1 Presentación

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.

2 Marco téorico

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:

  1. Cada variable debe tener su propia columna.
  2. Cada observación debe tener su propia fila.
  3. Cada valor debe tener su propia celda. La figura @ref(fig:tidy-structure) muestra estas reglas visualmente.

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:

  1. Coloca cada conjunto de datos en un tibble.
  2. Coloca cada variable en una columna.

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:

  1. 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.

  2. 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))

3 Ejercicios

3.1 Usando prosa, describe cómo las variables y observaciones se organizan en las tablas de ejemplo.

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.

3.2 Calcula la tasa para las tablas tabla2 y tabla4a + tabla4b. Necesitarás las siguientes operaciones:

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

3.3 Extraer el número de casos de tuberculosis por país y año.

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

3.4 Extraer la población por país y año.

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

3.5 Dividir los casos por la población y multiplicarla por 10000.

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

3.6 Insertar los datos de vuelta en el lugar adecuado.

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

4 ¿Cuál representación es más fácil de trabajar? ¿Cuál es la más difícil? ¿Por qué?

.- 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.

4.0.1 Recrea el gráfico que muestra el cambio en el número de casos usando la tabla2 en lugar de la tabla1. ¿Qué necesitas hacer en primero?

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))