ESTRUCTURAS DE DATOS
Vector
## Crea el vector nombres
nombres <- c("Nazly","Astrid","Rodolfo","Nataly")
## Crea una tabla a partir del vector nombres
table(nombres)
## nombres
## Astrid Nataly Nazly Rodolfo
## 1 1 1 1
## Crea el vector codes
codes <- c(Italy=380,Canada=124, Egypt=818)
codes
## Italy Canada Egypt
## 380 124 818
## Obtiene los nombres del elemento codes
names(codes)
## [1] "Italy" "Canada" "Egypt"
table(codes)
## codes
## 124 380 818
## 1 1 1
## Accede a la posición 2 del objeto codes
codes[2]
## Canada
## 124
## Extrae la posición 1 y 2 del objeto codes
codes[1:2]
## Italy Canada
## 380 124
## Se extraen el primer y el tercer elemento del objeto codes.
codes[c(1,3)]
## Italy Egypt
## 380 818
## Extrae el valor del vector asociado con 'Canada', en este caso 124
codes["Canada"]
## Canada
## 124
class(codes)
## [1] "numeric"
# Funciones para generar vectores
seq(1:10)
## [1] 1 2 3 4 5 6 7 8 9 10
## Consulta de ayuda sobre el comando 'seq'
help("seq")
## starting httpd help server ... done
## Genera un vector de longitud=5 con elementos de 0 a 100
seq(0,100,length.out=5)
## [1] 0 25 50 75 100
## Crea el vector 'a' de tipo 'character'
a<- c(1,"a",3.14)
## Consulto el tipo del elemento 'a'
class(a)
## [1] "character"
Matrices
## Crea una matriz de nombre 'mat'
mat<- matrix(1:12,nrow = 3,ncol = 4,byrow = TRUE)
## Se visualiza la matriz 'mat'
mat
## [,1] [,2] [,3] [,4]
## [1,] 1 2 3 4
## [2,] 5 6 7 8
## [3,] 9 10 11 12
## Asignar nombres a las filas de la matriz 'mat'
rownames(mat)<-c("F1","F2","F3")
## Asignar nombres a las columnas de la matriz 'mat'
colnames(mat)<-c("C1","C2","C3","C4")
## Acceder a posiciones de las filas 1 y 2 de la matriz 'mat'
## La estructura se muestra como [fila,columna]
## La ',' es el argumento separador entre filas y columnas
## Antes de la coma corresponde a las filas
## Después de la coma corresponde a las columnas
mat[1:3,4] ## Muestra las filas 1 a 3 y la columna 4
## F1 F2 F3
## 4 8 12
mat[1:3,] ## Muestra las filas 1 a 3 y todas las columnas
## C1 C2 C3 C4
## F1 1 2 3 4
## F2 5 6 7 8
## F3 9 10 11 12
mat[,1:3] ## Muestra todas las filas y las columnas de 1 a 3
## C1 C2 C3
## F1 1 2 3
## F2 5 6 7
## F3 9 10 11
mat[1,1:4] ## Muestra la fila 1 y las columnas de 1 a 4
## C1 C2 C3 C4
## 1 2 3 4
mat[1,1] ## Muestra el elemento localizado en la fila 1 columna 1
## [1] 1
Listas
## Crea la lista 'b'
b<-list(numero=1,texto="hola",logico=TRUE,decimal=pi)
## Imprime la lista 'b'
print(b)
## $numero
## [1] 1
##
## $texto
## [1] "hola"
##
## $logico
## [1] TRUE
##
## $decimal
## [1] 3.141593
## Crea la lista 'CalificacionesDip'
calificacionesDip<-list(name="Astrid",student_id="1234",grades=c(5,4.8),final="A")
calificacionesDip
## $name
## [1] "Astrid"
##
## $student_id
## [1] "1234"
##
## $grades
## [1] 5.0 4.8
##
## $final
## [1] "A"
## Diferentes formas para acceder a los elementos de la lista
calificacionesDip$student_id
## [1] "1234"
calificacionesDip[["student_id"]]
## [1] "1234"
calificacionesDip[[2]]
## [1] "1234"
Dataframe
## Crea un dataframe a partir del vector 'mat'
df_mat<-as.data.frame(mat)
df_mat
## C1 C2 C3 C4
## F1 1 2 3 4
## F2 5 6 7 8
## F3 9 10 11 12
## Crea un data frame de nombres
df_nombres<-data.frame(nombres=c("Rodolfo","Andres","Maria Daniela"),edades=c(23,24,25))
df_nombres
## nombres edades
## 1 Rodolfo 23
## 2 Andres 24
## 3 Maria Daniela 25
## Crea vectores city y temp_c
city<-c("Bogota","Cali","Medellin")
temp_C <- c(14,34,28)
## Crea un data frame a partir de los objetos 'city' y 'temp_C'
df_city_temp <- data.frame(city,temp_C)
df_city_temp
## city temp_C
## 1 Bogota 14
## 2 Cali 34
## 3 Medellin 28
Ejercicio
Agregar una columna al data frame con la temp en F usando una
función
## Se crea la Función 'CaF' para convertir la temp de C a F
CaF<-function(x){
return (9*x/5+32)
}
## Corro la función para el x=14
CaF(14)
## [1] 57.2
## Creo la columna F
## A partir del valor de la columna temp_C corro el calculo necesario
df_city_temp$F <- (((df_city_temp$temp_C *9)/5)+32)
## Corro la función CaF a partir de los valores de la columna temp_C
## Esto se incluye en el objeto temp_F
## temp_F se crea como nueva columna en el data frame df_city_temp
temp_F<-CaF(temp_C)
df_city_temp$temp_F <- temp_F
## Almaceno en t30 las temp menores a 30
t30 <- df_city_temp[temp_C<30,]
Datasets en R
## Para cargar datasets ya incluidos en R
data()
data("BJsales")
BJsales
## Time Series:
## Start = 1
## End = 150
## Frequency = 1
## [1] 200.1 199.5 199.4 198.9 199.0 200.2 198.6 200.0 200.3 201.2 201.6 201.5
## [13] 201.5 203.5 204.9 207.1 210.5 210.5 209.8 208.8 209.5 213.2 213.7 215.1
## [25] 218.7 219.8 220.5 223.8 222.8 223.8 221.7 222.3 220.8 219.4 220.1 220.6
## [37] 218.9 217.8 217.7 215.0 215.3 215.9 216.7 216.7 217.7 218.7 222.9 224.9
## [49] 222.2 220.7 220.0 218.7 217.0 215.9 215.8 214.1 212.3 213.9 214.6 213.6
## [61] 212.1 211.4 213.1 212.9 213.3 211.5 212.3 213.0 211.0 210.7 210.1 211.4
## [73] 210.0 209.7 208.8 208.8 208.8 210.6 211.9 212.8 212.5 214.8 215.3 217.5
## [85] 218.8 220.7 222.2 226.7 228.4 233.2 235.7 237.1 240.6 243.8 245.3 246.0
## [97] 246.3 247.7 247.6 247.8 249.4 249.0 249.9 250.5 251.5 249.0 247.6 248.8
## [109] 250.4 250.7 253.0 253.7 255.0 256.2 256.0 257.4 260.4 260.0 261.3 260.4
## [121] 261.6 260.8 259.8 259.0 258.9 257.4 257.7 257.9 257.4 257.3 257.6 258.9
## [133] 257.8 257.7 257.2 257.5 256.8 257.5 257.0 257.6 257.3 257.5 259.6 261.1
## [145] 262.9 263.3 262.8 261.8 262.2 262.7
data("HairEyeColor")
HairEyeColor["Blond","Blue","Female"]
## [1] 64
# Fijar una semilla para reproducibilidad
set.seed(123)
# Crear un vector de 1000 números enteros
vector <- sample(1:1000, 1000, replace = TRUE)
vector
## [1] 415 463 179 526 195 938 818 118 299 229 244 14 374 665
## [15] 602 603 768 709 91 953 348 649 989 355 840 26 519 426
## [29] 649 766 211 932 590 593 555 871 373 844 143 544 490 621
## [43] 775 905 937 842 23 923 956 309 135 821 923 224 166 217
## [57] 290 989 581 72 588 575 141 722 865 859 153 294 277 463
## [71] 41 431 90 316 223 528 116 606 774 747 456 598 854 39
## [85] 159 752 209 374 818 34 516 13 69 895 755 409 308 278
## [99] 89 928 537 983 291 424 880 286 908 671 121 110 158 64
## [113] 483 910 477 480 711 67 663 890 847 85 165 648 51 74
## [127] 178 362 236 610 330 726 127 972 212 686 785 958 814 310
## [141] 931 744 878 243 862 847 792 113 983 619 903 477 975 151
## [155] 666 614 767 160 391 155 426 5 326 784 280 800 789 567
## [169] 843 932 238 764 339 985 39 822 986 137 455 738 560 589
## [183] 83 696 879 39 196 769 680 286 606 500 985 784 344 310
## [197] 459 944 20 872 195 861 164 52 876 534 177 554 827 84
## [211] 523 633 951 392 302 597 877 706 619 589 430 710 761 712
## [225] 428 672 250 804 429 398 528 983 381 545 40 936 522 473
## [239] 200 978 125 265 775 903 186 573 252 458 152 831 54 919
## [253] 538 235 289 185 765 413 627 522 309 54 205 875 779 537
## [267] 564 794 391 409 727 346 160 468 509 920 57 457 617 357
## [281] 279 270 878 646 347 129 218 618 881 698 337 797 26 539
## [295] 981 519 956 757 666 553 724 390 498 222 671 861 657 960
## [309] 421 57 660 163 985 238 673 578 516 330 225 389 117 537
## [323] 648 55 217 597 557 658 682 415 134 711 957 873 688 913
## [337] 757 941 988 447 821 104 821 831 711 468 210 349 401 737
## [351] 258 177 386 141 24 945 963 466 130 165 703 588 377 781
## [365] 170 445 710 874 234 422 508 880 64 80 483 548 987 475
## [379] 291 765 343 323 479 560 450 111 791 963 905 317 807 222
## [393] 287 734 585 292 226 790 890 684 297 860 605 637 811 39
## [407] 237 165 619 33 83 396 866 277 209 76 94 803 30 217
## [421] 946 175 374 323 115 377 850 608 465 358 682 424 938 96
## [435] 538 397 404 742 148 989 980 862 937 392 935 714 593 447
## [449] 338 744 243 106 887 11 625 364 386 403 461 141 31 926
## [463] 115 790 94 714 16 709 420 178 417 464 412 177 524 437
## [477] 924 578 562 204 175 947 373 646 464 384 122 399 403 315
## [491] 259 494 865 760 289 48 331 100 108 301 10 170 280 348
## [505] 999 402 209 468 827 649 309 395 108 8 626 261 541 306
## [519] 326 74 282 585 267 887 262 736 204 723 219 696 352 667
## [533] 990 119 452 856 924 579 622 936 646 36 55 490 240 891
## [547] 632 862 304 10 665 422 612 105 793 388 463 180 278 373
## [561] 241 24 679 559 956 703 37 686 566 303 719 912 19 712
## [575] 671 378 549 615 244 48 188 958 464 393 139 299 371 670
## [589] 189 970 311 189 418 569 382 38 84 319 686 846 838 402
## [603] 642 120 712 331 533 441 199 499 599 72 315 714 677 81
## [617] 55 134 424 756 6 128 879 668 800 49 739 476 239 340
## [631] 193 709 459 303 148 898 190 624 191 446 119 627 522 627
## [645] 59 817 903 61 422 108 292 373 535 115 930 600 644 950
## [659] 413 698 983 763 203 758 993 246 440 947 690 251 560 643
## [673] 545 990 162 322 576 168 442 788 78 665 493 199 424 445
## [687] 995 95 918 464 379 342 221 696 161 620 448 242 693 927
## [701] 814 968 536 828 926 407 229 224 785 474 699 441 171 23
## [715] 218 484 301 648 79 511 507 164 237 579 807 929 422 493
## [729] 730 796 986 209 599 693 358 650 877 358 41 904 129 848
## [743] 886 450 232 334 396 730 840 639 41 264 697 201 52 225
## [757] 67 680 770 577 457 903 973 541 20 206 124 592 775 740
## [771] 45 332 281 91 653 980 138 606 127 425 780 8 839 271
## [785] 595 945 747 167 499 255 599 634 931 902 71 772 970 81
## [799] 944 776 437 579 876 896 437 750 997 270 412 646 137 673
## [813] 628 46 64 531 229 610 129 220 692 222 836 507 602 122
## [827] 331 901 502 484 787 291 929 743 709 829 919 169 729 447
## [841] 561 341 69 320 504 76 2 886 786 772 106 111 855 374
## [855] 72 449 888 971 229 523 719 335 953 56 618 271 207 436
## [869] 876 957 601 292 387 263 68 120 744 565 357 792 742 836
## [883] 835 523 586 256 349 471 901 88 416 857 11 586 463 755
## [897] 700 287 842 685 827 280 512 803 242 778 64 328 172 298
## [911] 160 679 903 678 529 468 384 929 741 970 365 970 898 591
## [925] 471 879 1000 227 834 838 622 315 943 243 265 535 793 911
## [939] 982 112 456 93 489 789 631 48 969 482 248 105 171 696
## [953] 459 516 839 312 562 892 139 758 481 843 828 250 742 597
## [967] 330 633 626 195 99 98 58 424 988 525 8 258 635 262
## [981] 599 529 928 206 199 589 840 870 459 234 529 839 55 892
## [995] 531 753 488 271 942 398
# Reemplazar aleatoriamente algunos valores por NA
num_na <- 100 # Número de valores NA deseados
na_indices <- sample(1:1000, num_na)
vector[na_indices] <- NA
print(vector)
## [1] 415 463 179 526 NA 938 818 118 NA 229 244 14 374 665
## [15] 602 603 768 NA 91 953 348 649 989 355 840 26 519 426
## [29] 649 766 211 932 590 593 555 871 373 844 143 NA 490 621
## [43] 775 NA 937 842 23 923 956 309 135 821 923 224 NA 217
## [57] 290 NA 581 72 588 575 141 722 865 859 NA 294 277 463
## [71] 41 431 90 NA 223 528 NA 606 774 747 456 598 854 NA
## [85] 159 752 209 374 818 34 516 13 69 895 755 409 308 278
## [99] 89 928 537 983 291 424 880 286 908 671 121 110 158 NA
## [113] 483 910 477 480 711 67 663 890 847 85 165 648 51 74
## [127] 178 362 236 610 330 726 127 972 212 686 785 958 814 310
## [141] 931 744 878 243 862 847 792 NA 983 619 NA 477 975 151
## [155] NA 614 767 160 391 155 426 5 326 784 280 800 789 NA
## [169] 843 932 238 764 339 985 39 822 986 137 455 738 560 589
## [183] 83 696 879 39 196 769 680 286 606 500 985 NA 344 310
## [197] 459 944 20 NA 195 861 164 52 876 534 177 554 NA 84
## [211] 523 633 951 392 302 597 877 NA 619 589 430 710 761 712
## [225] 428 672 250 804 429 398 528 983 381 545 40 936 NA 473
## [239] 200 978 125 265 775 903 186 573 NA 458 152 831 54 919
## [253] 538 235 289 185 765 NA 627 522 309 54 205 875 NA NA
## [267] 564 794 391 409 727 346 160 468 509 920 57 457 617 357
## [281] NA 270 878 646 347 129 NA 618 881 NA 337 797 26 539
## [295] 981 519 956 757 666 553 724 390 498 222 671 861 657 960
## [309] 421 57 660 163 985 238 673 578 516 330 225 389 NA 537
## [323] 648 55 217 597 557 658 NA 415 134 711 957 873 688 913
## [337] 757 941 NA 447 821 104 821 NA 711 468 NA NA 401 737
## [351] 258 177 386 141 NA 945 963 466 130 165 703 588 377 781
## [365] 170 445 710 874 234 NA 508 880 64 80 483 NA 987 475
## [379] 291 NA 343 323 NA 560 450 111 791 963 905 317 NA 222
## [393] 287 734 585 292 226 NA 890 684 297 860 605 637 811 39
## [407] NA 165 619 33 NA 396 866 277 209 76 94 803 30 217
## [421] 946 175 374 323 115 377 850 608 465 358 682 424 938 96
## [435] 538 397 404 742 148 989 980 862 937 392 935 714 593 447
## [449] 338 744 243 106 887 11 625 364 386 403 461 NA 31 926
## [463] 115 790 94 NA 16 709 NA NA NA 464 412 177 524 437
## [477] 924 NA NA 204 175 947 373 646 464 384 122 NA 403 315
## [491] 259 494 865 760 289 48 331 100 108 301 10 170 280 348
## [505] 999 402 209 468 827 649 309 395 108 8 626 261 541 306
## [519] 326 74 282 585 267 887 262 736 204 723 219 NA 352 667
## [533] NA 119 NA 856 924 579 622 936 NA 36 55 490 NA 891
## [547] 632 862 304 10 NA 422 612 NA 793 388 463 180 278 373
## [561] 241 24 679 559 NA 703 37 686 566 303 719 912 19 712
## [575] 671 NA 549 615 244 48 188 958 464 393 139 299 371 670
## [589] 189 970 NA 189 418 NA 382 38 84 319 686 846 838 402
## [603] 642 120 NA 331 533 441 199 499 599 NA 315 714 NA 81
## [617] 55 134 NA 756 6 128 879 668 800 49 739 476 239 340
## [631] 193 709 459 303 148 898 190 624 191 446 119 NA 522 627
## [645] 59 817 NA 61 422 108 NA 373 535 115 NA 600 644 NA
## [659] 413 NA 983 763 203 758 993 246 440 947 690 251 NA 643
## [673] 545 990 162 322 576 168 442 788 78 665 493 199 424 445
## [687] 995 95 918 464 NA 342 221 696 161 620 448 242 693 927
## [701] 814 968 536 828 926 407 229 NA NA 474 699 441 NA 23
## [715] 218 484 301 648 79 511 507 164 237 579 807 929 422 493
## [729] 730 796 986 NA 599 693 358 650 877 358 41 904 129 848
## [743] 886 450 232 NA 396 730 840 639 41 264 697 201 52 225
## [757] 67 680 770 577 457 903 973 541 20 NA 124 592 775 740
## [771] 45 332 281 91 653 980 138 606 127 425 780 8 839 271
## [785] 595 NA 747 167 499 255 599 634 931 902 71 772 970 81
## [799] 944 776 437 579 876 896 437 750 997 270 412 NA 137 673
## [813] 628 NA 64 531 229 NA 129 220 692 222 836 507 602 122
## [827] 331 901 502 NA NA 291 929 743 709 829 919 169 729 447
## [841] 561 341 69 320 504 76 2 886 786 772 106 111 855 374
## [855] 72 449 888 971 229 NA 719 335 953 56 618 271 NA 436
## [869] 876 957 601 292 387 263 68 NA 744 NA 357 792 742 836
## [883] 835 523 586 256 349 471 901 88 416 857 NA 586 463 755
## [897] 700 287 NA 685 827 280 512 NA 242 778 NA 328 172 298
## [911] 160 679 NA 678 529 468 384 929 741 970 365 970 898 591
## [925] 471 879 1000 227 NA 838 622 NA 943 243 265 535 793 911
## [939] NA 112 456 93 489 789 631 48 969 482 248 105 171 696
## [953] 459 516 839 312 562 892 139 758 481 843 828 250 742 597
## [967] 330 633 626 195 99 98 58 424 988 525 8 258 635 262
## [981] 599 NA 928 206 199 NA 840 870 459 234 529 839 55 892
## [995] 531 753 488 271 942 398
mean(vector)
## [1] NA
## Identificar las posiciones de los elementos NA en el objeto vector
ind<-is.na(vector)
ind
## [1] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [13] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## [25] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [37] FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [49] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE FALSE
## [61] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
## [73] FALSE TRUE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [85] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [97] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [109] FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [121] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [133] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [145] FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE
## [157] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [169] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [181] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [193] FALSE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [205] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [217] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [229] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [241] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
## [253] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## [265] TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [277] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
## [289] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [301] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [313] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
## [325] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [337] FALSE FALSE TRUE FALSE FALSE FALSE FALSE TRUE FALSE FALSE TRUE TRUE
## [349] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
## [361] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
## [373] FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE
## [385] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
## [397] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
## [409] FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [421] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [433] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [445] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [457] FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
## [469] TRUE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE TRUE TRUE FALSE
## [481] FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [493] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [505] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [517] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [529] FALSE TRUE FALSE FALSE TRUE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
## [541] TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
## [553] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [565] TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [577] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [589] FALSE FALSE TRUE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## [601] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [613] FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
## [625] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [637] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE TRUE FALSE
## [649] FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE TRUE
## [661] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
## [673] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [685] FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
## [697] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [709] TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [721] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [733] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [745] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [757] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
## [769] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [781] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE
## [793] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [805] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE
## [817] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [829] FALSE TRUE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [841] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [853] FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [865] FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE
## [877] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [889] FALSE FALSE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE TRUE FALSE
## [901] FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE
## [913] TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [925] FALSE FALSE FALSE FALSE TRUE FALSE FALSE TRUE FALSE FALSE FALSE FALSE
## [937] FALSE FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [949] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [961] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [973] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE
## [985] FALSE TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
## [997] FALSE FALSE FALSE FALSE
sum(ind) #Conteo de NA
## [1] 100
mean(vector)
## [1] NA
## Promedio o media de los elementos de vector que no son NA
mean(vector[!ind])
## [1] 498.2311
## Resumen estadístico del objeto vector y de los que no son NA
s1<-summary(vector)
s2<-summary(vector[!ind])
ls()
## [1] "a" "b" "BJsales"
## [4] "BJsales.lead" "CaF" "calificacionesDip"
## [7] "city" "codes" "df_city_temp"
## [10] "df_mat" "df_nombres" "HairEyeColor"
## [13] "ind" "mat" "na_indices"
## [16] "nombres" "num_na" "s1"
## [19] "s2" "t30" "temp_C"
## [22] "temp_F" "vector"
s1
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 2.0 243.8 483.5 498.2 747.8 1000.0 100
s2
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 2.0 243.8 483.5 498.2 747.8 1000.0
d <- c("a","b","c","d","e")
logi <- c(TRUE,FALSE,TRUE,FALSE,TRUE)
d[!logi]
## [1] "b" "d"
print(s1)
## Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
## 2.0 243.8 483.5 498.2 747.8 1000.0 100
Instalar paquetes
Título