LAB1 - Ejercicios y casos prácticos con R

Objetivos y enfoque

La finalidad de este documento es reproducir los ejercicios y casos prácticos contenidos en el apartado 13 del documento [1].

Para tener centralizado todo el trabajo se ha generado un proyecto y así fijar un directorio de trabajo que es el que contiene el fichero .Rproj.

[1] Casals, M. y Vila A. (2024). Introducción al lenguaje R, Rstudio y R Markdown. [Recurso de aprendizaje textual]. 1.a ed. Fundació Universitat Oberta de Catalunya (FUOC).

Ejercicio 1

Utilizando las funciones citadas en este Laboratorio, comprobad qué paquetes tenéis instalados en vuestra versión de RStudio e instalad el paquete MASS y el paquete Survival y comprobad la información que contienen.

Buscad información sobre el paquete Rcmdr (R Commander) desde la consola.

library()
.libPaths() #Informa de la ruta de Library
## [1] "C:/Users/merce/AppData/Local/R/win-library/4.3"
## [2] "C:/Program Files/R/R-4.3.3/library"
search() #Lista de los paquetes cargados
## [1] ".GlobalEnv"        "package:stats"     "package:graphics" 
## [4] "package:grDevices" "package:utils"     "package:datasets" 
## [7] "package:methods"   "Autoloads"         "package:base"
#install.packages("MASS", "Survival") #instalamos los paquetes

packageDescription("MASS")
## Package: MASS
## Priority: recommended
## Version: 7.3-60.0.1
## Date: 2024-01-12
## Revision: $Rev: 3621 $
## Depends: R (>= 4.0), grDevices, graphics, stats, utils
## Imports: methods
## Suggests: lattice, nlme, nnet, survival
## Authors@R: c(person("Brian", "Ripley", role = c("aut", "cre", "cph"),
##         email = "ripley@stats.ox.ac.uk"), person("Bill", "Venables",
##         role = "ctb"), person(c("Douglas", "M."), "Bates", role =
##         "ctb"), person("Kurt", "Hornik", role = "trl", comment =
##         "partial port ca 1998"), person("Albrecht", "Gebhardt", role =
##         "trl", comment = "partial port ca 1998"), person("David",
##         "Firth", role = "ctb"))
## Description: Functions and datasets to support Venables and Ripley,
##         "Modern Applied Statistics with S" (4th edition, 2002).
## Title: Support Functions and Datasets for Venables and Ripley's MASS
## LazyData: yes
## ByteCompile: yes
## License: GPL-2 | GPL-3
## URL: http://www.stats.ox.ac.uk/pub/MASS4/
## Contact: <MASS@stats.ox.ac.uk>
## NeedsCompilation: yes
## Packaged: 2024-01-13 12:39:26 UTC; ripley
## Author: Brian Ripley [aut, cre, cph], Bill Venables [ctb], Douglas M.
##         Bates [ctb], Kurt Hornik [trl] (partial port ca 1998), Albrecht
##         Gebhardt [trl] (partial port ca 1998), David Firth [ctb]
## Maintainer: Brian Ripley <ripley@stats.ox.ac.uk>
## Repository: CRAN
## Date/Publication: 2024-01-13 13:36:16 UTC
## Built: R 4.3.3; x86_64-w64-mingw32; 2024-03-07 01:49:20 UTC; windows
## Archs: x64
## 
## -- File: C:/Users/merce/AppData/Local/R/win-library/4.3/MASS/Meta/package.rds
packageDescription("survival")
## Title: Survival Analysis
## Priority: recommended
## Package: survival
## Version: 3.5-8
## Date: 2024-02-13
## Depends: R (>= 3.5.0)
## Imports: graphics, Matrix, methods, splines, stats, utils
## LazyData: Yes
## LazyDataCompression: xz
## ByteCompile: Yes
## Authors@R: c(person(c("Terry", "M"), "Therneau",
##         email="therneau.terry@mayo.edu", role=c("aut", "cre")),
##         person("Thomas", "Lumley", role=c("ctb", "trl"),
##         comment="original S->R port and R maintainer until 2009"),
##         person("Atkinson", "Elizabeth", role="ctb"), person("Crowson",
##         "Cynthia", role="ctb"))
## Description: Contains the core survival analysis routines, including
##         definition of Surv objects, Kaplan-Meier and Aalen-Johansen
##         (multi-state) curves, Cox models, and parametric accelerated
##         failure time models.
## License: LGPL (>= 2)
## URL: https://github.com/therneau/survival
## NeedsCompilation: yes
## Packaged: 2024-02-13 23:24:58 UTC; therneau
## Author: Terry M Therneau [aut, cre], Thomas Lumley [ctb, trl] (original
##         S->R port and R maintainer until 2009), Atkinson Elizabeth
##         [ctb], Crowson Cynthia [ctb]
## Maintainer: Terry M Therneau <therneau.terry@mayo.edu>
## Repository: CRAN
## Date/Publication: 2024-02-14 10:20:23 UTC
## Built: R 4.3.3; x86_64-w64-mingw32; 2024-03-07 02:48:49 UTC; windows
## Archs: x64
## 
## -- File: C:/Users/merce/AppData/Local/R/win-library/4.3/survival/Meta/package.rds

Buscad información sobre el paquete Rcmdr (R Commander) desde la consola.

# ??Rcmdr
Tras ejecutar > ??Rcmdr
Tras ejecutar > ??Rcmdr

Ejercicio 2

  1. Importad un archivo de texto y buscad un summary() de tres variables que escojáis.

Datos descargados de [https://github.com/dotnet/machinelearning/blob/main/test/data/breast-cancer-withheader.txt]

df_breastcancer <- read.csv("Datos/breast-cancer-withheader.txt", sep="")
summary(df_breastcancer[c(2,3,4)])
##    thickness       uniform_size    uniform_shape   
##  Min.   : 1.000   Min.   : 1.000   Min.   : 1.000  
##  1st Qu.: 2.000   1st Qu.: 1.000   1st Qu.: 1.000  
##  Median : 4.000   Median : 1.000   Median : 1.000  
##  Mean   : 4.442   Mean   : 3.151   Mean   : 3.215  
##  3rd Qu.: 6.000   3rd Qu.: 5.000   3rd Qu.: 5.000  
##  Max.   :10.000   Max.   :10.000   Max.   :10.000
  1. Importad un archivo «.csv» y buscad un fivenum() de dos variables que os parezcan relevantes para el estudio.

Datos descargados de: [https://www.kaggle.com/datasets/mahad049/heart-health-stats-dataset?resource=download&select=Heart_health.csv]

df_heart <- read.csv("Datos/Heart_health.csv")
names(df_heart)
##  [1] "ID"                   "Name"                 "Age"                 
##  [4] "Gender"               "Height.cm."           "Weight.kg."          
##  [7] "Blood.Pressure.mmHg." "Cholesterol.mg.dL."   "Glucose.mg.dL."      
## [10] "Smoker"               "Exercise.hours.week." "Heart.Attack"
fivenum(df_heart$Glucose.mg.dL.)
## [1]  75  88  92  96 100
fivenum(df_heart$Cholesterol.mg.dL.)
## [1] 170 195 210 215 230

Ejercicio 3

A partir del conjunto de datos anorexia del paquete MASS, que corresponden a los datos de cambio de peso de pacientes jóvenes con anorexia, mostrad los tipos de datos que contiene y comprobad si existen valores NA y NULL. Para la variable Treat, transformad los valores «CBT», «Cont» y FT en «Cogn Beh Tr», «Contr» y «Fam Tr», respectivamente.

library(MASS)

df_anorexia <- anorexia
table(is.na(df_anorexia)) #Comprobación de cantidad de NA
## 
## FALSE 
##   216
#Cambio de etiquetas en la variable "Treat"
levels(df_anorexia$Treat)[levels(df_anorexia$Treat) == "CBT"]  <- "Cogn Beh Tr"
levels(df_anorexia$Treat)[levels(df_anorexia$Treat) == "Cont"]  <- "Contr"
levels(df_anorexia$Treat)[levels(df_anorexia$Treat) == "FT"]  <- "Fam Tr"

summary(df_anorexia$Treat)
## Cogn Beh Tr       Contr      Fam Tr 
##          29          26          17

Ejercicio 4

  1. Exportad los datos biopsy del paquete MASS a un archivo «.csv.»
df_biopsy <- biopsy

write.csv(df_biopsy,file = "Datos/biopsy_data.csv")
  1. Exportad los datos melanoma del paquete MASS a archivos de tres diferentes formatos y comprobad que se han creado los diferentes archivos en los formatos y las rutasespecificados. Podéis generar una captura de pantalla de su ubicación en la carpeta.
library(xlsx)
df_melanoma <- Melanoma

write.csv(df_melanoma,file = "Datos/melanoma1_data.csv")
write.xlsx(df_melanoma,"Datos/melanoma2_data.xlsx")
write.table(df_melanoma,"Datos/melanoma3_data.txt",sep="")

  1. Generad un resumen (summary) de la variable age de melanoma y guardad la salida que os aparece en un documento .doc
var_age <- capture.output(summary(df_melanoma$age), file=NULL,append=FALSE)

df_var_age <- as.data.frame(var_age)

write.table(df_var_age,"Datos/var_age_melanoma.doc",sep="")
  1. Buscad un data frame en algún repositorio de datos de Biomedicina, descargad un conjunto de datos en «.csv» e importad este fichero a un documento R Markdown usando el código o el menú de importación de RStudio.

Importación del data frame biopsy_data.csv de la carpeta Datos/.

Ejercicio 5

En el siguiente ejemplo veremos cómo utilizar diferentes operadores sobre el conjunto de datos birthwt, así como también algunas funciones que nos permiten obtener más información de las variables:

# Cargamos el dataset
df_birthwt <- birthwt

Descripción de las variables:

  • low: indicator of birth weight less than 2.5 kg.

  • age: mother’s age in years.

  • lwt: mother’s weight in pounds at last menstrual period.

  • race: mother’s race (1 = white, 2 = black, 3 = other).

  • smoke: smoking status during pregnancy.

  • ptl: number of previous premature labours.

  • ht: history of hypertension.

  • ui: presence of uterine irritability.

  • ftv: number of physician visits during the first trimester.

  • bwt: birth weight in grams.

  1. ¿Cuál es la edad máxima de las madres del conjunto de datos?
max(df_birthwt$age)
## [1] 45
  1. ¿Cuál es la edad mínima de las madres del conjunto de datos?
min(df_birthwt$age)
## [1] 14
  1. ¿Cuál es el rango de edad de las madres?
rango<-max(df_birthwt$age)-min(df_birthwt$age)
  1. ¿Fumaba la madre cuyo recién nacido era el de menor peso?
if (df_birthwt$smoke[df_birthwt$bwt==min(df_birthwt$bwt)] == 1) {
  print("Sí fumaba")
} else {
    print("No fumaba")
}
## [1] "Sí fumaba"
  1. ¿Cuánto pesó el recién nacido cuya madre tenía la edad máxima?
print("El niño pesó (gramos):")
## [1] "El niño pesó (gramos):"
df_birthwt$bwt[df_birthwt$age==max(df_birthwt$age)]
## [1] 4990
  1. Listad los pesos de los recién nacidos, cuyas madres visitaran menos de dos veces al médico durante el primer trimestre.
df_birthwt$bwt[df_birthwt$ftv < 2]
##   [1] 2523 2557 2600 2622 2637 2637 2663 2665 2722 2733 2751 2769 2769 2778 2807
##  [16] 2821 2836 2863 2877 2906 2920 2920 2920 2948 2948 2977 2977 2922 3033 3062
##  [31] 3062 3062 3062 3090 3090 3100 3104 3132 3175 3175 3203 3203 3203 3225 3225
##  [46] 3232 3234 3260 3274 3317 3317 3331 3374 3374 3402 3416 3444 3459 3460 3473
##  [61] 3544 3487 3544 3572 3572 3586 3600 3614 3614 3629 3637 3643 3651 3651 3651
##  [76] 3651 3699 3728 3756 3770 3770 3770 3790 3799 3827 3884 3912 3940 3941 3941
##  [91] 3969 3997 3997 4054 4054 4111 4174 4238 4593 4990  709 1135 1330 1474 1588
## [106] 1588 1701 1729 1790 1818 1885 1893 1899 1928 1936 1970 2055 2055 2084 2084
## [121] 2100 2125 2187 2187 2211 2225 2240 2240 2282 2296 2296 2325 2353 2353 2367
## [136] 2381 2381 2381 2410 2410 2410 2424 2442 2466 2466 2495 2495

Ejercicio 6

A partir del conjunto de datos anorexia trabajado en apartados anteriores, cread una matriz que tenga como columnas los valores de Prewt y Postwt, y cada fila sean los valores correspondientes para cada posición.

matr_anorexia<-matrix(c(df_anorexia$Prewt,anorexia$Postwt),ncol=2)
head(matr_anorexia)
##      [,1] [,2]
## [1,] 80.7 80.2
## [2,] 89.4 80.1
## [3,] 91.8 86.4
## [4,] 74.0 86.3
## [5,] 78.1 76.1
## [6,] 88.3 78.1

Ejercicio 7

Identificador <- c("I1","I2","I3","I4","I5","I6","I7","I8","I9","I10","I11","I12","I13","I14",
"I15","I16","I17","I18","I19","I20","I21","I22","I23","I24","I25")
Edad <- c(23,24,21,22,23,25,26,24,21,22,23,25,26,24,22,21,25,26,24,21,25,27,26,22,29)
Sexo <-c(1,2,1,1,1,2,2,2,1,2,1,2,2,2,1,1,1,2,2,2,1,2,1,1,2) #1 para mujeres y 2 para hombres
Peso <- c(76.5,81.2,79.3,59.5,67.3,78.6,67.9,100.2,97.8,56.4,65.4,67.5,87.4,99.7,87.6,93.4,65.4,73.7,85.1,61.2,54.8,103.4,65.8,71.7,85.0)
Alt <- c(165,154,178,165,164,175,182,165,178,165,158,183,184,164,189,167,182,179,165,158,183,184,189,166,175) #altura en cm
Fuma <- c("SÍ","NO","SÍ","SÍ","NO","NO","NO","SÍ","SÍ","SÍ","NO","NO","SÍ","SÍ","SÍ","SÍ","NO","NO","SÍ","SÍ","SÍ","NO","SÍ","NO","SÍ")
Trat_Pulmon <- data.frame(Identificador,Edad,Sexo,Peso,Alt,Fuma)
head(Trat_Pulmon)
##   Identificador Edad Sexo Peso Alt Fuma
## 1            I1   23    1 76.5 165   SÍ
## 2            I2   24    2 81.2 154   NO
## 3            I3   21    1 79.3 178   SÍ
## 4            I4   22    1 59.5 165   SÍ
## 5            I5   23    1 67.3 164   NO
## 6            I6   25    2 78.6 175   NO
  1. Seleccionad los registros con edad > 22.
subset(Trat_Pulmon, Edad > 22)
##    Identificador Edad Sexo  Peso Alt Fuma
## 1             I1   23    1  76.5 165   SÍ
## 2             I2   24    2  81.2 154   NO
## 5             I5   23    1  67.3 164   NO
## 6             I6   25    2  78.6 175   NO
## 7             I7   26    2  67.9 182   NO
## 8             I8   24    2 100.2 165   SÍ
## 11           I11   23    1  65.4 158   NO
## 12           I12   25    2  67.5 183   NO
## 13           I13   26    2  87.4 184   SÍ
## 14           I14   24    2  99.7 164   SÍ
## 17           I17   25    1  65.4 182   NO
## 18           I18   26    2  73.7 179   NO
## 19           I19   24    2  85.1 165   SÍ
## 21           I21   25    1  54.8 183   SÍ
## 22           I22   27    2 103.4 184   NO
## 23           I23   26    1  65.8 189   SÍ
## 25           I25   29    2  85.0 175   SÍ
  1. Seleccionad el elemento 3 de la columna 4 del conjunto de datos (contando el identificador).
Trat_Pulmon[3,4]
## [1] 79.3
  1. Usad el comando subset() para seleccionar todas las filas que tienen una edad menor que 27 años y sin incluir la columna Alt.
subset(Trat_Pulmon, Edad < 27, select = -Alt)
##    Identificador Edad Sexo  Peso Fuma
## 1             I1   23    1  76.5   SÍ
## 2             I2   24    2  81.2   NO
## 3             I3   21    1  79.3   SÍ
## 4             I4   22    1  59.5   SÍ
## 5             I5   23    1  67.3   NO
## 6             I6   25    2  78.6   NO
## 7             I7   26    2  67.9   NO
## 8             I8   24    2 100.2   SÍ
## 9             I9   21    1  97.8   SÍ
## 10           I10   22    2  56.4   SÍ
## 11           I11   23    1  65.4   NO
## 12           I12   25    2  67.5   NO
## 13           I13   26    2  87.4   SÍ
## 14           I14   24    2  99.7   SÍ
## 15           I15   22    1  87.6   SÍ
## 16           I16   21    1  93.4   SÍ
## 17           I17   25    1  65.4   NO
## 18           I18   26    2  73.7   NO
## 19           I19   24    2  85.1   SÍ
## 20           I20   21    2  61.2   SÍ
## 21           I21   25    1  54.8   SÍ
## 23           I23   26    1  65.8   SÍ
## 24           I24   22    1  71.7   NO

Ejercicio 8

Incorporad el dataset ChickWeight que contiene información sobre el peso de 578 pollitos en gramos (weight), el tiempo desde la medición al nacer (Time), una variable identificadora de cada pollito (Chick) a partir del rango de peso y una variable factor con el tipo de dieta experimental que cada pollito recibió (Diet).

  1. Incorporad el conjunto de datos ChickWeight del paquete datasets a vuestro entorno de trabajo.
library(datasets)
df_Chicken <- ChickWeight
  1. Generad un gráfico de dispersión de la variable weight.
plot(df_Chicken$weight, pch = 19, col=rgb(0.7, 0.5, 0, 0.4), main="Peso de los Pollitos")

  1. Cread un diagrama de caja con la variable Time.
boxplot(df_Chicken$Time, col=rgb(0, 0.4, 0.4, 0.4), main="Tiempo desde la medición al nacer")

Ejercicio 9

A partir del conjunto de datos anorexia del paquete MASS, cread otro data frame que se llame anorexia_treat_df formado por Treat y por un vector nuevo calculado a partir de la diferencia Prewt-Postwt. De esta manera, nos quedará un data frame que contenga el tipo de tratamiento y el valor del peso ganado o perdido después de haber realizado el tratamiento.

Treat <- anorexia$Treat
difpeso <- anorexia$Prewt - anorexia$Postwt

anorexia_treat_df <- data.frame(Treat,difpeso)

head(anorexia_treat_df)
##   Treat difpeso
## 1  Cont     0.5
## 2  Cont     9.3
## 3  Cont     5.4
## 4  Cont   -12.3
## 5  Cont     2.0
## 6  Cont    10.2

Seleccionad aquellos individuos que han ganado peso después del tratamiento y cread un nuevo conjunto llamado anorexia_treat_C_df que contenga solo los datos de aquellos que han seguido el tratamiento «Cont» y que han ganado peso después del tratamiento.

anorexia_treat_C_df <- subset(anorexia_treat_df, Treat=="Cont" & difpeso>0)

head(anorexia_treat_C_df)
##   Treat difpeso
## 1  Cont     0.5
## 2  Cont     9.3
## 3  Cont     5.4
## 5  Cont     2.0
## 6  Cont    10.2
## 7  Cont    12.2

Caso práctico

Resolved los siguientes apartados:

  1. Cread un conjunto de datos inventado con R. Debe contener treinta observaciones (quince para hombres y quince para mujeres) para seis variables con estas características:
Variable Nombre Características
Identificador Id carácter
Edad Edad numérica
Genero Gene 2 valores 1 = mujer, 2 = hombre
Tratamiento Trat Factor. Tres tipos de tratamiento (A, B y C)
Peso Peso numérica (en kg)
Estatura Alt numérica (en cm) 
set.seed(25) #Queremos reproducir siempre los mismos valores

ID <- paste("ID", 1:30, sep="")
Edad <- sample(15:80,30)
Gene <- sample(c(rep(1, 15), rep(2, 15)))
Trat<- sample(c("A","B","C"),30,replace=TRUE)
Peso <- sample(48:105,30)
Alt <- sample(135:195,30)

df_pacientes <- data.frame(ID,Edad,Gene,Trat,Peso,Alt)

df_pacientes$Trat <- as.factor(df_pacientes$Trat)
  1. Buscad información de vuestro conjunto de datos y de vuestras variables.
summary(df_pacientes)
##       ID                 Edad            Gene     Trat        Peso       
##  Length:30          Min.   :15.00   Min.   :1.0   A: 9   Min.   : 51.00  
##  Class :character   1st Qu.:32.00   1st Qu.:1.0   B:11   1st Qu.: 64.25  
##  Mode  :character   Median :50.50   Median :1.5   C:10   Median : 76.50  
##                     Mean   :49.13   Mean   :1.5          Mean   : 76.33  
##                     3rd Qu.:66.75   3rd Qu.:2.0          3rd Qu.: 86.75  
##                     Max.   :79.00   Max.   :2.0          Max.   :105.00  
##       Alt       
##  Min.   :137.0  
##  1st Qu.:155.0  
##  Median :167.5  
##  Mean   :167.0  
##  3rd Qu.:178.0  
##  Max.   :195.0
  1. Cread una nueva variable a partir de alguna de las que tengamos. Por ejemplo, podéis calcular el IMC (IMC = peso (kg)/ [estatura (m)]2 e incluid la nueva variable en el conjunto de datos.
df_pacientes$IMC <- df_pacientes$Peso/(df_pacientes$Alt/100)^2

head(df_pacientes)
##    ID Edad Gene Trat Peso Alt      IMC
## 1 ID1   21    1    B   80 173 26.72993
## 2 ID2   38    1    B   76 165 27.91552
## 3 ID3   74    1    C   69 137 36.76275
## 4 ID4   39    1    B   71 153 30.33021
## 5 ID5   63    1    A   98 186 28.32697
## 6 ID6   22    2    C   72 166 26.12861
  1. Cread dos dataframes diferenciados para hombres y mujeres con dos nombres diferentes: Df_Hombres y Df_Mujeres.
Df_Mujeres <- subset(df_pacientes, Gene == 1)
Df_Mujeres
##      ID Edad Gene Trat Peso Alt      IMC
## 1   ID1   21    1    B   80 173 26.72993
## 2   ID2   38    1    B   76 165 27.91552
## 3   ID3   74    1    C   69 137 36.76275
## 4   ID4   39    1    B   71 153 30.33021
## 5   ID5   63    1    A   98 186 28.32697
## 9   ID9   68    1    A   87 159 34.41320
## 17 ID17   79    1    B   83 192 22.51519
## 18 ID18   57    1    C  103 145 48.98930
## 20 ID20   48    1    A   54 161 20.83253
## 23 ID23   66    1    B   86 146 40.34528
## 25 ID25   19    1    B   52 154 21.92613
## 26 ID26   67    1    C   64 149 28.82753
## 27 ID27   51    1    B   77 174 25.43269
## 28 ID28   44    1    C   53 171 18.12524
## 30 ID30   76    1    B   62 181 18.92494
Df_Hombres <- subset(df_pacientes, Gene == 2)
Df_Hombres
##      ID Edad Gene Trat Peso Alt      IMC
## 6   ID6   22    2    C   72 166 26.12861
## 7   ID7   55    2    A   78 160 30.46875
## 8   ID8   40    2    B   75 175 24.48980
## 10 ID10   30    2    C   84 179 26.21641
## 11 ID11   50    2    C   56 195 14.72715
## 12 ID12   15    2    B   65 143 31.78640
## 13 ID13   75    2    A   89 191 24.39626
## 14 ID14   17    2    C   94 193 25.23558
## 15 ID15   78    2    A   51 162 19.43301
## 16 ID16   58    2    B   82 169 28.71048
## 19 ID19   61    2    C   74 158 29.64269
## 21 ID21   77    2    C   93 190 25.76177
## 22 ID22   25    2    A  105 170 36.33218
## 24 ID24   43    2    A   99 172 33.46403
## 29 ID29   18    2    A   58 142 28.76413
  1. Combinad de nuevo los dos ficheros anteriores y cread el primero de nuevo con el comando rbind().
df_pac_unido <- rbind(Df_Mujeres,Df_Hombres)
df_pac_unido
##      ID Edad Gene Trat Peso Alt      IMC
## 1   ID1   21    1    B   80 173 26.72993
## 2   ID2   38    1    B   76 165 27.91552
## 3   ID3   74    1    C   69 137 36.76275
## 4   ID4   39    1    B   71 153 30.33021
## 5   ID5   63    1    A   98 186 28.32697
## 9   ID9   68    1    A   87 159 34.41320
## 17 ID17   79    1    B   83 192 22.51519
## 18 ID18   57    1    C  103 145 48.98930
## 20 ID20   48    1    A   54 161 20.83253
## 23 ID23   66    1    B   86 146 40.34528
## 25 ID25   19    1    B   52 154 21.92613
## 26 ID26   67    1    C   64 149 28.82753
## 27 ID27   51    1    B   77 174 25.43269
## 28 ID28   44    1    C   53 171 18.12524
## 30 ID30   76    1    B   62 181 18.92494
## 6   ID6   22    2    C   72 166 26.12861
## 7   ID7   55    2    A   78 160 30.46875
## 8   ID8   40    2    B   75 175 24.48980
## 10 ID10   30    2    C   84 179 26.21641
## 11 ID11   50    2    C   56 195 14.72715
## 12 ID12   15    2    B   65 143 31.78640
## 13 ID13   75    2    A   89 191 24.39626
## 14 ID14   17    2    C   94 193 25.23558
## 15 ID15   78    2    A   51 162 19.43301
## 16 ID16   58    2    B   82 169 28.71048
## 19 ID19   61    2    C   74 158 29.64269
## 21 ID21   77    2    C   93 190 25.76177
## 22 ID22   25    2    A  105 170 36.33218
## 24 ID24   43    2    A   99 172 33.46403
## 29 ID29   18    2    A   58 142 28.76413