Gran parte de los datos con los que trabajamos en el mundo de la ciencia de datos, están organizados en arreglos rectangulares, donde las filas representan las instancias, individuos u objetos de estudio, y las columnas las características de los mismos. Esto implica que por definición, dado que las unidades de estudio se representan como entes multidimensionales, que las filas son heterogéneas (una fila es un individuo caracterizado, por ejemplo, por su edad, código postal de su residencia, saldo de su cuenta bancaria, etc.), y las columnas son homogéneas (la columna de edad son todos enteros si se representan en años)
En R, el contenedor usado para poder realizar análisis sobre datos rectangulares, son los data frames.
Formalmente hablando, los data frames son listas de vectores de igual magnitud. Por lo que todo lo que hemos aprendido en las secciones anteriores, es aplicable a los data frames
Inspeccionar los datos
Por lo general, solemos inspeccionar los datos de una tabla para familiarizarnos con ellos y ver que tipo de análisis podemos realizar con ellos.
Vamos a usar uno de los conjuntos de datos que ya viene en la instalación básica de R, mtcars
Podemos abrir una versión amigable de la tabla en RStudio
mpg cyl disp hp drat wt qsec vs am gear carb
Maserati Bora 15.0 8 301 335 3.54 3.57 14.6 0 1 5 8
Volvo 142E 21.4 4 121 109 4.11 2.78 18.6 1 1 4 2
En el caso en que tengamos muchas columnas, la inspección visual es engorrosa, pero, al igual que las listas, si un data frame es una lista de vectores, donde los vectores son las columnas, podemos acceder a los nombres de las columnas usando names()
Asimismo, un data frame es un objeto rectangular, es decir, con más de una dimensión, como una matriz, por lo que podremos obtener el número de filas y columnas con dim()
dim(mtcars)
[1] 32 11
Podemos ver por separado el número de filas y columnas con nrow y ncol
ncol(mtcars)
[1] 11
nrow(mtcars)
[1] 32
Otra forma es usando la función str. Aunque no es intuitiva e incluso intimida a primera vista, no es tan complicado y aporta información útil
Una versión que aporta información estadística es summary
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
Recordar que podíamos acceder a elementos de los vectores por posición o nombre
head(mtcars, n =1)
mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21 6 160 110 3.9 2.62 16.46 0 1 4 4
mtcars[1,2]
[1] 6
mtcars[1,4]
[1] 110
En el primer caso le decimos a R que queremos que nos muestre el dato de la primera fila y la segunda columna, en el segundo caso el dato de la primera fila y cuarta columna
En el caso que deseemos ver una columna o fila específica, dejamos una de las dimensiones en blanco
Si queremos acceder a la información de la segunda fila
mtcars[2, ]
mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 Wag 21 6 160 110 3.9 2.875 17.02 0 1 4 4
Si queremos acceder a la información de la cuarta columna
Como un data frame es un arreglo rectangular que nos permite utilizar funciones que hemos empleado antes con las matrices, otra forma de añadir una nueva(s) columna(s) es usando la función cbind()
( new2 <- letters[11:20] )
[1] "k" "l" "m" "n" "o" "p" "q" "r" "s" "t"
( mtcars_mini <-cbind(mtcars_mini, new2) )
mpg cyl disp hp drat wt qsec vs am gear carb new new2
Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4 a k
Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4 b l
Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 c m
Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1 d n
Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2 e o
Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1 f p
Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4 g q
Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2 h r
Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2 i s
Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4 j t
Asimismo podemos usar rbind() para añadir nuevas filas al data frame
Prestar atención a lo que hemos hecho para poder adaptar mtcars_mini al número de columnas del sub conjunto de mtcars.
Para aplicar la función cbind()hay que asegurarse que los data frames tengan el mismo número de filas, y para rbind() que tengan el mismo número de columnas.
Si queremos cambiar el orden de las columnas pasamos un vector de caracteres como máscara en la dimensión de columnas como máscara.
Los data frames son una estructura extremadamente útil, con la gran ventaja de que forma parte del ecosistema de R base (no depende de librería elaboradas por terceros). Pero, lo anterior también representa también una restricción, por lo que se han desarrollado librerías que complementan las propiedades de los data frames
El universo Tidyverse
Figure 1: Colección de paquetes del ecosistema Tidyverse. Ver su web
En esta primera parte de la exposición nos concentraremos en el paquete dplyr y en la manipulación de datos, e introduciremos el pipe de la librería magrittr
Dplyr
Figure 2: Hex sticker de dplyr
En su página web, se presenta la librería dplyr como “dplyr es una gramática de manipulación de datos, que proporciona un conjunto coherente de verbos que ayudan a resolver los problemas más comunes de manipulación de datos”
Antes de continuar, es mejor presentar ya el pipe de magrittr. Empezaremos con un ejemplo simple en el cual deseamos calcular el logaritmo de la raíz cuadrada de la sumatoria de una secuencia de 20 realizaciones de una distribución uniforme.
Los pasos serían los siguientes:
Generar la secuencia de 20 realizaciones de una distribución uniforme runif(20)
Calcular la sumatoria sum(runif(20)))
Obtener la raíz cuadrada sqrt(sum(runif(20)))
Aplicar el logaritmo log(sqrt(sum(runif(20))))
set.seed(356)log(sqrt(sum(runif(20))))
[1] 1.257018
La función es algo complicada de leer, y se complica su lectura a medida que añadimos más funciones.
El pipe (tubería) de magrittr %>% parte de la misma idea que el pipe de bash |, pasar el output de la salida de una función a otra función de manera encadenada.
Una manera “limpia” de ejecutar varios verbos de manera secuencial es a través del uso del pipe
Según su web, dicha herramienta permite hacer nuestro código más legible por las siguientes razones:
estructurando secuencias de operaciones de datos de izquierda a derecha (en lugar de dentro a fuera)
evitando las llamadas a funciones anidadas
minimizando la necesidad de variables locales y definiciones de funciones
facilitar añadir pasos en cualquier punto de la secuencia de operaciones
La operación anterior quedaría de la siguiente forma con pipes:
# A tibble: 10 x 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk~ 172 77 blond fair blue 19 male mascu~
2 C-3PO 167 75 <NA> gold yellow 112 none mascu~
3 Darth V~ 202 136 none white yellow 41.9 male mascu~
4 Owen La~ 178 120 brown, gr~ light blue 52 male mascu~
5 Beru Wh~ 165 75 brown light blue 47 fema~ femin~
6 R5-D4 97 32 <NA> white, red red NA none mascu~
7 Biggs D~ 183 84 black light brown 24 male mascu~
8 Anakin ~ 188 84 blond fair blue 41.9 male mascu~
9 Shmi Sk~ 163 NA black fair brown 72 fema~ femin~
10 Cliegg ~ 183 NA brown fair blue 82 male mascu~
# i 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
# A tibble: 8 x 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sky~ 172 77 blond fair blue 19 male mascu~
2 C-3PO 167 75 <NA> gold yellow 112 none mascu~
3 Darth Va~ 202 136 none white yellow 41.9 male mascu~
4 Owen Lars 178 120 brown, gr~ light blue 52 male mascu~
5 R5-D4 97 32 <NA> white, red red NA none mascu~
6 Biggs Da~ 183 84 black light brown 24 male mascu~
7 Anakin S~ 188 84 blond fair blue 41.9 male mascu~
8 Cliegg L~ 183 NA brown fair blue 82 male mascu~
# i 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
O queremos quedarnos con aquellos registros que no sean humanos
starwars |> dplyr::filter(species !="Human")
# A tibble: 48 x 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 C-3PO 167 75 <NA> gold yellow 112 none mascu~
2 R2-D2 96 32 <NA> white, bl~ red 33 none mascu~
3 R5-D4 97 32 <NA> white, red red NA none mascu~
4 Chewbac~ 228 112 brown unknown blue 200 male mascu~
5 Greedo 173 74 <NA> green black 44 male mascu~
6 Jabba D~ 175 1358 <NA> green-tan~ orange 600 herm~ mascu~
7 Yoda 66 17 white green brown 896 male mascu~
8 IG-88 200 140 none metal red 15 none mascu~
9 Bossk 190 113 none green red 53 male mascu~
10 Ackbar 180 83 none brown mot~ orange 41 male mascu~
# i 38 more rows
# i 5 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
Si lo que deseamos es seleccionar columnas, usamos el verbo select()
Siguiendo con el primer ejemplo, queremos saber que personajes de Star Wars son de Tatooine, pero solo queremos ver la columna del nombre del personaje
# A tibble: 10 x 1
name
<chr>
1 Luke Skywalker
2 C-3PO
3 Darth Vader
4 Owen Lars
5 Beru Whitesun Lars
6 R5-D4
7 Biggs Darklighter
8 Anakin Skywalker
9 Shmi Skywalker
10 Cliegg Lars
Además del nombre, queremos saber su altura y la especie
# A tibble: 10 x 3
name height species
<chr> <int> <chr>
1 Luke Skywalker 172 Human
2 C-3PO 167 Droid
3 Darth Vader 202 Human
4 Owen Lars 178 Human
5 Beru Whitesun Lars 165 Human
6 R5-D4 97 Droid
7 Biggs Darklighter 183 Human
8 Anakin Skywalker 188 Human
9 Shmi Skywalker 163 Human
10 Cliegg Lars 183 Human
Supongamos que no sabemos de antemano, cuantos tipos de especies hay, y deseamos saberlo para aplicar los filtros adecuados. En R base tendríamos que extraer la columna y usar la función unique() (unique(starwars$species)). En dplyr tenemos la función distinct()
starwars |>select(species) |>distinct()
# A tibble: 38 x 1
species
<chr>
1 Human
2 Droid
3 Wookiee
4 Rodian
5 Hutt
6 <NA>
7 Yoda's species
8 Trandoshan
9 Mon Calamari
10 Ewok
# i 28 more rows
Si queremos contar cuantos registros hay por especie, usamos la función count()
starwars |>count(species)
# A tibble: 38 x 2
species n
<chr> <int>
1 Aleena 1
2 Besalisk 1
3 Cerean 1
4 Chagrian 1
5 Clawdite 1
6 Droid 6
7 Dug 1
8 Ewok 1
9 Geonosian 1
10 Gungan 3
# i 28 more rows
Si deseamos que presente la información en orden descendente
starwars |>count(species, sort =TRUE)
# A tibble: 38 x 2
species n
<chr> <int>
1 Human 35
2 Droid 6
3 <NA> 4
4 Gungan 3
5 Kaminoan 2
6 Mirialan 2
7 Twi'lek 2
8 Wookiee 2
9 Zabrak 2
10 Aleena 1
# i 28 more rows
Si una vez escogida la columna deseada, desea ordenarla como en la caso anterior, usamos el verbo arrange(). En este caso seleccionamos la columna de masa corporal y nombre
starwars %>%select(name, mass) %>%arrange(mass)
# A tibble: 87 x 2
name mass
<chr> <dbl>
1 Ratts Tyerel 15
2 Yoda 17
3 Wicket Systri Warrick 20
4 R2-D2 32
5 R5-D4 32
6 Sebulba 40
7 Padmé Amidala 45
8 Dud Bolt 45
9 Wat Tambor 48
10 Sly Moore 48
# i 77 more rows
Para ordenarlo de mayor a menos usamos la función desc() dentro de arrange()
# A tibble: 87 x 2
name mass
<chr> <dbl>
1 Jabba Desilijic Tiure 1358
2 Grievous 159
3 IG-88 140
4 Darth Vader 136
5 Tarfful 136
6 Owen Lars 120
7 Bossk 113
8 Chewbacca 112
9 Jek Tono Porkins 110
10 Dexter Jettster 102
# i 77 more rows
Supongamos que deseamos seleccionar solo las columnas que cumplan una determinada condición, esto se puede hacer con la función where() dentro del verbo select(). Por ejemplo, si deseamos solo las columnas que contengan variables numéricas
starwars %>%select(where(is.numeric))
# A tibble: 87 x 3
height mass birth_year
<int> <dbl> <dbl>
1 172 77 19
2 167 75 112
3 96 32 33
4 202 136 41.9
5 150 49 19
6 178 120 52
7 165 75 47
8 97 32 NA
9 183 84 24
10 182 77 57
# i 77 more rows
Pero, también existen variantes de select() más específicas. Por ejemplo, para este caso también podríamos haber usado select_if() y la condición
starwars %>%select_if(is.numeric)
# A tibble: 87 x 3
height mass birth_year
<int> <dbl> <dbl>
1 172 77 19
2 167 75 112
3 96 32 33
4 202 136 41.9
5 150 49 19
6 178 120 52
7 165 75 47
8 97 32 NA
9 183 84 24
10 182 77 57
# i 77 more rows
Note
Hay varias funciones helpers que permiten hacer una selección más fina de columnas. Para echar un vistazo ejecutar ?select
Algo que solemos realizar de manera muy frecuente, es crear nuevas columnas transformando las existentes, esto lo hacemos con el verbo mutate()
starwars |>mutate(H_W = height / mass)
# A tibble: 87 x 15
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk~ 172 77 blond fair blue 19 male mascu~
2 C-3PO 167 75 <NA> gold yellow 112 none mascu~
3 R2-D2 96 32 <NA> white, bl~ red 33 none mascu~
4 Darth V~ 202 136 none white yellow 41.9 male mascu~
5 Leia Or~ 150 49 brown light brown 19 fema~ femin~
6 Owen La~ 178 120 brown, gr~ light blue 52 male mascu~
7 Beru Wh~ 165 75 brown light blue 47 fema~ femin~
8 R5-D4 97 32 <NA> white, red red NA none mascu~
9 Biggs D~ 183 84 black light brown 24 male mascu~
10 Obi-Wan~ 182 77 auburn, w~ fair blue-gray 57 male mascu~
# i 77 more rows
# i 6 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>, H_W <dbl>
# A tibble: 87 x 16
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk~ 172 77 blond fair blue 19 male mascu~
2 C-3PO 167 75 <NA> gold yellow 112 none mascu~
3 R2-D2 96 32 <NA> white, bl~ red 33 none mascu~
4 Darth V~ 202 136 none white yellow 41.9 male mascu~
5 Leia Or~ 150 49 brown light brown 19 fema~ femin~
6 Owen La~ 178 120 brown, gr~ light blue 52 male mascu~
7 Beru Wh~ 165 75 brown light blue 47 fema~ femin~
8 R5-D4 97 32 <NA> white, red red NA none mascu~
9 Biggs D~ 183 84 black light brown 24 male mascu~
10 Obi-Wan~ 182 77 auburn, w~ fair blue-gray 57 male mascu~
# i 77 more rows
# i 7 more variables: homeworld <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>, H_W <dbl>, fakeVar <dbl>
Y para finalizar este exceso resumido paso por dplyr, presentamos dos verbos de los más usado en el ciclo de análisis de datos: group_by() y summarise()
Para los que conocen SQL, los dos verbos anteriores son el equivalente a un GROUP BY y una operación de agregación
Por ejemplo, supongamos que queremos obtener la altura media por género
Y para finalizar, si deseamos cambiar el nombre de una columna, usamos la función rename(), y para cambiar el orden de las columnas relocate()
starwars |>rename(planeta = homeworld)
# A tibble: 87 x 14
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk~ 172 77 blond fair blue 19 male mascu~
2 C-3PO 167 75 <NA> gold yellow 112 none mascu~
3 R2-D2 96 32 <NA> white, bl~ red 33 none mascu~
4 Darth V~ 202 136 none white yellow 41.9 male mascu~
5 Leia Or~ 150 49 brown light brown 19 fema~ femin~
6 Owen La~ 178 120 brown, gr~ light blue 52 male mascu~
7 Beru Wh~ 165 75 brown light blue 47 fema~ femin~
8 R5-D4 97 32 <NA> white, red red NA none mascu~
9 Biggs D~ 183 84 black light brown 24 male mascu~
10 Obi-Wan~ 182 77 auburn, w~ fair blue-gray 57 male mascu~
# i 77 more rows
# i 5 more variables: planeta <chr>, species <chr>, films <list>,
# vehicles <list>, starships <list>
starwars |>relocate(species, .after = mass)
# A tibble: 87 x 14
name height mass species hair_color skin_color eye_color birth_year sex
<chr> <int> <dbl> <chr> <chr> <chr> <chr> <dbl> <chr>
1 Luke S~ 172 77 Human blond fair blue 19 male
2 C-3PO 167 75 Droid <NA> gold yellow 112 none
3 R2-D2 96 32 Droid <NA> white, bl~ red 33 none
4 Darth ~ 202 136 Human none white yellow 41.9 male
5 Leia O~ 150 49 Human brown light brown 19 fema~
6 Owen L~ 178 120 Human brown, gr~ light blue 52 male
7 Beru W~ 165 75 Human brown light blue 47 fema~
8 R5-D4 97 32 Droid <NA> white, red red NA none
9 Biggs ~ 183 84 Human black light brown 24 male
10 Obi-Wa~ 182 77 Human auburn, w~ fair blue-gray 57 male
# i 77 more rows
# i 5 more variables: gender <chr>, homeworld <chr>, films <list>,
# vehicles <list>, starships <list>
Algo adicional que conviene saber y combina bien con las funciones map, los tibbles anidados. Los tibbles anidados se crean con el verbo nest_by()
# A tibble: 49 x 2
# Rowwise: homeworld
homeworld data
<chr> <list<tibble[,13]>>
1 Alderaan [3 x 13]
2 Aleen Minor [1 x 13]
3 Bespin [1 x 13]
4 Bestine IV [1 x 13]
5 Cato Neimoidia [1 x 13]
6 Cerea [1 x 13]
7 Champala [1 x 13]
8 Chandrila [1 x 13]
9 Concord Dawn [1 x 13]
10 Corellia [2 x 13]
# i 39 more rows
Se accede al tibble anidado con la sintaxis de una lista
starwars_nested$data[[40]]
# A tibble: 10 x 13
name height mass hair_color skin_color eye_color birth_year sex gender
<chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
1 Luke Sk~ 172 77 blond fair blue 19 male mascu~
2 C-3PO 167 75 <NA> gold yellow 112 none mascu~
3 Darth V~ 202 136 none white yellow 41.9 male mascu~
4 Owen La~ 178 120 brown, gr~ light blue 52 male mascu~
5 Beru Wh~ 165 75 brown light blue 47 fema~ femin~
6 R5-D4 97 32 <NA> white, red red NA none mascu~
7 Biggs D~ 183 84 black light brown 24 male mascu~
8 Anakin ~ 188 84 blond fair blue 41.9 male mascu~
9 Shmi Sk~ 163 NA black fair brown 72 fema~ femin~
10 Cliegg ~ 183 NA brown fair blue 82 male mascu~
# i 4 more variables: species <chr>, films <list>, vehicles <list>,
# starships <list>
Más allá de los tibbles: joins
Acabamos esta sección abarcando un problema con el cual ya se han topado en módulos anteriores, el hecho de que es común trabajar con más de una tabla de datos que guardan relación entre si, por lo que recurrimos a los ya conocidos JOINS y sus variantes.
También podemos realizar estas operaciones en tidyverse con las siguientes funciones:
left_join()
right_join()
inner_join()
full_join()
anti_join()
semi_join()
Note
Una buena introducción a los joins (uniones) con dplyr es esta. Y para una comparación con R base y SQL esto
Vamos a usar un ejemplo de juguete para mostrar los joins más básicos. Creamos dos conjuntos de datos usando la función tibble()
# A tibble: 5 x 2
ID y
<chr> <dbl>
1 A 5
2 B 5
3 C 8
4 D 0
5 F 9
df_B
# A tibble: 5 x 2
ID z
<chr> <dbl>
1 A 30
2 B 21
3 C 22
4 D 25
5 E 29
Left join
left_join(x = df_A, y = df_B, by ="ID")
# A tibble: 5 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
5 F 9 NA
Right join
right_join(x = df_A, y = df_B, by ="ID")
# A tibble: 5 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
5 E NA 29
Inner join
inner_join(x = df_A, y = df_B, by ="ID")
# A tibble: 4 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
Full join
full_join(x = df_A, y = df_B, by ="ID")
# A tibble: 6 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
5 F 9 NA
6 E NA 29
¿Qué ocurre si las columnas tienen nombres distintos?
colnames(df_B)[1] <-"KL"full_join(x = df_A, y = df_B, by =c("ID"="KL"))
# A tibble: 6 x 3
ID y z
<chr> <dbl> <dbl>
1 A 5 30
2 B 5 21
3 C 8 22
4 D 0 25
5 F 9 NA
6 E NA 29
data.table: The need for speed
Figure 3: Hex sticker de data.table
Ya que nos hemos empapado de parte del tidyverse, vamos a aprender la otra gran alternativa a los data frames estructura de R base, la librería data.table
Antes de empezar a analizar esta librería, primero habría que preguntarse ¿Por qué debemos aprender otras alternativas ya teniendo R base y el tidyverse?
data.table posee unas ventajas idiosincráticas que la hacen una alternativa atractiva. Según los mismos desarrolladores de la librería, data.table:
“es un paquete extremadamente rápido y eficiente en memoria para transformar datos en R.”
“El tidyverse no es el único dialecto popular de R. Por ejemplo, el paquete data.table propone otro dialecto con características muy distintas. El código en dicho dialecto es mucho menos legible pero tiene una ventaja importante: es increíblemente rápido y gestiona muy bien la memoria. Es un paquete (o dialecto) con el que conviene familiarizarse para trabajar con conjuntos de datos muy grandes, de millones, decenas de millones o, incluso de cientos de millones de filas”
Y finalizamos con esta afirmación de Grant McDermott, profesor de la Universidad de Oregon y consultor de analítica de grandes datos
“El tidyverse es genial (…) Entonces, ¿por qué molestarse en aprender otro paquete/sintaxis de gestión de datos? En lo que respecta a data.table, se me ocurren al menos cinco razones:
Conciso
Increíblemente rápido
Uso eficiente de memoria
Rico en funciones (y estable)
Sin dependencias”
Mi opinión personal es muy concreta, data.table es muy rápido y eficiente a la hora de manejar una gran cantidad de datos que aún no hayan pasado el límite para convertirse en Big Data.
Pero nada es gratuito, como menciona Gil Bellosta, la sintaxis es menos amigable si la comparamos con la del tidyverse.
La sintaxis de data table se puede resumir mediante el siguiente diagrama:
Figure 4: Sintaxis de data.table
i indica las filas que deseamos seleccionar ya sea para filtrar o para ejecutar una operación sobre ese subconjunto de filas. El equivalente a filter(), slice() y arrange() en dplyr o WHERE en SQL
j indica ya sea las columnas que deseamos seleccionar o la operación que deseamos realizar sobre las columnas. El equivalente a select(); mutate() en dplyr o SELECT o las funciones de agregación en SQL
by indica como debemos agregar el conjunto de datos. El equivalente a group_by() en dplyr o GROUP BY en SQL
Vamos a replicar los ejemplos de la sección anterior para poder realizar una comparación directa
Primero, instalamos la librería y la llamamos posteriormente
name height mass hair_color skin_color eye_color
1: Luke Skywalker 172 77 blond fair blue
2: C-3PO 167 75 <NA> gold yellow
3: R2-D2 96 32 <NA> white, blue red
4: Darth Vader 202 136 none white yellow
5: Leia Organa 150 49 brown light brown
6: Owen Lars 178 120 brown, grey light blue
7: Beru Whitesun Lars 165 75 brown light blue
8: R5-D4 97 32 <NA> white, red red
9: Biggs Darklighter 183 84 black light brown
10: Obi-Wan Kenobi 182 77 auburn, white fair blue-gray
birth_year sex gender homeworld species
1: 19.0 male masculine Tatooine Human
2: 112.0 none masculine Tatooine Droid
3: 33.0 none masculine Naboo Droid
4: 41.9 male masculine Tatooine Human
5: 19.0 female feminine Alderaan Human
6: 52.0 male masculine Tatooine Human
7: 47.0 female feminine Tatooine Human
8: NA none masculine Tatooine Droid
9: 24.0 male masculine Tatooine Human
10: 57.0 male masculine Stewjon Human
films
1: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
2: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith
3: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith,...
4: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith
5: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
6: A New Hope,Attack of the Clones,Revenge of the Sith
7: A New Hope,Attack of the Clones,Revenge of the Sith
8: A New Hope
9: A New Hope
10: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith
vehicles
1: Snowspeeder,Imperial Speeder Bike
2:
3:
4:
5: Imperial Speeder Bike
6:
7:
8:
9:
10: Tribubble bongo
starships
1: X-wing,Imperial shuttle
2:
3:
4: TIE Advanced x1
5:
6:
7:
8:
9: X-wing
10: Jedi starfighter,Trade Federation cruiser,Naboo star skiff,Jedi Interceptor,Belbullab-22 starfighter
Observar que la presentación de la tabla en la consola es distinta a la de un tibble que a su vez era distinta a la de un data frame
Empezamos, nos quedamos solo con los personajes de Star Wars que son de Tatooine
starwars_dt[homeworld =="Tatooine"] |>head()
name height mass hair_color skin_color eye_color birth_year
1: Luke Skywalker 172 77 blond fair blue 19.0
2: C-3PO 167 75 <NA> gold yellow 112.0
3: Darth Vader 202 136 none white yellow 41.9
4: Owen Lars 178 120 brown, grey light blue 52.0
5: Beru Whitesun Lars 165 75 brown light blue 47.0
6: R5-D4 97 32 <NA> white, red red NA
sex gender homeworld species
1: male masculine Tatooine Human
2: none masculine Tatooine Droid
3: male masculine Tatooine Human
4: male masculine Tatooine Human
5: female feminine Tatooine Human
6: none masculine Tatooine Droid
films
1: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
2: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith
3: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith
4: A New Hope,Attack of the Clones,Revenge of the Sith
5: A New Hope,Attack of the Clones,Revenge of the Sith
6: A New Hope
vehicles starships
1: Snowspeeder,Imperial Speeder Bike X-wing,Imperial shuttle
2:
3: TIE Advanced x1
4:
5:
6:
name height mass hair_color skin_color eye_color birth_year
1: Luke Skywalker 172 77 blond fair blue 19.0
2: C-3PO 167 75 <NA> gold yellow 112.0
3: Darth Vader 202 136 none white yellow 41.9
4: Owen Lars 178 120 brown, grey light blue 52.0
5: R5-D4 97 32 <NA> white, red red NA
6: Biggs Darklighter 183 84 black light brown 24.0
7: Anakin Skywalker 188 84 blond fair blue 41.9
8: Cliegg Lars 183 NA brown fair blue 82.0
sex gender homeworld species
1: male masculine Tatooine Human
2: none masculine Tatooine Droid
3: male masculine Tatooine Human
4: male masculine Tatooine Human
5: none masculine Tatooine Droid
6: male masculine Tatooine Human
7: male masculine Tatooine Human
8: male masculine Tatooine Human
films
1: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
2: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith
3: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith
4: A New Hope,Attack of the Clones,Revenge of the Sith
5: A New Hope
6: A New Hope
7: The Phantom Menace,Attack of the Clones,Revenge of the Sith
8: Attack of the Clones
vehicles
1: Snowspeeder,Imperial Speeder Bike
2:
3:
4:
5:
6:
7: Zephyr-G swoop bike,XJ-6 airspeeder
8:
starships
1: X-wing,Imperial shuttle
2:
3: TIE Advanced x1
4:
5:
6: X-wing
7: Naboo fighter,Trade Federation cruiser,Jedi Interceptor
8:
Solo los registros que no sean humanos
starwars_dt[species !="Human"] |>head()
name height mass hair_color skin_color eye_color
1: C-3PO 167 75 <NA> gold yellow
2: R2-D2 96 32 <NA> white, blue red
3: R5-D4 97 32 <NA> white, red red
4: Chewbacca 228 112 brown unknown blue
5: Greedo 173 74 <NA> green black
6: Jabba Desilijic Tiure 175 1358 <NA> green-tan, brown orange
birth_year sex gender homeworld species
1: 112 none masculine Tatooine Droid
2: 33 none masculine Naboo Droid
3: NA none masculine Tatooine Droid
4: 200 male masculine Kashyyyk Wookiee
5: 44 male masculine Rodia Rodian
6: 600 hermaphroditic masculine Nal Hutta Hutt
films
1: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith
2: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith,...
3: A New Hope
4: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
5: A New Hope
6: A New Hope,Return of the Jedi,The Phantom Menace
vehicles starships
1:
2:
3:
4: AT-ST Millennium Falcon,Imperial shuttle
5:
6:
También podemos seleccionar filas por posición, por ejemplo las 6 primeras filas
starwars_dt[1:6]
name height mass hair_color skin_color eye_color birth_year
1: Luke Skywalker 172 77 blond fair blue 19.0
2: C-3PO 167 75 <NA> gold yellow 112.0
3: R2-D2 96 32 <NA> white, blue red 33.0
4: Darth Vader 202 136 none white yellow 41.9
5: Leia Organa 150 49 brown light brown 19.0
6: Owen Lars 178 120 brown, grey light blue 52.0
sex gender homeworld species
1: male masculine Tatooine Human
2: none masculine Tatooine Droid
3: none masculine Naboo Droid
4: male masculine Tatooine Human
5: female feminine Alderaan Human
6: male masculine Tatooine Human
films
1: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
2: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith
3: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith,...
4: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith
5: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
6: A New Hope,Attack of the Clones,Revenge of the Sith
vehicles starships
1: Snowspeeder,Imperial Speeder Bike X-wing,Imperial shuttle
2:
3:
4: TIE Advanced x1
5: Imperial Speeder Bike
6:
Ahora seleccionamos columnas, recordar que para eso debemos usar el segundo argumento
starwars_dt[homeworld =="Tatooine", list(name)]
name
1: Luke Skywalker
2: C-3PO
3: Darth Vader
4: Owen Lars
5: Beru Whitesun Lars
6: R5-D4
7: Biggs Darklighter
8: Anakin Skywalker
9: Shmi Skywalker
10: Cliegg Lars
Tenemos que pasar los nombres de las columnas como una lista, afortunadamente podemos usar el alias .
starwars_dt[homeworld =="Tatooine", .(name)]
name
1: Luke Skywalker
2: C-3PO
3: Darth Vader
4: Owen Lars
5: Beru Whitesun Lars
6: R5-D4
7: Biggs Darklighter
8: Anakin Skywalker
9: Shmi Skywalker
10: Cliegg Lars
Si pasamos el nombre solamente, nos devuelve un vector en lugar de un data table
name height species
1: Luke Skywalker 172 Human
2: C-3PO 167 Droid
3: Darth Vader 202 Human
4: Owen Lars 178 Human
5: Beru Whitesun Lars 165 Human
6: R5-D4 97 Droid
7: Biggs Darklighter 183 Human
8: Anakin Skywalker 188 Human
9: Shmi Skywalker 163 Human
10: Cliegg Lars 183 Human
Si deseamos ordenar el data table según alguna columna en particular
starwars_dt[, .(name, mass)][order(mass)]
name mass
1: Ratts Tyerel 15.0
2: Yoda 17.0
3: Wicket Systri Warrick 20.0
4: R2-D2 32.0
5: R5-D4 32.0
6: Sebulba 40.0
7: Padmé Amidala 45.0
8: Dud Bolt 45.0
9: Wat Tambor 48.0
10: Sly Moore 48.0
11: Leia Organa 49.0
12: Adi Gallia 50.0
13: Barriss Offee 50.0
14: Ayla Secura 55.0
15: Zam Wesell 55.0
16: Luminara Unduli 56.2
17: Shaak Ti 57.0
18: Ben Quadinaros 65.0
19: Jar Jar Binks 66.0
20: Nien Nunb 68.0
21: Greedo 74.0
22: C-3PO 75.0
23: Beru Whitesun Lars 75.0
24: Palpatine 75.0
25: Luke Skywalker 77.0
26: Obi-Wan Kenobi 77.0
27: Wedge Antilles 77.0
28: Boba Fett 78.2
29: Lando Calrissian 79.0
30: Lobot 79.0
31: Jango Fett 79.0
32: Raymus Antilles 79.0
33: Han Solo 80.0
34: Darth Maul 80.0
35: Plo Koon 80.0
36: Poggle the Lesser 80.0
37: Dooku 80.0
38: Tion Medon 80.0
39: Roos Tarpals 82.0
40: Ki-Adi-Mundi 82.0
41: Ackbar 83.0
42: Biggs Darklighter 84.0
43: Anakin Skywalker 84.0
44: Mace Windu 84.0
45: Gregar Typho 85.0
46: Kit Fisto 87.0
47: Lama Su 88.0
48: Qui-Gon Jinn 89.0
49: Nute Gunray 90.0
50: Dexter Jettster 102.0
51: Jek Tono Porkins 110.0
52: Chewbacca 112.0
53: Bossk 113.0
54: Owen Lars 120.0
55: Darth Vader 136.0
56: Tarfful 136.0
57: IG-88 140.0
58: Grievous 159.0
59: Jabba Desilijic Tiure 1358.0
60: Wilhuff Tarkin NA
61: Mon Mothma NA
62: Arvel Crynyd NA
63: Finis Valorum NA
64: Rugor Nass NA
65: Ric Olié NA
66: Watto NA
67: Quarsh Panaka NA
68: Shmi Skywalker NA
69: Bib Fortuna NA
70: Gasgano NA
71: Eeth Koth NA
72: Saesee Tiin NA
73: Yarael Poof NA
74: Mas Amedda NA
75: Cordé NA
76: Cliegg Lars NA
77: Dormé NA
78: Bail Prestor Organa NA
79: Taun We NA
80: Jocasta Nu NA
81: R4-P17 NA
82: San Hill NA
83: Finn NA
84: Rey NA
85: Poe Dameron NA
86: BB8 NA
87: Captain Phasma NA
name mass
Observamos dos cosas nuevas:
La primera, si no vamos a realizar una operación sobre las filas, la casilla de ese argumento queda en blanco, y en el segundo argumento seleccionamos las columnas.
Lo segundo, una vez seleccionadas las columnas de interés, queremos operar sobre las filas, asi que necesitamos encadenar esa operación abriendo unos nuevos corchetes y operando sobre el primer argumento que es de la fila.
Para ordenar de manera descendente
starwars_dt[, .(name, mass)][order(-mass)]
name mass
1: Jabba Desilijic Tiure 1358.0
2: Grievous 159.0
3: IG-88 140.0
4: Darth Vader 136.0
5: Tarfful 136.0
6: Owen Lars 120.0
7: Bossk 113.0
8: Chewbacca 112.0
9: Jek Tono Porkins 110.0
10: Dexter Jettster 102.0
11: Nute Gunray 90.0
12: Qui-Gon Jinn 89.0
13: Lama Su 88.0
14: Kit Fisto 87.0
15: Gregar Typho 85.0
16: Biggs Darklighter 84.0
17: Anakin Skywalker 84.0
18: Mace Windu 84.0
19: Ackbar 83.0
20: Roos Tarpals 82.0
21: Ki-Adi-Mundi 82.0
22: Han Solo 80.0
23: Darth Maul 80.0
24: Plo Koon 80.0
25: Poggle the Lesser 80.0
26: Dooku 80.0
27: Tion Medon 80.0
28: Lando Calrissian 79.0
29: Lobot 79.0
30: Jango Fett 79.0
31: Raymus Antilles 79.0
32: Boba Fett 78.2
33: Luke Skywalker 77.0
34: Obi-Wan Kenobi 77.0
35: Wedge Antilles 77.0
36: C-3PO 75.0
37: Beru Whitesun Lars 75.0
38: Palpatine 75.0
39: Greedo 74.0
40: Nien Nunb 68.0
41: Jar Jar Binks 66.0
42: Ben Quadinaros 65.0
43: Shaak Ti 57.0
44: Luminara Unduli 56.2
45: Ayla Secura 55.0
46: Zam Wesell 55.0
47: Adi Gallia 50.0
48: Barriss Offee 50.0
49: Leia Organa 49.0
50: Wat Tambor 48.0
51: Sly Moore 48.0
52: Padmé Amidala 45.0
53: Dud Bolt 45.0
54: Sebulba 40.0
55: R2-D2 32.0
56: R5-D4 32.0
57: Wicket Systri Warrick 20.0
58: Yoda 17.0
59: Ratts Tyerel 15.0
60: Wilhuff Tarkin NA
61: Mon Mothma NA
62: Arvel Crynyd NA
63: Finis Valorum NA
64: Rugor Nass NA
65: Ric Olié NA
66: Watto NA
67: Quarsh Panaka NA
68: Shmi Skywalker NA
69: Bib Fortuna NA
70: Gasgano NA
71: Eeth Koth NA
72: Saesee Tiin NA
73: Yarael Poof NA
74: Mas Amedda NA
75: Cordé NA
76: Cliegg Lars NA
77: Dormé NA
78: Bail Prestor Organa NA
79: Taun We NA
80: Jocasta Nu NA
81: R4-P17 NA
82: San Hill NA
83: Finn NA
84: Rey NA
85: Poe Dameron NA
86: BB8 NA
87: Captain Phasma NA
name mass
Para seleccionar solo las columnas que cumplan una determinada condición, por ejemplo, si deseamos solo las columnas que contengan variables numéricas, la operación es algo más verbosa
starwars_dt[, .SD, .SDcols = is.numeric]
height mass birth_year
1: 172 77.0 19.0
2: 167 75.0 112.0
3: 96 32.0 33.0
4: 202 136.0 41.9
5: 150 49.0 19.0
6: 178 120.0 52.0
7: 165 75.0 47.0
8: 97 32.0 NA
9: 183 84.0 24.0
10: 182 77.0 57.0
11: 188 84.0 41.9
12: 180 NA 64.0
13: 228 112.0 200.0
14: 180 80.0 29.0
15: 173 74.0 44.0
16: 175 1358.0 600.0
17: 170 77.0 21.0
18: 180 110.0 NA
19: 66 17.0 896.0
20: 170 75.0 82.0
21: 183 78.2 31.5
22: 200 140.0 15.0
23: 190 113.0 53.0
24: 177 79.0 31.0
25: 175 79.0 37.0
26: 180 83.0 41.0
27: 150 NA 48.0
28: NA NA NA
29: 88 20.0 8.0
30: 160 68.0 NA
31: 193 89.0 92.0
32: 191 90.0 NA
33: 170 NA 91.0
34: 185 45.0 46.0
35: 196 66.0 52.0
36: 224 82.0 NA
37: 206 NA NA
38: 183 NA NA
39: 137 NA NA
40: 112 40.0 NA
41: 183 NA 62.0
42: 163 NA 72.0
43: 175 80.0 54.0
44: 180 NA NA
45: 178 55.0 48.0
46: 79 15.0 NA
47: 94 45.0 NA
48: 122 NA NA
49: 163 65.0 NA
50: 188 84.0 72.0
51: 198 82.0 92.0
52: 196 87.0 NA
53: 171 NA NA
54: 184 50.0 NA
55: 188 NA NA
56: 264 NA NA
57: 188 80.0 22.0
58: 196 NA NA
59: 185 85.0 NA
60: 157 NA NA
61: 183 NA 82.0
62: 183 80.0 NA
63: 170 56.2 58.0
64: 166 50.0 40.0
65: 165 NA NA
66: 193 80.0 102.0
67: 191 NA 67.0
68: 183 79.0 66.0
69: 168 55.0 NA
70: 198 102.0 NA
71: 229 88.0 NA
72: 213 NA NA
73: 167 NA NA
74: 96 NA NA
75: 193 48.0 NA
76: 191 NA NA
77: 178 57.0 NA
78: 216 159.0 NA
79: 234 136.0 NA
80: 188 79.0 NA
81: 178 48.0 NA
82: 206 80.0 NA
83: NA NA NA
84: NA NA NA
85: NA NA NA
86: NA NA NA
87: NA NA NA
height mass birth_year
Acá introducimos dos elementos nuevos: .SD se emplea para hacer sub conjuntos del data table, definidos por las columnas enunciadas en .SDcols. A primera vista no es intuitivo, veremos un ejemplo menos trivial
Supongamos que queremos calcular la media de las columnas numéricas
En data table creamos nuevas columnas transformando las existentes con :=
starwars_dt[, H_W := height / mass][] |>head()
name height mass hair_color skin_color eye_color birth_year
1: Luke Skywalker 172 77 blond fair blue 19.0
2: C-3PO 167 75 <NA> gold yellow 112.0
3: R2-D2 96 32 <NA> white, blue red 33.0
4: Darth Vader 202 136 none white yellow 41.9
5: Leia Organa 150 49 brown light brown 19.0
6: Owen Lars 178 120 brown, grey light blue 52.0
sex gender homeworld species
1: male masculine Tatooine Human
2: none masculine Tatooine Droid
3: none masculine Naboo Droid
4: male masculine Tatooine Human
5: female feminine Alderaan Human
6: male masculine Tatooine Human
films
1: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
2: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith
3: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith,...
4: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith
5: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
6: A New Hope,Attack of the Clones,Revenge of the Sith
vehicles starships H_W
1: Snowspeeder,Imperial Speeder Bike X-wing,Imperial shuttle 2.233766
2: 2.226667
3: 3.000000
4: TIE Advanced x1 1.485294
5: Imperial Speeder Bike 3.061224
6: 1.483333
name height mass hair_color skin_color eye_color birth_year
1: Luke Skywalker 172 77 blond fair blue 19.0
2: C-3PO 167 75 <NA> gold yellow 112.0
3: R2-D2 96 32 <NA> white, blue red 33.0
4: Darth Vader 202 136 none white yellow 41.9
5: Leia Organa 150 49 brown light brown 19.0
6: Owen Lars 178 120 brown, grey light blue 52.0
sex gender homeworld species
1: male masculine Tatooine Human
2: none masculine Tatooine Droid
3: none masculine Naboo Droid
4: male masculine Tatooine Human
5: female feminine Alderaan Human
6: male masculine Tatooine Human
films
1: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
2: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith
3: A New Hope,The Empire Strikes Back,Return of the Jedi,The Phantom Menace,Attack of the Clones,Revenge of the Sith,...
4: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith
5: A New Hope,The Empire Strikes Back,Return of the Jedi,Revenge of the Sith,The Force Awakens
6: A New Hope,Attack of the Clones,Revenge of the Sith
vehicles starships H_W fakeVar
1: Snowspeeder,Imperial Speeder Bike X-wing,Imperial shuttle 2.233766 8.774964
2: 2.226667 8.660254
3: 3.000000 5.656854
4: TIE Advanced x1 1.485294 11.661904
5: Imperial Speeder Bike 3.061224 7.000000
6: 1.483333 10.954451
Y para realizar operaciones de agrupación en data table
starwars_dt[, .(altura_media =mean(height, na.rm =TRUE)), by = gender]
