Recopilación

Un problema común en muchos conjuntos de datos es que los nombres de las columnas no son variables sino valores de una variable. En la figura siguiente, las columnas 1999 y 2000 son en realidad valores de la variable YEAR. Cada fila de la tabla existente representa en realidad dos observaciones. El paquete tidyr puede utilizarse para reunir estas columnas existentes en una nueva variable. En este caso, tenemos que crear una nueva columna columna llamada YEAR y luego reunir en esta los valores existentes en las columnas 1999 y 2000.

La función gather() del paquete tidyr es la idonea para la reestrucutración del df por ejemplo

gather("1999", "2000", key = "year", value = "cases")

Hay tres parámetros de la función gather(). 1) El conjunto de columnas que representan lo que deberían ser valores y no variables. Estas serían las columnas 1999 y 2000. 2) Nombrar la variable de la nueva columna. Esto también se llama la clave key, y en este caso será la variable del año. 3) Por último, tendrás que proporcionar el valor value, que es el nombre de la variable cuyos valores se reparten por las celdas.

Practiquemos lo anterior con el siguiente ejercicio. como primera media descargue el archivo CountryPopulation.csv localizado en Bases-de-datos. abra el archivo en una hoja de excel solo para visualizarlo, si realiza alguna modificación procure no guardarla.

Las columnas de cada año representan valores, no variables. Estas columnas deben reunirse en un nuevo par de variables que representen el año y la población. En este ejercicio utilizarás la función gather() para realizar esta tarea de ordenación de datos.

Carguemos el df en nuestro entorno

dfPop = read_csv("CountryPopulation.csv", col_names = TRUE)

## Rows: 264 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): Country Name, Country Code
## dbl (8): 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

knitr::kable(head(dfPop, 15))

Ahora utilice la función gather() para reestructurar el df de la siguiente forma

dfPop2 = gather(dfPop, 
                "2010", "2011", "2012", "2013", "2014", "2015", "2016", "2017", 
                key = "YEAR", 
                value = "POPULATION")
knitr::kable(head(dfPop2, 10))

¿que sucedería, si en un caso hipotético nos encontramos con un gran número de columna de este tipo? Para ello, la opción mas eficiente sería

years <- colnames(dfPop)[grep("^\\d{4}$", colnames(dfPop))]

dfPop3 <- dfPop %>%
  gather(key = "YEAR", value = "POPULATION", all_of(years))

knitr::kable(head(dfPop3, 10))

Donde, en expresiones regulares, "^\\d{4}$" tiene el siguiente significado:

• ^: Representa el inicio de una cadena.
• \\d: Representa un dígito.
• {4}: Indica que el elemento anterior (\\d, en este caso) debe aparecer exactamente 4 veces.
• $: Representa el final de una cadena.

En resumen, "^\\d{4}$" coincide con cualquier cadena que contenga exactamente 4 dígitos y no contenga ningún otro carácter adicional antes o después de los dígitos.

Distribución

La distribución es lo contrario de la recopilación y se utiliza cuando una observación se distribuye en varias filas. En el diagrama siguiente, la tabla debe definir una observación de un país por año. Sin embargo, observará que está repartida en dos filas. Una fila para cases y otra para population.

Para ello, la función spread() soluciona este problema. La función spread() toma dos parámetros: la columna que contiene los nombres de las variables repetidas, conocida como key y una columna que contiene valores de múltiples variables, que llamamos value

Cargue el conjunto de datos DSR Ubicado aquí llamadado table2 con extensión .rdata utilizando el código que ve a continuación escribiendo en el panel de la consola.

load("table2.rdata")
knitr::kable(head(table2, 5))

Utilice la función spread() para corregir este problema. Recuerde instalar el paquete

table2b <- spread(table2, key = key, value = value)
knitr::kable(head(table2b))

Separación

Otro caso común es el de dos variables que se colocan en la misma columna. Por ejemplo, la hoja de cálculo siguiente tiene una columna State-County Name que en realidad contiene dos variables separadas por una barra.

La función separate() puede utilizarse para dividir una columna en varias columnas dividiendo por un separador. Por defecto, la función separate() buscará automáticamente cualquier carácter no alfanumérico o se puede definir un carácter específico

En la carpeta de base-de-datos hay un archivo llamado usco2005.csv. Descargue y abra este archivo, por ejemplo con Microsoft Excel, o algún otro tipo de software de hoja de cálculo, posterior a ello carguela en el entorno de esta forma

df = read_csv("usco2005.csv", col_names = TRUE)

## Rows: 3222 Columns: 6
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): STATE, State-County Name
## dbl (4): STATEFIPS, COUNTYFIPS, FIPS, TP-TotPop
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

knitr::kable(head(df, 10))

Utilice la función separate() para separar el contenido de la columna State-County Name en las columnas StateAbbrev y CountyName

df2 = separate(df, "State-County Name",into = c("StateAbbrev", "CountyName"))

## Warning: Expected 2 pieces. Additional pieces discarded in 3222 rows [1, 2, 3, 4, 5, 6,
## 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, ...].

knitr::kable(head(df2, 10))

Unión

La función unite() es exactamente lo contrario de separate(), ya que combina varias columnas en una sola. Aunque no se utiliza tan a menudo como separate(), puede haber ocasiones en las que necesite la funcionalidad proporcionada por unite(). La idea de este ejercicio es que se una el df separado anteriormente

En el panel de la consola, añada el código que ve a continuación para unir las columnas StateAbbrev y CountyName en una sola columna. Por defecto unite() realiza unión con base en la expresión regular "_", "unite(data, col, ..., sep = "_", remove = TRUE)"

df3 = unite(df2, State_County_Name, StateAbbrev, CountyName)
knitr::kable(head(df3, 10))