LAB 44 (MD)
AnaGSanjuanM
2023-03-10
————————LABORATORIO 44—————————-
———-ACADÉMICO: CARLA CAROLINA PÉREZ HERNÁNDEZ—————
—————-ALUMNA: ANA GRISEL SANJUAN MERIDA—————–
———-MAPAS DE CALOR CON OTROS DATOS Y FUNCIONES————-
Base de datos: mtcars de la paquetería de R
Caractarísticas de autos que no están normalizadas
?mtcars## starting httpd help server ... doneLlamamos a la base de datos
Se muetras las caracteríticas de los autos
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 2Para saber qué tipo de datos se tienen Es un dataframe
class(mtcars)## [1] "data.frame"Para los mapas de calor, es necesario una matriz
Matriz llamada mtcars, signo de asignación
Los datos se tomarán del dataframe
En el entorno de variables (environment) se puede visualizar la matriz
mtcars_matrix <- data.matrix(mtcars)Para corroborar la clase de archivo que es
class(mtcars_matrix)## [1] "matrix" "array"Primer mapa de calor
heatmap(mtcars_matrix)
Conociendo más de los algoritmos de heatmap
Se pueden ver los elementos del paquete
?heatmapSegundo mapa de calor con prinicipal atención en las columnas
Llamamos al función heatmap
heatmap(mtcars_matrix, scale="colum")
Es importante considerar la paleta de colores para identificar las similaridades y/o disimilaridades
Propia paleta de colores
La paleta de llemara colores_blue
Los valores más altos serán dibujados con el azul más intenso
Se puede ver en el environment
colores_blue <- colorRampPalette(c("lightblue", "cornflowerblue", "navyblue" ))(256)Creando mapa de calor con paleta de color colores_blue
heatmap(mtcars_matrix,
scale="colum",
col=colores_blue)
Eliminar el dendrograma horizontal, es decir, las características de los autos debido a que no tenemos datos normalizados
La función Colv permite quitar el vector de las columnas
Agregamos etiquetas al eje de las X: especificación de características”
Etiquea del eje de las Y: modelo s de autos
El título es Mapa de calor
heatmap(mtcars_matrix,
scale="colum",
col=colores_blue,
Colv = NA,
margins= c(5,10),
xlab="especificación de características",
ylab="modelos de autos",
main="mapa de calor")
Para corroborar la matriz, se corre:
mtcars_matrix## 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 2colnames(mtcars_matrix)## [1] "mpg" "cyl" "disp" "hp" "drat" "wt" "qsec" "vs" "am" "gear"
## [11] "carb"Para volver a cambiar el color
library(viridis)## Loading required package: viridisLiteLlamamos a la paleta
heatmap(mtcars_matrix,
scale="colum",
col=colores_blue)
Eliminar el dendrograma horizontal, es decir, las características de los autos debido a que no tenemos datos normalizados
La función Colv permite quitar el vector de las columnas
Agregamos etiquetas al eje de las X: especificación de características”
Etiquea del eje de las Y: modelos de autos
El título es Mapa de calor
Paleta de color viridis opción viridis
heatmap(mtcars_matrix,
scale="colum",
col=viridis_pal(option="viridis") (6),
Colv = NA,
margins= c(5,10),
xlab="especificación de características",
ylab="modelos de autos",
main="mapa de calor")
Paleta de color viridis opción magma
heatmap(mtcars_matrix,
scale="colum",
col=viridis_pal(option="magma") (6),
Colv = NA,
margins= c(5,10),
xlab="especificación de características",
ylab="modelos de autos",
main="mapa de calor")
Paleta de color rainbow
heatmap(mtcars_matrix,
scale="colum",
col=rainbow (6),
Colv = NA,
margins= c(5,10),
xlab="especificación de características",
ylab="modelos de autos",
main="mapa de calor")
Para conocer los valores de los colores altos y bajos
El color más bajo es rojo y el más alto es el rosa
colnames(mtcars_matrix)## [1] "mpg" "cyl" "disp" "hp" "drat" "wt" "qsec" "vs" "am" "gear"
## [11] "carb"image(1:6,1,as.matrix(1:6), col=rainbow(6), xlab = "Leyenda", ylab="", xaxt="n", yaxt="n", bty="n")
—————FIN DE LABORATORIO 44——————-