R Notebook

1. INTRODUCCION

En este cuaderno se exploran las sigientes funcionalidades de la funcion dplyr:

-mutate()adds new variables that are functions of existing variables -select() picks variables based on their names. -filter() picks cases based on their values. -summarise() reduces multiple values down to a single summary. -arrange() changes the ordering of the rows.

2. Configuración

Primero hay que instalar la libreria dplyr desde la consola. +Luego cargamos la libreria:

library(dplyr)

3. El conjunto de datos Iris

Vamos a usar un conjunto de datos muy famoso que se llama Iris. Estos datos contienen 50 registros de mediciones de 3 especies de Iris, Setosa, Virginica y Versicolor.

Primero cargamos los datos a nuestro cuaderno:

data(iris)

Que clase de objeto es Iris?

class(iris)

Cómo se puede saber su tamaño?

dim(iris)

El resultado anterior significa que el iris se compone de 150 filas y 5 columnas.

Ahora veamos la cabeza de los datos:

head(iris)

Ahora, veamos las ultimas filas:

tail(iris)

Cuales son las estadisticas de iris?

summary(iris)

4. Las funcionalidades de dplyr

La funcion filter() selecciona casos en funcion de sus valores. Escojamos las filas correspondientes a la especie de setosa:

(iris_filtered <- iris %>%

 filter(Species == "setosa"))

La función select() selecciona variables en función de sus nombres. Vamos a elegir las columnas Sepal.Length y Sepal.Width:

(iris_selected <- iris %>%

   select(Sepal.Length, Sepal.Width))

Ahora, ordenemos las filas usando un atributo particular:

(iris_sorted <- iris %>%

   arrange(Sepal.Length))

Nota:Tenga en cuenta que las filas se organizan en orden ascendente utilizando la columna que indicamos en el código.

Es posible ordenar las filas en orden descendente?

(iris_sorted <- iris %>%

   arrange(desc(Sepal.Length)))

La función mutate() crea nuevas columnas que son funciones de variables existentes. También puede modificar (si el nombre es el mismo que una columna existente) y eliminar columnas (estableciendo su valor en NULL).

(iris_mutated <- iris %>%

   mutate(Petal.Ratio = Petal.Length / Petal.Width))

Asegúrese de comprobar los valores de la columna Petal.Ratio en la tabla anterior.

(iris_summary <- iris %>%

  group_by(Species) %>%

  summarise(

    Avg.Sepal.Length = mean(Sepal.Length),

    Min.Petal.Width = min(Petal.Width),

    Max.Petal.Length = max(Petal.Length)

  ))

4. The pipe / La tuberia

Todas las funciones dplyr toman un marco de datos (o tibble) como primer argumento. En lugar de forzar al usuario a guardar objetos intermedios o funciones de anidación, dplyr proporciona el operador %>% de magrittr.

x %>% f(y) se convierte en f(x, y) por lo que el resultado de un paso se “canaliza” al siguiente paso.

Puede utilizar la canalización para reescribir varias operaciones que puede leer de izquierda a derecha, de arriba a abajo (leyendo el operador de tubería como “entonces”).

La función summarise() calcula un resumen para cada grupo. Esto significa que comienza desde group_keys(), agregando la variable de resumen al lado derecho:

Usemos el operador de tubería/pipe para resumir el conjunto de datos del iris.

(iris_result <- iris %>%

   filter(Sepal.Length > 5.0) %>%

   group_by(Species) %>%

   summarise(Avg.Petal.Length = mean(Petal.Length)))

5. Tarea

Escribir un codigo que resuma el conjunto de datos del iris basado en Sepal.Width

(iris_summary <- iris %>%

   group_by(Species) %>%

   summarise(

     sdPetal.Width = sd(Petal.Width)

   ))

6. Inormación

sessionInfo()