R es un lenguaje de programación y un entorno de software diseñado especÃficamente para estadÃsticas y análisis de datos. Fue desarrollado por Ross Ihaka y Robert Gentleman en la Universidad de Auckland, Nueva Zelanda, en la década de 1990. Desde entonces, R se ha convertido en uno de los lenguajes más populares en el ámbito de la estadÃstica y la ciencia de datos
Diciembre, 2023
Que es R?
CaracterÃsticas Clave
EstadÃsticas y Análisis de Datos: R es potente para realizar análisis estadÃsticos y exploración de datos, se pueden realizar tareas como regresión, análisis de varianza, machine learning, y más.
Gráficos: R tiene excelentes capacidades para la visualización de datos. Puedes crear una variedad de gráficos de alta calidad para explorar y comunicar patrones en los datos.
Comunidad y Paquetes: R tiene una comunidad activa de usuarios y desarrolladores. Además, cuenta con un extenso sistema de paquetes que amplÃan sus capacidades.
Investigación Académica y Empresarial: R se utiliza en entornos académicos, de investigación y empresariales
Integración con Otros Lenguajes y Herramientas: R se puede integrar con otros lenguajes de programación como C, C++, y Python.
Que es GIT?
Git es un sistema de control de versiones distribuido ampliamente utilizado. Fue creado por Linus Torvalds en 2005 y se ha convertido en una herramienta esencial para el desarrollo de software colaborativo. Aquà tienes una descripción de Git y algunos de sus beneficios:
Beneficios de Git:
Trabajo Colaborativo: Git permite a varios desarrolladores trabajar en un proyecto simultáneamente sin temor a conflictos. Cada desarrollador puede trabajar en su propia rama y fusionar los cambios de manera eficiente.
Historial y AuditorÃa: El historial completo de cambios en un proyecto proporciona una trazabilidad clara y facilita la identificación de errores o problemas.
Ramificación: La capacidad de crear ramas fácilmente facilita el desarrollo de nuevas caracterÃsticas y la corrección de errores sin afectar la rama principal del proyecto.
Flexibilidad: Git es flexible y se adapta a diversos flujos de trabajo, pequeños o grandes
Respaldo y Recuperación: La distribución y duplicación de repositorios proporciona una forma robusta de respaldar y recuperar proyectos en caso de fallos.
Crear usuario en GIT
- Ir a https://github.com/signup?source=login
- Crear nuevo usuario
- ! Crea un usuario facil de escribir y al mismo tiempo que se vea profesional
- GIT tambien es un buen portafolio profesional
Instalacion de R & GIT
Windows:
1. R:
- Descarga R desde el sitio oficial: https://cran.r-project.org/mirrors.html
- Ejecuta el instalador descargado y sigue las instrucciones.
2. Rtools (opcional pero recomendado para instalar paquetes adicionales):
- Descarga Rtools desde https://cran.r-project.org/bin/windows/Rtools/
- Ejecuta el instalador y sigue las instrucciones.
3. Git:
- Descarga Git desde https://git-scm.com/download/win
- Ejecuta el instalador descargado y sigue las instrucciones.
Instalacion de R & GIT
macOS:
1. R:
- Puedes instalar R usando Homebrew con el siguiente comando en la terminal:
bash brew install r
2. Git:
- Puedes instalar Git usando Homebrew con el siguiente comando en la terminal:
bash brew install git
Patalla de R
https://bookdown.org/gboccardo/manual-ED-UCH/uso-basico-de-rstudio.html
Directorios de trabajo
y comentarios
En R, el directorio de trabajo es el lugar en el sistema de archivos donde R buscará y guardará archivos por defecto.
Comentarios: Proporciona información adicional sobre el propósito o funcionamiento del código #
###### Directorios de trabajo
setwd("~/Documents/GitHub/Intro_R_2023") #Mac
getwd() #Donde estamos trabajando?
## [1] "/Users/lio/Documents/GitHub/Intro_R_2023"
# Comentarios # comentario
Paquetes
Los “paquetes” son un conjuntos de herramientas, funciones y datos que extienden la funcionalidad básica del lenguaje.
Paquetes
Paquetes
Los paquetes no se instalan automáticamente con R. Para utilizar un paquete, primero debes instalarlo.
Una vez instalado, debes cargar un paquete en tu sesión de R para poder utilizar sus funciones.
#install.packages("tidyverse")
#install.packages("dplyr")
library(tidyverse)
library(dplyr)
#update.packages() #actualiza todos los paquetes que tengas instalados
¿Por qué debemos instalar los paquetes?
Ayuda
En R, el signo de interrogación (?) se utiliza para acceder a la documentación de una función o de un paquete. Al colocar el signo de interrogación seguido del nombre de una función o paquete y ejecutar esa lÃnea de código, R abrirá la documentación correspondiente en la ventana de ayuda.
?print() ?lm #Busqueda Simple ??lm #Busqueda Amplia
Operadores
Los operadores son sÃmbolos o palabras clave que realizan operaciones en variables y valores.
- Operadores de asignación:
- Operadores aritméticos
- Operadores de comparación
- Operadores lógicos
Operadores
Operadores de asignación
- Asignación de variables: <- o =
variable <- 42 variable
## [1] 42
Operadores
Operadores aritméticos
- Suma: +
- Resta: -
- Multiplicación: *
- División: /
- Potenciación: ^ o **
- Resto de la división entera: %%
- Cociente de la división entera: %/%
Operadores
Operadores aritméticos
a <- 10 b <- 3 suma <- a + b resta <- a - b multiplicacion <- a * b division <- a / b print(suma)
## [1] 13
division
## [1] 3.333333
Operadores
Operadores de comparación
- Igual a: ==
- No igual a: !=
- Menor que: <
- Mayor que: >
- Menor o igual que: <=
- Mayor o igual que: >=
x <- 5 y <- 10 resultado <- x > y print(resultado)
## [1] FALSE
Operadores
Operadores lógicos
- AND lógico: &
- OR lógico: |
- NOT lógico: !
condicion1 <- TRUE condicion2 <- FALSE resultado <- condicion1 & condicion2 print(resultado)
## [1] FALSE
Objetos
En el contexto de R, “objetos” se refiere a las estructuras de datos que almacenan información.
- Funciones
- Vectores
- Matrices
- Listas
- Data Frames (Marco de Datos)
- Factores
Objetos
## Recuerda que R es un lenguaje sensible a mayúsculas y minúsculas (10 + 2) * 5
## [1] 60
x <- (10 + 2) * 5 # <- es equivalente a = x <- NA x <- c(8,9,10,12,14,10,13,10,9) print(x)
## [1] 8 9 10 12 14 10 13 10 9
Objetos
Funciones
Objetos que contienen código ejecutable.
| Informacion | Aritmética | Estadistica | Orden |
|---|---|---|---|
| summary(x) | min(x) | sd(x) | rev(x) |
| mode(x) | max(x) | var(x) | unique(x) |
| length(x) | log(x) | median(x) | sort(x) |
| range(x) | sum(x) | mean(x) | rev(sort(x)) |
#¿Donde podemos encontrar más funciones?
Objetos
Vectores: Clase genérica que permite almacenar una colección de objetos del mismo tipo
- Numericos: Almacenan números reales.
- Enteros: Almacenan números enteros.
- Lógicos: Almacenan valores booleanos (TRUE o FALSE).
- Caracteres: Almacenan texto
# Ejemplos de vectores
numeric_vector <- c(1.5, 2.3, 4.0)
entero_vector <- c(1, 2, 3)
logico_vector <- c(TRUE, FALSE, TRUE)
caracteres_vector <- c("uno", "dos", "tres")
Objetos
Vectores
peso <- c(60, 72, 57, 90, 95, 72) altura <- c(1.75, 1.80, 1.65, 1.90, 1.74, 1.91) imc <- peso/altura^2 print(imc)
## [1] 19.59184 22.22222 20.93664 24.93075 31.37799 19.73630
Objetos
Matrices: Arreglos bidimensionales de elementos del mismo tipo.
X <- matrix(c(1, 2, 3, 11, 12, 13), nrow=2, ncol=3, byrow=TRUE,
dimnames=list(c("fila1", "fila2"), c("C.1", "C.2", "C.3")))
X
## C.1 C.2 C.3 ## fila1 1 2 3 ## fila2 11 12 13
X <- matrix(c(10, 10, 10, 10, 10, 10), nrow=2, ncol=3, byrow=TRUE,
dimnames=list(c("fila1", "fila2"), c("C.1", "C.2", "C.3")))
Objetos
Matrices
rownames(X) #nombre de filas
## [1] "fila1" "fila2"
colnames(X) #nombre de columnas
## [1] "C.1" "C.2" "C.3"
nrow(X) #Numero de filas
## [1] 2
ncol(X) #numero de columnas
## [1] 3
dim(X) #dimensiones
## [1] 2 3
t(X) #trasponer
## fila1 fila2 ## C.1 10 10 ## C.2 10 10 ## C.3 10 10
¿Por qué se muestra la segunda matriz y no la primera?
Objetos
Matrices
Manipulacion de Matrices
C.4 <- c(100, 1000) #crear vector para 4ta columna X1 <- cbind(X, C.4) #Agregar 4ta columna a X fila3 <- c(10, 100, 1000) #crear fila 3 X2 <- rbind(X, fila3) #agregar fila 3 a X X2
## C.1 C.2 C.3 ## fila1 10 10 10 ## fila2 10 10 10 ## fila3 10 100 1000
Objetos
Matrices
Manipulacion de Matrices
#Donde se fue la Columna 4 (C.4)? X2 <- rbind(X, fila3) #agregar fila 3 a X fila3 <- c(10, 100, 1000, 10000) #crear fila 3 X3 <- rbind(X1, fila3) #agregar fila 3 a X X3
## C.1 C.2 C.3 C.4 ## fila1 10 10 10 100 ## fila2 10 10 10 1000 ## fila3 10 100 1000 10000
Objetos
Lista
Listas: Colecciones ordenadas de objetos de diferentes tipos.
## Lista (grupos de cualquier tipo de objeto R) lista_ejemplo <- list(numeric_vector, entero_vector, logico_vector, caracteres_vector) lista_ejemplo
## [[1]] ## [1] 1.5 2.3 4.0 ## ## [[2]] ## [1] 1 2 3 ## ## [[3]] ## [1] TRUE FALSE TRUE ## ## [[4]] ## [1] "uno" "dos" "tres"
lista_ejemplo[[4]]
## [1] "uno" "dos" "tres"
Objetos
Data Frames
Estructuras de datos bidimensionales similares a las matrices, pero pueden contener columnas de diferentes tipos.
# Ejemplo de data frame
data_frame_ejemplo <- data.frame(
Nombre = c("Juan", "Maria", "Carlos"),
Edad = c(25, 30, 22),
Casado = c(FALSE, TRUE, FALSE)
)
data_frame_ejemplo
## Nombre Edad Casado ## 1 Juan 25 FALSE ## 2 Maria 30 TRUE ## 3 Carlos 22 FALSE
Objetos
Data Frames
Manipulacion de Datos
## Marco de datos (Data Frame)
data <- data.frame(alpha=1:3,
beta=4:6, gamma=7:9)
names(data)[3] <- "tres"
data$tres <- NULL
# Reordenar marco de datos
data <- data.frame(id=1:3, peso=c(50, 90, 75),
tamaño=c("pequeño", "grande", "mediano"))
data[c(1, 3, 2)]
## id tamaño peso ## 1 1 pequeño 50 ## 2 2 grande 90 ## 3 3 mediano 75
data[c("tamaño", "id", "peso")]
## tamaño id peso ## 1 pequeño 1 50 ## 2 grande 2 90 ## 3 mediano 3 75
Objetos
Factores
Vectores que representan variables categóricas con niveles predefinidos.
x <- factor(c("alpha", "beta", "gamma", "alpha", "beta"))
levels(x) #Distintos Valores unicos que puede tomar un factor
## [1] "alpha" "beta" "gamma"
levels(x)[levels(x)=="beta"] <- "dos" #cambiamos beta por dos
levels(x)[3] <- "tres" #cambiamos el tercer nivel por tres
levels(x) <- c("uno", "dos", "tres") #cambiamos todos los niveles por el vector
Objetos
Manipulaciones
# Convertir objetos data <- as.matrix(data) #Para convertir en Matriz data
## id peso tamaño ## [1,] "1" "50" "pequeño" ## [2,] "2" "90" "grande" ## [3,] "3" "75" "mediano"
¿Que tipos de datos hay en la matriz?
Objetos
Manipulaciones
# Convertir objetos data
## id peso tamaño ## [1,] "1" "50" "pequeño" ## [2,] "2" "90" "grande" ## [3,] "3" "75" "mediano"
data_1 <- as.numeric(data)
## Warning: NAs introduced by coercion
#Para convertir en Matriz data_1
## [1] 1 2 3 50 90 75 NA NA NA
#Que paso con nuestros datos?
Objetos
Manipulaciones
# Convertir objetos typeof(data)
## [1] "character"
data[,3] <- c(1,3,2) data
## id peso tamaño ## [1,] "1" "50" "1" ## [2,] "2" "90" "3" ## [3,] "3" "75" "2"
# Convertir toda la matriz a tipo numérico data_numeric <- as.numeric(data) # Remodelar la matriz a sus dimensiones originales dim(data_numeric) <- dim(data) data_numeric
## [,1] [,2] [,3] ## [1,] 1 50 1 ## [2,] 2 90 3 ## [3,] 3 75 2
Objetos
Manipulaciones
x <- 1:20 #Creamos un Objeto x[3] <- 100 #introducir 100 en el lugar 3 x
## [1] 1 2 100 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 ## [20] 20
x[c(2, 4)] <- 111 #Introcir 111 en el lugar 2 y 4 x
## [1] 1 111 100 111 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 ## [20] 20
#Que tipo de objeto es x?
Indexacion
La indexación en R se refiere a la forma en que accedemos a elementos especÃficos en un objeto de datos, como vectores, matrices, listas o data frames.
https://rpubs.com/adiedrichs/basicIndexInR
iris
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species ## 1 5.1 3.5 1.4 0.2 setosa ## 2 4.9 3.0 1.4 0.2 setosa ## 3 4.7 3.2 1.3 0.2 setosa ## 4 4.6 3.1 1.5 0.2 setosa ## 5 5.0 3.6 1.4 0.2 setosa ## 6 5.4 3.9 1.7 0.4 setosa ## 7 4.6 3.4 1.4 0.3 setosa ## 8 5.0 3.4 1.5 0.2 setosa ## 9 4.4 2.9 1.4 0.2 setosa ## 10 4.9 3.1 1.5 0.1 setosa ## 11 5.4 3.7 1.5 0.2 setosa ## 12 4.8 3.4 1.6 0.2 setosa ## 13 4.8 3.0 1.4 0.1 setosa ## 14 4.3 3.0 1.1 0.1 setosa ## 15 5.8 4.0 1.2 0.2 setosa ## 16 5.7 4.4 1.5 0.4 setosa ## 17 5.4 3.9 1.3 0.4 setosa ## 18 5.1 3.5 1.4 0.3 setosa ## 19 5.7 3.8 1.7 0.3 setosa ## 20 5.1 3.8 1.5 0.3 setosa ## 21 5.4 3.4 1.7 0.2 setosa ## 22 5.1 3.7 1.5 0.4 setosa ## 23 4.6 3.6 1.0 0.2 setosa ## 24 5.1 3.3 1.7 0.5 setosa ## 25 4.8 3.4 1.9 0.2 setosa ## 26 5.0 3.0 1.6 0.2 setosa ## 27 5.0 3.4 1.6 0.4 setosa ## 28 5.2 3.5 1.5 0.2 setosa ## 29 5.2 3.4 1.4 0.2 setosa ## 30 4.7 3.2 1.6 0.2 setosa ## 31 4.8 3.1 1.6 0.2 setosa ## 32 5.4 3.4 1.5 0.4 setosa ## 33 5.2 4.1 1.5 0.1 setosa ## 34 5.5 4.2 1.4 0.2 setosa ## 35 4.9 3.1 1.5 0.2 setosa ## 36 5.0 3.2 1.2 0.2 setosa ## 37 5.5 3.5 1.3 0.2 setosa ## 38 4.9 3.6 1.4 0.1 setosa ## 39 4.4 3.0 1.3 0.2 setosa ## 40 5.1 3.4 1.5 0.2 setosa ## 41 5.0 3.5 1.3 0.3 setosa ## 42 4.5 2.3 1.3 0.3 setosa ## 43 4.4 3.2 1.3 0.2 setosa ## 44 5.0 3.5 1.6 0.6 setosa ## 45 5.1 3.8 1.9 0.4 setosa ## 46 4.8 3.0 1.4 0.3 setosa ## 47 5.1 3.8 1.6 0.2 setosa ## 48 4.6 3.2 1.4 0.2 setosa ## 49 5.3 3.7 1.5 0.2 setosa ## 50 5.0 3.3 1.4 0.2 setosa ## 51 7.0 3.2 4.7 1.4 versicolor ## 52 6.4 3.2 4.5 1.5 versicolor ## 53 6.9 3.1 4.9 1.5 versicolor ## 54 5.5 2.3 4.0 1.3 versicolor ## 55 6.5 2.8 4.6 1.5 versicolor ## 56 5.7 2.8 4.5 1.3 versicolor ## 57 6.3 3.3 4.7 1.6 versicolor ## 58 4.9 2.4 3.3 1.0 versicolor ## 59 6.6 2.9 4.6 1.3 versicolor ## 60 5.2 2.7 3.9 1.4 versicolor ## 61 5.0 2.0 3.5 1.0 versicolor ## 62 5.9 3.0 4.2 1.5 versicolor ## 63 6.0 2.2 4.0 1.0 versicolor ## 64 6.1 2.9 4.7 1.4 versicolor ## 65 5.6 2.9 3.6 1.3 versicolor ## 66 6.7 3.1 4.4 1.4 versicolor ## 67 5.6 3.0 4.5 1.5 versicolor ## 68 5.8 2.7 4.1 1.0 versicolor ## 69 6.2 2.2 4.5 1.5 versicolor ## 70 5.6 2.5 3.9 1.1 versicolor ## 71 5.9 3.2 4.8 1.8 versicolor ## 72 6.1 2.8 4.0 1.3 versicolor ## 73 6.3 2.5 4.9 1.5 versicolor ## 74 6.1 2.8 4.7 1.2 versicolor ## 75 6.4 2.9 4.3 1.3 versicolor ## 76 6.6 3.0 4.4 1.4 versicolor ## 77 6.8 2.8 4.8 1.4 versicolor ## 78 6.7 3.0 5.0 1.7 versicolor ## 79 6.0 2.9 4.5 1.5 versicolor ## 80 5.7 2.6 3.5 1.0 versicolor ## 81 5.5 2.4 3.8 1.1 versicolor ## 82 5.5 2.4 3.7 1.0 versicolor ## 83 5.8 2.7 3.9 1.2 versicolor ## 84 6.0 2.7 5.1 1.6 versicolor ## 85 5.4 3.0 4.5 1.5 versicolor ## 86 6.0 3.4 4.5 1.6 versicolor ## 87 6.7 3.1 4.7 1.5 versicolor ## 88 6.3 2.3 4.4 1.3 versicolor ## 89 5.6 3.0 4.1 1.3 versicolor ## 90 5.5 2.5 4.0 1.3 versicolor ## 91 5.5 2.6 4.4 1.2 versicolor ## 92 6.1 3.0 4.6 1.4 versicolor ## 93 5.8 2.6 4.0 1.2 versicolor ## 94 5.0 2.3 3.3 1.0 versicolor ## 95 5.6 2.7 4.2 1.3 versicolor ## 96 5.7 3.0 4.2 1.2 versicolor ## 97 5.7 2.9 4.2 1.3 versicolor ## 98 6.2 2.9 4.3 1.3 versicolor ## 99 5.1 2.5 3.0 1.1 versicolor ## 100 5.7 2.8 4.1 1.3 versicolor ## 101 6.3 3.3 6.0 2.5 virginica ## 102 5.8 2.7 5.1 1.9 virginica ## 103 7.1 3.0 5.9 2.1 virginica ## 104 6.3 2.9 5.6 1.8 virginica ## 105 6.5 3.0 5.8 2.2 virginica ## 106 7.6 3.0 6.6 2.1 virginica ## 107 4.9 2.5 4.5 1.7 virginica ## 108 7.3 2.9 6.3 1.8 virginica ## 109 6.7 2.5 5.8 1.8 virginica ## 110 7.2 3.6 6.1 2.5 virginica ## 111 6.5 3.2 5.1 2.0 virginica ## 112 6.4 2.7 5.3 1.9 virginica ## 113 6.8 3.0 5.5 2.1 virginica ## 114 5.7 2.5 5.0 2.0 virginica ## 115 5.8 2.8 5.1 2.4 virginica ## 116 6.4 3.2 5.3 2.3 virginica ## 117 6.5 3.0 5.5 1.8 virginica ## 118 7.7 3.8 6.7 2.2 virginica ## 119 7.7 2.6 6.9 2.3 virginica ## 120 6.0 2.2 5.0 1.5 virginica ## 121 6.9 3.2 5.7 2.3 virginica ## 122 5.6 2.8 4.9 2.0 virginica ## 123 7.7 2.8 6.7 2.0 virginica ## 124 6.3 2.7 4.9 1.8 virginica ## 125 6.7 3.3 5.7 2.1 virginica ## 126 7.2 3.2 6.0 1.8 virginica ## 127 6.2 2.8 4.8 1.8 virginica ## 128 6.1 3.0 4.9 1.8 virginica ## 129 6.4 2.8 5.6 2.1 virginica ## 130 7.2 3.0 5.8 1.6 virginica ## 131 7.4 2.8 6.1 1.9 virginica ## 132 7.9 3.8 6.4 2.0 virginica ## 133 6.4 2.8 5.6 2.2 virginica ## 134 6.3 2.8 5.1 1.5 virginica ## 135 6.1 2.6 5.6 1.4 virginica ## 136 7.7 3.0 6.1 2.3 virginica ## 137 6.3 3.4 5.6 2.4 virginica ## 138 6.4 3.1 5.5 1.8 virginica ## 139 6.0 3.0 4.8 1.8 virginica ## 140 6.9 3.1 5.4 2.1 virginica ## 141 6.7 3.1 5.6 2.4 virginica ## 142 6.9 3.1 5.1 2.3 virginica ## 143 5.8 2.7 5.1 1.9 virginica ## 144 6.8 3.2 5.9 2.3 virginica ## 145 6.7 3.3 5.7 2.5 virginica ## 146 6.7 3.0 5.2 2.3 virginica ## 147 6.3 2.5 5.0 1.9 virginica ## 148 6.5 3.0 5.2 2.0 virginica ## 149 6.2 3.4 5.4 2.3 virginica ## 150 5.9 3.0 5.1 1.8 virginica
Indexacion
http://www.lac.inpe.br/~rafael.santos/Docs/CAP394/WholeStory-Iris.html
Indexacion
head(iris[3]) #columna 3
## Petal.Length ## 1 1.4 ## 2 1.4 ## 3 1.3 ## 4 1.5 ## 5 1.4 ## 6 1.7
head(iris[c(1, 2)])
## Sepal.Length Sepal.Width ## 1 5.1 3.5 ## 2 4.9 3.0 ## 3 4.7 3.2 ## 4 4.6 3.1 ## 5 5.0 3.6 ## 6 5.4 3.9
head(iris[1,]) #Numero de fila
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species ## 1 5.1 3.5 1.4 0.2 setosa
head(iris[,4])#Datos en Columna 4
## [1] 0.2 0.2 0.2 0.2 0.2 0.4
head(iris[15,3]) #Numero de fila y columna
## [1] 1.2
Indexacion
Creamos dos vectores
Sepalos_largo <- iris$Sepal.Length #en cm Petalos_largo <- iris$Petal.Length #en cm #Selleccionar vectores Sepalos_largo > 6
## [1] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE ## [13] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE ## [25] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE ## [37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE ## [49] FALSE FALSE TRUE TRUE TRUE FALSE TRUE FALSE TRUE FALSE TRUE FALSE ## [61] FALSE FALSE FALSE TRUE FALSE TRUE FALSE FALSE TRUE FALSE FALSE TRUE ## [73] TRUE TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE ## [85] FALSE FALSE TRUE TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE ## [97] FALSE TRUE FALSE FALSE TRUE FALSE TRUE TRUE TRUE TRUE FALSE TRUE ## [109] TRUE TRUE TRUE TRUE TRUE FALSE FALSE TRUE TRUE TRUE TRUE FALSE ## [121] TRUE FALSE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE ## [133] TRUE TRUE TRUE TRUE TRUE TRUE FALSE TRUE TRUE TRUE FALSE TRUE ## [145] TRUE TRUE TRUE TRUE TRUE FALSE
Sepalos_largo[Sepalos_largo > 6]
## [1] 7.0 6.4 6.9 6.5 6.3 6.6 6.1 6.7 6.2 6.1 6.3 6.1 6.4 6.6 6.8 6.7 6.7 6.3 6.1 ## [20] 6.2 6.3 7.1 6.3 6.5 7.6 7.3 6.7 7.2 6.5 6.4 6.8 6.4 6.5 7.7 7.7 6.9 7.7 6.3 ## [39] 6.7 7.2 6.2 6.1 6.4 7.2 7.4 7.9 6.4 6.3 6.1 7.7 6.3 6.4 6.9 6.7 6.9 6.8 6.7 ## [58] 6.7 6.3 6.5 6.2
Indexacion
Petalos_largo[Petalos_largo > 5]
## [1] 5.1 6.0 5.1 5.9 5.6 5.8 6.6 6.3 5.8 6.1 5.1 5.3 5.5 5.1 5.3 5.5 6.7 6.9 5.7 ## [20] 6.7 5.7 6.0 5.6 5.8 6.1 6.4 5.6 5.1 5.6 6.1 5.6 5.5 5.4 5.6 5.1 5.1 5.9 5.7 ## [39] 5.2 5.2 5.4 5.1
Petalos_largo[Sepalos_largo > 6 & Petalos_largo > 6]
## [1] 6.6 6.3 6.1 6.7 6.9 6.7 6.1 6.4 6.1
Petalos_largo[Sepalos_largo > 6 & Petalos_largo > 6]
## [1] 6.6 6.3 6.1 6.7 6.9 6.7 6.1 6.4 6.1
Generacion de Datos
1:10
## [1] 1 2 3 4 5 6 7 8 9 10
seq(from=1, to=10, by=1)
## [1] 1 2 3 4 5 6 7 8 9 10
seq(1, 10, 1)
## [1] 1 2 3 4 5 6 7 8 9 10
seq(length=9, from=1, to=5)
## [1] 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0
seq(1, 3, length=7)
## [1] 1.000000 1.333333 1.666667 2.000000 2.333333 2.666667 3.000000
c(1, 2, 3, 4, 5)
## [1] 1 2 3 4 5
rep(1, 30)
## [1] 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
rep(1:3, 10)
## [1] 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3 1 2 3
Generacion de Datos
Relevamiento de rindes, (50 parcelas, media de 2,8 t/ha, sd=0,8)
rnorm(50,2.8,0.8) #n = observaciones, mean = media, sd = desviacion standart
## [1] 3.326821 3.697517 1.863339 1.877941 3.412359 1.783434 1.933151 2.859800 ## [9] 2.810975 4.253336 4.063618 3.894154 3.854035 4.023315 2.314944 3.448460 ## [17] 2.868203 2.792254 3.242942 3.391741 2.123017 3.483764 2.539949 1.788663 ## [25] 3.086063 2.372634 2.881337 2.541883 2.003161 2.406288 4.452102 3.144105 ## [33] 3.378807 3.895316 2.176727 3.222660 2.445121 2.310481 2.572756 3.528173 ## [41] 1.328929 3.051544 3.463956 3.334774 2.514180 2.755775 2.528042 3.164757 ## [49] 2.458518 1.103636
#https://www.tutorialspoint.com/r/r_normal_distribution.htm
Generacion de Datos
Graficos
plot(Sepalos_largo)
Graficos
plot(Sepalos_largo, type="p")
Graficos
Relacion Lineal
plot(Sepalos_largo~Petalos_largo, main="Iris", xlab="Sepalos (cm)", ylab="Petalos (cm)")
Graficos
histograma
hist(rnorm(50,2.8,0.8))
tidyverse
tidyverse es un conjunto de paquetes de R diseñados para trabajar de manera integrada y coherente en el análisis de datos.
Paquetes
tidyverse
Principales paquetes incluidos en tidyverse:
ggplot2: Para la creación de gráficos y visualizaciones.
dplyr: Para manipulación y transformación de datos.
tidyr: Para trabajar con datos en formato “tidy” (ordenados y estructurados).
readr: Para la importación limpia y eficiente de datos.
purrr: Para trabajar con funciones y listas de manera más eficiente.
tibble: Para crear y trabajar con data frames mejorados.
Beneficios de usar tidyverse:
Sintaxis coherente: Los paquetes en
tidyversecomparten una sintaxis coherente, lo que facilita aprender y recordar cómo realizar tareas comunes.Flujo de trabajo eficiente:
tidyverseestá diseñado para proporcionar un flujo de trabajo eficiente y fácil de entender, desde la importación de datos hasta la visualización de resultados.Compatibilidad con piped operations: La tuberÃa
%>%(pipe) facilita la aplicación de operaciones en secuencia, lo que mejora la legibilidad del código.
tidyverse:
# Instalar y cargar tidyverse
#install.packages("tidyverse")
library(tidyverse)
# Crear un data frame de ejemplo
data <- data.frame(
ID = c(1, 2, 3, 4, 5),
Nombre = c("Juan", "MarÃa", "Carlos", "Ana", "Pedro"),
Edad = c(25, 30, 22, 28, 35)
)
tidyverse:
# Filtrar personas mayores de 25 años y seleccionar solo las columnas de ID y Nombre resultado <- data %>% filter(Edad > 25) %>% select(ID, Nombre) # Imprimir el resultado print(resultado)
## ID Nombre ## 1 2 MarÃa ## 2 4 Ana ## 3 5 Pedro
#https://rpubs.com/paraneda/tidyverse
Practica
Leer Datos
## La separación decimal en R es . y no ,
#Datos en Millones de Guaranies
Ingreso <- read.csv("Datos/IngresoPromPoblacion_py.csv")
Ingreso <- read.table("Datos/IngresoPromPoblacion_py.csv", header=T,
na.strings = "4/", sep= ";", check.names = FALSE)
Ingreso
## Departamento 1998 1999 2001 2002 2003 2004 2005 2006 2007 2008 ## 1 Alto Paraguay NA NA NA NA NA NA NA NA NA NA ## 2 Alto Parana 3.467 2.716 2.829 2.345 2.392 2.512 2.511 2.136 2.649 2.760 ## 3 Amambay NA NA NA NA 1.545 1.633 NA NA NA NA ## 4 Asuncion 3.964 3.772 3.660 2.978 3.248 3.251 2.978 3.171 2.943 2.749 ## 5 Boqueron NA NA NA NA NA NA NA NA NA NA ## 6 Caaguazu 1.398 1.488 1.484 1.480 1.734 1.444 1.325 1.336 1.355 1.545 ## 7 Caazapa NA NA NA NA 1.334 1.195 NA NA NA NA ## 8 Canindeyu NA NA NA NA 2.013 1.871 NA NA NA NA ## 9 Central 2.886 2.624 2.385 1.905 1.959 1.879 2.003 1.956 1.934 2.073 ## 10 Concepcion NA NA NA NA 1.504 1.619 NA NA NA NA ## 11 Cordillera NA NA NA NA 1.317 1.074 NA NA NA NA ## 12 Guaira NA NA NA NA 1.209 1.309 NA NA NA NA ## 13 Itapua 2.071 2.277 1.576 1.356 1.868 2.141 1.726 1.477 1.403 2.050 ## 14 Misiones NA NA NA NA 1.394 1.039 NA NA NA NA ## 15 Neembucu NA NA NA NA 1.006 1.006 NA NA NA NA ## 16 Paraguari NA NA NA NA 1.150 1.150 NA NA NA NA ## 17 Pte. Hayes NA NA NA NA NA NA NA NA NA NA ## 18 San Pedro 1.056 1.114 1.230 1.244 1.290 1.260 1.537 1.342 1.447 1.534 ## 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018 ## 1 NA NA NA NA NA NA 2.190 2.317 1.950 NA ## 2 2.332 2.734 2.863 2.476 2.572 2.887 2.813 2.622 2.664 2.663 ## 3 NA NA NA NA NA NA 2.232 2.580 2.422 NA ## 4 2.688 3.115 3.385 3.274 3.890 4.241 4.300 3.889 4.343 3.529 ## 5 NA NA NA NA NA NA 5.159 4.443 4.060 NA ## 6 1.786 1.658 1.438 1.553 1.934 2.727 1.706 1.762 2.479 1.921 ## 7 NA NA NA NA NA NA 2.056 1.555 1.407 1.494 ## 8 NA NA NA NA NA NA 1.912 2.624 2.206 NA ## 9 2.048 2.152 2.583 2.450 2.705 2.746 2.854 2.591 2.441 2.697 ## 10 NA NA NA NA NA NA 1.788 1.763 1.518 NA ## 11 NA NA NA NA NA NA 1.872 1.780 1.609 NA ## 12 NA NA NA NA NA NA 1.715 1.385 1.504 NA ## 13 1.676 1.845 2.350 1.770 1.816 1.891 2.020 1.976 2.073 2.175 ## 14 NA NA NA NA NA NA 1.862 1.928 1.938 NA ## 15 NA NA NA NA NA NA 1.613 1.617 1.806 NA ## 16 NA NA NA NA NA NA 1.772 1.515 1.531 NA ## 17 NA NA NA NA NA NA 2.586 2.838 2.271 NA ## 18 1.352 1.445 1.572 1.599 2.046 1.898 1.474 1.600 1.818 2.478
Examinar Datos
##Revisar Datos head(Ingreso) #Primeros datos tail(Ingreso) #Ultimos Datos dim(Ingreso) #Tamaño names(Ingreso) #Nombre de Columnas summary(Ingreso) #Sumario de Datos
¿Que departamento tiene el mayor ingreso promedio?
¿Que departamento tiene el mayor ingreso promedio?
#Cambiar a datos largos dato_largo <- Ingreso %>% gather(key = "year", value = "Cantidad", -Departamento) %>% mutate(year = as.integer(year)) dato_largo
## Departamento year Cantidad ## 1 Alto Paraguay 1998 NA ## 2 Alto Parana 1998 3.467 ## 3 Amambay 1998 NA ## 4 Asuncion 1998 3.964 ## 5 Boqueron 1998 NA ## 6 Caaguazu 1998 1.398 ## 7 Caazapa 1998 NA ## 8 Canindeyu 1998 NA ## 9 Central 1998 2.886 ## 10 Concepcion 1998 NA ## 11 Cordillera 1998 NA ## 12 Guaira 1998 NA ## 13 Itapua 1998 2.071 ## 14 Misiones 1998 NA ## 15 Neembucu 1998 NA ## 16 Paraguari 1998 NA ## 17 Pte. Hayes 1998 NA ## 18 San Pedro 1998 1.056 ## 19 Alto Paraguay 1999 NA ## 20 Alto Parana 1999 2.716 ## 21 Amambay 1999 NA ## 22 Asuncion 1999 3.772 ## 23 Boqueron 1999 NA ## 24 Caaguazu 1999 1.488 ## 25 Caazapa 1999 NA ## 26 Canindeyu 1999 NA ## 27 Central 1999 2.624 ## 28 Concepcion 1999 NA ## 29 Cordillera 1999 NA ## 30 Guaira 1999 NA ## 31 Itapua 1999 2.277 ## 32 Misiones 1999 NA ## 33 Neembucu 1999 NA ## 34 Paraguari 1999 NA ## 35 Pte. Hayes 1999 NA ## 36 San Pedro 1999 1.114 ## 37 Alto Paraguay 2001 NA ## 38 Alto Parana 2001 2.829 ## 39 Amambay 2001 NA ## 40 Asuncion 2001 3.660 ## 41 Boqueron 2001 NA ## 42 Caaguazu 2001 1.484 ## 43 Caazapa 2001 NA ## 44 Canindeyu 2001 NA ## 45 Central 2001 2.385 ## 46 Concepcion 2001 NA ## 47 Cordillera 2001 NA ## 48 Guaira 2001 NA ## 49 Itapua 2001 1.576 ## 50 Misiones 2001 NA ## 51 Neembucu 2001 NA ## 52 Paraguari 2001 NA ## 53 Pte. Hayes 2001 NA ## 54 San Pedro 2001 1.230 ## 55 Alto Paraguay 2002 NA ## 56 Alto Parana 2002 2.345 ## 57 Amambay 2002 NA ## 58 Asuncion 2002 2.978 ## 59 Boqueron 2002 NA ## 60 Caaguazu 2002 1.480 ## 61 Caazapa 2002 NA ## 62 Canindeyu 2002 NA ## 63 Central 2002 1.905 ## 64 Concepcion 2002 NA ## 65 Cordillera 2002 NA ## 66 Guaira 2002 NA ## 67 Itapua 2002 1.356 ## 68 Misiones 2002 NA ## 69 Neembucu 2002 NA ## 70 Paraguari 2002 NA ## 71 Pte. Hayes 2002 NA ## 72 San Pedro 2002 1.244 ## 73 Alto Paraguay 2003 NA ## 74 Alto Parana 2003 2.392 ## 75 Amambay 2003 1.545 ## 76 Asuncion 2003 3.248 ## 77 Boqueron 2003 NA ## 78 Caaguazu 2003 1.734 ## 79 Caazapa 2003 1.334 ## 80 Canindeyu 2003 2.013 ## 81 Central 2003 1.959 ## 82 Concepcion 2003 1.504 ## 83 Cordillera 2003 1.317 ## 84 Guaira 2003 1.209 ## 85 Itapua 2003 1.868 ## 86 Misiones 2003 1.394 ## 87 Neembucu 2003 1.006 ## 88 Paraguari 2003 1.150 ## 89 Pte. Hayes 2003 NA ## 90 San Pedro 2003 1.290 ## 91 Alto Paraguay 2004 NA ## 92 Alto Parana 2004 2.512 ## 93 Amambay 2004 1.633 ## 94 Asuncion 2004 3.251 ## 95 Boqueron 2004 NA ## 96 Caaguazu 2004 1.444 ## 97 Caazapa 2004 1.195 ## 98 Canindeyu 2004 1.871 ## 99 Central 2004 1.879 ## 100 Concepcion 2004 1.619 ## 101 Cordillera 2004 1.074 ## 102 Guaira 2004 1.309 ## 103 Itapua 2004 2.141 ## 104 Misiones 2004 1.039 ## 105 Neembucu 2004 1.006 ## 106 Paraguari 2004 1.150 ## 107 Pte. Hayes 2004 NA ## 108 San Pedro 2004 1.260 ## 109 Alto Paraguay 2005 NA ## 110 Alto Parana 2005 2.511 ## 111 Amambay 2005 NA ## 112 Asuncion 2005 2.978 ## 113 Boqueron 2005 NA ## 114 Caaguazu 2005 1.325 ## 115 Caazapa 2005 NA ## 116 Canindeyu 2005 NA ## 117 Central 2005 2.003 ## 118 Concepcion 2005 NA ## 119 Cordillera 2005 NA ## 120 Guaira 2005 NA ## 121 Itapua 2005 1.726 ## 122 Misiones 2005 NA ## 123 Neembucu 2005 NA ## 124 Paraguari 2005 NA ## 125 Pte. Hayes 2005 NA ## 126 San Pedro 2005 1.537 ## 127 Alto Paraguay 2006 NA ## 128 Alto Parana 2006 2.136 ## 129 Amambay 2006 NA ## 130 Asuncion 2006 3.171 ## 131 Boqueron 2006 NA ## 132 Caaguazu 2006 1.336 ## 133 Caazapa 2006 NA ## 134 Canindeyu 2006 NA ## 135 Central 2006 1.956 ## 136 Concepcion 2006 NA ## 137 Cordillera 2006 NA ## 138 Guaira 2006 NA ## 139 Itapua 2006 1.477 ## 140 Misiones 2006 NA ## 141 Neembucu 2006 NA ## 142 Paraguari 2006 NA ## 143 Pte. Hayes 2006 NA ## 144 San Pedro 2006 1.342 ## 145 Alto Paraguay 2007 NA ## 146 Alto Parana 2007 2.649 ## 147 Amambay 2007 NA ## 148 Asuncion 2007 2.943 ## 149 Boqueron 2007 NA ## 150 Caaguazu 2007 1.355 ## 151 Caazapa 2007 NA ## 152 Canindeyu 2007 NA ## 153 Central 2007 1.934 ## 154 Concepcion 2007 NA ## 155 Cordillera 2007 NA ## 156 Guaira 2007 NA ## 157 Itapua 2007 1.403 ## 158 Misiones 2007 NA ## 159 Neembucu 2007 NA ## 160 Paraguari 2007 NA ## 161 Pte. Hayes 2007 NA ## 162 San Pedro 2007 1.447 ## 163 Alto Paraguay 2008 NA ## 164 Alto Parana 2008 2.760 ## 165 Amambay 2008 NA ## 166 Asuncion 2008 2.749 ## 167 Boqueron 2008 NA ## 168 Caaguazu 2008 1.545 ## 169 Caazapa 2008 NA ## 170 Canindeyu 2008 NA ## 171 Central 2008 2.073 ## 172 Concepcion 2008 NA ## 173 Cordillera 2008 NA ## 174 Guaira 2008 NA ## 175 Itapua 2008 2.050 ## 176 Misiones 2008 NA ## 177 Neembucu 2008 NA ## 178 Paraguari 2008 NA ## 179 Pte. Hayes 2008 NA ## 180 San Pedro 2008 1.534 ## 181 Alto Paraguay 2009 NA ## 182 Alto Parana 2009 2.332 ## 183 Amambay 2009 NA ## 184 Asuncion 2009 2.688 ## 185 Boqueron 2009 NA ## 186 Caaguazu 2009 1.786 ## 187 Caazapa 2009 NA ## 188 Canindeyu 2009 NA ## 189 Central 2009 2.048 ## 190 Concepcion 2009 NA ## 191 Cordillera 2009 NA ## 192 Guaira 2009 NA ## 193 Itapua 2009 1.676 ## 194 Misiones 2009 NA ## 195 Neembucu 2009 NA ## 196 Paraguari 2009 NA ## 197 Pte. Hayes 2009 NA ## 198 San Pedro 2009 1.352 ## 199 Alto Paraguay 2010 NA ## 200 Alto Parana 2010 2.734 ## 201 Amambay 2010 NA ## 202 Asuncion 2010 3.115 ## 203 Boqueron 2010 NA ## 204 Caaguazu 2010 1.658 ## 205 Caazapa 2010 NA ## 206 Canindeyu 2010 NA ## 207 Central 2010 2.152 ## 208 Concepcion 2010 NA ## 209 Cordillera 2010 NA ## 210 Guaira 2010 NA ## 211 Itapua 2010 1.845 ## 212 Misiones 2010 NA ## 213 Neembucu 2010 NA ## 214 Paraguari 2010 NA ## 215 Pte. Hayes 2010 NA ## 216 San Pedro 2010 1.445 ## 217 Alto Paraguay 2011 NA ## 218 Alto Parana 2011 2.863 ## 219 Amambay 2011 NA ## 220 Asuncion 2011 3.385 ## 221 Boqueron 2011 NA ## 222 Caaguazu 2011 1.438 ## 223 Caazapa 2011 NA ## 224 Canindeyu 2011 NA ## 225 Central 2011 2.583 ## 226 Concepcion 2011 NA ## 227 Cordillera 2011 NA ## 228 Guaira 2011 NA ## 229 Itapua 2011 2.350 ## 230 Misiones 2011 NA ## 231 Neembucu 2011 NA ## 232 Paraguari 2011 NA ## 233 Pte. Hayes 2011 NA ## 234 San Pedro 2011 1.572 ## 235 Alto Paraguay 2012 NA ## 236 Alto Parana 2012 2.476 ## 237 Amambay 2012 NA ## 238 Asuncion 2012 3.274 ## 239 Boqueron 2012 NA ## 240 Caaguazu 2012 1.553 ## 241 Caazapa 2012 NA ## 242 Canindeyu 2012 NA ## 243 Central 2012 2.450 ## 244 Concepcion 2012 NA ## 245 Cordillera 2012 NA ## 246 Guaira 2012 NA ## 247 Itapua 2012 1.770 ## 248 Misiones 2012 NA ## 249 Neembucu 2012 NA ## 250 Paraguari 2012 NA ## 251 Pte. Hayes 2012 NA ## 252 San Pedro 2012 1.599 ## 253 Alto Paraguay 2013 NA ## 254 Alto Parana 2013 2.572 ## 255 Amambay 2013 NA ## 256 Asuncion 2013 3.890 ## 257 Boqueron 2013 NA ## 258 Caaguazu 2013 1.934 ## 259 Caazapa 2013 NA ## 260 Canindeyu 2013 NA ## 261 Central 2013 2.705 ## 262 Concepcion 2013 NA ## 263 Cordillera 2013 NA ## 264 Guaira 2013 NA ## 265 Itapua 2013 1.816 ## 266 Misiones 2013 NA ## 267 Neembucu 2013 NA ## 268 Paraguari 2013 NA ## 269 Pte. Hayes 2013 NA ## 270 San Pedro 2013 2.046 ## 271 Alto Paraguay 2014 NA ## 272 Alto Parana 2014 2.887 ## 273 Amambay 2014 NA ## 274 Asuncion 2014 4.241 ## 275 Boqueron 2014 NA ## 276 Caaguazu 2014 2.727 ## 277 Caazapa 2014 NA ## 278 Canindeyu 2014 NA ## 279 Central 2014 2.746 ## 280 Concepcion 2014 NA ## 281 Cordillera 2014 NA ## 282 Guaira 2014 NA ## 283 Itapua 2014 1.891 ## 284 Misiones 2014 NA ## 285 Neembucu 2014 NA ## 286 Paraguari 2014 NA ## 287 Pte. Hayes 2014 NA ## 288 San Pedro 2014 1.898 ## 289 Alto Paraguay 2015 2.190 ## 290 Alto Parana 2015 2.813 ## 291 Amambay 2015 2.232 ## 292 Asuncion 2015 4.300 ## 293 Boqueron 2015 5.159 ## 294 Caaguazu 2015 1.706 ## 295 Caazapa 2015 2.056 ## 296 Canindeyu 2015 1.912 ## 297 Central 2015 2.854 ## 298 Concepcion 2015 1.788 ## 299 Cordillera 2015 1.872 ## 300 Guaira 2015 1.715 ## 301 Itapua 2015 2.020 ## 302 Misiones 2015 1.862 ## 303 Neembucu 2015 1.613 ## 304 Paraguari 2015 1.772 ## 305 Pte. Hayes 2015 2.586 ## 306 San Pedro 2015 1.474 ## 307 Alto Paraguay 2016 2.317 ## 308 Alto Parana 2016 2.622 ## 309 Amambay 2016 2.580 ## 310 Asuncion 2016 3.889 ## 311 Boqueron 2016 4.443 ## 312 Caaguazu 2016 1.762 ## 313 Caazapa 2016 1.555 ## 314 Canindeyu 2016 2.624 ## 315 Central 2016 2.591 ## 316 Concepcion 2016 1.763 ## 317 Cordillera 2016 1.780 ## 318 Guaira 2016 1.385 ## 319 Itapua 2016 1.976 ## 320 Misiones 2016 1.928 ## 321 Neembucu 2016 1.617 ## 322 Paraguari 2016 1.515 ## 323 Pte. Hayes 2016 2.838 ## 324 San Pedro 2016 1.600 ## 325 Alto Paraguay 2017 1.950 ## 326 Alto Parana 2017 2.664 ## 327 Amambay 2017 2.422 ## 328 Asuncion 2017 4.343 ## 329 Boqueron 2017 4.060 ## 330 Caaguazu 2017 2.479 ## 331 Caazapa 2017 1.407 ## 332 Canindeyu 2017 2.206 ## 333 Central 2017 2.441 ## 334 Concepcion 2017 1.518 ## 335 Cordillera 2017 1.609 ## 336 Guaira 2017 1.504 ## 337 Itapua 2017 2.073 ## 338 Misiones 2017 1.938 ## 339 Neembucu 2017 1.806 ## 340 Paraguari 2017 1.531 ## 341 Pte. Hayes 2017 2.271 ## 342 San Pedro 2017 1.818 ## 343 Alto Paraguay 2018 NA ## 344 Alto Parana 2018 2.663 ## 345 Amambay 2018 NA ## 346 Asuncion 2018 3.529 ## 347 Boqueron 2018 NA ## 348 Caaguazu 2018 1.921 ## 349 Caazapa 2018 1.494 ## 350 Canindeyu 2018 NA ## 351 Central 2018 2.697 ## 352 Concepcion 2018 NA ## 353 Cordillera 2018 NA ## 354 Guaira 2018 NA ## 355 Itapua 2018 2.175 ## 356 Misiones 2018 NA ## 357 Neembucu 2018 NA ## 358 Paraguari 2018 NA ## 359 Pte. Hayes 2018 NA ## 360 San Pedro 2018 2.478
¿Que departamento tiene el mayor ingreso promedio?
#Limpiar Datos # Recortar espacios en blanco en columnas dato_largo$Departamento <- str_trim(dato_largo$Departamento) # Reemplzar espacios en blanco en columnas dato_largo$Departamento <- str_replace(dato_largo$Departamento, ' ', '_') # Reemplazar ciertos valores any(is.na(dato_largo)) # Verificar valores faltantes (NAs)
## [1] TRUE
#dato_largo[is.na(dato_largo)] <- 0 # Reemplazar NAs con 0s
¿Que departamento tiene el mayor ingreso promedio?
# Agrupar los datos por departamento y encontrar el departamento con el mayor ingreso promedio Mayor_Departamento <- dato_largo %>% group_by(Departamento) %>% summarize(Cantidad_total = mean(Cantidad, na.rm = TRUE)) %>% slice(which.max(Cantidad_total)) %>% ungroup()
¿Que departamento tiene el mayor ingreso promedio?
## # A tibble: 1 × 2 ## Departamento Cantidad_total ## <chr> <dbl> ## 1 Boqueron 4.55
Otras Preguntas
#Departamentos con ingresos mayor a 2.5 luego del 2000 resultados <- dato_largo %>% filter(Cantidad > 2.5 & year > 2000) %>% select(Departamento, year, Cantidad) resultados
## Departamento year Cantidad ## 1 Alto_Parana 2001 2.829 ## 2 Asuncion 2001 3.660 ## 3 Asuncion 2002 2.978 ## 4 Asuncion 2003 3.248 ## 5 Alto_Parana 2004 2.512 ## 6 Asuncion 2004 3.251 ## 7 Alto_Parana 2005 2.511 ## 8 Asuncion 2005 2.978 ## 9 Asuncion 2006 3.171 ## 10 Alto_Parana 2007 2.649 ## 11 Asuncion 2007 2.943 ## 12 Alto_Parana 2008 2.760 ## 13 Asuncion 2008 2.749 ## 14 Asuncion 2009 2.688 ## 15 Alto_Parana 2010 2.734 ## 16 Asuncion 2010 3.115 ## 17 Alto_Parana 2011 2.863 ## 18 Asuncion 2011 3.385 ## 19 Central 2011 2.583 ## 20 Asuncion 2012 3.274 ## 21 Alto_Parana 2013 2.572 ## 22 Asuncion 2013 3.890 ## 23 Central 2013 2.705 ## 24 Alto_Parana 2014 2.887 ## 25 Asuncion 2014 4.241 ## 26 Caaguazu 2014 2.727 ## 27 Central 2014 2.746 ## 28 Alto_Parana 2015 2.813 ## 29 Asuncion 2015 4.300 ## 30 Boqueron 2015 5.159 ## 31 Central 2015 2.854 ## 32 Pte._Hayes 2015 2.586 ## 33 Alto_Parana 2016 2.622 ## 34 Amambay 2016 2.580 ## 35 Asuncion 2016 3.889 ## 36 Boqueron 2016 4.443 ## 37 Canindeyu 2016 2.624 ## 38 Central 2016 2.591 ## 39 Pte._Hayes 2016 2.838 ## 40 Alto_Parana 2017 2.664 ## 41 Asuncion 2017 4.343 ## 42 Boqueron 2017 4.060 ## 43 Alto_Parana 2018 2.663 ## 44 Asuncion 2018 3.529 ## 45 Central 2018 2.697
Graficar
Otras Preguntas
#Seleccionar Solo datos de Itapua dato_largo_itapua <- dato_largo[dato_largo$Departamento == "Itapua", ] Ingreso_Promedio_itapua <- dato_largo_itapua$Cantidad #Seleccionar Solo datos de Itapua dato_largo_Boqueron <- dato_largo[dato_largo$Departamento == "Boqueron", ] Ingreso_Promedio_Boqueron <- dato_largo_Boqueron$Cantidad