R Markdown
library(readr)
## Buscad información de vuestro conjunto de datos y de vuestras variables.
datos_invent <-
read.csv("C:/Users/NICO/Documents/uoc/RStudio/inventados.txt",
sep=";")
View(datos_invent)
summary(datos_invent)
## Id Edad Gene Trat
## Min. : 1.00 Min. : 1.00 Min. :1.0 Length:30
## 1st Qu.: 8.25 1st Qu.:16.50 1st Qu.:1.0 Class :character
## Median :15.50 Median :32.50 Median :1.5 Mode :character
## Mean :15.50 Mean :38.93 Mean :1.5
## 3rd Qu.:22.75 3rd Qu.:52.25 3rd Qu.:2.0
## Max. :30.00 Max. :96.00 Max. :2.0
## Peso Alt
## Min. : 17.00 Min. : 78.0
## 1st Qu.: 57.75 1st Qu.:159.0
## Median : 77.00 Median :172.0
## Mean : 68.57 Mean :162.4
## 3rd Qu.: 81.00 3rd Qu.:178.0
## Max. :101.00 Max. :196.0
##Cálculo IMC
IMC <- datos_invent$Peso/(datos_invent$Alt/100)^2
IMC
## [1] 22.79036 22.85714 27.68166 28.68514 27.77778 23.94835 25.18079 20.07960
## [9] 22.85714 24.81633 24.60973 27.96802 27.08416 25.56495 23.42209 24.79667
## [17] 23.92486 46.87500 22.18935 25.73708 24.34176 22.40879 22.71468 22.53061
## [25] 27.68166 27.39800 23.14050 20.00000 27.94214 31.91222
## Cread dos data frames diferenciados para hombres y mujeres con dos nombres diferentes: Df_Hombres y Df_Mujeres.
dataIMC <- data.frame(datos_invent, IMC)
##print(length(datos_invent))
##print(length(IMC))
Df_Mujeres <- subset(dataIMC, datos_invent$Gene==1)
Df_Mujeres
## Id Edad Gene Trat Peso Alt IMC
## 1 1 28 1 A 78 185 22.79036
## 3 3 48 1 C 80 170 27.68166
## 5 5 48 1 B 90 180 27.77778
## 7 7 33 1 C 78 176 25.18079
## 9 9 15 1 A 70 175 22.85714
## 11 11 84 1 A 67 165 24.60973
## 13 13 89 1 B 82 174 27.08416
## 15 15 10 1 C 57 156 23.42209
## 17 17 23 1 C 81 184 23.92486
## 19 19 95 1 A 54 156 22.18935
## 21 21 83 1 B 60 157 24.34176
## 23 23 50 1 C 82 190 22.71468
## 25 25 12 1 C 80 170 27.68166
## 27 27 5 1 C 28 110 23.14050
## 29 29 1 1 A 17 78 27.94214
View(Df_Mujeres)
Df_Hombres <- subset(dataIMC, datos_invent$Gene==2)
Df_Hombres
## Id Edad Gene Trat Peso Alt IMC
## 2 2 38 2 B 70 175 22.85714
## 4 4 96 2 A 80 167 28.68514
## 6 6 21 2 C 92 196 23.94835
## 8 8 56 2 B 56 167 20.07960
## 10 10 53 2 A 76 175 24.81633
## 12 12 35 2 B 78 167 27.96802
## 14 14 32 2 B 81 178 25.56495
## 16 16 8 2 C 50 142 24.79667
## 18 18 1 2 C 30 80 46.87500
## 20 20 32 2 A 90 187 25.73708
## 22 22 47 2 B 71 178 22.40879
## 24 24 31 2 C 69 175 22.53061
## 26 26 24 2 A 101 192 27.39800
## 28 28 3 2 B 20 100 20.00000
## 30 30 67 2 B 89 167 31.91222
View(Df_Hombres)
##Combinad de nuevo los dos ficheros anteriores y cread el primero de nuevo con el comando rbind()
Df_Todo<-rbind(Df_Hombres, Df_Mujeres)
Df_Todo
## Id Edad Gene Trat Peso Alt IMC
## 2 2 38 2 B 70 175 22.85714
## 4 4 96 2 A 80 167 28.68514
## 6 6 21 2 C 92 196 23.94835
## 8 8 56 2 B 56 167 20.07960
## 10 10 53 2 A 76 175 24.81633
## 12 12 35 2 B 78 167 27.96802
## 14 14 32 2 B 81 178 25.56495
## 16 16 8 2 C 50 142 24.79667
## 18 18 1 2 C 30 80 46.87500
## 20 20 32 2 A 90 187 25.73708
## 22 22 47 2 B 71 178 22.40879
## 24 24 31 2 C 69 175 22.53061
## 26 26 24 2 A 101 192 27.39800
## 28 28 3 2 B 20 100 20.00000
## 30 30 67 2 B 89 167 31.91222
## 1 1 28 1 A 78 185 22.79036
## 3 3 48 1 C 80 170 27.68166
## 5 5 48 1 B 90 180 27.77778
## 7 7 33 1 C 78 176 25.18079
## 9 9 15 1 A 70 175 22.85714
## 11 11 84 1 A 67 165 24.60973
## 13 13 89 1 B 82 174 27.08416
## 15 15 10 1 C 57 156 23.42209
## 17 17 23 1 C 81 184 23.92486
## 19 19 95 1 A 54 156 22.18935
## 21 21 83 1 B 60 157 24.34176
## 23 23 50 1 C 82 190 22.71468
## 25 25 12 1 C 80 170 27.68166
## 27 27 5 1 C 28 110 23.14050
## 29 29 1 1 A 17 78 27.94214
View(Df_Todo)