PARCIAL DE INTRODUCCIÓN A R
Michael Santiago Toledo Mora
2024-05-04
Parcial introduccion a R
- ¿Qué es un objeto en R?¿Cómo se crea y se manipula un objeto?
En R, un objeto es una estructura de datos que puede contener valores de diferentes tipos, como números, caracteres, vectores, matrices, data frames, entre otros. Estos objetos son fundamentales para trabajar con datos y realizar análisis en R.
Crear y manipular un objeto:
Asignar un valor a una variable: Utiliza el operador <- o = para asignar un valor a una variable.
Crear un objeto mediante una función: Puedes utilizar funciones para crear objetos más complejos, como vectores, matrices, data frames, etc.
Acceder a los valores del objeto: Puedes acceder a los valores individuales del objeto utilizando corchetes [ ] o funciones específicas de R.
Realizar operaciones: Puedes realizar operaciones matemáticas u operaciones específicas de acuerdo al tipo de objeto.
Aplicar funciones: Puedes aplicar funciones específicas de R a tus objetos para realizar análisis más avanzados.
Se usa el operador de asignación “<-” o “=” para asignar un valor a un nombre de objeto. Por ejemplo:
{r cars} objeto1 = c(1, 2, 3, 4)
objeto2 = matrix(1:9, nrow = 3, ncol = 3)
objeto3 = data.frame(Nombre = c(“Darian”, “Yuliana”, “Pablo”), Edad = c(26, 35,29))
- ¿Cuál es la diferencia entre una variable y un objeto?
Variable: En la programación en general, una variable es un espacio en la memoria del computador que se utiliza para almacenar valores. Estos valores pueden cambiar durante la ejecución del programa. En R, una variable se refiere específicamente al nombre que se asigna a un objeto.
Objeto: Un objeto en R es una entidad más amplia que puede ser una variable, pero también puede ser una estructura de datos más compleja como un vector, una matriz, un data frame, una lista, etc. Los objetos en R están compuestos por datos y atributos que definen su comportamiento y propiedades.
Entonces, mientras que una variable se refiere específicamente al nombre que se asigna a un objeto en la memoria, el objeto en sí es la estructura de datos que contiene los valores y tiene características asociadas con él.
- ¿Qué es un script en R?
R es un lenguaje de programación y un entorno de software para computación estadística y gráfica. Un script en R es un archivo que contiene una secuencia de comandos y llamadas a funciones de R que se pueden ejecutar juntos.
- Explica cómo se ejecuta un script y cuál es su utilidad.
Para ejecutar un script en R, se pueden seguir varios métodos dependiendo del entorno de trabajo. En general, se puede ejecutar un script en RStudio abriendo el archivo .R que contiene el script y luego seleccionando las líneas de código que se desean ejecutar y presionando Ctrl+Enter o haciendo clic en el botón “Run”.
- Describe la función de la ventana de comandos en el entorno de R.
La ventana de comandos en RStudio es como una bloc de notas donde puedes escribir instrucciones (codigos) para hacer cosas con tus datos en R. En la ventana puedes probar tus ideas escribiendo y ejecutando comandos uno por uno. Si quieres saber cómo funciona una función, puedes pedir ayuda directamente desde ahí. Además, puedes ver los resultados de tus comandos justo después de escribirlos, lo que hace que sea fácil corregir errores. Es una herramienta genial para explorar tus datos y jugar con tu código antes de hacer cosas más grandes y complicadas.
¿Cuáles son las ventajas de usar la ventana de comandos frente a un script?
Las ventajas de usar la ventana de comandos en R frente a un script son las siguientes:
Interactividad y Pruebas Rápidas: La ventana de comandos permite ejecutar comandos de forma interactiva, lo que facilita probar rápidamente pequeñas porciones de código sin la necesidad de escribir un script completo. Esto es útil para explorar datos, realizar cálculos simples y experimentar con funciones de manera inmediata.
Retroalimentación Inmediata: Al ejecutar comandos en la ventana de comandos, se obtiene una respuesta inmediata en la consola, lo que facilita la visualización de resultados paso a paso y la depuración de posibles errores en el código.
Flexibilidad y Exploración: La ventana de comandos permite una mayor flexibilidad para realizar análisis ad hoc, probar diferentes enfoques y explorar datos de forma interactiva sin la necesidad de estructurar un script completo.
Aprendizaje y Familiarización: Utilizar la ventana de comandos ayuda a los usuarios a familiarizarse con el lenguaje de programación R, ya que pueden observar y aprender la sintaxis de los comandos a medida que los ejecutan. Esto facilita el proceso de aprendizaje para quienes están comenzando a utilizar R.
- Nombra al menos cinco tipos de objetos que existen en R. Describe las características y usos de cada uno.
Vectores: Son colecciones de uno o más objetos del mismo tipo (numéricos, caracteres, lógicos, etc.). Los vectores son la estructura de datos más básica en R y permiten realizar operaciones vectorizadas de manera eficiente.
Matrices: Son arreglos bidimensionales de datos del mismo tipo. Permiten almacenar y manipular datos estructurados en filas y columnas.
Data Frames: Son estructuras de datos bidimensionales que pueden contener columnas de diferentes tipos de datos (numéricos, caracteres, lógicos, etc.). Son ampliamente utilizados para el manejo y análisis de datos tabulares.
Listas: Son colecciones ordenadas de objetos que pueden ser de diferentes tipos (vectores, matrices, data frames, etc.). Permiten agrupar y manipular diversos tipos de datos en una sola estructura.
Funciones: Son objetos especiales en R que encapsulan un conjunto de instrucciones y pueden ser invocadas con argumentos. Permiten definir y reutilizar bloques de código.
- ¿Qué tipo de objeto se debe utilizar para almacenar datos categóricos?
Para almacenar datos categóricos en R, se debe utilizar un objeto de tipo factor. Los factores en R se utilizan para representar variables de naturaleza categórica, ya sean ordenadas o no ordenadas. Estos son especialmente útiles para manejar variables que representan categorías, como por ejemplo, tipos de flores, marcas de automóviles, o cualquier otra variable que tenga un conjunto finito de categorías.
- ¿Cuáles son las funciones básicas de R para importar y exportar datos?
Importar datos: Desde archivos de texto: read.table(): Importa datos desde un archivo de texto delimitado por espacios, comas u otros caracteres. read.csv(): Importa datos desde un archivo CSV (valores separados por comas). read.delim(): Importa datos desde un archivo delimitado, generalmente por tabulaciones. Desde archivos de Excel: read_excel() (del paquete readxl): Importa datos desde archivos de Excel (.xls y .xlsx). read.xlsx() (del paquete xlsx): Otra función para importar datos desde archivos de Excel. Desde bases de datos: read.dbi() (del paquete RSQLite, RODBC, etc.): Importa datos desde una base de datos utilizando una conexión a la base de datos. Desde otros formatos: readRDS(): Importa objetos serializados de R (archivos .rds). load(): Carga objetos guardados en un archivo de entorno de trabajo de R (archivos .rdata). Exportar datos: A archivos de texto o CSV: write.table(): Exporta datos a un archivo de texto delimitado. write.csv(): Exporta datos a un archivo CSV. A archivos de Excel: write.xlsx() (del paquete openxlsx): Exporta datos a un archivo de Excel (.xlsx)
- Menciona al menos tres funciones que se utilizan comúnmente para manipular datos en R.
primera funcion.
-c(posicion del obejto): Permite borrar elementos de un objeto
Rm: permite borrar elementos de un objeto
aggregate(): Esta función se utiliza para crear resúmenes de datos basados en factores o variables categóricas.
- ¿Cómo se define la clase de un objeto en R? ¿Cuáles son algunos ejemplos de las posibles clases que un objeto puede tener?
En R, la clase de un objeto se define utilizando la función class(), que devuelve el nombre de la clase o clases a las que pertenece el objeto. La clase de un objeto determina su comportamiento y las operaciones que se pueden realizar con él. Algunos ejemplos de las posibles clases que un objeto puede tener incluyen:
numeric: Para números (enteros o flotantes). character: Para cadenas de texto. factor: Para variables categóricas. logical: Para valores lógicos (TRUE/FALSE). Date: Para fechas. POSIXct: Para fechas y horas. list: Para listas de objetos de diferentes clases. data.frame: Para conjuntos de datos tabulares. matrix: Para matrices numéricas. function: Para funciones.
# Definir algunos objetos
numero <- 6
texto <- "Casa"
factor <- factor(c("A", "B", "C"))
vector_logico <- c(TRUE, FALSE, TRUE)
fecha <- as.Date("2024-05-03")
lista <- list(1, "dos", TRUE)
dataframe <- data.frame(x = 1:3, y = c("a", "b", "c"))
matriz <- matrix(1:6, nrow = 2)
# Determinar la clase de los objetos
class(numero) # Devuelve "numeric"## [1] "numeric"class(texto) # Devuelve "character"## [1] "character"class(factor) # Devuelve "factor"## [1] "factor"class(vector_logico) # Devuelve "logical"## [1] "logical"class(fecha) # Devuelve "Date"## [1] "Date"class(lista) # Devuelve "list"## [1] "list"class(dataframe) # Devuelve "data.frame"## [1] "data.frame"class(matriz) # Devuelve "matrix"## [1] "matrix" "array"MANEJO DE DATOS BASICOS
datos = data.frame(Nombre = c("Andrés", "Ángel", "Michael", "Sofía", "Pablo"),Edad = c(31, 28, 22, 21, 33), Ciudad = c("Neiva", "Neiva",
"Neiva", "Florencia", "Neiva"))
datos = datos[order(datos$Edad),]
#Mayores_de_30 = which(datos$Edad >30)
Mayores_de_30 = datos[datos$Edad > 30, ]
knitr::kable(datos)| Nombre | Edad | Ciudad | |
|---|---|---|---|
| 4 | Sofía | 21 | Florencia |
| 3 | Michael | 22 | Neiva |
| 2 | Ángel | 28 | Neiva |
| 1 | Andrés | 31 | Neiva |
| 5 | Pablo | 33 | Neiva |
knitr::kable(Mayores_de_30)| Nombre | Edad | Ciudad | |
|---|---|---|---|
| 1 | Andrés | 31 | Neiva |
| 5 | Pablo | 33 | Neiva |
Manipulacion de datos:
datos1 = data.frame(Nombre = c("Andrés", "Ángel", "Michael", "Sofía", "Pablo"),Edad = c(31, 28, 22, 21, 33), Ciudad = c("Neiva", "Neiva",
"Neiva", "Florencia", "Neiva"))
datos1$Años_de_experiencia = c(2, 3, 4 ,5, 1)
datos1$Ciudad[datos$Ciudad == "Neiva"] <- "Florencia"
eliminado = datos$Nombre[-c(1)]
eliminado = c(eliminado, "Juan", "Fer", "Katie")Visualización de datos
library(ggplot2)## Warning: package 'ggplot2' was built under R version 4.3.3datos2 = data.frame(Nombre = c("Andrés", "Ángel", "Michael", "Sofía", "Pablo"), Edad = c(31, 28, 22, 21, 33), Ciudad = c("Neiva", "Neiva",
"Neiva", "Guadalupe", "Neiva"))
Frecuencia_ciudad = table(datos2$Ciudad)
datos_frecuencia <- as.data.frame(Frecuencia_ciudad)
colnames(datos_frecuencia) <- c("Ciudad", "Frecuencia")
ggplot(datos_frecuencia, aes(x = Ciudad, y = Frecuencia)) + geom_bar(stat = "identity", fill = "skyblue") + labs(title = "Grafico de Barras de Frecuencia", x = "Ciudades", y= "Frecuencia")
En el grafico anterior se evidencia que el 40% de las personas analizadas y tabuladas en nuestro data frame residen en Neiva por tanto el otro 60% residen en otras ciudades como Florencia, Bogota y Pereira siendo el porcentaje de residencia entre estos iguales al 20%.
Analisis estadisico basico
data("mtcars")
summary(mtcars)## mpg cyl disp hp
## Min. :10.40 Min. :4.000 Min. : 71.1 Min. : 52.0
## 1st Qu.:15.43 1st Qu.:4.000 1st Qu.:120.8 1st Qu.: 96.5
## Median :19.20 Median :6.000 Median :196.3 Median :123.0
## Mean :20.09 Mean :6.188 Mean :230.7 Mean :146.7
## 3rd Qu.:22.80 3rd Qu.:8.000 3rd Qu.:326.0 3rd Qu.:180.0
## Max. :33.90 Max. :8.000 Max. :472.0 Max. :335.0
## drat wt qsec vs
## Min. :2.760 Min. :1.513 Min. :14.50 Min. :0.0000
## 1st Qu.:3.080 1st Qu.:2.581 1st Qu.:16.89 1st Qu.:0.0000
## Median :3.695 Median :3.325 Median :17.71 Median :0.0000
## Mean :3.597 Mean :3.217 Mean :17.85 Mean :0.4375
## 3rd Qu.:3.920 3rd Qu.:3.610 3rd Qu.:18.90 3rd Qu.:1.0000
## Max. :4.930 Max. :5.424 Max. :22.90 Max. :1.0000
## am gear carb
## Min. :0.0000 Min. :3.000 Min. :1.000
## 1st Qu.:0.0000 1st Qu.:3.000 1st Qu.:2.000
## Median :0.0000 Median :4.000 Median :2.000
## Mean :0.4062 Mean :3.688 Mean :2.812
## 3rd Qu.:1.0000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :1.0000 Max. :5.000 Max. :8.000