TRABAJO FINAL
Goñe Romero Renzo Harol-Samaniego Granados Caleb Eliseo
2023-11-27
Integrantes
Goñe Romero Renzo Harol
Samaniego Granados Caleb Eliseo
1 Manipulacion de Data Frame
Funciones
En R, las funciones son bloques de código que realizan tareas específicas y pueden ser llamadas por su nombre para ejecutar esas tareas cuando sea necesario. La definición de una función en R sigue la siguiente estructura básica:
funcion_multiplicar<-function(valor1,valor2,valor3){
resultado<-valor1*valor2*valor3
return(resultado)
}
valores<-funcion_multiplicar(10,11,12)
print(valores)## [1] 1320Librerias y Modulos
Librerías (Libraries): En R, las “librerías” se refieren a colecciones de funciones y datos que extienden las capacidades del lenguaje. Estas colecciones están empaquetadas en lo que se llama “paquetes” (packages). Los paquetes son conjuntos de funciones, datos y código compilados que facilitan tareas específicas.
Por ejemlo instalemos un paquete
#Instalar el paquete
#install.packages("ggplot2")
#Cargar el paquete
#library(ggplot2)Modulos: En R, el término “módulo” puede referirse a unidades de código que encapsulan funcionalidades específicas y que pueden ser utilizadas para estructurar y organizar el código de una manera modular.
cuadrado <- function(x) {
return(x^2)
}
# Módulo para sumar dos números
suma <- function(a, b) {
return(a + b)
}
# Uso de los módulos
resultado_cuadrado <- cuadrado(5)
resultado_suma <- suma(3, 4)
print(resultado_cuadrado)## [1] 25print(resultado_suma)## [1] 7Dataframe En R, un “data frame” es una estructura de datos rectangular que organiza datos en filas y columnas, similar a una hoja de cálculo o una tabla en una base de datos relacional. Cada columna en un data frame puede contener diferentes tipos de datos (numéricos, caracteres, factores, etc.), y cada fila representa una observación o caso.
datos<-data.frame(
nombre=c("Renzo","Benjamin","Alexander"),
edad=c(24,24,22),
puntuacion=c(15,12,11)
)
print(datos)## nombre edad puntuacion
## 1 Renzo 24 15
## 2 Benjamin 24 12
## 3 Alexander 22 11Analisis de Datos en R El análisis de datos en R es una tarea común y poderosa que permite a los usuarios explorar, visualizar y extraer información significativa de conjuntos de datos. R es un lenguaje de programación y un entorno de software estadístico que proporciona numerosas herramientas y paquetes específicamente diseñados para el análisis de datos.
En el ejemplo se presentara un sencillo analisis de datos
# Cargar el conjunto de datos mtcars (ya incorporado en R)
data(mtcars)
# Mostrar las primeras filas del conjunto de datos
head(mtcars)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1# Resumen estadístico del conjunto de datos
summary(mtcars)## mpg cyl disp hp
## Min. :10.40 Min. :4.000 Min. : 71.1 Min. : 52.0
## 1st Qu.:15.43 1st Qu.:4.000 1st Qu.:120.8 1st Qu.: 96.5
## Median :19.20 Median :6.000 Median :196.3 Median :123.0
## Mean :20.09 Mean :6.188 Mean :230.7 Mean :146.7
## 3rd Qu.:22.80 3rd Qu.:8.000 3rd Qu.:326.0 3rd Qu.:180.0
## Max. :33.90 Max. :8.000 Max. :472.0 Max. :335.0
## drat wt qsec vs
## Min. :2.760 Min. :1.513 Min. :14.50 Min. :0.0000
## 1st Qu.:3.080 1st Qu.:2.581 1st Qu.:16.89 1st Qu.:0.0000
## Median :3.695 Median :3.325 Median :17.71 Median :0.0000
## Mean :3.597 Mean :3.217 Mean :17.85 Mean :0.4375
## 3rd Qu.:3.920 3rd Qu.:3.610 3rd Qu.:18.90 3rd Qu.:1.0000
## Max. :4.930 Max. :5.424 Max. :22.90 Max. :1.0000
## am gear carb
## Min. :0.0000 Min. :3.000 Min. :1.000
## 1st Qu.:0.0000 1st Qu.:3.000 1st Qu.:2.000
## Median :0.0000 Median :4.000 Median :2.000
## Mean :0.4062 Mean :3.688 Mean :2.812
## 3rd Qu.:1.0000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :1.0000 Max. :5.000 Max. :8.000# Crear un gráfico de dispersión entre mpg y hp (millas por galón vs. potencia)
plot(mtcars$hp, mtcars$mpg, main = "Relación entre Potencia y Millas por Galón", xlab = "Potencia (hp)", ylab = "Millas por Galón")
# Calcular la correlación entre mpg y hp
correlacion <- cor(mtcars$mpg, mtcars$hp)
cat("Correlación entre Millas por Galón y Potencia:", correlacion, "\n")## Correlación entre Millas por Galón y Potencia: -0.7761684Importacion de datos
La importación de datos en R se refiere al proceso de cargar conjuntos de datos externos en el entorno de trabajo de R para que puedan ser utilizados y analizados en el lenguaje. Los datos pueden provenir de una variedad de fuentes, como archivos de texto, hojas de cálculo, bases de datos, servicios web, entre otros. Veamos como importar archivos CSV
#Importando archivos en formato CSVFlujo de proceso de Analisis de Datos
El flujo de datos se divide en ### 1. Planteamiento del Problema: Define claramente el problema que estás tratando de resolver o la pregunta que estás intentando responder. ### 2. Adquisición de Datos: Importa tus datos a R utilizando las funciones adecuadas según el formato de los datos (por ejemplo, read.csv() para archivos CSV, read_excel() para archivos Excel, etc.). ### 3. Exploración de Datos (EDA - Exploratory Data Analysis): Visualiza tus datos para comprender su estructura y distribución. Utiliza herramientas como gráficos de dispersión, histogramas, boxplots, etc. Identifica valores atípicos (outliers) y maneja datos faltantes si es necesario. ### 4. Preprocesamiento de Datos: Limpia los datos, elimina duplicados y maneja datos faltantes. Transforma variables si es necesario (por ejemplo, normalización, estandarización). Codifica variables categóricas si es necesario. ### 5. Análisis Estadístico: Realiza análisis estadísticos descriptivos para resumir las características principales de tus datos. Utiliza pruebas estadísticas para inferir conclusiones sobre tus datos. ### 6. Modelado: Selecciona el modelo o algoritmo apropiado según la naturaleza de tu problema (regresión, clasificación, agrupamiento, etc.). Divide tus datos en conjuntos de entrenamiento y prueba. Entrena tu modelo con los datos de entrenamiento. ### 7. Evaluación del Modelo: Evalúa el rendimiento de tu modelo utilizando métricas apropiadas. Ajusta hiperparámetros si es necesario. ### 8. Visualización de Resultados: Presenta tus resultados de manera efectiva utilizando gráficos y visualizaciones. Comunica las conclusiones obtenidas del análisis. ### 9. Documentación: Documenta tu código de manera clara para futuras referencias. Crea informes si es necesario (por ejemplo, usando R Markdown). ### 10. Comunicación: Presenta tus resultados de manera clara y comprensible a las partes interesadas. Responde preguntas y considera los comentarios para mejorar tu análisis. Este es un flujo general y puede haber variaciones dependiendo del tipo específico de análisis que estés realizando. La flexibilidad de R te permite adaptar este flujo a las necesidades específicas de tu proyecto.
Manejo de Datos
El manejo de datos en R constituye la primera fase crítica en cualquier análisis de datos. Comprende una serie de procesos diseñados para garantizar que los datos sean apropiados y estén listos para ser utilizados en análisis estadísticos o modelos predictivos. Esta etapa es esencial porque la calidad de los resultados finales depende en gran medida de la calidad de los datos iniciales.
Identificación y Manejo de Datos Missing
Los datos faltantes son una realidad común en conjuntos de datos del mundo real y pueden surgir por diversas razones, como errores de entrada, fallos en la recolección de datos o simplemente porque cierta información no está disponible. La identificación y manejo adecuado de estos datos son fundamentales.
Existen funciones que nos ayudarán mucho con este tema, por ejemplo:
La función is.na() en R permite identificar los valores
missing en un conjunto de datos. Posteriormente, la función
na.omit() puede ser empleada para eliminar las
observaciones que contienen datos faltantes. Además, técnicas avanzadas
como la imputación, utilizando paquetes como mice, permiten
estimar valores razonables para los datos faltantes, preservando la
integridad del conjunto de datos.
# Identificación de datos missing
missing_values \<- is.na(data_frame)
# Eliminación de observaciones con datos faltantes
cleaned_data \<- na.omit(data_frame)
# Imputación de valores missing
imputed_data \<- mice::mice(data_frame, method = 'pmm')Identificación y Manejo de Datos Outlier e Inconsistentes
Los outliers, valores atípicos que se desvían significativamente del patrón general de los datos, y los datos inconsistentes, que pueden surgir debido a errores de medición o entrada, son factores que pueden distorsionar los resultados del análisis. Identificar y abordar estos casos es crucial para mantener la integridad de los resultados.
En R, se pueden utilizar herramientas como gráficos de caja (boxplot para visualizar outliers, y técnicas basadas en cuartiles para eliminarlos o corregirlos. La robustez estadística es esencial para manejar datos inconsistentes y evitar que afecten negativamente el análisis.
# Identificación de outliers mediante un boxplot
boxplot(data_frame$variable_of_interest)
# Eliminación de outliers basada en cuartiles
q1 <- quantile(data_frame$variable_of_interest, 0.25)
q3 <- quantile(data_frame$variable_of_interest, 0.75)
iqr <- q3 - q1
cleaned_data <- subset(data_frame, variable_of_interest > q1 - 1.5 * iqr & variable_of_interest < q3 + 1.5 * iqr)Limpieza de Datos y Preparación de Datos
La limpieza de datos va más allá de abordar valores faltantes o outliers. Involucra la identificación y corrección de duplicados, normalización de nombres de variables, y transformaciones necesarias para que los datos estén listos para el análisis.
Librerías como dplyr y tidyr en R facilitan
estas tareas, permitiendo la eliminación de duplicados con
distinct(), la estandarización de nombres de variables con
rename(), y la creación de nuevas variables mediante la
función mutate().
# Eliminación de duplicados
cleaned_data <- distinct(data_frame)
# Estandarización de nombres de variables
cleaned_data <- rename(cleaned_data, new_variable_name = old_variable_name)
# Transformación de datos para análisis
prepared_data <- mutate(cleaned_data, new_variable = log(old_variable))Visualización de datos
La visualización de datos es un componente esencial en el análisis exploratorio y la comunicación efectiva de resultados en cualquier proyecto de análisis de datos. En R, la riqueza de herramientas y librerías dedicadas a la visualización ofrece a los analistas y científicos de datos la capacidad de transformar datos abstractos en representaciones visuales comprensibles y significativas.Es muy importante debido a dos aspectos, la comprensión exploratoria y la comunicación efectiva
las gráficas proporcionan una visión intuitiva y rápida de la distribución, patrones y tendencias en los conjuntos de datos. Al explorar gráficamente los datos, los analistas pueden identificar relaciones, outliers y patrones que pueden no ser evidentes en una inspección numérica.
El aspecto de la comunicación efectiva es importante debido a la capacidad de comunicar resultados de manera efectiva es crucial. Las visualizaciones permiten presentar hallazgos de una manera accesible y convincente, facilitando la comprensión por parte de audiencias diversas. Gráficos claros y atractivos pueden ser fundamentales al comunicar resultados a colegas, stakeholders o audiencias no técnicas.
Visualización de datos univariados.
Es el enfoque en explorar la distribución y patrones de una sola variable. Examinar la forma y la dispersión de una variable es fundamental para comprender su comportamiento y puede revelar información valiosa sobre tendencias, centralidad y dispersión.Para ellos se utilizan:
Histogramas
Los histogramas son una forma efectiva de representar la distribución
de una variable continua. R ofrece la función hist() para
crear histogramas. Se pueden ajustar los parámetros, como el número de
intervalos (breaks), para obtener una representación más detallada.
hist(data_frame$variable, main = "Histograma de Variable", xlab = "Variable", col = "lightblue", border = "black")
``` r
### Gráficos de Densidad
Los gráficos de densidad proporcionan una representación suave de la distribución de una variable continua. La función `density()` se utiliza para calcular la densidad, y `plot()` para visualizarla.
``` r
plot(density(data_frame$variable), main = "Gráfico de Densidad de Variable", col = "blue")Gráficos de Caja
Los gráficos de caja, o boxplots, son útiles para visualizar la
distribución y la presencia de outliers en una variable. La función
boxplot() crea este tipo de gráficos.
boxplot(data_frame$variable, main = "Gráfico de Caja de Variable", col = "lightgreen", border = "black")Diagramas de Barra
Para variables categóricas, los diagramas de barra son efectivos. La
función barplot() crea gráficos de barras que muestran la
frecuencia o proporción de cada categoría.
barplot(table(data_frame$categorical_variable), main = "Diagrama de Barras", col = "skyblue", border = "black")Visualización de datos bivariados
La visualización de datos bivariados se centra en explorar la relación entre dos variables. Esta exploración es fundamental para comprender las conexiones y patrones entre las variables, lo que puede proporcionar información valiosa para el análisis y la toma de decisiones.Algunas herramientas que se utilizan son:
Scatter Plots
Los scatter plots son una herramienta esencial para visualizar la
relación entre dos variables continuas. En R, se pueden crear fácilmente
con la función plot().
plot(data_frame$variable1, data_frame$variable2, main = "Scatter Plot", xlab = "Variable 1", ylab = "Variable 2")Líneas de Regresión
Cuando se busca entender la tendencia o relación lineal entre dos variables, las líneas de regresión son útiles. R permite agregar líneas de regresión a un scatter plot con la función abline().
abline(lm(data_frame$variable2 ~ data_frame$variable1), col = "red")Matrices de Dispersión
Cuando se trabaja con más de dos variables, las matrices de dispersión ofrecen una visión completa de las relaciones bivariadas. El paquete graphics en R proporciona la función pairs() para crear matrices de dispersión.
pairs(data_frame[, c("variable1", "variable2", "variable3")])Heatmaps
Los heatmaps son útiles para visualizar la intensidad de la relación entre dos variables categóricas. La librería ggplot2 es eficaz para crear heatmaps.
library(ggplot2)
ggplot(data_frame, aes(x = variable1, y = variable2, fill = variable3)) +
geom_tile() +
labs(title = "Heatmap", x = "Variable 1", y = "Variable 2")Visualización de datos bivariados multivariados.
c. Visualización de Datos Bivariados Multivariados
La visualización de datos bivariados multivariados se enfoca en analizar la relación simultánea entre más de dos variables. Este tipo de visualización es esencial para comprender las interacciones complejas y las asociaciones entre múltiples variables en un conjunto de datos. Algunas herramientas que se utilizan:
Gráficos 3D
Los gráficos 3D son una herramienta efectiva para visualizar la
relación entre tres variables simultáneamente. Utilizando la función
scatterplot3d, se puede crear un gráfico tridimensional que
representa la interacción entre tres variables.
# Gráfico 3D
scatterplot3d(data_frame$variable1, data_frame$variable2, data_frame$variable3, main = "Gráfico 3D")Matrices de Color
Las matrices de color son útiles para representar la correlación
entre múltiples variables de manera visual. El paquete
corrplot proporciona una función para crear matrices de
color que muestran la fuerza y dirección de las relaciones.
library(corrplot)
corrplot(cor(data_frame[, c("variable1", "variable2", "variable3")]), method = "color")Gráficos de Burbujas
Los gráficos de burbujas son útiles cuando se desea visualizar la
relación entre tres variables, incluido el tamaño de las burbujas como
una cuarta dimensión. La librería plotly permite crear
gráficos de burbujas interactivos.
library(plotly)
plot_ly(data_frame, x = ~variable1, y = ~variable2, size = ~variable3, color = ~variable4, type = "scatter", mode = "markers")Visualización de datos avanzados (imágenes)
En ocasiones, es necesario trabajar con datos que no son convencionales, como imágenes. La visualización de datos avanzados, específicamente de imágenes, requiere enfoques especializados. A continuación, se exploran algunas técnicas y paquetes que permiten trabajar con este tipo de datos.
Trabajo con Imágenes
R cuenta con paquetes que facilitan la carga, manipulación y visualización de imágenes. El paquete jpeg es útil para trabajar con imágenes en formato JPEG, mientras que png es adecuado para imágenes en formato PNG. Estos paquetes permiten leer imágenes y realizar operaciones básicas.
# Instalar y cargar paquetes
install.packages("jpeg")
install.packages("png")
library(jpeg)
library(png)
# Cargar y mostrar una imagen JPEG
img <- readJPEG("ruta/a/la/imagen.jpg")
plot(0, 0, type = "n", axes = FALSE, xlab = "", ylab = "")
rasterImage(img, 0, 0, 1, 1)Análisis y Procesamiento de Imágenes
Para realizar análisis más avanzados en imágenes, el paquete
imager es valioso. Permite realizar operaciones como
filtrado, segmentación y medición en imágenes. Este paquete facilita el
tratamiento de imágenes como datos y su integración en análisis de datos
más amplios.
# Instalar y cargar paquete
install.packages("imager")
library(imager)
# Leer y mostrar una imagen con imager
img <- load.image("ruta/a/la/imagen.png")
plot(img)Visualización Interactiva
Para una visualización interactiva de imágenes, shiny es
una opción destacada. Permite crear aplicaciones web interactivas donde
los usuarios pueden explorar imágenes de manera dinámica.
# Instalar y cargar paquete
install.packages("shiny")
library(shiny)
# Crear aplicación Shiny para visualización interactiva de imágenes
shinyApp(
ui = fluidPage(
imageOutput("imagen")
),
server = function(input, output) {
output$imagen <- renderImage({
list(src = "ruta/a/la/imagen.png",
alt = "Imagen",
width = 800,
height = 600)
}, deleteFile = FALSE)
}
)Manipulación de datos no estructurados(texto)
La manipulación de datos no estructurados, centrada en el texto, es esencial en el análisis de datos moderno. Se refiere al proceso de trabajar con información que no sigue una estructura fija, como documentos, artículos, correos electrónicos o cualquier otro contenido textual. La capacidad de extraer información significativa de grandes volúmenes de texto es crucial para una variedad de aplicaciones, desde comprender la opinión pública hasta el procesamiento de lenguaje natural. En el contexto de R, existen diversas herramientas y paquetes especializados que facilitan la manipulación eficiente de estos datos no estructurados.
Importancia en el Análisis de Datos
Minería de Opiniones:
La manipulación de datos no estructurados es esencial en la minería de opiniones, donde se analizan grandes cantidades de texto, como reseñas de productos o comentarios en redes sociales, para comprender la percepción de los usuarios.
Procesamiento de Lenguaje Natural (NLP):
La manipulación de datos textuales es fundamental para el NLP, que se ocupa de la interacción entre las computadoras y el lenguaje humano. Tareas como el análisis de sentimiento, la extracción de entidades y la traducción automática dependen en gran medida de la manipulación eficiente de datos textuales.
Análisis de Contenido:
En el análisis de contenido, se examinan documentos y textos para identificar patrones, temas clave y relaciones. La manipulación de datos no estructurados permite explorar y comprender estos aspectos en conjuntos de texto extensos.
Herramientas y paquetes
Tokenización
La tokenización es el proceso de dividir un texto en unidades más pequeñas, llamadas tokens. Estos tokens suelen ser palabras, pero también podrían ser frases, sílabas o incluso caracteres individuales, dependiendo del nivel de granularidad deseado. La tokenización es una etapa fundamental en el procesamiento de texto y es esencial para realizar análisis de datos textuales, como contar palabras, realizar análisis de frecuencia o preparar texto para análisis de sentimiento.
En R, el paquete tokenizers facilita la tokenización de texto. A continuación, se proporciona una explicación más detallada sobre cómo utilizar este paquete para llevar a cabo la tokenización:
#instalación del paquete
install.packages("tokenizers")
library(tokenizers)La función principal para tokenizar palabras en el paquete tokenizers
es tokenize_words(). Esta función toma un vector de texto y
devuelve una lista de vectores, donde cada vector contiene las palabras
tokenizadas de un elemento del vector original.
# Texto de ejemplo
texto <- "La tokenización es crucial para el análisis de texto en R."
# Tokenización de palabras
tokens_palabras <- tokenize_words(texto)
print(tokens_palabras)Si en lugar de tokenizar palabras, deseas dividir el texto en frases,
puedes utilizar la función tokenize_sentences().
# Texto de ejemplo
texto <- "¡Hola! Esto es una oración de ejemplo. ¿Cómo estás?"
# Tokenización de frases
tokens_frases <- tokenize_sentences(texto)
print(tokens_frases)Además de las funciones predeterminadas para tokenización de palabras
y frases, tokenizers permite realizar tokenización
personalizada mediante expresiones regulares. Esto es útil cuando se
necesita una tokenización más específica.
Ejemplo de tokenización personalizada:
# Texto de ejemplo
texto <- "Tokenización::con::expresiones:regulares"
# Tokenización personalizada usando expresiones regulares
tokens_personalizado <- unlist(tokenize_words(texto, pattern = "::|:"))
print(tokens_personalizado)La tokenización es un paso esencial en el análisis de datos
textuales, y el paquete tokenizers en R proporciona una
variedad de funciones para adaptarse a diferentes necesidades. Desde la
tokenización básica de palabras hasta la tokenización personalizada,
este paquete es valioso para preparar datos textuales para análisis más
avanzados.
Eliminación de Stopwords con tm
La eliminación de stopwords es un paso fundamental en el
preprocesamiento de texto. Las stopwords son palabras comunes que
generalmente no aportan significado importante al análisis de texto y,
por lo tanto, se eliminan para centrarse en las palabras clave que
llevan información sustantiva. En R, el paquete tm es
ampliamente utilizado para realizar esta tarea y otros procesamientos de
texto.
install.packages("tm")
library(tm)El paquete tm trabaja con la estructura de datos llamada “corpus”. Un corpus es una colección de documentos de texto. Puedes crear un corpus a partir de un vector de texto o desde un directorio que contiene archivos de texto.
# Desde un Vector de Texto:
texto <- c("Este es un ejemplo de eliminación de stopwords en R.",
"Las stopwords son palabras comunes que deben ser eliminadas.",
"El paquete tm facilita este proceso.")
corpus <- Corpus(VectorSource(texto))
# Desde un Directorio de Archivos de Texto:
ruta <- "ruta/a/tu/directorio"
# Cargar todos los archivos de texto en el directorio
corpus <- Corpus(DirSource(ruta))La función removeWords() se utiliza para eliminar
stopwords del corpus. Puedes personalizar la lista de stopwords o
utilizar listas predefinidas según el idioma.
# Eliminar stopwords en español
corpus_sin_stopwords <- tm_map(corpus, removeWords, stopwords("spanish"))# Lista de stopwords personalizada
stopwords_personalizadas <- c("ejemplo", "palabra", "otra")
# Eliminar stopwords personalizadas
corpus_sin_stopwords <- tm_map(corpus, removeWords, stopwords_personalizadas)Otro paso común después de la eliminación de stopwords es realizar @stemming“, que implica reducir las palabras a sus raíces. Esto ayuda a consolidar las variaciones de las palabras.
# Aplicación de stemming al corpus
corpus_stemmed <- tm_map(corpus_sin_stopwords, stemDocument)Finalmente, puedes crear una matriz de término-documento que representa la frecuencia de las palabras en el corpus preprocesado.
tdm <- TermDocumentMatrix(corpus_stemmed)Análisis de Sentimiento con sentimentr
El análisis de sentimiento es una técnica que permite determinar la actitud o emoción expresada en un texto. Es una herramienta valiosa en el análisis de datos textuales, ya que puede ayudar a comprender la polaridad de opiniones en reseñas de productos, comentarios en redes sociales, o cualquier otro tipo de texto donde las emociones o actitudes jueguen un papel importante. El paquete sentimentr en R es una opción útil para llevar a cabo análisis de sentimiento de manera efectiva.
install.packages("sentimentr")
library(sentimentr)La función principal para realizar análisis de sentimiento en
sentimentr es sentiment(). Esta función toma un vector de
texto y devuelve una puntuación de sentimiento para cada oración,
indicando si la oración tiene una connotación positiva o negativa.
# Texto de ejemplo
texto <- c("Me encanta este producto, es increíble.", "No estoy satisfecho con el servicio.")
# Realizar análisis de sentimiento
resultados_sentimiento <- sentiment(texto)
print(resultados_sentimiento)Los resultados incluirán información sobre la polaridad del sentimiento, la puntuación de sentimiento y otras métricas relacionadas.Es común visualizar los resultados del análisis de sentimiento para obtener una comprensión más clara de las tendencias emocionales en el texto. Puedes utilizar gráficos de barras, diagramas de dispersión o cualquier otro tipo de visualización que se adapte a lo que se necesite.
###Procesamiento de Lenguaje Natural con imager y wordcloud:
El procesamiento de lenguaje natural (PLN) implica la aplicación de
técnicas y métodos computacionales para que las computadoras puedan
entender, interpretar y generar texto de manera similar a como lo hacen
los humanos. En el contexto del análisis de datos en R, los paquetes
imager y wordcloud son herramientas útiles
para realizar algunas tareas específicas dentro del procesamiento de
lenguaje natural, como la visualización de imágenes y la creación de
nubes de palabras.
Procesamiento de Imágenes con imager
install.packages("imager")
library(imager)# Cargar una imagen
imagen <- load.image("ruta/a/tu/imagen.jpg")
# Visualizar la imagen
plot(imagen)Para la manipulación y análisis de Imágenes imager
ofrece una variedad de funciones para manipular y analizar imágenes,
como cambiar el tamaño, ajustar el brillo, aplicar filtros, etc.
# Ejemplo: Cambiar tamaño de la imagen
imagen_redimensionada <- resize(imagen, 0.5)
plot(imagen_redimensionada)Creación de Nubes de Palabras con wordcloud
El paquete wordcloud es ampliamente utilizado para crear
visualizaciones de nubes de palabras, que representan gráficamente la
frecuencia de las palabras en un conjunto de texto.
install.packages("wordcloud")
library(wordcloud)# Para Crear una nube de palabras
texto <- "Análisis de texto con R es fascinante. R es un lenguaje de programación poderoso."
# Tokenización y creación de nube de palabras
palabras <- wordcloud(words = unlist(strsplit(texto, " ")), scale=c(3,0.5))Se puede personalizar la apariencia de la nube de palabras ajustando parámetros como colores, fuentes y tamaños.
# Ejemplo: Personalizar la nube de palabras
wordcloud(words = palabras$word, freq = palabras$freq, scale=c(3,0.5), colors=brewer.pal(8, "Dark2"))Ambos paquetes, imager y wordcloud, son herramientas valiosas en el análisis de datos cuando se trabaja con imágenes y texto respectivamente. El imager facilita la manipulación y análisis de imágenes, mientras que wordcloud proporciona una forma efectiva y visualmente atractiva de explorar la frecuencia de palabras en un conjunto de texto. Estas herramientas son especialmente útiles en el contexto del procesamiento de lenguaje natural y el análisis exploratorio de datos.
Visualizacion de datos
Visualizacion de datos univariados
La visualización de datos univariados se refiere a la representación gráfica y análisis de una sola variable en un conjunto de datos. El objetivo principal es comprender la distribución y las características de una variable específica sin tener en cuenta otras variables.
#Este es un ejemplo con un histograma
library(ggplot2)
data <- data.frame(x = rnorm(1000)) # Ejemplo de datos aleatorios
ggplot(data, aes(x)) +
geom_histogram(binwidth = 0.5, fill = "blue", color = "black", alpha = 0.7) +
labs(title = "Histograma", x = "Variable X", y = "Frecuencia")
### Visualizacion de datos bivariados Los datos
bivariados son conjuntos de información que consisten en observaciones o
mediciones tomadas sobre dos variables distintas para cada unidad o
individuo en estudio. Cada par de observaciones está compuesto por un
valor para la primera variable (llamada variable independiente o
predictor) y un valor correspondiente para la segunda variable (llamada
variable dependiente o respuesta).
install.packages("ggplot2")## Warning: package 'ggplot2' is in use and will not be installedlibrary(ggplot2)
# Genera datos de ejemplo con dos variables
set.seed(123)
data <- data.frame(
x = rnorm(100),
y = 2 * rnorm(100) + 0.5 * rnorm(100)
)
# Gráfico de dispersión
ggplot(data, aes(x, y)) +
geom_point(color = "blue", size = 3) +
labs(title = "Gráfico de Dispersión", x = "Variable X", y = "Variable Y")
Visualización de datos bivariados multivariados.
La visualización de datos bivariados multivariados se refiere a la representación gráfica y análisis de relaciones entre más de dos variables simultáneamente. En lugar de observar solo la relación entre dos variables, como en la visualización de datos bivariados, la visualización de datos bivariados multivariados explora las interacciones y patrones entre tres o más variables en un conjunto de datos.
install.packages("ggplot2")## Warning: package 'ggplot2' is in use and will not be installed# Carga la biblioteca ggplot2
library(ggplot2)
# Genera datos de ejemplo con dos variables
set.seed(123)
data <- data.frame(
x = rnorm(100),
y = 2 * rnorm(100) + 0.5 * rnorm(100),
category = sample(c("A", "B"), 100, replace = TRUE)
)
# Gráfico de dispersión con colores por categoría
ggplot(data, aes(x, y, color = category)) +
geom_point(size = 3) +
labs(title = "Gráfico de Dispersión Bivariado", x = "Variable X", y = "Variable Y", color = "Categoría")
Conclusiones
R Studio es un entorno de desarrollo integrado (IDE) diseñado específicamente para trabajar con el lenguaje de programación R, que es ampliamente utilizado en estadísticas, análisis de datos y visualización. Aquí tienes algunas conclusiones clave sobre R Studio:
Interfaz Amigable: R Studio proporciona una interfaz de usuario intuitiva y amigable que facilita la escritura, ejecución y depuración de código en R. La pantalla está dividida en paneles que muestran el script, la consola, los archivos y los gráficos, lo que facilita la organización del trabajo.
Consola Interactiva: R Studio incluye una consola interactiva que permite ejecutar comandos de R de forma inmediata y ver los resultados al instante. Esto facilita la exploración de datos y la realización de análisis iterativos.
Soporte para Gráficos: La plataforma ofrece excelentes capacidades de visualización de datos, con soporte para la generación de gráficos de alta calidad. Los usuarios pueden crear gráficos interactivos y personalizar la apariencia de los gráficos según sus necesidades.
Administración de Proyectos: R Studio facilita la gestión de proyectos al proporcionar un entorno integrado para organizar scripts, datos y resultados. Esto es particularmente útil para proyectos de análisis de datos y estadísticas más grandes.
Soporte para Paquetes: R Studio integra el manejo de paquetes de R, lo que simplifica la instalación, actualización y carga de paquetes. Esto es esencial para acceder a funcionalidades adicionales y extensiones proporcionadas por la comunidad.
Desarrollo de Aplicaciones: Permite el desarrollo de aplicaciones web interactivas a través de bibliotecas como Shiny, lo que facilita la comunicación de los resultados del análisis de datos de manera dinámica.
Integración con Git: R Studio se integra con sistemas de control de versiones como Git, lo que facilita el seguimiento de cambios en el código, la colaboración en equipo y la gestión de versiones.
Documentación y Ayuda: Ofrece herramientas integradas para la generación de documentos con R Markdown, lo que permite la creación de informes reproducibles que combinan código, resultados y narrativa.
#Análisis de conductores de Formula 1
Ruta del archivo
ruta_del_archivo <- "C:/F1Drivers_Dataset.csv"Importación del conjunto de datos desde el archivo CSV
f1_data <- read.csv(ruta_del_archivo)Mostramos las primeras filas del conjunto de datos
head(f1_data)## Driver Nationality Seasons Championships
## 1 Carlo Abate Italy [1962, 1963] 0
## 2 George Abecassis United Kingdom [1951, 1952] 0
## 3 Kenny Acheson United Kingdom [1983, 1985] 0
## 4 Andrea de Adamich Italy [1968, 1970, 1971, 1972, 1973] 0
## 5 Philippe Adams Belgium [1994] 0
## 6 Walt Ader United States [1950] 0
## Race_Entries Race_Starts Pole_Positions Race_Wins Podiums Fastest_Laps Points
## 1 3 0 0 0 0 0 0
## 2 2 2 0 0 0 0 0
## 3 10 3 0 0 0 0 0
## 4 36 30 0 0 0 0 6
## 5 2 2 0 0 0 0 0
## 6 1 1 0 0 0 0 0
## Active Championship.Years Decade Pole_Rate Start_Rate Win_Rate Podium_Rate
## 1 False 1960 0 0.0000000 0 0
## 2 False 1950 0 1.0000000 0 0
## 3 False 1980 0 0.3000000 0 0
## 4 False 1970 0 0.8333333 0 0
## 5 False 1990 0 1.0000000 0 0
## 6 False 1950 0 1.0000000 0 0
## FastLap_Rate Points_Per_Entry Years_Active Champion
## 1 0 0.0000000 2 False
## 2 0 0.0000000 2 False
## 3 0 0.0000000 2 False
## 4 0 0.1666667 5 False
## 5 0 0.0000000 1 False
## 6 0 0.0000000 1 Falsestr(f1_data)## 'data.frame': 868 obs. of 22 variables:
## $ Driver : chr "Carlo Abate" "George Abecassis" "Kenny Acheson" "Andrea de Adamich" ...
## $ Nationality : chr "Italy" "United Kingdom" "United Kingdom" "Italy" ...
## $ Seasons : chr "[1962, 1963]" "[1951, 1952]" "[1983, 1985]" "[1968, 1970, 1971, 1972, 1973]" ...
## $ Championships : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Race_Entries : num 3 2 10 36 2 1 1 9 4 1 ...
## $ Race_Starts : num 0 2 3 30 2 1 1 8 4 1 ...
## $ Pole_Positions : num 0 0 0 0 0 0 0 1 0 0 ...
## $ Race_Wins : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Podiums : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Fastest_Laps : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Points : num 0 0 0 6 0 0 0 1.5 0 0 ...
## $ Active : chr "False" "False" "False" "False" ...
## $ Championship.Years: chr "" "" "" "" ...
## $ Decade : int 1960 1950 1980 1970 1990 1950 1950 1950 1970 2020 ...
## $ Pole_Rate : num 0 0 0 0 0 ...
## $ Start_Rate : num 0 1 0.3 0.833 1 ...
## $ Win_Rate : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Podium_Rate : num 0 0 0 0 0 0 0 0 0 0 ...
## $ FastLap_Rate : num 0 0 0 0 0 0 0 0 0 0 ...
## $ Points_Per_Entry : num 0 0 0 0.167 0 ...
## $ Years_Active : int 2 2 2 5 1 1 1 8 4 1 ...
## $ Champion : chr "False" "False" "False" "False" ...REsumen estadístico
# resumen estadístico del conjunto de datos
summary(f1_data)## Driver Nationality Seasons Championships
## Length:868 Length:868 Length:868 Min. :0.0000
## Class :character Class :character Class :character 1st Qu.:0.0000
## Mode :character Mode :character Mode :character Median :0.0000
## Mean :0.0841
## 3rd Qu.:0.0000
## Max. :7.0000
## Race_Entries Race_Starts Pole_Positions Race_Wins
## Min. : 1.00 Min. : 0.00 Min. : 0.000 Min. : 0.000
## 1st Qu.: 2.00 1st Qu.: 1.00 1st Qu.: 0.000 1st Qu.: 0.000
## Median : 7.00 Median : 5.00 Median : 0.000 Median : 0.000
## Mean : 29.92 Mean : 27.69 Mean : 1.244 Mean : 1.248
## 3rd Qu.: 29.25 3rd Qu.: 26.00 3rd Qu.: 0.000 3rd Qu.: 0.000
## Max. :359.00 Max. :356.00 Max. :103.000 Max. :103.000
## Podiums Fastest_Laps Points Active
## Min. : 0.000 Min. : 0.000 Min. : 0.00 Length:868
## 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.00 Class :character
## Median : 0.000 Median : 0.000 Median : 0.00 Mode :character
## Mean : 3.757 Mean : 1.262 Mean : 55.85
## 3rd Qu.: 0.000 3rd Qu.: 0.000 3rd Qu.: 8.00
## Max. :191.000 Max. :77.000 Max. :4415.50
## Championship.Years Decade Pole_Rate Start_Rate
## Length:868 Min. :1950 Min. :0.00000 Min. :0.0000
## Class :character 1st Qu.:1960 1st Qu.:0.00000 1st Qu.:0.6667
## Mode :character Median :1970 Median :0.00000 Median :0.9623
## Mean :1972 Mean :0.01147 Mean :0.7798
## 3rd Qu.:1982 3rd Qu.:0.00000 3rd Qu.:1.0000
## Max. :2020 Max. :0.55769 Max. :1.0000
## Win_Rate Podium_Rate FastLap_Rate Points_Per_Entry
## Min. :0.00000 Min. :0.00000 Min. :0.00000 Min. : 0.0000
## 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.: 0.0000
## Median :0.00000 Median :0.00000 Median :0.00000 Median : 0.0000
## Mean :0.01105 Mean :0.04139 Mean :0.01189 Mean : 0.4792
## 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.: 0.3825
## Max. :0.46154 Max. :1.00000 Max. :0.50000 Max. :14.1977
## Years_Active Champion
## Min. : 1.000 Length:868
## 1st Qu.: 1.000 Class :character
## Median : 2.000 Mode :character
## Mean : 3.665
## 3rd Qu.: 5.000
## Max. :19.000Columnas
# nombres de las columnas del conjunto de datos
column_names <- colnames(f1_data)
print(column_names)## [1] "Driver" "Nationality" "Seasons"
## [4] "Championships" "Race_Entries" "Race_Starts"
## [7] "Pole_Positions" "Race_Wins" "Podiums"
## [10] "Fastest_Laps" "Points" "Active"
## [13] "Championship.Years" "Decade" "Pole_Rate"
## [16] "Start_Rate" "Win_Rate" "Podium_Rate"
## [19] "FastLap_Rate" "Points_Per_Entry" "Years_Active"
## [22] "Champion"Diferenciamos las variables cualitativas de las cuantitativas:
# Obtener los nombres de las columnas
column_names <- colnames(f1_data)
# Inicializar vectores para variables cuantitativas y cualitativas
cuantitativas <- c()
cualitativas <- c()
# Iterar sobre las columnas y clasificarlas
for (col_name in column_names) {
if (is.numeric(f1_data[[col_name]])) {
# Si la columna es numérica, agregar a variables cuantitativas
cuantitativas <- c(cuantitativas, col_name)
} else {
# Si la columna no es numérica, agregar a variables cualitativas
cualitativas <- c(cualitativas, col_name)
}
}
# Mostrar los resultados
print("Variables Cuantitativas:")## [1] "Variables Cuantitativas:"print(cuantitativas)## [1] "Championships" "Race_Entries" "Race_Starts" "Pole_Positions"
## [5] "Race_Wins" "Podiums" "Fastest_Laps" "Points"
## [9] "Decade" "Pole_Rate" "Start_Rate" "Win_Rate"
## [13] "Podium_Rate" "FastLap_Rate" "Points_Per_Entry" "Years_Active"print("Variables Cualitativas:")## [1] "Variables Cualitativas:"print(cualitativas)## [1] "Driver" "Nationality" "Seasons"
## [4] "Active" "Championship.Years" "Champion"Estadisticos descriptivos cualitativas
summary(cuantitativas)## Length Class Mode
## 16 character character# Filtra solo las columnas cualitativas (caracter o factor)
cualitativas <- f1_data[, sapply(f1_data, function(x) is.character(x) || is.factor(x))]
summary(cualitativas)## Driver Nationality Seasons Active
## Length:868 Length:868 Length:868 Length:868
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
## Championship.Years Champion
## Length:868 Length:868
## Class :character Class :character
## Mode :character Mode :character# Filtrar solo las columnas cualitativas (caracter o factor)
cualitativas <- f1_data[, sapply(f1_data, function(x) is.character(x) || is.factor(x))]Estadisticos descriptivos cuantitativos
cuantitativas <- f1_data[, sapply(f1_data, is.numeric)]
summary(cuantitativas)## Championships Race_Entries Race_Starts Pole_Positions
## Min. :0.0000 Min. : 1.00 Min. : 0.00 Min. : 0.000
## 1st Qu.:0.0000 1st Qu.: 2.00 1st Qu.: 1.00 1st Qu.: 0.000
## Median :0.0000 Median : 7.00 Median : 5.00 Median : 0.000
## Mean :0.0841 Mean : 29.92 Mean : 27.69 Mean : 1.244
## 3rd Qu.:0.0000 3rd Qu.: 29.25 3rd Qu.: 26.00 3rd Qu.: 0.000
## Max. :7.0000 Max. :359.00 Max. :356.00 Max. :103.000
## Race_Wins Podiums Fastest_Laps Points
## Min. : 0.000 Min. : 0.000 Min. : 0.000 Min. : 0.00
## 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.000 1st Qu.: 0.00
## Median : 0.000 Median : 0.000 Median : 0.000 Median : 0.00
## Mean : 1.248 Mean : 3.757 Mean : 1.262 Mean : 55.85
## 3rd Qu.: 0.000 3rd Qu.: 0.000 3rd Qu.: 0.000 3rd Qu.: 8.00
## Max. :103.000 Max. :191.000 Max. :77.000 Max. :4415.50
## Decade Pole_Rate Start_Rate Win_Rate
## Min. :1950 Min. :0.00000 Min. :0.0000 Min. :0.00000
## 1st Qu.:1960 1st Qu.:0.00000 1st Qu.:0.6667 1st Qu.:0.00000
## Median :1970 Median :0.00000 Median :0.9623 Median :0.00000
## Mean :1972 Mean :0.01147 Mean :0.7798 Mean :0.01105
## 3rd Qu.:1982 3rd Qu.:0.00000 3rd Qu.:1.0000 3rd Qu.:0.00000
## Max. :2020 Max. :0.55769 Max. :1.0000 Max. :0.46154
## Podium_Rate FastLap_Rate Points_Per_Entry Years_Active
## Min. :0.00000 Min. :0.00000 Min. : 0.0000 Min. : 1.000
## 1st Qu.:0.00000 1st Qu.:0.00000 1st Qu.: 0.0000 1st Qu.: 1.000
## Median :0.00000 Median :0.00000 Median : 0.0000 Median : 2.000
## Mean :0.04139 Mean :0.01189 Mean : 0.4792 Mean : 3.665
## 3rd Qu.:0.00000 3rd Qu.:0.00000 3rd Qu.: 0.3825 3rd Qu.: 5.000
## Max. :1.00000 Max. :0.50000 Max. :14.1977 Max. :19.000MANEJO DE DATOS
###Identificación y manejo de datos missing
VerificaCION de si hay datos faltantes en todo el conjunto de datos
any_missing <- any(is.na(f1_data))Conteo del número de datos faltantes por columna
missing_per_column <- colSums(is.na(f1_data))columnas con datos faltantes y la cantidad de valores faltantes
print(missing_per_column[missing_per_column > 0])## named numeric(0)Identificación y manejo de datos outlier e inconsistentes.
Identificación de las filas con outliers en al menos una columna
outliers <- apply(f1_data, 1, function(row) {
numeric_values <- sapply(row, function(x) {
if (is.numeric(x) && is.finite(x)) {
return(x)
} else {
return(NA)
}
})
# Verifica si hay NAs después de la coerción
if (any(is.na(numeric_values))) {
return(FALSE)
}
# Calcula el rango intercuartílico y mediana después de manejar valores no numéricos(trabajamos con esllo)
iqr_row <- IQR(numeric_values, na.rm = TRUE)
median_row <- median(numeric_values, na.rm = TRUE)
# Verificación
any(abs(numeric_values - median_row) > outlier_threshold * iqr_row)
})
outliers_rows <- which(outliers)
print(outliers_rows)## integer(0)#Visualización de datos ## Race_wins
# Histograma de Race_Wins
hist(f1_data$Race_Wins, main="Histograma de Race_Wins", xlab="Número de Victorias", col="lightblue", border="black")
# Boxplot de Race_Wins
boxplot(f1_data$Race_Wins, main="Boxplot de Race_Wins", ylab="Número de Victorias", col="lightblue", border="black")
Gráfico de Dispersión entre “Podiums” y “Race_Wins”
# Gráfico de Dispersión
plot(f1_data$Podiums, f1_data$Race_Wins, main="Gráfico de Dispersión", xlab="Podiums", ylab="Race_Wins", col="blue")
##Nacionalidad
barplot(table(f1_data$Nationality), main="Gráfico de Barras para Nationality", xlab="País", ylab="Frecuencia", col="lightblue")
# Diagrama de Mosaico
mosaicplot(table(f1_data$Decade, f1_data$Champion), main="Diagrama de Mosaico", color=TRUE)
Gráfico de Dispersión entre Podium_Rate y FastLap_Rate
plot(f1_data$Podium_Rate, f1_data$FastLap_Rate,
main="Gráfico de Dispersión entre Podium_Rate y FastLap_Rate",
xlab="Podium_Rate", ylab="FastLap_Rate", col="blue", pch=16)