El presente documento contiene el solucionario a los ejercicios XXXX del libro de R for Data Science de Hadley Wickham y Garrett Grolemund en su versión en español.
Este documento se realiza con fines académicos para el curso de Técnicas de Exploración de Datos de la carrera de Estadística e Informática de la Universidad Nacional Agraria La Molina de Lima, Perú.
Puedes representar los mismos datos subyacentes de múltiples formas. El ejemplo a continuación muestra los mismos datos organizados de cuatro maneras distintas. Cada dataset muestra los mismos valores de cuatro variables —pais, anio, poblacion y casos—, pero cada uno organiza los valores de forma distinta.
library(pacman)
p_load(tidyverse, datos, dplyr, ggplot2)
tabla1
## # A tibble: 6 × 4
## pais anio casos poblacion
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071
## 2 Afganistán 2000 2666 20595360
## 3 Brasil 1999 37737 172006362
## 4 Brasil 2000 80488 174504898
## 5 China 1999 212258 1272915272
## 6 China 2000 213766 1280428583
tabla2
## # A tibble: 12 × 4
## pais anio tipo cuenta
## <chr> <dbl> <chr> <dbl>
## 1 Afganistán 1999 casos 745
## 2 Afganistán 1999 población 19987071
## 3 Afganistán 2000 casos 2666
## 4 Afganistán 2000 población 20595360
## 5 Brasil 1999 casos 37737
## 6 Brasil 1999 población 172006362
## 7 Brasil 2000 casos 80488
## 8 Brasil 2000 población 174504898
## 9 China 1999 casos 212258
## 10 China 1999 población 1272915272
## 11 China 2000 casos 213766
## 12 China 2000 población 1280428583
tabla3
## # A tibble: 6 × 3
## pais anio tasa
## <chr> <dbl> <chr>
## 1 Afganistán 1999 745/19987071
## 2 Afganistán 2000 2666/20595360
## 3 Brasil 1999 37737/172006362
## 4 Brasil 2000 80488/174504898
## 5 China 1999 212258/1272915272
## 6 China 2000 213766/1280428583
# Dividido en dos tibbles
tabla4a # casos
## # A tibble: 3 × 3
## pais `1999` `2000`
## <chr> <dbl> <dbl>
## 1 Afganistán 745 2666
## 2 Brasil 37737 80488
## 3 China 212258 213766
tabla4b # poblacion
## # A tibble: 3 × 3
## pais `1999` `2000`
## <chr> <dbl> <dbl>
## 1 Afganistán 19987071 20595360
## 2 Brasil 172006362 174504898
## 3 China 1272915272 1280428583
Las anteriores son representaciones de los mismos datos subyacentes, pero no todas son igualmente fáciles de usar. Un tipo de conjunto de datos, el conjunto de datos ordenado, será mucho más fácil de trabajar dentro del tidyverse.
Existen tres reglas interrelacionadas que hacen que un conjunto de datos sea ordenado:
Reglas que hacen que un conjunto de datos sea ordenado: las variables están en columnas, las observaciones en filas y los valores en celdas.
Estas reglas están interrelacionadas ya que es imposible cumplir solo dos de las tres. Esta interrelación lleva a un conjunto práctico de instrucciones más simple aún:
En este ejemplo, solo la tabla1 está ordenada. Es la única representación en que cada columna es una variable.
¿Por qué asegurarse de que los datos estén ordenados? Existen dos ventajas principales:
Existe una ventaja general al elegir una forma consistente de almacenar datos. Si tienes una estructura de datos consistente, es más fácil aprender las herramientas que funcionan con ella ya que tienen una uniformidad subyacente.
Existe una ventaja específica al situar las variables en las columnas, ya que permite que la naturaleza vectorizada de R brille. Como habrás aprendido en las secciones sobre crear nuevas variables y resúmenes, muchas de las funciones que vienen con R trabajan con vectores de valores. Esto hace que transformar datos ordenados se perciba como algo casi natural.
dplyr, ggplot2 y el resto de los paquetes del tidyverse están diseñados para trabajar con datos ordenados. Aquí hay algunos ejemplos de cómo podrías trabajar con tabla1.
# Calcular tasa por cada 10,000 habitantes
tabla1 %>%
mutate(tasa = casos / poblacion * 10000)
## # A tibble: 6 × 5
## pais anio casos poblacion tasa
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071 0.373
## 2 Afganistán 2000 2666 20595360 1.29
## 3 Brasil 1999 37737 172006362 2.19
## 4 Brasil 2000 80488 174504898 4.61
## 5 China 1999 212258 1272915272 1.67
## 6 China 2000 213766 1280428583 1.67
# Calcular casos por anio
tabla1 %>%
count(anio, wt = casos)
## # A tibble: 2 × 2
## anio n
## <dbl> <dbl>
## 1 1999 250740
## 2 2000 296920
# Visualizar cambios en el tiempo
library(ggplot2)
ggplot(tabla1, aes(anio, casos)) +
geom_line(aes(group = pais), colour = "grey50") +
geom_point(aes(colour = pais))
Tabla 1: Variables: La tabla tiene cuatro variables: “país”, “año”, “casos” y “población”. Cada fila representa un registro único de datos que contiene información específica sobre un país en un año determinado. Por ejemplo, una fila podría representar el número de casos reportados y la población de un país en un año específico.
Tabla 2: Variables: Esta tabla también tiene cuatro variables: “país”, “año”, “tipo” y “cuenta”. En esta tabla, los datos se han reorganizado de manera que cada fila representa una combinación única de país, año y tipo de dato. Por lo tanto, cada fila puede representar o bien el número de casos reportados o la población de un país en un año específico.
Tabla 3: Variables: La tabla tiene tres variables: “país”, “año” y “tasa”. En esta tabla, la información se ha transformado para calcular una tasa a partir de los datos de la Tabla 1. Por lo tanto, cada fila contiene la tasa de casos por población para un país en un año específico.
Tabla 4a: Variables: La tabla tiene tres variables: “país”, “1999” y “2000”. En esta tabla, los datos se han reorganizado de manera que los años se convierten en columnas. Cada fila sigue representando un país, pero ahora se muestran los casos reportados en los años 1999 y 2000 en columnas separadas.
Tabla 4b: Variables: Igual que la Tabla 4a, esta tabla tiene tres variables: “país”, “1999” y “2000”. Cada fila representa un país, y las columnas muestran la población de ese país en los años 1999 y 2000.
Tasa para la tabla tabla2:
tabla2_modificada <- tabla2 %>%
pivot_wider(names_from = tipo,
values_from = cuenta)
tabla2_modificada <- tabla2_modificada %>%
mutate(tasa = casos / población)
tabla2_modificada
## # A tibble: 6 × 5
## pais anio casos población tasa
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071 0.0000373
## 2 Afganistán 2000 2666 20595360 0.000129
## 3 Brasil 1999 37737 172006362 0.000219
## 4 Brasil 2000 80488 174504898 0.000461
## 5 China 1999 212258 1272915272 0.000167
## 6 China 2000 213766 1280428583 0.000167
Tasa para las tablas tabla4a + tabla4b:
tabla4a_modificada <- tabla4a %>%
pivot_longer(cols = c(`1999`, `2000`),
names_to = "anio",
values_to = "casos")
tabla4b_modificada <- tabla4b %>%
pivot_longer(cols = c(`1999`, `2000`),
names_to = "anio",
values_to = "poblacion")
tabla4_combinada <- tabla4a_modificada %>%
left_join(tabla4b_modificada,
by = c("pais", "anio"))
tabla4_combinada <- tabla4_combinada %>%
mutate(tasa = casos/poblacion)
tabla4_combinada
## # A tibble: 6 × 5
## pais anio casos poblacion tasa
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071 0.0000373
## 2 Afganistán 2000 2666 20595360 0.000129
## 3 Brasil 1999 37737 172006362 0.000219
## 4 Brasil 2000 80488 174504898 0.000461
## 5 China 1999 212258 1272915272 0.000167
## 6 China 2000 213766 1280428583 0.000167
casos_de_tuberculosis <- tabla1 %>%
select(pais, anio, casos)
casos_de_tuberculosis
## # A tibble: 6 × 3
## pais anio casos
## <chr> <dbl> <dbl>
## 1 Afganistán 1999 745
## 2 Afganistán 2000 2666
## 3 Brasil 1999 37737
## 4 Brasil 2000 80488
## 5 China 1999 212258
## 6 China 2000 213766
población_país_año <- tabla1 %>%
select(pais, anio, poblacion)
población_país_año
## # A tibble: 6 × 3
## pais anio poblacion
## <chr> <dbl> <dbl>
## 1 Afganistán 1999 19987071
## 2 Afganistán 2000 20595360
## 3 Brasil 1999 172006362
## 4 Brasil 2000 174504898
## 5 China 1999 1272915272
## 6 China 2000 1280428583
tasa_por_10000 <- tabla1 %>% mutate(tasa = casos / poblacion * 10000)
tasa_por_10000
## # A tibble: 6 × 5
## pais anio casos poblacion tasa
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071 0.373
## 2 Afganistán 2000 2666 20595360 1.29
## 3 Brasil 1999 37737 172006362 2.19
## 4 Brasil 2000 80488 174504898 4.61
## 5 China 1999 212258 1272915272 1.67
## 6 China 2000 213766 1280428583 1.67
datos_originales <- tasa_por_10000 %>%
mutate(casos = (tasa / 10000) * poblacion) %>%
select(-tasa)
datos_originales
## # A tibble: 6 × 4
## pais anio casos poblacion
## <chr> <dbl> <dbl> <dbl>
## 1 Afganistán 1999 745 19987071
## 2 Afganistán 2000 2666 20595360
## 3 Brasil 1999 37737 172006362
## 4 Brasil 2000 80488 174504898
## 5 China 1999 212258 1272915272
## 6 China 2000 213766 1280428583
.- La representación mas fácil de trabajar es la de la tabla1, ya que esta tiene los datos de forma ordenada y limpia, se puede trabajar de forma directa con esta tabla, en comparacion a las otras.
.- La representación mas difícil de trabajar, es la de las tablas, tabla4a y tabla4b, ya que en estas tablas, los datos estan divididos en 2 tablas, y tambien hace falta modificar las columnas de ambas tablas.
tabla2_modificada <- tabla2 %>%
pivot_wider(names_from = tipo,
values_from = cuenta)
ggplot(tabla2_modificada) +
aes(anio, casos) +
geom_line(aes(group = pais)) +
geom_point(aes(colour = pais))