penguins,
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
) +
  ggplot2::geom_point()

Es común que se omita el nombre de los argumentos o que se adopten estilos o formas de escribir código.

ggplot2::ggplot(
  palmerpenguins::penguins,
  ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
) +
  ggplot2::geom_point()

Lo anterior, en un flujo de trabajo usando |> se vería así:

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = flipper_length_mm,
      y = body_mass_g)
  ) +
  ggplot2::geom_point()

Actividad

Abrir el archivo ggplot.qmd que se encuentra en la carpeta intro-r
Realizar la Actividad 1.

15:00

Visualizando distribuciones

Una variable categórica

Una variable es categórica si toma uno de varios valores limitados. Para analizar su distribución, se usa un gráfico de barras, donde la altura indica cuántas observaciones tiene cada valor.

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = species
    )
  ) +
  ggplot2::geom_bar()

En gráficos de barras con categorías no ordenadas, es útil reordenar las barras por frecuencia. Se hace convirtiendo la variable en un factor y reordenando los niveles con forcats::fct_infreq().

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = forcats::fct_infreq(species)
    )
  ) +
  ggplot2::geom_bar()

Una variable numérica

Una variable es numérica (o cuantitativa) si puede tomar una amplia gama de valores numéricos y tiene sentido sumarlos, restarlos o calcular promedios con esos valores. Las variables numéricas pueden ser continuas o discretas. Una visualización comúnmente utilizada para distribuciones de variables continuas es un histograma.

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = body_mass_g
    )
  ) +
  ggplot2::geom_histogram(
    binwidth = 200
  )

Una variable numérica

Un gráfico de densidad es una versión suavizada de un histograma y una alternativa práctica, especialmente para datos continuos que provienen de una distribución subyacente suave. Muestra menos detalles que un histograma, pero puede facilitar la comprensión rápida de la forma de la distribución, especialmente con respecto a la moda y la asimetría.

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = body_mass_g
    )
  ) +
  ggplot2::geom_density()

Visualizando relaciones

Una variable numérica y categórica

Para visualizar la relación entre una variable numérica y una variable categórica, podemos usar diagramas de caja (box plots). Un diagrama de caja es un tipo de representación visual para medidas de posición (percentiles) que describen una distribución. También es útil para identificar posibles valores atípicos.

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = species,
      y = body_mass_g
    )
  ) +
  ggplot2::geom_boxplot()

Una variable numérica y categórica

Alternativamente, podemos hacer gráficos de densidad con ggplot2::geom_density().

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = body_mass_g,
      color = species
      
    )
  ) +
  ggplot2::geom_density(
    linewidth = 0.75
  )

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = body_mass_g,
      color = species,
      fill = species
    )
  ) +
  ggplot2::geom_density(
    alpha = 0.5
  )

Dos variables categóricas

Podemos utilizar gráficos de barras apiladas para visualizar la relación entre dos variables categóricas.

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = island,
      fill = species
    )
  ) +
  ggplot2::geom_bar()

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = island,
      fill = species
    )
  ) +
  ggplot2::geom_bar(position = "fill")

Dos variables numéricas

Un diagrama de dispersión es probablemente el gráfico más utilizado para visualizar la relación entre dos variables numéricas.

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = flipper_length_mm,
      y = body_mass_g
    )
  ) +
  ggplot2::geom_point(
    ggplot2::aes(
      color = species,
      shape = island
    )
  )

Tres o más variables

En ggplot2 podemos incorporar más variables en un gráfico asignándolas a estéticas adicionales. Agregar demasiadas asignaciones estéticas a un gráfico lo hace confuso y difícil de interpretar. Una forma particularmente útil para variables categóricas es dividir el gráfico en facets, subgráficos que muestran cada uno un subconjunto de los datos.

palmerpenguins::penguins |> 
  ggplot2::ggplot(
    ggplot2::aes(
      x = flipper_length_mm,
      y = body_mass_g
    )
  ) +
  ggplot2::geom_point(
    ggplot2::aes(
      color = species,
      shape = species
    )
  ) + 
  ggplot2::facet_wrap(
    ~island
  )

Problemas comunes con `ggplot2`

Un problema común al crear gráficos con ggplot2 es colocar el + en el lugar incorrecto: debe ir al final de la línea, no al inicio.

Forma incorrecta

ggplot2::ggplot(
  data = palmerpenguins::penguins
) 
+ ggplot2::geom_point(
  mapping = ggplot2::aes(
    x = flipper_length_mm,
    y = body_mass_g
  )
)

Forma correcta:

ggplot2::ggplot(
  data = palmerpenguins::penguins
) + 
  ggplot2::geom_point(
    mapping = ggplot2::aes(
      x = flipper_length_mm,
      y = body_mass_g
    )
  )

Resumen de `ggplot2`

Asignación global

DATA |> 
  ggplot2::ggplot(
    ggplot2::aes(MAPPINGS)
  ) + 
  ggplot2::geom_*()

Asignación local

DATA |> 
  ggplot2::ggplot(
    ggplot2::aes(MAPPINGS)
  ) + 
  ggplot2::geom_*(ggplot2::aes(MAPPINGS))

Actividad

Abrir el archivo ggplot.qmd que se encuentra en la carpeta intro-r
Realizar la Actividad 2.

15:00

«En el principio era el Verbo»

Tidyverse y la ciencia de datos

El Tidyverse tiene multipes paquetes que nos ayudaran durante todo el proceso de analizar los datos. Tomado de Çetinkaya-Rundel (2023).

`dplyr`

dplyr es una gramática de transformación de datos que proporciona un conjunto consistente de verbos (funciones) que ayudan a resolver los desafíos de manipulación de datos más comunes.

Todas las funciones tienen estás características en común:

El primer argumento es siempre un data frame.
Los argumentos siguientes suelen describir las columnas sobre las que se va a operar utilizando los nombres de las variables (sin comillas).
La salida es siempre un nuevo data frame.

Los verbos de dplyr están organizados en cuatro grupos basados en lo que operan:

Filas

arrange()
distinct()
filter()
slice_*()

Columnas

mutate()
relocate()
rename()
select()

Grupos

count()
group_by()
summarise()

Data frames

*_join()

`dplyr` — filas: `arrange()`

arrange() Ordena las filas utilizando los valores de las columnas

palmerpenguins::penguins |> 
  dplyr::arrange(island)

# A tibble: 344 × 8
   species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>           <dbl>         <dbl>             <int>       <int>
 1 Adelie  Biscoe           37.8          18.3               174        3400
 2 Adelie  Biscoe           37.7          18.7               180        3600
 3 Adelie  Biscoe           35.9          19.2               189        3800
 4 Adelie  Biscoe           38.2          18.1               185        3950
 5 Adelie  Biscoe           38.8          17.2               180        3800
 6 Adelie  Biscoe           35.3          18.9               187        3800
 7 Adelie  Biscoe           40.6          18.6               183        3550
 8 Adelie  Biscoe           40.5          17.9               187        3200
 9 Adelie  Biscoe           37.9          18.6               172        3150
10 Adelie  Biscoe           40.5          18.9               180        3950
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>

Para ordenar de mayor a menor se ha de usar dplyr::desc() dentro de dplyr::arrange().

palmerpenguins::penguins |> 
  dplyr::arrange(dplyr::desc(island))

# A tibble: 344 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           NA            NA                  NA          NA
 5 Adelie  Torgersen           36.7          19.3               193        3450
 6 Adelie  Torgersen           39.3          20.6               190        3650
 7 Adelie  Torgersen           38.9          17.8               181        3625
 8 Adelie  Torgersen           39.2          19.6               195        4675
 9 Adelie  Torgersen           34.1          18.1               193        3475
10 Adelie  Torgersen           42            20.2               190        4250
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>

`dplyr` — filas: `distinct()`

distinct() Mantiene filas distintas/únicas

palmerpenguins::penguins |> 
  dplyr::distinct(island)

# A tibble: 3 × 1
  island   
  <fct>    
1 Torgersen
2 Biscoe   
3 Dream

`dplyr` — filas: `filter()`

filter() Mantiene las filas que cumplen una condición

palmerpenguins::penguins |> 
  dplyr::filter(island == "Dream")

# A tibble: 124 × 8
   species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>           <dbl>         <dbl>             <int>       <int>
 1 Adelie  Dream            39.5          16.7               178        3250
 2 Adelie  Dream            37.2          18.1               178        3900
 3 Adelie  Dream            39.5          17.8               188        3300
 4 Adelie  Dream            40.9          18.9               184        3900
 5 Adelie  Dream            36.4          17                 195        3325
 6 Adelie  Dream            39.2          21.1               196        4150
 7 Adelie  Dream            38.8          20                 190        3950
 8 Adelie  Dream            42.2          18.5               180        3550
 9 Adelie  Dream            37.6          19.3               181        3300
10 Adelie  Dream            39.8          19.1               184        4650
# ℹ 114 more rows
# ℹ 2 more variables: sex <fct>, year <int>

Hay muchas funciones y operadores que resultan útiles a la hora de construir las expresiones utilizadas para filtrar los datos:

Operadores de comparación (==, !=, >, <, >=, <=)
Operadores lógicos (|, &, !)
base::is.na()
dplyr::between(), dplyr::near()

`dplyr` — filas: `slice_()*`

slice_()* Subconjunto de filas utilizando sus posiciones

palmerpenguins::penguins |> 
  dplyr::slice_min(body_mass_g, n = 5)

# A tibble: 7 × 8
  species   island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <fct>     <fct>              <dbl>         <dbl>             <int>       <int>
1 Chinstrap Dream               46.9          16.6               192        2700
2 Adelie    Biscoe              36.5          16.6               181        2850
3 Adelie    Biscoe              36.4          17.1               184        2850
4 Adelie    Biscoe              34.5          18.1               187        2900
5 Adelie    Dream               33.1          16.1               178        2900
6 Adelie    Torgersen           38.6          17                 188        2900
7 Chinstrap Dream               43.2          16.6               187        2900
# ℹ 2 more variables: sex <fct>, year <int>

Podemos encontrar varias funciones: dplyr::slice(), dplyr::slice_head(), dplyr::slice_tail(), dplyr::slice_min(), dplyr::slice_max(), dplyr::slice_sample().

`dplyr` — filas: ejemplo

palmerpenguins::penguins |>
  dplyr::filter(
    species == "Chinstrap"
  ) |> 
  dplyr::slice_max(
    body_mass_g,
    n = 5
  ) |> 
  dplyr::arrange(
    bill_length_mm
  ) |> 
  dplyr::distinct(
    flipper_length_mm,
    .keep_all = TRUE
  )

# A tibble: 4 × 8
  species   island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <fct>     <fct>           <dbl>         <dbl>             <int>       <int>
1 Chinstrap Dream            49.2          18.2               195        4400
2 Chinstrap Dream            50.8          18.5               201        4450
3 Chinstrap Dream            52            20.7               210        4800
4 Chinstrap Dream            52.8          20                 205        4550
# ℹ 2 more variables: sex <fct>, year <int>

`dplyr` — columnas: `mutate()`

mutate() Crear, modificar y eliminar columnas

palmerpenguins::penguins |> 
  dplyr::mutate(
    volume = (pi * bill_depth_mm * bill_length_mm) / 3,
    .after = bill_depth_mm
  )

# A tibble: 344 × 9
   species island    bill_length_mm bill_depth_mm volume flipper_length_mm
   <fct>   <fct>              <dbl>         <dbl>  <dbl>             <int>
 1 Adelie  Torgersen           39.1          18.7   766.               181
 2 Adelie  Torgersen           39.5          17.4   720.               186
 3 Adelie  Torgersen           40.3          18     760.               195
 4 Adelie  Torgersen           NA            NA      NA                 NA
 5 Adelie  Torgersen           36.7          19.3   742.               193
 6 Adelie  Torgersen           39.3          20.6   848.               190
 7 Adelie  Torgersen           38.9          17.8   725.               181
 8 Adelie  Torgersen           39.2          19.6   805.               195
 9 Adelie  Torgersen           34.1          18.1   646.               193
10 Adelie  Torgersen           42            20.2   888.               190
# ℹ 334 more rows
# ℹ 3 more variables: body_mass_g <int>, sex <fct>, year <int>

Hay muchas funciones que pueden ser usadas, ?dplyr::mutate() para ver un listado de ellas.

`dplyr` — columnas: `pull()`

pull() Extraer una sola columna

palmerpenguins::penguins |> 
  dplyr::pull(species)

  [1] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
  [8] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [15] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [22] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [29] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [36] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [43] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [50] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [57] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [64] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [71] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [78] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [85] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [92] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
 [99] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
[106] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
[113] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
[120] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
[127] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
[134] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
[141] Adelie    Adelie    Adelie    Adelie    Adelie    Adelie    Adelie   
[148] Adelie    Adelie    Adelie    Adelie    Adelie    Gentoo    Gentoo   
[155] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[162] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[169] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[176] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[183] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[190] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[197] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[204] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[211] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[218] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[225] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[232] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[239] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[246] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[253] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[260] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[267] Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo    Gentoo   
[274] Gentoo    Gentoo    Gentoo    Chinstrap Chinstrap Chinstrap Chinstrap
[281] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[288] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[295] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[302] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[309] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[316] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[323] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[330] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[337] Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap Chinstrap
[344] Chinstrap
Levels: Adelie Chinstrap Gentoo

`dplyr` — columnas: `relocate()`

relocate() Cambiar el orden de las columnas

palmerpenguins::penguins |> 
  dplyr::relocate(
    year,
    sex
  )

# A tibble: 344 × 8
    year sex    species island    bill_length_mm bill_depth_mm flipper_length_mm
   <int> <fct>  <fct>   <fct>              <dbl>         <dbl>             <int>
 1  2007 male   Adelie  Torgersen           39.1          18.7               181
 2  2007 female Adelie  Torgersen           39.5          17.4               186
 3  2007 female Adelie  Torgersen           40.3          18                 195
 4  2007 <NA>   Adelie  Torgersen           NA            NA                  NA
 5  2007 female Adelie  Torgersen           36.7          19.3               193
 6  2007 male   Adelie  Torgersen           39.3          20.6               190
 7  2007 female Adelie  Torgersen           38.9          17.8               181
 8  2007 male   Adelie  Torgersen           39.2          19.6               195
 9  2007 <NA>   Adelie  Torgersen           34.1          18.1               193
10  2007 <NA>   Adelie  Torgersen           42            20.2               190
# ℹ 334 more rows
# ℹ 1 more variable: body_mass_g <int>

dplyr::relocate() tiene dos argumentos muy útiles .before y .after.

`dplyr` — columnas: `rename()`

rename() Renombrar columnas

palmerpenguins::penguins |> 
  dplyr::rename(
    Pygoscelis = species
  )

# A tibble: 344 × 8
   Pygoscelis island  bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>      <fct>            <dbl>         <dbl>             <int>       <int>
 1 Adelie     Torger…           39.1          18.7               181        3750
 2 Adelie     Torger…           39.5          17.4               186        3800
 3 Adelie     Torger…           40.3          18                 195        3250
 4 Adelie     Torger…           NA            NA                  NA          NA
 5 Adelie     Torger…           36.7          19.3               193        3450
 6 Adelie     Torger…           39.3          20.6               190        3650
 7 Adelie     Torger…           38.9          17.8               181        3625
 8 Adelie     Torger…           39.2          19.6               195        4675
 9 Adelie     Torger…           34.1          18.1               193        3475
10 Adelie     Torger…           42            20.2               190        4250
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>

La sintaxis siempre es nuevo_nombre = viejo_nombre.

rename_with() renombra columnas utilizando una función.

Si se tiene un montón de columnas con nombres inconsistentes y sería complicado corregirlas todas manualmente, consulte janitor::clean_names().

`dplyr` — columnas: `select()`

select() Mantener o eliminar columnas utilizando sus nombres y tipos

palmerpenguins::penguins |> 
  dplyr::select(
    species,
    sex
  )

# A tibble: 344 × 2
   species sex   
   <fct>   <fct> 
 1 Adelie  male  
 2 Adelie  female
 3 Adelie  female
 4 Adelie  <NA>  
 5 Adelie  female
 6 Adelie  male  
 7 Adelie  female
 8 Adelie  male  
 9 Adelie  <NA>  
10 Adelie  <NA>  
# ℹ 334 more rows

Las selecciones del Tidyverse implementan un dialecto de R en el que los operadores facilitan la selección de variables: : selecciona un rango de variables consecutivas. ! toma el complemento de un conjunto de variables. & y | selecciona la intersección o la unión de dos conjuntos de variables. c() para combinar selecciones.

Además, puede utilizar ayudantes de selección. ?dplyr::select() para ver el listado completo.

`dplyr` — columnas: ejemplo

palmerpenguins::penguins |> 
  dplyr::rename(
    pygoscelis = species
  ) |> 
  dplyr::mutate(
    volume = (pi * bill_depth_mm * bill_length_mm) / 3,
  ) |> 
  dplyr::select(
    pygoscelis,
    volume,
    body_mass_g:sex
  )

# A tibble: 344 × 4
   pygoscelis volume body_mass_g sex   
   <fct>       <dbl>       <int> <fct> 
 1 Adelie       766.        3750 male  
 2 Adelie       720.        3800 female
 3 Adelie       760.        3250 female
 4 Adelie        NA           NA <NA>  
 5 Adelie       742.        3450 female
 6 Adelie       848.        3650 male  
 7 Adelie       725.        3625 female
 8 Adelie       805.        4675 male  
 9 Adelie       646.        3475 <NA>  
10 Adelie       888.        4250 <NA>  
# ℹ 334 more rows

`dplyr` — grupos: `count()`

count() Contar las observaciones de cada grupo

palmerpenguins::penguins |> 
  dplyr::count(
    species,
    island
  )

# A tibble: 5 × 3
  species   island        n
  <fct>     <fct>     <int>
1 Adelie    Biscoe       44
2 Adelie    Dream        56
3 Adelie    Torgersen    52
4 Chinstrap Dream        68
5 Gentoo    Biscoe      124

Al utilizar sort = TRUE como argumento, se mostrará los grupos más grandes en la parte superior.

dplyr::add_count() y dplyr::add_tally() son equivalentes a dplyr::count() y dplyr::tally() pero utilizan dplyr::mutate() en lugar de dplyr::summarise() para añadir una nueva columna con recuentos por grupos.

`dplyr` — grupos: `group_by()`

group_by() Agrupar por una o varias variables

palmerpenguins::penguins |> 
  dplyr::group_by(
    species,
    island
  )

# A tibble: 344 × 8
# Groups:   species, island [5]
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           NA            NA                  NA          NA
 5 Adelie  Torgersen           36.7          19.3               193        3450
 6 Adelie  Torgersen           39.3          20.6               190        3650
 7 Adelie  Torgersen           38.9          17.8               181        3625
 8 Adelie  Torgersen           39.2          19.6               195        4675
 9 Adelie  Torgersen           34.1          18.1               193        3475
10 Adelie  Torgersen           42            20.2               190        4250
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>

dplyr::group_by() no cambia los datos pero, si observa detenidamente la salida, se dará cuenta de que la salida indica que está «agrupada por» (Groups: species, island [5]). Esto significa que las operaciones posteriores funcionarán ahora por grupo. Por lo cual es recomendable usar dplyr::ungroup() cuando sea necesario.

`dplyr` — grupos: `summarise()`

summarise() Resumir cada grupo en una fila

palmerpenguins::penguins |> 
  dplyr::group_by(
    species,
    island
  ) |> 
  dplyr::summarise(
    n = dplyr::n()
  )

# A tibble: 5 × 3
# Groups:   species [3]
  species   island        n
  <fct>     <fct>     <int>
1 Adelie    Biscoe       44
2 Adelie    Dream        56
3 Adelie    Torgersen    52
4 Chinstrap Dream        68
5 Gentoo    Biscoe      124

La operación de agrupamiento más importante. Reduce el data frame para que tenga una sola fila para cada grupo. dplyr::summarise() y dplyr::summarize() son sinónimos.

Funciones útiles: centrales (base::mean(), base::median()), dispersión (base::sd(), base::IQR(), base::mad()), rango (base::min(), base::max()), posición (dplyr::first(), dplyr::last(), dplyr::nth()), recuento (dplyr::n(), dplyr::n_distinto()), lógicas (dplyr::any(), dplyr::all()).

`dplyr` — grupos: ejemplo

palmerpenguins::penguins |> 
  dplyr::group_by(
    species,
    island,
    sex
  ) |> 
  dplyr::summarise(
    mean_body_mass_g = base::mean(body_mass_g, na.rm = TRUE),
    n = dplyr::n()
  )

# A tibble: 13 × 5
# Groups:   species, island [5]
   species   island    sex    mean_body_mass_g     n
   <fct>     <fct>     <fct>             <dbl> <int>
 1 Adelie    Biscoe    female            3369.    22
 2 Adelie    Biscoe    male              4050     22
 3 Adelie    Dream     female            3344.    27
 4 Adelie    Dream     male              4046.    28
 5 Adelie    Dream     <NA>              2975      1
 6 Adelie    Torgersen female            3396.    24
 7 Adelie    Torgersen male              4035.    23
 8 Adelie    Torgersen <NA>              3681.     5
 9 Chinstrap Dream     female            3527.    34
10 Chinstrap Dream     male              3939.    34
11 Gentoo    Biscoe    female            4680.    58
12 Gentoo    Biscoe    male              5485.    61
13 Gentoo    Biscoe    <NA>              4588.     5

`dplyr` — data frames

Las uniones de transformación (mutating joins) agregan nuevas variables a un data frame a partir de las observaciones coincidentes en otra tabla. Hay cuatro uniones de transformación: la unión interior (inner join) y las tres uniones exteriores (outer joins).

Las uniones de filtro (filtering joins) filtran observaciones en un data frame con base en si coinciden o no con una observación de otra tabla.

Las operaciones de conjuntos (set operations) que tratan las observaciones como elementos de un conjunto.

Actividad

Abrir el archivo dplyr.qmd que se encuentra en la carpeta intro-r
Realizar la Actividad.

15:00

Tidyverse y la ciencia de datos

El Tidyverse tiene multipes paquetes que nos ayudaran durante todo el proceso de analizar los datos. Tomado de Çetinkaya-Rundel (2023).

Importando los datos

Hay varias maneras de importar los datos. Todo depende del formato en que estos se encuentren, aunque lo ideal es siempre tenerlos en formatos de texto plano: .csv, .tsv, txt.

Texto plano

Hay varias funciones: reardr::read_csv(), reardr::read_tsv(), reardr::read_csv2(), reardr::read_delim().

reardr::read_csv(
  "ruta/al/archivo/archivo.csv"
)

Excel

Hay varias funciones: readxl::()read_excel, readxl::()read_xls, readxl::()read_xlsx.

readxl::read_excel(
  "ruta/al/archivo/archivo.xlsx"
)

Tablas

Hay varios paquetes para realizar tablas en R. Cada uno con enfoques, curvas de aprendizaje y formatos de salida diferentes. Una forma de agruparlos es si producen tablas estáticas o tablas dinámicas.

Organizando los datos

La idea de una tabla es que sea informativa y legible, por lo cual es recomendable hacer una buena selección de los datos.

penguins_resumen <- 
  palmerpenguins::penguins |> 
  dplyr::count(
    species,
    island,
    sex
  ) |> 
  dplyr::group_by(
    species,
    island
  ) |> 
  dplyr::mutate(
    percentage = n / sum(n) * 100
  ) |> 
  dplyr::ungroup()

penguins_resumen

# A tibble: 13 × 5
   species   island    sex        n percentage
   <fct>     <fct>     <fct>  <int>      <dbl>
 1 Adelie    Biscoe    female    22      50   
 2 Adelie    Biscoe    male      22      50   
 3 Adelie    Dream     female    27      48.2 
 4 Adelie    Dream     male      28      50   
 5 Adelie    Dream     <NA>       1       1.79
 6 Adelie    Torgersen female    24      46.2 
 7 Adelie    Torgersen male      23      44.2 
 8 Adelie    Torgersen <NA>       5       9.62
 9 Chinstrap Dream     female    34      50   
10 Chinstrap Dream     male      34      50   
11 Gentoo    Biscoe    female    58      46.8 
12 Gentoo    Biscoe    male      61      49.2 
13 Gentoo    Biscoe    <NA>       5       4.03

`knitr::kable()`

kable() es un generador de tablas muy simple, y es simple por diseño. Sólo genera tablas para datos estrictamente rectangulares. No puede formatear mucho las celdas de la tabla ni combinar celdas. Algunas de las limitaciones de knitr::kable() pueden ser subsanadas utilizando el paquete kableExtra.

penguins_resumen |> 
  dplyr::mutate(
    species = base::paste0(
      "*", species, "*"
    ),
    sex = dplyr::case_match(
      sex,
      "female" ~ "Hembra",
      "male" ~ "Macho",
      .default = sex
    )
  ) |> 
  knitr::kable(
    col.names = c(
      "Especie", "Isla", "Sexo", "n", "Porcentaje (%)"
    ),
    digits = c(2)
  )

Especie	Isla	Sexo	n	Porcentaje (%)
Adelie	Biscoe	Hembra	22	50.00
Adelie	Biscoe	Macho	22	50.00
Adelie	Dream	Hembra	27	48.21
Adelie	Dream	Macho	28	50.00
Adelie	Dream	NA	1	1.79
Adelie	Torgersen	Hembra	24	46.15
Adelie	Torgersen	Macho	23	44.23
Adelie	Torgersen	NA	5	9.62
Chinstrap	Dream	Hembra	34	50.00
Chinstrap	Dream	Macho	34	50.00
Gentoo	Biscoe	Hembra	58	46.77
Gentoo	Biscoe	Macho	61	49.19
Gentoo	Biscoe	NA	5	4.03

`gt`

gt permite construir una amplia variedad de tablas útiles con un conjunto cohesivo de partes de tabla.

`gt` — ejemplo

penguins_resumen |> 
  gt::gt() |>
  gt::tab_style(
    style = gt::cell_text(
      style = "italic"
    ),
    locations = gt::cells_body(
      columns = species,
    )
  ) |> 
  gt::sub_values(
    value = "female",
    replacement = "Hembra"
  ) |> 
  gt::sub_values(
    value = "male",
    replacement = "Macno"
  ) |>
  gt::cols_label(
    species = "Especie", 
    island = "Isla", 
    sex = "Sexo", 
    n = "n", 
    percentage = "Porcentaje (%)"
  ) |> 
  gt::fmt_number(
    columns = "percentage",
    decimals = 2
  ) |> 
  gt::opt_stylize(style = 1)

Especie	Isla	Sexo	n	Porcentaje (%)
Adelie	Biscoe	Hembra	22	50.00
Adelie	Biscoe	Macno	22	50.00
Adelie	Dream	Hembra	27	48.21
Adelie	Dream	Macno	28	50.00
Adelie	Dream	NA	1	1.79
Adelie	Torgersen	Hembra	24	46.15
Adelie	Torgersen	Macno	23	44.23
Adelie	Torgersen	NA	5	9.62
Chinstrap	Dream	Hembra	34	50.00
Chinstrap	Dream	Macno	34	50.00
Gentoo	Biscoe	Hembra	58	46.77
Gentoo	Biscoe	Macno	61	49.19
Gentoo	Biscoe	NA	5	4.03

`flextable`

flextable proporciona un marco para crear fácilmente tablas para informes y publicaciones. Un objeto flextable es una representación data.frame compuesto por tres partes (header, body, footer). El paquete proporciona funciones que permiten controlar estas tres partes y texto, párrafos, celdas,formato de borde de cualquier elemento y valores mostrados.

`flextable` — ejemplo

penguins_resumen |> 
  flextable::flextable() |> 
  flextable::mk_par(
    j = "species",
    value = flextable::as_paragraph(flextable::as_i(species)),
  ) |>
  flextable::mk_par(
    i = ~ sex == "female",
    j = "sex",
    value = flextable::as_paragraph("Hembra")
  ) |> 
  flextable::mk_par(
    i = ~ sex == "male",
    j = "sex",
    value = flextable::as_paragraph("Macho")
  ) |> 
  flextable::set_header_labels(
    species = "Especie",
    island = "Isla",
    sex = "Sexo",
    percentage = "Porcentaje (%)"
  ) |> 
  flextable::merge_v(
    j = c("species", "island")
  ) |> 
  flextable::colformat_char(
    j = "sex",
    na_str = "NA",
  ) |> 
  flextable::theme_apa() |> 
  flextable::autofit()

Especie	Isla	Sexo	n	Porcentaje (%)
Adelie	Biscoe	female	22	50.00
	Biscoe	male	22	50.00
	Dream	female	27	48.21
		male	28	50.00
		NA	1	1.79
	Torgersen	female	24	46.15
		male	23	44.23
		NA	5	9.62
Chinstrap	Dream	female	34	50.00
Chinstrap	Dream	male	34	50.00
Gentoo	Biscoe	female	58	46.77
		male	61	49.19
		NA	5	4.03

Recursos

Pausa

15:00

Referencias

Çetinkaya-Rundel, M. (2023). Teaching the tidyverse in 2023. https://www.tidyverse.org/blog/2023/08/teach-tidyverse-23/

Choueiry, G. (2024). Join Dataframes in R: Left/Right/Inner/Full Joins. https://quantifyinghealth.com/join-dataframes-in-r-left-right-inner-full-joins/

Giorgi, F. M., Ceraolo, C., & Mercatelli, D. (2022). The R Language: An Engine for Bioinformatics and Data Science. Life, 12(5), 648. https://doi.org/10.3390/life12050648

Horst, A. M., Hill, A. P., & Gorman, K. B. (2020). palmerpenguins: Palmer Archipelago (Antarctica) penguin data. https://doi.org/10.5281/zenodo.3960218

R Core Team. (2024). R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. https://www.R-project.org/

Wickham, H. (2014). Tidy Data. Journal of Statistical Software, 59(10). https://doi.org/10.18637/jss.v059.i10

Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T., Miller, E., Bache, S., Müller, K., Ooms, J., Robinson, D., Seidel, D., Spinu, V., … Yutani, H. (2019). Welcome to the Tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686

Wickham, H., & Bryan, J. (2023). R packages: organize, test, document, and share your code (Second edition). O’Reilly.

Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for data science: import, tidy, transform, visualize, and model data (2nd edition). O’Reilly. https://r4ds.hadley.nz

Introducción a R

Proposito 1

Proposito 2

Qué es R

Historia

Nuestros guías

Flujo de trabajo en ciencias de datos

Programar es como llevar un buen matrimonio

Recordemos donde estamos

Ejecutar código

Otros operadores

Crear objetos

Llamar objetos

Crear objetos

Operación con vectores

Tipos de datos

Estructura de datos

Funciones

Paquetes

Instalar y usar paquetes

Esto no es una pipa |>

Scripts

Que alguien llame a alguien

Dentro de R

Fuera de R

Actividad

Tidyverse

Tidyverse y la ciencia de datos

Datos ordenados

Tibbles

Conozcamos los datos

ggplot2

ggplot2 — data

ggplot2 — mapping

ggplot2 — layers: geometry

ggplot2 — agregando aesthetics

ggplot2 — agregando layers

ggplot2 — asignación global o local

ggplot2 — accesibilidad

ggplot2 — scales

ggplot2 — theme

ggplot2 — invocanción

Actividad

Visualizando distribuciones

Una variable categórica

Una variable numérica

Una variable numérica

Visualizando relaciones

Una variable numérica y categórica

Una variable numérica y categórica

Dos variables categóricas

Dos variables numéricas

Tres o más variables

Problemas comunes con ggplot2

Forma incorrecta

Forma correcta:

Resumen de ggplot2

Asignación global

Asignación local

Actividad

«En el principio era el Verbo»

Tidyverse y la ciencia de datos

dplyr

Filas

Columnas

Grupos

Data frames

dplyr — filas: arrange()

dplyr — filas: distinct()

dplyr — filas: filter()

dplyr — filas: slice_()*

dplyr — filas: ejemplo

dplyr — columnas: mutate()

dplyr — columnas: pull()

dplyr — columnas: relocate()

dplyr — columnas: rename()

dplyr — columnas: select()

dplyr — columnas: ejemplo

dplyr — grupos: count()

dplyr — grupos: group_by()

Esto no es una pipa `|>`

`ggplot2`

`ggplot2` — data

`ggplot2` — mapping

`ggplot2` — layers: geometry

`ggplot2` — agregando aesthetics

`ggplot2` — agregando layers

`ggplot2` — asignación global o local

`ggplot2` — accesibilidad

`ggplot2` — scales

`ggplot2` — theme

`ggplot2` — invocanción

Problemas comunes con `ggplot2`

Resumen de `ggplot2`

`dplyr`

`dplyr` — filas: `arrange()`

`dplyr` — filas: `distinct()`

`dplyr` — filas: `filter()`

`dplyr` — filas: `slice_()*`

`dplyr` — filas: ejemplo

`dplyr` — columnas: `mutate()`

`dplyr` — columnas: `pull()`

`dplyr` — columnas: `relocate()`

`dplyr` — columnas: `rename()`

`dplyr` — columnas: `select()`

`dplyr` — columnas: ejemplo

`dplyr` — grupos: `count()`

`dplyr` — grupos: `group_by()`

`dplyr` — grupos: `summarise()`

`dplyr` — grupos: ejemplo

`dplyr` — data frames

`knitr::kable()`

`gt`

`gt` — ejemplo

`flextable`

`flextable` — ejemplo