Fundamentos de R para el análisis de datos

Diana Sofia Salguero Garcia, 201701580

Introducción

En el ámbito de la investigación científica R se ha convertido en una herramienta fundamental para la manipulación, exploración y visualización de información. En este informe se exploraron los fundamentos de R a traves de un caso de estudio: el análisis de avistamiento de aves en la cuenca del ríos Usumacinta.

La cuenca del río Usumacinta, con su riqueza en biodiversidad, ofrece un escenario único para estudiar la diversidad de especies de aves. Se utilizó una matriz de datos que contiene información detallada sobre las especies, los departamentos en los que se han avistado, así como las coordenadas de latitud y longitud. A lo largo de esta práctica, se pusieron en práctica conceptos clave en R, haciendo uso de la librería “dplyr” y sus diversas funciones para manipulación y transformación de datos.

Se exploró cómo cargar y examinar datos, realizar submuestreos para análisis más manejables, calcular estadísticas descriptivas como la moda, mediana y media de especies avistadas, así como también se organizaron los datos en tablas y visualizaciones comprensibles. Se observó cómo el uso de estructuras condicionales como if y else pueden ayudarnos a filtrar y manipular datos con precisión.

Discusión y Resultados

Importancia de los comentarios

Las anotaciones realizadas en el código con ayuda de “#” son también conocidas como comentarios. Dichos comentarios están diseñados para dar una explicación del código o comandos que se están ejecutando, además de poder documentar y describir la función de alguna formula (figura 1). Estos comentarios también pueden ser una guía para rastrear y entender donde pueden surgir los problemas en el codigo ya que al revisar los comentarios estos pueden recordar el proposito original del codigo y así detectar posibles problemas de logica, escritura, etc. Por lo tanto, los comentarios en R tienen una gran importancia para mejorar la legibilidad, documentar y facilitar el mantenimiento del código. Estos al usarse de manera efectiva pueden hacer que el código sea más comprensible tanto para el autor como para algún externo.

Es importante mencionar que estos comentarios no son ejecutados como parte del programa.

Figura 1. Comentarios en código de R

Fuente: Datos obtenidos de la práctica Fundamentos de R elaborada por Pavel García.

Se observa en la figura 1 los comentarios de coloración verde detallando la funciones de las diferentes funciones matemáticas.

Consulta

Las consultas permiten a los usuarios extraer datos de una matriz para el análisis en R, lo cual facilita el análisis de los datos (Lugon, 2023).

Para la realización de la consulta se conectó la base de datos de aves en la cuenca del río Usumacinta. De dicha base de datos se extrajeron las columnas de “Especies” y de “Departamentos” para determinar sus medidas de tendencia central, siendo estos los valores de moda y mediana que se utilizarón para obtener más información sobre la distribución de los datos. La moda se utilizó para identificar el valor más común de la distribución en la cuenca del Usumacinta, mientras que la mediana se utilizó para identificar el valor central de la distribución en la cuenca del Usumacinta.

La variable de especies presentó como moda el dato de Quiscalus mexicanus (tabla 1), conocido comúnmente como zanate, lo cual tiene sentido que sea el ave con mayor registro en la cuenca ya que es un ave oportunista que se adapta con facilidad a los diferentes hábitats, además de tener una alimentación muy variada (Monge-Nájera, 2002). Por otro lado, la mediana para la variable de especie fue Myiarchus crinitus (tabla 1), conocido comúnmente como copetón viajero, el cual pudo haber demostrado una distribución de avistamientos más equilibrada en comparación con otras especies, lo que resulta en una posición central en la distribución de datos.

La variable de departamentos presentó el dato de Petén tanto en moda como en mediana (tabla 1). Dicha repetición para los departamentos donde se avistaron las especies de aves en la cuenca del Usumacinta podría indicar características favorables de este departamento en relación con el hábitat y las condiciones que atraen a las aves, además de que el departamento de Petén es el mayor área de Guatemala abarcada por la cuenca. Siendo Petén el departamento de mayor área dentro de la cuenca, sumado con sus características geográficas y climáticas pueden ser factores que respondan a la concentración de avistamientos (García, 2019). La repetición de “Petén” como moda y mediana enfatiza su papel vital como refugio y entorno propicio para estas aves en la cuenca del Usumacinta.

# Calcular la tabla de frecuencias de la columna "Especies"
especies_moda<-table(tabla$Especies)

# Encontrar el valor con la frecuencia más alta (moda) de la columna Especies
moda<-names(especies_moda)[which.max(especies_moda)]
print(paste("Moda:",moda))

[1] "Moda: Quiscalus mexicanus"

# Calcular la mediana de la columna "Especies"
especies_mediana<- median(tabla$Especies)
print(paste("Mediana:",especies_mediana))

[1] "Mediana: Myiarchus crinitus"

# Calcular la tabla de frecuencias de la columna "Especies"
Depas_moda<-table(tabla$Departamento)

# Encontrar el valor con la frecuencia más alta (moda)
modaDep<-names(Depas_moda)[which.max(Depas_moda)]
print(paste("Moda:",modaDep))

[1] "Moda: Petén"

# Calcular la mediana de la columna "Departamentos"
Depas_mediana<- median(tabla$Departamento)
print(paste("Mediana:",Depas_mediana))

[1] "Mediana: Petén"

Tabla 1. Moda y mediana de las variables de especies y departamentos

En la tabla 1 se resumen los resultados de moda y mediana para las variables “especies” y “departamentos”. Para la variable de especies el valor de moda se determinó como Quiscalus mexicanus, siendo esta la especie más frecuente en los datos analizados, por otro lado, la mediana correspondiente a la variable de especies es Myiarchus crinitus, representando el valor central de la distribución de especies. Para la variable de departamentos, los resultados de moda y mediana son consistentes, ya que ambos coinciden con el valor de Petén, por lo cual este departamento destaca como el más común de los datos bajo análisis, tanto en terminos de moda (valor frecuente) como de mediana (valor central).

Variables	Moda	Mediana
Especies	Quiscalus mexicanus	Myiarchus crinitus
Departamentos	Petén	Petén

Fuente: Datos obtenidos de GBIF el 20 de agosto del 2023 por Diana Salguero

Suma

La suma de datos, tanto numericos como de texto, es una operación fundamental en el análisis de datos (Irizarry, 2021).

Se realizó la suma de los datos de las especies de aves encontradas en la cuenca del Usumacinta, así como también del total de avistamientos (tabla 2). Dicha suma dio como resultado 642 especies de aves diferentes y 1,048,107 avistamientos de aves en la cuenca del Usumacinta. Dicha cuenca puede ser una región con gran riqueza de aves debido a que la cuenca cuenta con una gran variedad de hábitats naturales que ofrecen condiciones adecuadas para la presencia de aves, así como por sus las áreas protegidas que se encuentran dentro de la cuenca, por ejemplo, el Parque Nacional Tikal, la Reserva de la Biosfera Maya, Parque Nacional Laguna del Tigre, entre otros (Pineda-Diez et al., 2020; Cruz-Paz et al., 2018).

# Obtener la cantidad de especies de aves únicas en la cuenca del Usumacinta
especies_suma<-length(unique(tabla$Especies))
print(paste("Cantidad de especies de aves en la cuenca del Usumacinta:", especies_suma))

[1] "Cantidad de especies de aves en la cuenca del Usumacinta: 642"

# Obtener la cantidad de avistamiento de especies de aves en la cuenca del Usumacinta
avistamientos_suma<- length(tabla$Especies)
print(paste("Cantidad de avistamientos de aves en la cuenca del Usumacinta:", avistamientos_suma))

[1] "Cantidad de avistamientos de aves en la cuenca del Usumacinta: 1048107"

Tabla 2. Cantidad de especies y avistamientos de aves en la Cuenca del Usumacinta

La tabla 2 presenta una resumen de la suma relacionada con la riqueza y observación de aves en la cuenca del Usumacinta. La columna de “especies de aves” muestra el numero total de especies de aves documentadas en la región, siendo un total de 642 especies. La columna “avistamiento de aves” destaca la notable cantidad de avistamientos registrados, alcanzando la cifra de 1,048,107 observaciones. Estos datos subrayan la riqueza de aves presentes en la cuenca del usumacinta y la considerable actividad de avistamientos que contribuyen a nuestra comprensión de la biodiversidad en esta área.

	Cantidad
Especies de aves	642
Avistamientos de aves	1,048,107

Fuente: Datos obtenidos en R por Diana Salguero el 22 de agosto del 2023.

Resumen de valores

El resumen de valores es una forma de presentar de manera concisa y significativa las características clave de un conjunto de datos numéricos. Este resumen incluye medidas como la media, mediana, desviación estandar, el mínimo y los cuartiles, entre otros; proporcionando una comprensión rápida y útil de la distribución y tendencias del conjunto de datos (Coll & Pérez, s.f.; Mendoza, 2022; Parker, 2020)

Las coordenadas de latitud y longitus representan als ubicaciones geográficas exactas donde se han registrado avistamientos de aves (tabla 3). Sugiriendo la mediana de la latitud (16.84) que la mayoría de los avistamientos ocurren en latitudes cercanas a esta cifra, mientras que la dispersión de los valores alrededor de la mediana (16.37) podría indicar una distribución relativamente uniforme de las observaciones a lo largo de la cuenca del río Usumacinta.

En cuanto a la longitud, el rango desde -91.79 hasta -89.19 refleja la variabilidad en las ubicaciones longitudinales de los avistamientos. La presencia de valores en el primer y tercer cuartil (-90.36 y -89.69, respectivamente) sugiere que existe cierta concentración de observaciones en ciertos rangos longitudinales.

En conjunto, esta tabla revela que los avistamientos de aves en la cuenca del río Usumacinta abarcan una gama de coordenadas geográficas. La distribución de las observaciones a lo largo de diferentes latitudes y longitudes podría estar influenciada por la diversidad de hábitats, condiciones climáticas y disponibilidad de recursos en diferentes áreas de la cuenca. El análisis de estas coordenadas puede ser crucial para comprender los patrones de migración, los hábitats preferidos y las interacciones ecológicas de las aves en esta región (Muñoz-Alonso et al., 2018).

#Resumen estadístico de los datos
resumen<- summary(tabla)
print(resumen)

   Especies         Departamento      
 Length:1048107     Length:1048107    
 Class :character   Class :character  
 Mode  :character   Mode  :character  
                                      
                                      
                                      
    Latitud         Longitud     
 Min.   :14.91   Min.   :-91.79  
 1st Qu.:15.42   1st Qu.:-90.36  
 Median :16.84   Median :-90.21  
 Mean   :16.37   Mean   :-90.10  
 3rd Qu.:17.22   3rd Qu.:-89.69  
 Max.   :17.80   Max.   :-89.19  

Tabla 3. Resumen estadístico de las coordenadas de avistamientos de aves en la Cuenca del Río Usumacinta

La tabla 3 muestra los valores mínimos, máximos, medios y cuartiles de las coordenadas geográficas en donde se han reportado avistamientos de aves en la cuenca del río Usumacinta. Las coordenadas se refieren a la latitud y longitud de los lugares donde dichos avistamientos han sido reportados. Estos datos ofrecen una visión resumida de las ubicaciones geográficas donde se concentran los avistamientos de aves en la cuenca del río Usumacinta

	Latitud	Longitud
Mínimo	14.91	-91.79
primer Cuartil	15.42	-90.36
Mediana	16.84	-90.21
Media	16.37	-90.10
Tercer Cuartil	17.22	-89.69
Máximo	17.80	-89.19

Fuente: Datos obtenidos en R por Diana Salguero el 22 de agosto del 2023.

Submuestreo de matriz

El submuestreo de una matriz en R se refiere a la creación de una nueva matriz que contiene un subconjunto de las filas y/o columnas de la matriz original. Este proceso puede ser útil cuando deseas reducir el tamaño de una matriz para realizar análisis más rápidos o cuando estás interesado en trabajar con una muestra representativa de los datos en lugar de la matriz completa (Coll & Pérez, s.f.; Hernández, 2023)

La matriz de datos se submuestreo de 1,048,107 datos a 50.

#Cargar datos
matriz_datos <- as.matrix(tabla)

# Definir el tamaño del submuestreo
tamaño<- 50

# Realizar el submuestreo
filas<- sample(1:nrow(tabla), size = tamaño, replace=  FALSE)
tabla_submuestreada <- tabla[filas, ]

#imprimir matriz submuestreada
print(tabla_submuestreada)

“cheatsheet” del paquete dplyr

Se utilizó el paquete “dplyr” con la función “arrange()” para ordenar los datos segun la columna de Especies de manera descendente.

install.packages("dplyr")

Error in install.packages : Updating loaded packages

library(dplyr)

# Ordenar los datos por la columna "especies"
datos_ordenados <- tabla_submuestreada%>%arrange(desc(Especies))

# Imprimir los primeros registros de los datos ordenados
head(datos_ordenados)

Comando “if” y “else”

Se utilizó el comando “If” y “else” para filtrar los datos que correpondían solo al departamnento de Petén. Dicho departamento se escogió ya que es el que presenta una mayor cantidad de avistamientos de aves.

#Crear funcion para obtener solo las filas en las que el departamento sea Petén
filtro_peten<-function(tabla){ifelse(tabla$Departamento == "Petén", TRUE, FALSE)}

#Aplicar función filtro"
peten_datos<-tabla%>%filter(filtro_peten(.))

#imprimir
head(peten_datos)

NA

Anexos

Anexo 1. Instalación de paquete para leer archivos de Excel (.xlsx) en R

install.packages("readxl")

WARNING: Rtools is required to build R packages but is not currently installed. Please download and install the appropriate version of Rtools before proceeding:

https://cran.rstudio.com/bin/windows/Rtools/
Installing package into ‘C:/Users/diana/AppData/Local/R/win-library/4.3’
(as ‘lib’ is unspecified)
trying URL 'https://cran.rstudio.com/bin/windows/contrib/4.3/readxl_1.4.3.zip'
Content type 'application/zip' length 1194928 bytes (1.1 MB)
downloaded 1.1 MB

package ‘readxl’ successfully unpacked and MD5 sums checked

The downloaded binary packages are in
    C:\Users\diana\AppData\Local\Temp\RtmpKAa0ES\downloaded_packages

Anexo 2. Código para leer y almacenar archivos de Excel (.xlsx)

library(readxl)
tabla<-read_excel("D:\\Octavo Semestre\\AVES Cuenca GT\\AVES Cuenca.xlsx")

Anexo 3. Tabla de datos de avistamientos de aves en la Cuenca del Río Usumacinta.

tabla

Referencias

Lugon, A. (2023) Ejecutar Consulta SQL en R (Ejemplo). Estadisticool. https://estadisticool.com/ejecutar-consulta-sql-en-r-ejemplo/

Monge-Nájera, J. (2002) Biología General. EUNED

García, B. (2019) Observación de aves en Petén (pajarear en Petén). Segundo, la biodiversidad y pajareando por Tikal, Yaxhá y lago Petén Itzá. Diversidad y un poco de todo. https://www.diversidadyunpocodetodo.com/observacion-de-aves-en-peten-biodiversidad-y-pajareando/#Comparte_esto

Irizarry, R. (2021) Introducción a la ciencia de datos: análisis de datos y algoritmos de predicción con R. CRC Press.

Pineda-Diez de Bonilla, E., Velázquez Velázquez, E., & Mera-Ortiz, G. (2020). Riqueza y composición de la avifauna de tres humedales del río Grijalva, Chiapas, México. Huitzil, 21(2).

Cruz-Paz, G., Castillo, M. M., Espinoza-Tenorio, A., Bravo-Peña, L. C., Valencia Barrera, E., & Mesa-Jurado, M. A. (2018). Áreas prioritarias de conservación en la cuenca Usumacinta. La aplicación de un enfoque multicriterio. Investigaciones geográficas, (97).

Coll, V. & Pérez, P. (s.f.) R para el análisis estadístico de datos. Universidad de Valencia. https://www.uv.es/vcoll/Temas_AED/2_Introduccion.html

Mendoza, J. (2022) Operaciones matemáticas en R. Estadísticamente. https://estadisticamente.com/operaciones-matematicas-en-r/

Parker, R. (2020) R lecture notes. Johns Hopkins.https://users.phhp.ufl.edu/rlp176/Courses/PHC6089/R_notes/index.html

Muñoz-Alonso, L. A., Rodiles-Hernández, R., López-León, N. P., González-Navarro, A., Chau-Cortés, A. M., & Nieblas-Camacho, J. A. (2018). Diversidad de la herpetofauna en la cuenca del Usumacinta, México. Revista mexicana de biodiversidad, 89, 79-99.

Hernández, F. & Usuga, O. (2023) Manual de R. https://usermanual.wiki/Pdf/ManualdeR.708910831.pdf