R es un lenguaje y es un software que permite el análisis estadístico y gráfico.

• Lenguaje porque tiene su propia sintaxis desde la cual escribir las sentencias y comandos

• Es un software porque es al mismo tiempo un programa o entorno integrado con múltiples funcionalidades

• R es un programa abierto y gratuito. Es decir de acceso libre y que se expande con contribuciones de la comunidad de usuarios (paquetes)

• Está especialmente enfocado en tareas de cómputo y análisis estadístico

• Es tremendamente eficiente para el procesamiento de grandes volúmenes de datos.

• Es un programa muy versátil que permite utilizar la misma herramienta para una gran variedad de fines y aplicaciones.

Además de ser un programa con múltiples aplicaciones, R es ampliamente eficiente en el procesamiento de datos.

Como veremos luego los paquetes permiten expandir R, e incluso existen paquetes que vuelven al procesamiento de datos mucho mas eficiente respecto a la performance de base

Aparte del uso mas convencional como herramienta de procesamiento estadístico, R nos puede servir para:

• Generar múltilpes visualizaciones y personalización de gráficos
• Web Scraping
• Automatizar reportes
• Implementar análisis con algoritmos de Machine Learning
• Generar tableros o aplicaciones (shiny por ejemplo)
• Hacer presentaciones (o slides como estas!)
• Subir y publicar contenido con R-markdown

El objetivo de este curso es introducirnos al lenguaje y al uso de R y explorar los usos más comunes para el análisis de datos.

No es un curso exhaustivo que abarque todas las múltiples aplicaciones de emplear R.

Vamos a tratar de hablar “todos el mismo idioma” es decir trabajar sobre los fundamentos, y eso les permitirá luego ir expandiendo su bagaje de R hacia los usos necesarios.

La estrategia entonces será cubrir lo principal y trataremos de motivar y dar un pantallazo de los temas como herramienta inicial que permita luego profundizar.

AHORA SÍ… EMPECEMOS!

¿Con qué nos vamos a encontrar?

Básicamente al trabajar en RStudio, estaremos interacturando con estos 4 paneles Veamos para qué utilizamos cada uno:

• Script: Es nuestro cuaderno, nuestro block de notas. Allí escribimos las líneas de códigos de nuestro proyecto y una vez que lo guardemos podremos volver a retomar desde donde dejamos. Desde el script podremos correr estos códigos directamente.
  • Para comenzar un script vamos a File –> New File –> R Script
  • Para abrir un script guardado vamos a File –> Open File
• Consola: Es la salida de R, el lugar donde visualizamos el output, lo que ocurre al correr el código. A diferencia del script este ouptut se limpia cada vez que abrimos RStudio. Cuando el código corre bien, veremos letras azules en la consola y cuando hay un error o una advertencia, en color rojo.

Básicamente al trabajar en RStudio, estaremos interacturando con estos 4 paneles Veamos para qué utilizamos cada uno:

• Environment: Este es el entorno de R que contiene todos los elementos que hemos generado y creado: valores, bases de datos, objetos, etc. Es el “lugar donde viven” estos elementos, como una especie de alacena que se va llenando a medida que vamos corriendo códigos que definen y modifican elementos. Esa alacena se vacía con cada nueva sesión de RStudio.

• Panel de Visualización: nos permite interactuar de forma fácil con los subdirectorios (pestaña Files), visualizar los gráficos que creamos (pestaña Plots), cargar y buscar paquetes manualmente (pestaña Packages), acceder al help de cada función (pestaña Help) y visualizar contenido html (pestaña Viewer). Es una especie de atajo multiuso.

Parece que todo la acción es consecuencia de haber corrido un código. Y es así

¿Cómo lo hacemos?

Para correr un comando o sentencia podemos hacerlo desde el script de distintas maneras:

• Parándonos en la linea anterior al código y apretando Ctrl + Enter. De esta forma iremos corriendo de a una línea a la vez.
• Seleccionando una o varías líneas de código y apretando Ctrl + Enter o desde el botón "Run" arriba a la derecha. De esta forma podemos correr una o varias lineas a la vez.

También es posible escribir el código en la consola y al apretar Enter este se ejecuta.

Parece que todo la acción es consecuencia de haber corrido un código. Y es así

¿Qué pasa cuando corremos un código?

• En la consola veremos el código en azul si corrió bien y debajo el output o salida como consecuencia de la sentencia.
• Si el código implica definir un objeto (ya veremos que significa esto) ese objeto aparecerá ahora en nuestro entorno de trabajo.
• Si el código implica generar un gráfico lo veremos en ese caso en el panel de navegación.
• En el script no pasará nada, ya que allí solo escribimos y llamamos al código al momento de correrlo.

Ejemplo:

Ejemplo:

Ahora pruebenlo por ustedes mismos. Copien y peguen el código, llévenlo a su sesión de RStudio y corran estas líneas

print("Este es mi primer código")
valor_1 <- 5
valor_2 <- 5*5

Bien hecho!

Ahora sí ya estamos listos para meternos de lleno en los conceptos principales de R e ir, en simultaneo, corriendo y probando cada aplicación que vayamos viendo.

Esta será la dinámica propuesta para el aprendizaje.

Comenzaremos por los elementos fundamentales, para construir desde lo más básico de manera aditiva y progresiva.

- Valores

- Vectores

- Funciones (comandos)

- Data Frames (base de datos)

- Valores

- Vectores

- Funciones (comandos)

- Data Frames (base de datos)

Es el elemento más básico que existe en el entorno de R

• 5 es un valor numérico

• 5*6 es también un valor numérico

• "dos" es un valor character

• "dos días" es también un valor character

• FALSE es un valor booleano o lógico

- Valores

- Vectores

- Funciones (comandos)

- Data Frames (base de datos)

Los vectores son una colección de valores

Para agrupar esos valores utilizamos el comando c()

Estos también pueden ser de distinto tipo:

c(5, 5*6)

c("dos", "dos días")

c(5*6, "días")

Notar que ninguno de los valores ni vectores anteriores fueron almacenados en un objeto. Si quisiera llamarlos ¿cómo haría? Tengo primero que definirlo! Especificando 3 inputs:

objeto_1 <- 5
objeto_1
## [1] 5
objeto_2 <- 5 * 6
objeto_2
## [1] 30
objeto_3 <- objeto_1 + objeto_2
objeto_3
## [1] 35

Mismo para vectores

Definir un objeto me permite luego llamarlo para distintas operaciones (lo que se conoce como vectorización)

vector_0 <- c(1, 3, 4)
vector_0
## [1] 1 3 4

vector_1 <- vector_0 + 12
vector_1
## [1] 13 15 16

vector_2 <- vector_0 + (12:14)
vector_2
## [1] 13 16 18

Otros ejemplos con vectores del tipo character

Cht1 <- "muchaaaaaachos,"
Cht2 <- "Saquen una hoja"
Msm <- paste(Cht1, Cht2)
print(Msm)

## [1] "muchaaaaaachos, Saquen una hoja"

Aparte de los numéricos y character. ¿Qué otro tipo de datos existen?

¿Cómo podemos conocer qué tipos de datos son? Podemos emplear el comando class() de forma genérica

class(5)

## [1] "numeric"

class("Colombia")

## [1] "character"

class(TRUE) 

## [1] "logical"

Tambien podemos testear específicamente cada tipo de dato con el conjunto de funciones is()

is.integer(5)

## [1] FALSE

is.integer("Colombia")

## [1] FALSE

is.character("Colombia")

## [1] TRUE

- Valores

- Vectores

- Funciones (comandos)

- Data Frames (base de datos)

Ya sabemos para que sirve

is.interger(),

class(),

también usamos un ejemplo con paste()

Ahora, estos elementos no son ni valores, ni vectores. ¿Qué son?

Las funciones son comandos, son expresiones que encierran una orden predeterminada.

Al invocar una función le estaremos diciendo a R que realice una tarea particular.

Para ejecutar una función R necesita de dos inputs:

• Nombre de la función
• Argumento

class(5)   # "class" es el nombre de la función
           # 5 es el argumento

## [1] "numeric"

Existen interminables tipos de funciones. De las mas simples a las mas complejas. Sea cual fuera la función, siempre, los argumentos están predefinidos. Los argumentos pueden ser

• Opcionales
• Requeridos

Si pasamos una función y nos falta algún argumento requerido, R no podrá completar la tarea

strsplit(x = "Paises del Mundo - LMIC")

## Error in strsplit(x = "Paises del Mundo - LMIC"): 
el argumento "split" está ausente,
sin valor por omisión

Para dividir el texto, la función requiere un argumento obligatorio que indique el patrón que separa en dos la expresión

strsplit(x="Paises del Mundo - LMIC", split="-")

## [[1]]
## [1] "Paises del Mundo " " LMIC"

Y el siguiente comando funcionaría?

Aparte del fondo, qué otra diferencia notan respecto de la slide anterior…

strsplit(x="Paises del Mundo - LMIC", "-")

## [[1]]
## [1] "Paises del Mundo " " LMIC"

Sí, porque los argumentos pueden indicarse en orden, ahorrándonos tener que llamarlos explícitamente. R entiende solo a qué no referimos.

Los argumentos tienen valores por default, es decir por omisión. La función esta setteada de manera que, si no indico lo contrario, el argumento tomará una valor por default.

valores <- c(5, 25, 65, NA, 110, 220)
sum(valores)

## [1] NA

sum(valores, na.rm=TRUE)

## [1] 425

Otro ejemplo

pi <- 3.141592653
pi_inter <- round(pi) 
pi_inter

## [1] 3

En este caso, no explicitamos el argumento digits() en la función, el cual indica cuántos decimales incluir. El valor por omisión es 0

pi_decim <- round(pi, digits = 2) 
pi_decim

## [1] 3.14

Cómo hacemos para saber cuales son los argumentos de cada función y cuáles son sus valores por default. Tenemos un comando como el help.

?sum()

Ejemplo:

Además de la documentación completa, también podemos darle una mirada rápida a la función desde la consola directamente. Esto resulta muy practica cuando estamos escribiendo el código y lo que necesitamos es “refrescar la memoria”

Ejemplo:

Como veremos mas adelante, en R es sencillo y de gran ayuda crear nuestras propias funciones, según lo que necesitemos hacer.

Por suerte, existe una enorme comunidad de usuarios, quienes ya desarrollaron un infinidad de funciones las cuales podemos aprovechar.

Cuando instalamos R, el programa ya trae una serie de funciones base. Una de las grandes ventajas de R, es que puede expandirse en sus usos y aplicaciones a partir de otros paquetes.

Los paquetes no son otra cosa que un wrap o grupo de funciones, que tienen una aplicación común o que sirven para realizar un conjunto de tareas similares.

Pueden pensarlas como funciones agrupadas por temática de uso

Por ejemplo, el paquete "stringr" incluye funciones para trabajar con strings

Para poder usar un paquete hay que hacer dos cosas.

• Instalarlo
• Cargarlo

install.packages("stringr")   #instalo
library(stringr)              #cargo

Listo!

El cuidado que debemos tener es que, la haber tantos paquetes, el mismo nombre o similar puede referir a funciones de paquetes distintos.

Nuevamente, la información desde la consola nos ayuda a saber cuál es cuál y a elegir la función deseada. Ejemplo:

La mejor forma de asegurarnos que estamos usando la función del paquete que queremos, es llamar primero al paquete y luego elegir dentro de él, la función buscada.

Para eso escribimos el nombre del paquete seguido de “::”

stringr::str_split()

- Valores

- Vectores

- Funciones (comandos)

- Data Frames (base de datos)

Un data frame es el elemento más típico para trabajar con datos.

Es una estructura de datos tabular, es decir ordenados en columnas (variables) y filas (observaciones).

Un dataframe es un conjunto de vectores, los cuales pueden ser de distinto tipo, pero que deben ser de de la misma longitud.

Voy a crear un objeto llamado “df” a partir de vectores con el comando data.frame()

sede <- c("Alemania", "Sudáfrica", "Brasil", "Rusia", "Qatar")
año <- seq(2006, 2022, 4)
campeon <- c("Italia", "España", "Alemania", "Francia", "Argentina")
publico <- c(69000, 84490, 74738, 78000, 88966)
penales <- c(TRUE, FALSE, FALSE, FALSE, TRUE)
df <- data.frame(sede, año, campeon, publico, penales)

Algo MUY importante, es saber cómo navegar por un dataframe o por un vector

Esto me va a permitir generar subconjuntos de datos, definir nuevos elementos, operar sobre ellos, etc

Por ejemplo, ¿cómo hago para llamar a un elemento de un vector?

Debo indicar el orden del elemento

actual <- campeon[5]
actual
## [1] "Argentina"

Obviamente, puedo llamar a mas de un elemento a la vez.

Por ejemplo si quisiera saber cuál son los últimos dos campeones

ultimos_2 <- campeon[4:5]
ultimos_2
## [1] "Francia"   "Argentina"

¿Cómo hago para quitar el elemento del medio?

out_ger <- campeon[-3]
out_ger
## [1] "Italia"    "España"    "Francia"   "Argentina"

Supongamos que la cantidad de público en Rusia fue de 88000 y no 78000. Se les ocurre cómo hago para modificar el valor?

publico[4] <- 88000
publico
## [1] 69000 84490 74738 88000 88966

¿Cómo hago para sumar la cantidad de espectadores en las dos ultimas ediciones?

suma_pub_v1 <- publico[4] + publico[5]
suma_pub_v1
## [1] 176966
suma_pub_v2 <- sum(publico[4], publico[5])
suma_pub_v2
## [1] 176966
suma_pub_v3 <- sum(publico[4:5])
suma_pub_v3
## [1] 176966
suma_pub_v1 == suma_pub_v2
## [1] TRUE
suma_pub_v2 == suma_pub_v3
## [1] TRUE

Si quisiera extraer el elemento 1 y 5 del vector… esto estaría bien?

prueba <- campeon[1,5]

## Error in campeon[1, 5]: número incorreto de
dimensiones

Porque los vectores son elementos unidimensionales y la coma le indica a R, que estamos buscando elementos en dos dimensiones. En este caso 1 refiere a la fila y 5 a la columna

df[fila, columna]

Para definir un nuevo vector con el elemento 1 y 5 del vector de campeones tengo que usar el constructor que ya vimos: c()

prueba <- c(campeon[1], campeon[5])
prueba

## [1] "Italia"    "Argentina"

Con esto en mente: df[fila, columna]

Ahora veamos cómo acceder a elementos del data frame

Quiero traer TODAS LAS OBSERVACIONES de la fila “penales”, que es la última fila

prueba1 <- df[,5]
prueba1
## [1]  TRUE FALSE FALSE FALSE  TRUE

prueba2 <- df[,"penales"]
prueba2
## [1]  TRUE FALSE FALSE FALSE  TRUE

Si en fila no indico nada, R entiende que quiero traer todas las filas de esa columna

Ahora traigamos la primer fila de la misma columna “penales”

prueba1 <- df[1,5]
prueba1
## [1] TRUE

prueba2 <- df[1,"penales"]
prueba2
## [1] TRUE

Ahora solo la primer fila, pero con todas las columnas

prueba <- df[1,]
prueba

##       sede  año campeon publico penales
## 1 Alemania 2006  Italia   69000    TRUE

Por qué es necesario indicar siempre df?

Porque podemos tener el entorno de trabajo múltiples data frames definidos y por tanto para llamar al elemento primero debo llamar a dataframe:

.

Existe otra manera, muy usada en R de hacer esto: el símbolo $

.

Partimos desde el dataframe y luego indicamos la columna:

data.frame() >> columna

O lo que es lo mismo:

data.frame() >> vector

df$penales

## [1]  TRUE FALSE FALSE FALSE  TRUE

De la misma manera que hacíamos antes

.

el operador $ nos permite traer un elemento particular

.

Partimos desde el dataframe y podemos llegar hasta una observación puntual:

data.frame() >> columna >> observación

O lo que es lo mismo:

data.frame() >> vector >> valor

df$penales[1]

## [1] TRUE

Muchas veces lo que queremos hacer no es traer una observación puntual, sino todas aquellas que cumplen con una condición. Es decir que queremos filtrar nuestros datos

La regla es la de siempre: df[fila, columna]

Vimos que esto nos traía todas las filas

df[,]

##        sede  año   campeon publico penales
## 1  Alemania 2006    Italia   69000    TRUE
## 2 Sudáfrica 2010    España   84490   FALSE
## 3    Brasil 2014  Alemania   74738   FALSE
## 4     Rusia 2018   Francia   78000   FALSE
## 5     Qatar 2022 Argentina   88966    TRUE

df[fila, columna]

En la posición de las filas es donde ahora debemos pasarle la condición. Para ello debo indicar:

• sobre qué variable voy a buscar
• cual es, o cuáles son, esos valores

Por ejemplo, si quiero quedarme con todos los mundiales donde la final se definió por penales:

df[df$penales==TRUE,]

##       sede  año   campeon publico penales
## 1 Alemania 2006    Italia   69000    TRUE
## 5    Qatar 2022 Argentina   88966    TRUE

Si queremos las observaciones para los mundiales donde el público fue mayor a 75 mil espectadores

df[df$publico > 75000,]

##        sede  año   campeon publico penales
## 2 Sudáfrica 2010    España   84490   FALSE
## 4     Rusia 2018   Francia   78000   FALSE
## 5     Qatar 2022 Argentina   88966    TRUE

Notar que en los anteriores casos estoy llamando a las filas que cumplen la condición y a todas la columnas del dataframe

Si ahora quisiera saber cuál fue la sede del Mundial cuando el campeón fue España, ¿Cómo harían?

Piensen de nuevo en df[fila, columna]

df[df$campeon=="España", "sede"]

## [1] "Sudáfrica"

La orden: Del dataframe df quedate con las filas donde el valor de la columna campeón sean iguales a “España” y para esas observaciones traeme el valor que toma la columna sede

¿Se les ocurre otra forma?

df$sede[df$campeon=="España"]

## [1] "Sudáfrica"

La orden: Del dataframe df traer la columna sede, cuando los valores de la columna campeón sean iguales a "España"