Manipulación de datos con dplyr

Introducción

Un atributo notable del lenguaje de programación R, es poder disponer del gran volumen de bibliotecas especializadas en distintos aspectos del análisis de datos. En tal sentido, existe un conjunto de bibliotecas conocidas como el Tidyverse, sumamente útiles para la manipulación, visualización y modelado de datos. En esta publicación, veremos las principlaes funciones de importancia de una de las principales bibliotecas: dplyr.

Debemos primero instalar la biblioteca y luego llamarla, escribiendo el siguiente código en la consola de R:

install.packages(“dplyr”)
library(dplyr)

Y ahora sí, estamos listos para explorar las principales funciones de esta biblioteca.

Principales funciones de dplyr

A fin de trabajar con las principales funciones de la biblioteca, utilizaremos una biblioteca de datos sobre vuelos aéreos de la ciudad de Nueva York -entre muchas-, que viene incluida con la instalación de R. Para llamar la base de datos antes mencionada, escribimos:

library(nycflights13)

En caso de no venir instalada por defecto, la debemos instalar al igual que se hizo con dplyr.

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

La biblioteca nycflights13 está conformada por cinco tablas de datos: airlines, airports, flights, planes y weather. Observemos los primeros datos de la tabla planes con la función head.

head(planes)

## # A tibble: 6 × 9
##   tailnum  year type               manufacturer model engines seats speed engine
##   <chr>   <int> <chr>              <chr>        <chr>   <int> <int> <int> <chr> 
## 1 N10156   2004 Fixed wing multi … EMBRAER      EMB-…       2    55    NA Turbo…
## 2 N102UW   1998 Fixed wing multi … AIRBUS INDU… A320…       2   182    NA Turbo…
## 3 N103US   1999 Fixed wing multi … AIRBUS INDU… A320…       2   182    NA Turbo…
## 4 N104UW   1999 Fixed wing multi … AIRBUS INDU… A320…       2   182    NA Turbo…
## 5 N10575   2002 Fixed wing multi … EMBRAER      EMB-…       2    55    NA Turbo…
## 6 N105UW   1999 Fixed wing multi … AIRBUS INDU… A320…       2   182    NA Turbo…

Esta función nos permite visualizar los primeros 6 datos de un total de 9 columnas que componen la tabla. Si se quiere obtener una información más detallada de las variables y número de observaciones que componen la tabla, podemos utilizar la función str:

str(planes)

## tibble [3,322 × 9] (S3: tbl_df/tbl/data.frame)
##  $ tailnum     : chr [1:3322] "N10156" "N102UW" "N103US" "N104UW" ...
##  $ year        : int [1:3322] 2004 1998 1999 1999 2002 1999 1999 1999 1999 1999 ...
##  $ type        : chr [1:3322] "Fixed wing multi engine" "Fixed wing multi engine" "Fixed wing multi engine" "Fixed wing multi engine" ...
##  $ manufacturer: chr [1:3322] "EMBRAER" "AIRBUS INDUSTRIE" "AIRBUS INDUSTRIE" "AIRBUS INDUSTRIE" ...
##  $ model       : chr [1:3322] "EMB-145XR" "A320-214" "A320-214" "A320-214" ...
##  $ engines     : int [1:3322] 2 2 2 2 2 2 2 2 2 2 ...
##  $ seats       : int [1:3322] 55 182 182 182 55 182 182 182 182 182 ...
##  $ speed       : int [1:3322] NA NA NA NA NA NA NA NA NA NA ...
##  $ engine      : chr [1:3322] "Turbo-fan" "Turbo-fan" "Turbo-fan" "Turbo-fan" ...

Vemos al inicio que la tabla planes está conformada por 3322 observaciones (filas), en relación a 9 variables (columnas), entre las que tenemos: ID del ala trasera (tailnum), año, tipo de motor, fabricante, modelo, motores, asientos y velocidad. Esta primera visualización también nos aporta información sobre el tipo de variables. Por ejemplo, el ID del ala trasera es una variable caracter, en tanto que el numero de asientos es una variable numérica.

Select

Esta función permite seleccionar variables específicas de una tabla de datos. Supongamos que a partir de la tabla original, queremos formar una nueva tabla con las variables: tailnum, manufacturer y seats

select(planes, tailnum, manufacturer, seats)

## # A tibble: 3,322 × 3
##    tailnum manufacturer     seats
##    <chr>   <chr>            <int>
##  1 N10156  EMBRAER             55
##  2 N102UW  AIRBUS INDUSTRIE   182
##  3 N103US  AIRBUS INDUSTRIE   182
##  4 N104UW  AIRBUS INDUSTRIE   182
##  5 N10575  EMBRAER             55
##  6 N105UW  AIRBUS INDUSTRIE   182
##  7 N107US  AIRBUS INDUSTRIE   182
##  8 N108UW  AIRBUS INDUSTRIE   182
##  9 N109UW  AIRBUS INDUSTRIE   182
## 10 N110UW  AIRBUS INDUSTRIE   182
## # ℹ 3,312 more rows

El código anterior, aunque logró el objetivo, no se corresponde con la gramática utilizada en dplyr; para ello, se utiliza el operador %>%, que se lee entonces y que constituye una especie de tubería (pipe) que garantiza el flujo de código en la gramática de la biblioteca. Reescribiendo el código anterior tenemos:

aviones <- planes %>%
  select(tailnum, manufacturer, seats)
head(aviones)

## # A tibble: 6 × 3
##   tailnum manufacturer     seats
##   <chr>   <chr>            <int>
## 1 N10156  EMBRAER             55
## 2 N102UW  AIRBUS INDUSTRIE   182
## 3 N103US  AIRBUS INDUSTRIE   182
## 4 N104UW  AIRBUS INDUSTRIE   182
## 5 N10575  EMBRAER             55
## 6 N105UW  AIRBUS INDUSTRIE   182

Filter

La función filter, permite filtrar las filas de la tabla en base a algún criterio específico. Supongamos que estamos interesados en los datos del fabricante AIRBUS INDUSTRIE:

manufacturer <- aviones %>%
  filter(manufacturer == "AIRBUS INDUSTRIE")
head(manufacturer)

## # A tibble: 6 × 3
##   tailnum manufacturer     seats
##   <chr>   <chr>            <int>
## 1 N102UW  AIRBUS INDUSTRIE   182
## 2 N103US  AIRBUS INDUSTRIE   182
## 3 N104UW  AIRBUS INDUSTRIE   182
## 4 N105UW  AIRBUS INDUSTRIE   182
## 5 N107US  AIRBUS INDUSTRIE   182
## 6 N108UW  AIRBUS INDUSTRIE   182

Si deseamos filtrar los datos de manera de seleccionar de la tabla original, el número de cola, fabricante y asientos; y específicamente aquellos aviones con más de 200 asientos del fabricante AIRBUS INDUSTRIE tenemos:

aviones <- planes %>%
  select(tailnum, manufacturer, seats) %>%
  filter(manufacturer == "AIRBUS INDUSTRIE" & seats > 200)
head(aviones)

## # A tibble: 4 × 3
##   tailnum manufacturer     seats
##   <chr>   <chr>            <int>
## 1 N281AT  AIRBUS INDUSTRIE   375
## 2 N572UW  AIRBUS INDUSTRIE   379
## 3 N851NW  AIRBUS INDUSTRIE   379
## 4 N907JB  AIRBUS INDUSTRIE   379

Noten el uso del caracter & para establecer la condición AND. De igual forma, el caracter | se utiliza para la condición OR. Por ejemplo:

aviones <- planes %>%
  select(tailnum, manufacturer, seats) %>%
  filter(manufacturer == "AIRBUS INDUSTRIE" | seats <= 200 )
head(aviones)

## # A tibble: 6 × 3
##   tailnum manufacturer     seats
##   <chr>   <chr>            <int>
## 1 N10156  EMBRAER             55
## 2 N102UW  AIRBUS INDUSTRIE   182
## 3 N103US  AIRBUS INDUSTRIE   182
## 4 N104UW  AIRBUS INDUSTRIE   182
## 5 N10575  EMBRAER             55
## 6 N105UW  AIRBUS INDUSTRIE   182

Observen que al establecer la condición OR, el código ha incluido al fabricante EMBRAER porque produce aviones con menos de 200 asientos.

Between

Esta función se utiliza en combinación con filter para seleccionar las filas que se encuentren entre dos condiciones límite. Por ejemplo, si queremos seleccionar los aviones que tengan entre 50 y 100 asientos:

aviones <- planes %>%
  select(tailnum, manufacturer, seats) %>%
  filter(between(seats,50,100))
str(aviones)

## tibble [698 × 3] (S3: tbl_df/tbl/data.frame)
##  $ tailnum     : chr [1:698] "N10156" "N10575" "N11106" "N11107" ...
##  $ manufacturer: chr [1:698] "EMBRAER" "EMBRAER" "EMBRAER" "EMBRAER" ...
##  $ seats       : int [1:698] 55 55 55 55 55 55 55 55 55 55 ...

Observen que hay 698 aviones que cumplen con la condición establecida.

Slice

Esta función devuelve filas específicas de la tabla de datos. Por ejemplo, supongamos que estamos interesados en las dos primeras filas de la tabla original de datos

aviones <- planes %>%
  select(tailnum, manufacturer, seats) %>%
  slice(1,2)
aviones

## # A tibble: 2 × 3
##   tailnum manufacturer     seats
##   <chr>   <chr>            <int>
## 1 N10156  EMBRAER             55
## 2 N102UW  AIRBUS INDUSTRIE   182

Mutate

Esta es una función de gran utilidad, ya que nos permite incorporar nuevas variables o modificar variables existentes en una tabla de datos. Consideremos una tabla con el peso (kg) y talla (m) de cinco personas:

peso <- c(65,78,86,75,81)
talla <- c(1.70,1.72,1.67,1.80,1.78)
datos <- data.frame(peso,talla)
datos

##   peso talla
## 1   65  1.70
## 2   78  1.72
## 3   86  1.67
## 4   75  1.80
## 5   81  1.78

Supongamos que queremos incorporar una tercera variable, el índice de masa corporal (IMC):

datos <- datos %>%
  mutate(IMC = peso/(talla)^2)
datos

##   peso talla      IMC
## 1   65  1.70 22.49135
## 2   78  1.72 26.36560
## 3   86  1.67 30.83653
## 4   75  1.80 23.14815
## 5   81  1.78 25.56495

Aprovechando la nueva tabla que se ha generado, utilizaremos la función mutate en conjunto con la función if_else de dplyr:

resultado <- datos %>%
  mutate(DX = if_else(IMC > 25,"sobrepeso","normopeso"))
resultado

##   peso talla      IMC        DX
## 1   65  1.70 22.49135 normopeso
## 2   78  1.72 26.36560 sobrepeso
## 3   86  1.67 30.83653 sobrepeso
## 4   75  1.80 23.14815 normopeso
## 5   81  1.78 25.56495 sobrepeso

Arrange

Esta función permite ordenar la tabla de datos en función de una variable. Por ejemplo, apartir de la tabla original, construyamos una tabla con las variables: tailnum, year y model y oredenemos la nueva tabla en función del año

aviones <- planes %>%
  select(year, tailnum, model) %>%
  arrange(year)
head(aviones)

## # A tibble: 6 × 3
##    year tailnum model      
##   <int> <chr>   <chr>      
## 1  1956 N381AA  DC-7BF     
## 2  1959 N201AA  150        
## 3  1959 N567AA  OTTER DHC-3
## 4  1963 N378AA  172E       
## 5  1963 N575AA  210-5(205) 
## 6  1965 N14629  737-524

Y si lo requerimos en orden descendente:

aviones <- planes %>%
  select(year, tailnum, model) %>%
  arrange(desc(year))
head(aviones)

## # A tibble: 6 × 3
##    year tailnum model   
##   <int> <chr>   <chr>   
## 1  2013 N150UW  A321-211
## 2  2013 N151UW  A321-211
## 3  2013 N152UW  A321-211
## 4  2013 N153UW  A321-211
## 5  2013 N154UW  A321-211
## 6  2013 N155UW  A321-211

Group_by y summarise

Estas son, quizá, las funciones más importantes de la biblioteca dplyr, ya que nos permiten ejecutar operaciones en un sub-grupo del data frame sin necesidad de extraer el sub-grupo. A partir de planes, agruparemos los datos por fabricante y calcularemos el promedio de asientos en los aviones de cada uno:

df <- planes %>%
  group_by(manufacturer) %>%
  summarise(Media = mean(seats))
head(df)

## # A tibble: 6 × 2
##   manufacturer           Media
##   <chr>                  <dbl>
## 1 AGUSTA SPA                8 
## 2 AIRBUS                  221.
## 3 AIRBUS INDUSTRIE        187.
## 4 AMERICAN AIRCRAFT INC     2 
## 5 AVIAT AIRCRAFT INC        2 
## 6 AVIONS MARCEL DASSAULT   12

Si retomamos el dataframe de peso y talla que elaboramos más arriba, añadimos otros datos e incorporamos la variable sexo:

sexo <- c("Mujer","Hombre","Hombre","Mujer", "Mujer","Hombre","Mujer")
peso <- c(65,78,86,71,81,90,63.2)
talla <- c(1.70,1.72,1.67,1.80,1.78,1.75,1.70)
datos <- data.frame(sexo, talla, peso)
datos

##     sexo talla peso
## 1  Mujer  1.70 65.0
## 2 Hombre  1.72 78.0
## 3 Hombre  1.67 86.0
## 4  Mujer  1.80 71.0
## 5  Mujer  1.78 81.0
## 6 Hombre  1.75 90.0
## 7  Mujer  1.70 63.2

Podríamos agrupar los datos por sexo y calcular la media y la mediana en cada grupo:

datos %>%
  group_by(sexo)%>%
  summarise(Media = mean(peso), Mediana = median(peso))

## # A tibble: 2 × 3
##   sexo   Media Mediana
##   <chr>  <dbl>   <dbl>
## 1 Hombre  84.7      86
## 2 Mujer   70.0      68

No son todas, pero sí las funciones de más amplio uso de dplyr.

Volver al principio