—————LABORATORIO 26———————
Tidy data - datos ordenados - Parte 2
Cargar paquete tidyverse
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.0 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.0
## ✔ ggplot2 3.4.1 ✔ tibble 3.1.8
## ✔ lubridate 1.9.2 ✔ tidyr 1.3.0
## ✔ purrr 1.0.1
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the ]8;;http://conflicted.r-lib.org/conflicted package]8;; to force all conflicts to become errorsCargar paquete de datos
library("datos")Cargar las tablas del paquete de datos como tibble
datos::tabla1## # A tibble: 6 × 4
## pais anio casos poblacion
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071
## 2 Afganistán 2000 2666 20595360
## 3 Brasil 1999 37737 172006362
## 4 Brasil 2000 80488 174504898
## 5 China 1999 212258 1272915272
## 6 China 2000 213766 1280428583datos::tabla2## # A tibble: 12 × 4
## pais anio tipo cuenta
## <chr> <dbl> <chr> <dbl>
## 1 Afganistán 1999 casos 745
## 2 Afganistán 1999 población 19987071
## 3 Afganistán 2000 casos 2666
## 4 Afganistán 2000 población 20595360
## 5 Brasil 1999 casos 37737
## 6 Brasil 1999 población 172006362
## 7 Brasil 2000 casos 80488
## 8 Brasil 2000 población 174504898
## 9 China 1999 casos 212258
## 10 China 1999 población 1272915272
## 11 China 2000 casos 213766
## 12 China 2000 población 1280428583datos::tabla3## # A tibble: 6 × 3
## pais anio tasa
## <chr> <dbl> <chr>
## 1 Afganistán 1999 745/19987071
## 2 Afganistán 2000 2666/20595360
## 3 Brasil 1999 37737/172006362
## 4 Brasil 2000 80488/174504898
## 5 China 1999 212258/1272915272
## 6 China 2000 213766/1280428583datos::tabla4a## # A tibble: 3 × 3
## pais `1999` `2000`
## <chr> <dbl> <dbl>
## 1 Afganistán 745 2666
## 2 Brasil 37737 80488
## 3 China 212258 213766datos::tabla4b## # A tibble: 3 × 3
## pais `1999` `2000`
## <chr> <dbl> <dbl>
## 1 Afganistán 19987071 20595360
## 2 Brasil 172006362 174504898
## 3 China 1272915272 1280428583Se obtienen los dataframe de las tablas
df1 <- data_frame(tabla1)## Warning: `data_frame()` was deprecated in tibble 1.1.0.
## ℹ Please use `tibble()` instead.df2 <- data_frame(tabla2)
df3 <- data_frame(tabla3)
df4a <- data_frame(tabla4a)
df4b <- data_frame(tabla4b)Exportar los dataframes originales
write.csv(df1,file="df1.csv")
write.csv(df2,file="df2.csv")
write.csv(df3,file="df3.csv")
write.csv(df4a,file="df4a.csv")
write.csv(df4b,file="df4b.csv")Ordenar datos con la tabla4a (PIVOTAR). Se añade el operador pipe %>% (presionando ctrl Shift M).
Se genera objeto llamado t4a_PIVOTANTE (será una tabla ordenada), para pivotear a lo largo (pivot_longer)
Las columnas están dadas por los años y se reemplazará el nombre por anio en los que englobará los dos momentos en el tiempo.
Los valores se tomarán como casos.
t4a_PIVOTANTE = tabla4a %>%
pivot_longer(cols=c("1999", "2000"), names_to="anio", values_to = "casos")Para visualizar
t4a_PIVOTANTE## # A tibble: 6 × 3
## pais anio casos
## <chr> <chr> <dbl>
## 1 Afganistán 1999 745
## 2 Afganistán 2000 2666
## 3 Brasil 1999 37737
## 4 Brasil 2000 80488
## 5 China 1999 212258
## 6 China 2000 213766Ordenar datos con la tabla4b (PIVOTAR). Se añade el operador pipe %>% (presionando ctrl Shift M)
Se genera objeto llamado t4b_PIVOTANTE (será una tabla ordenada), para pivotear a lo largo (pivot_longer). Las columnas están dadas por los años y se reemplazará el nombre por anio en los que englobará los dos momentos en el tiempo.Los valores se tomarán como poblacion.
t4b_PIVOTANTE = tabla4b %>%
pivot_longer(cols=c("1999", "2000"), names_to="anio", values_to = "poblacion")Para visualizar
t4b_PIVOTANTE## # A tibble: 6 × 3
## pais anio poblacion
## <chr> <chr> <dbl>
## 1 Afganistán 1999 19987071
## 2 Afganistán 2000 20595360
## 3 Brasil 1999 172006362
## 4 Brasil 2000 174504898
## 5 China 1999 1272915272
## 6 China 2000 1280428583Generar objeto llamado unión de las tablas 4 (a y b) que será igual a una unión a partir de la izquierda (left_join)
Se unen la t4a_PIVOTANTE y la t4b_PIVOTANTE
union_t4 = left_join(t4a_PIVOTANTE, t4b_PIVOTANTE)## Joining with `by = join_by(pais, anio)`Para visualizar
union_t4## # A tibble: 6 × 4
## pais anio casos poblacion
## <chr> <chr> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071
## 2 Afganistán 2000 2666 20595360
## 3 Brasil 1999 37737 172006362
## 4 Brasil 2000 80488 174504898
## 5 China 1999 212258 1272915272
## 6 China 2000 213766 1280428583Exportar resultados tabla4a + tabla4b (ordenada)
write.csv(union_t4, file="union_t4.csv")Para visualizar
df2## # A tibble: 12 × 4
## pais anio tipo cuenta
## <chr> <dbl> <chr> <dbl>
## 1 Afganistán 1999 casos 745
## 2 Afganistán 1999 población 19987071
## 3 Afganistán 2000 casos 2666
## 4 Afganistán 2000 población 20595360
## 5 Brasil 1999 casos 37737
## 6 Brasil 1999 población 172006362
## 7 Brasil 2000 casos 80488
## 8 Brasil 2000 población 174504898
## 9 China 1999 casos 212258
## 10 China 1999 población 1272915272
## 11 China 2000 casos 213766
## 12 China 2000 población 1280428583Es una base de datos larga, por lo que debemos hacerla ancha
Pivotar tabla 2 “A LO ANCHO”
Se crea objeto llamdo t2_ancha. Será igual a la tabla2 original pero con filtro (operador pipe)
Como el pivotaje será a lo ancho, se ocupará pivot_wider.
Se establecen nombres (names_from) que será igual a tipo. Values_from será igual a cuenta
t2_ancha = tabla2 %>%
pivot_wider(names_from = tipo, values_from = cuenta)Para vsisualizar
t2_ancha## # A tibble: 6 × 4
## pais anio casos población
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071
## 2 Afganistán 2000 2666 20595360
## 3 Brasil 1999 37737 172006362
## 4 Brasil 2000 80488 174504898
## 5 China 1999 212258 1272915272
## 6 China 2000 213766 1280428583Exportar la tabla ordenada recien creada
write.csv(t2_ancha, file = "t2_ancha.csv")————————FIN DE LABORATORIO 26—————-