Manejo y Exploración de los Datos

Introducción

En esta parte del taller estaremos revisando como deben estar estructurados los datos para que puedan ser utilizados en el análisis de datos. La estructura de los datos es importante para que las funciones de R puedan procesarlos correctamente.

La estructura básica de los datos es un data frame, que es una matriz donde cada columna representa una variable o atributo y cada fila representa una observación o caso. Las variables pueden ser de diferentes tipos, como numéricas, categóricas o lógicas.

También veremos como podemos explorar los datos con estadísticas descriptivas y gráficas para verificar su calidad y observar tendencias y propiedades que nos permitan realizar inferencias y pruebas de hipótesis adecuadas.

Utilizaremos de ejemplo tres bases de datos:

calcio-ratas.csv: Datos de un experimento con ratas para estudiar el efecto de estrógenos en la concentración de calcio plasmático.
diabetes.csv: Datos de variables asociadas a diabetes en mujeres de la etnia Pima.

Cargar los paquetes necesarios

Para realizar el manejo y exploración de los datos, vamos a utilizar el paquete tidyverse, que incluye herramientas para manipulación de datos (dplyr) y visualización (ggplot2). Asegúrate de tenerlos instalados en tu ambiente de R (revisar en Packages). Si no los tienes instalados, puedes usar Install para instalarlos.

Otros paquetes que se instalen deben ir en el siguiente chunk para ser activados utilizando library().

# Cargar el paquete tidyverse
library(tidyverse)
# Cargar el paquete para usar pipe %>%
library(magrittr)
# Cargar el paquete gt para crear tablas elegantes
library(gt)

Experimento en ratas

Experimento en el que suministró un estrógeno a ratas hembras y machos y se midieron los niveles de calcio plasmático (mg/dL).

Cargar los datos al ambiente de trabajo como un objeto y revisar su estructura

# Cargar datos desde archivo .csv
calcio_ratas <- read.csv("calcio-ratas.csv")

# Las primeras 6 filas del data frame
head(calcio_ratas)

##   caplasma hormona   sexo
## 1     16.3      no hembra
## 2     20.4      no hembra
## 3     12.4      no hembra
## 4     15.8      no hembra
## 5      9.5      no hembra
## 6     15.3      no  macho

# Estructura del data frame
str(calcio_ratas)

## 'data.frame':    20 obs. of  3 variables:
##  $ caplasma: num  16.3 20.4 12.4 15.8 9.5 15.3 17.4 10.9 10.3 6.7 ...
##  $ hormona : chr  "no" "no" "no" "no" ...
##  $ sexo    : chr  "hembra" "hembra" "hembra" "hembra" ...

EJERCICIOS:

Revisar el archivo calcio-ratas.csv usando View File y comparar con el objeto calcio_ratas que se creó (localizarlo en Environment).
¿Cuántos observaciones (casos o registros) y variables (columnas) tiene el objeto creado?
¿Que tipo de estructura de datos es el objeto creado?
¿Qué tipo de datos contiene la variable hormona?

Modificación del tipo de datos de una variable

La variable hormona es de tipo texto (carácter), pero queremos que sea un factor para poder realizar algunos análisis estadísticos que lo requieren así.

# Convertir la variable 'hormona' a factor en una nueva columna utilizando el comando mutate()
calcio_ratas <- calcio_ratas %>%     
  mutate(tratamiento = as.factor(hormona))
# Verificar la estructura del data frame después de la conversión
str(calcio_ratas)

## 'data.frame':    20 obs. of  4 variables:
##  $ caplasma   : num  16.3 20.4 12.4 15.8 9.5 15.3 17.4 10.9 10.3 6.7 ...
##  $ hormona    : chr  "no" "no" "no" "no" ...
##  $ sexo       : chr  "hembra" "hembra" "hembra" "hembra" ...
##  $ tratamiento: Factor w/ 2 levels "no","si": 1 1 1 1 1 1 1 1 1 1 ...

EJERCICIO:

¿Para qué se usa el operador %>% en el código anterior?
¿Qué cambio ocurrió en el data frame calcio_ratas después de la conversión de la variable hormona a factor?

Estadísticas descriptivas

Vamos a calcular la media y desviación estándar del calcio plasmático, agrupando las observaciones por tratamiento y sexo.

# Estadísticas descriptivas de calcio plasmático por tratamiento y sexo
estadisticas_calcio <- calcio_ratas %>%
  group_by(tratamiento, sexo) %>%
  summarise(
    media_calcio = mean(caplasma),
    desviacion_calcio = sd(caplasma)
) %>%
  ungroup()
estadisticas_calcio

## # A tibble: 4 × 4
##   tratamiento sexo   media_calcio desviacion_calcio
##   <fct>       <chr>         <dbl>             <dbl>
## 1 no          hembra         14.9              4.14
## 2 no          macho          12.1              4.25
## 3 si          hembra         32.5              4.67
## 4 si          macho          27.8              4.29

EJERCICIO:

¿Qué estructura posee el objeto estadisticas_calcio?

Creación de una tabla más elegante con `gt`

El paquete gt permite crear tablas más elegantes y personalizadas. Vamos a usarlo para mostrar las estadísticas descriptivas de una manera más visual, cambiando nombres y el formato de los resultados.

# tabla con gt cambiando los nombres y ajustando los decimales
estadisticas_calcio %>%
  gt() %>%
  tab_header(
    title = "Tabla 1.  Estadísticas de Calcio Plasmático (mg/dL) por Tratamiento con Estrógeno (si o no) y Sexo",
    subtitle = "Datos de un estudio sobre el efecto de estrógenos sobre el calcio plasmático en ratas"
  ) %>%
  cols_label(
    sexo = "Sexo",
    tratamiento = "Tratamiento",
    media_calcio = "Media",
    desviacion_calcio = "Desv. Est."
  ) %>%
  fmt_number(
    columns = vars(media_calcio, desviacion_calcio),
    decimals = 2
  )

Tratamiento	Sexo	Media	Desv. Est.
Tabla 1. Estadísticas de Calcio Plasmático (mg/dL) por Tratamiento con Estrógeno (si o no) y Sexo
Datos de un estudio sobre el efecto de estrógenos sobre el calcio plasmático en ratas
no	hembra	14.88	4.14
no	macho	12.12	4.25
si	hembra	32.52	4.67
si	macho	27.78	4.29

EJERCICIOS:

Calcula el error estándar de la media y vuelve a crear la tabla con gt. La fórmula para el error estándar de la media es: sd(caplasma) / sqrt(n()).

Gráfico de barras según tratamiento y sexo

Una de las formas de visualizar los datos de estadísticas descriptiva es mediante gráficos. Vamos a crear un gráfico de barras que muestre la media del calcio plasmático según el tratamiento y el sexo y la desviación estándar como líneas. Utilizaremos ggplot2 para crear el gráfico.

# Gráfica de barras separadas de calcio plasmático por tratamiento y sexo usando los datos de calcio-ratas.csv
bar_calcio <- ggplot(estadisticas_calcio, aes(x = tratamiento, y = media_calcio, fill = sexo)) +
  geom_bar(stat = "identity", position = "dodge") +
  geom_errorbar(aes(ymin = media_calcio - desviacion_calcio, ymax = media_calcio + desviacion_calcio), width = 0.2, position = position_dodge(0.9)) +
  labs(
    x = "Tratamiento con Estrógeno",
    y = "Calcio Plasmático, mg/dL"
  ) +
  scale_fill_manual(values = c("lightblue", "red"))
bar_calcio

Figura 1. Media del calcio plasmático (mg/dL) con su desviación estándar, según tratamiento y sexo de las ratas.

EJERCICIOS:

Rehacer la gráfica utilizando el error estándar de la media en lugar de la desviación estándar y cambiar los colores de las barras.

Diabetes en mujeres de la etnia Pima

En este caso, vamos a trabajar con un conjunto de datos que contiene información sobre mujeres de la etnia Pima y variables asociadas a la diabetes. Vamos a cargar los datos desde un archivo CSV y realizar algunas estadísticas descriptivas.

La metadata (descripción de las variables y sus unidades) de este conjunto de datos se puede encontrar en el siguiente enlace: Pima Indians Diabetes Database Metadata.

Cargar los datos al ambiente de trabajo como un objeto y revisar su estructura

# Cargar datos desde archivo .csv
diabetes <- read.csv("diabetes.csv")

# Las primeras 6 filas del data frame
head(diabetes)

##   Pregnancies Glucose BloodPressure SkinThickness Insulin  BMI
## 1           6     148            72            35       0 33.6
## 2           1      85            66            29       0 26.6
## 3           8     183            64             0       0 23.3
## 4           1      89            66            23      94 28.1
## 5           0     137            40            35     168 43.1
## 6           5     116            74             0       0 25.6
##   DiabetesPedigreeFunction Age Outcome
## 1                    0.627  50       1
## 2                    0.351  31       0
## 3                    0.672  32       1
## 4                    0.167  21       0
## 5                    2.288  33       1
## 6                    0.201  30       0

# Estructura del data frame
str(diabetes)

## 'data.frame':    768 obs. of  9 variables:
##  $ Pregnancies             : int  6 1 8 1 0 5 3 10 2 8 ...
##  $ Glucose                 : int  148 85 183 89 137 116 78 115 197 125 ...
##  $ BloodPressure           : int  72 66 64 66 40 74 50 0 70 96 ...
##  $ SkinThickness           : int  35 29 0 23 35 0 32 0 45 0 ...
##  $ Insulin                 : int  0 0 0 94 168 0 88 0 543 0 ...
##  $ BMI                     : num  33.6 26.6 23.3 28.1 43.1 25.6 31 35.3 30.5 0 ...
##  $ DiabetesPedigreeFunction: num  0.627 0.351 0.672 0.167 2.288 ...
##  $ Age                     : int  50 31 32 21 33 30 26 29 53 54 ...
##  $ Outcome                 : int  1 0 1 0 1 0 1 0 1 1 ...

EJERCICIOS:

¿Cuántos casos fueron registrados en el data frame?
¿Que tipo de datos contienen las variables?

Cambio de nombres de variables

Vamos a cambiar los nombres de las variables para que sean más cortos y sencillos de recordar. A veces esto es importante si los nombres de la columnas contienen espacios y caracteres especiales o si son muchos. Utilizaremos la función rename() del paquete dplyr.

Debemos utilizar otro nombre para el nuevo data frame, ya que si usamos el mismo nombre, se sobrescribirá el objeto original y perderemos la metadata original.

diabetes_n: cambio de nombres de variables.

# Cambiar nombres de columnas
diabetes_n <- diabetes %>%
  rename(
    edad = Age,
    embarazos = Pregnancies,
    glucosa = Glucose,
    presion = BloodPressure,
    pliegues = SkinThickness,
    insulina = Insulin,
    imc = BMI,
    gen_diabetes = DiabetesPedigreeFunction,
    edad_diagnostico = Age,
    diabetes = Outcome
  )
head(diabetes_n)

##   embarazos glucosa presion pliegues insulina  imc gen_diabetes
## 1         6     148      72       35        0 33.6        0.627
## 2         1      85      66       29        0 26.6        0.351
## 3         8     183      64        0        0 23.3        0.672
## 4         1      89      66       23       94 28.1        0.167
## 5         0     137      40       35      168 43.1        2.288
## 6         5     116      74        0        0 25.6        0.201
##   edad_diagnostico diabetes
## 1               50        1
## 2               31        0
## 3               32        1
## 4               21        0
## 5               33        1
## 6               30        0

EJERCICIOS:

Crear el data frame diabetes_n4 con los nombres de las variables con solo cuatro letras.

Filtrar datos y guardar los archivos en formato .csv

Vamos a crear dos nuevos conjuntos de datos: uno de las diagnosticadas con diabetes y otro de las que no tienen diabetes.

# Filtrar datos de acuerdo al diagnóstico de diabetes
diabetes_si <- diabetes_n %>%
  filter(diabetes == 1)

diabetes_no <- diabetes_n %>%
  filter(diabetes == 0)

# guardar en archivos .csv sin numero de fila
write.csv(diabetes_si, "diabetes_si.csv", row.names = FALSE)
write.csv(diabetes_no, "diabetes_no.csv", row.names = FALSE)

EJERCICIO:

Crea un archivo diabetes_30plus_si.csv que contenga las mujeres de 30 años o más diagnosticadas con diabetes.

Estadísticas descriptivas y control de valores no válidos

Vamos a calcular algunas estadísticas descriptivas de las variables numéricas del data frame diabetes_n y a identificar valores no válidos (como 0 en variables que no deberían tener ese valor, como glucosa, insulina e IMC).

Para esto vamos a utilizar un comando general de R (summary) para obtener estadísticas descriptivas de las variables numéricas de todo el data frame.

# Estadísticas descriptivas de las variables numéricas
summary(diabetes_n)

##    embarazos         glucosa         presion          pliegues    
##  Min.   : 0.000   Min.   :  0.0   Min.   :  0.00   Min.   : 0.00  
##  1st Qu.: 1.000   1st Qu.: 99.0   1st Qu.: 62.00   1st Qu.: 0.00  
##  Median : 3.000   Median :117.0   Median : 72.00   Median :23.00  
##  Mean   : 3.845   Mean   :120.9   Mean   : 69.11   Mean   :20.54  
##  3rd Qu.: 6.000   3rd Qu.:140.2   3rd Qu.: 80.00   3rd Qu.:32.00  
##  Max.   :17.000   Max.   :199.0   Max.   :122.00   Max.   :99.00  
##     insulina          imc         gen_diabetes    edad_diagnostico
##  Min.   :  0.0   Min.   : 0.00   Min.   :0.0780   Min.   :21.00   
##  1st Qu.:  0.0   1st Qu.:27.30   1st Qu.:0.2437   1st Qu.:24.00   
##  Median : 30.5   Median :32.00   Median :0.3725   Median :29.00   
##  Mean   : 79.8   Mean   :31.99   Mean   :0.4719   Mean   :33.24   
##  3rd Qu.:127.2   3rd Qu.:36.60   3rd Qu.:0.6262   3rd Qu.:41.00   
##  Max.   :846.0   Max.   :67.10   Max.   :2.4200   Max.   :81.00   
##     diabetes    
##  Min.   :0.000  
##  1st Qu.:0.000  
##  Median :0.000  
##  Mean   :0.349  
##  3rd Qu.:1.000  
##  Max.   :1.000

EJERCICIO:

Identificar los valores no válidos en las variables. ¿Qué valores no válidos se encuentran en estas variables?

Filtrar datos para eliminar valores no válidos y crear un nuevo data frame

Vamos a filtrar los datos para eliminar los valores no válidos de las variables: glucosa, presion, pliegues, insulina e imc y crear un nuevo data frame diabetes_nfilt.

# Filtrar datos para eliminar valores no válidos
diabetes_nfilt <- diabetes_n %>%
  filter(glucosa != 0 & presion != 0 & pliegues != 0 & insulina != 0 & imc != 0)

# Ver la estructura del nuevo data frame
str(diabetes_nfilt)

## 'data.frame':    392 obs. of  9 variables:
##  $ embarazos       : int  1 0 3 2 1 5 0 1 1 3 ...
##  $ glucosa         : int  89 137 78 197 189 166 118 103 115 126 ...
##  $ presion         : int  66 40 50 70 60 72 84 30 70 88 ...
##  $ pliegues        : int  23 35 32 45 23 19 47 38 30 41 ...
##  $ insulina        : int  94 168 88 543 846 175 230 83 96 235 ...
##  $ imc             : num  28.1 43.1 31 30.5 30.1 25.8 45.8 43.3 34.6 39.3 ...
##  $ gen_diabetes    : num  0.167 2.288 0.248 0.158 0.398 ...
##  $ edad_diagnostico: int  21 33 26 53 59 51 31 33 32 27 ...
##  $ diabetes        : int  0 1 1 1 1 1 1 0 1 0 ...

# usar summary para verificar que no hay valores no válidos
summary(diabetes_nfilt)

##    embarazos         glucosa         presion          pliegues    
##  Min.   : 0.000   Min.   : 56.0   Min.   : 24.00   Min.   : 7.00  
##  1st Qu.: 1.000   1st Qu.: 99.0   1st Qu.: 62.00   1st Qu.:21.00  
##  Median : 2.000   Median :119.0   Median : 70.00   Median :29.00  
##  Mean   : 3.301   Mean   :122.6   Mean   : 70.66   Mean   :29.15  
##  3rd Qu.: 5.000   3rd Qu.:143.0   3rd Qu.: 78.00   3rd Qu.:37.00  
##  Max.   :17.000   Max.   :198.0   Max.   :110.00   Max.   :63.00  
##     insulina           imc         gen_diabetes    edad_diagnostico
##  Min.   : 14.00   Min.   :18.20   Min.   :0.0850   Min.   :21.00   
##  1st Qu.: 76.75   1st Qu.:28.40   1st Qu.:0.2697   1st Qu.:23.00   
##  Median :125.50   Median :33.20   Median :0.4495   Median :27.00   
##  Mean   :156.06   Mean   :33.09   Mean   :0.5230   Mean   :30.86   
##  3rd Qu.:190.00   3rd Qu.:37.10   3rd Qu.:0.6870   3rd Qu.:36.00   
##  Max.   :846.00   Max.   :67.10   Max.   :2.4200   Max.   :81.00   
##     diabetes     
##  Min.   :0.0000  
##  1st Qu.:0.0000  
##  Median :0.0000  
##  Mean   :0.3316  
##  3rd Qu.:1.0000  
##  Max.   :1.0000

EJERCICIO:

¿Cuántos casos tiene el nuevo data frame diabetes_nfilt?
¿Es necesario filtrar todas las variables en conjunto o solo algunas? ¿Por qué?

Estadísticas descriptivas de insulina y glucosa por grupo de diagnóstico de diabetes

Vamos a calcular las estadísticas descriptivas media y desviación estándar de las variables glucosa e insulina agrupadas por el diagnóstico de diabetes. Pero antes debemos filtrar los datos para eliminar los valores no válidos de estas dos variables solamente.

# Estadísticas descriptivas de glucosa e insulina por diagnóstico de diabetes con filtrado !=0
estadisticas_diabetes <- diabetes_n %>%
  filter(glucosa != 0 & insulina != 0) %>%
  group_by(diabetes) %>%
  summarise(
    media_glucosa = round(mean(glucosa),1),
    desviacion_glucosa = round(sd(glucosa),1),
    media_insulina = round(mean(insulina),1),
    desviacion_insulina = round(sd(insulina),1)
  )
estadisticas_diabetes

## # A tibble: 2 × 5
##   diabetes media_glucosa desviacion_glucosa media_insulina desviacion_insulina
##      <int>         <dbl>              <dbl>          <dbl>               <dbl>
## 1        0          112.               24.6           131.                102.
## 2        1          145.               29.8           207.                133.

EJERCICIO:

¿Para qué se usa la función round() en el código anterior? ¿Qué hace exactamente?

Vamos a crear una tabla más elegante con gt para mostrar las estadísticas descriptivas de glucosa e insulina por diagnóstico de diabetes.

# tabla con gt cambiando los nombres
estadisticas_diabetes %>%
  gt() %>%
  tab_header(
    title = "Tabla 2.  Estadísticas de Glucosa e Insulina por Diagnóstico de Diabetes.",
    subtitle = "Datos de mujeres de la etnia Pima en Arizona"
  ) %>%
  cols_label(
    diabetes = "Diagnóstico",
    media_glucosa = "Media Glucosa",
    desviacion_glucosa = "D. E. Glucosa",
    media_insulina = "Media Insulina",
    desviacion_insulina = "D. E. Insulina"
  )

Diagnóstico	Media Glucosa	D. E. Glucosa	Media Insulina	D. E. Insulina
Tabla 2. Estadísticas de Glucosa e Insulina por Diagnóstico de Diabetes.
Datos de mujeres de la etnia Pima en Arizona
0	111.5	24.6	130.7	102.5
1	145.2	29.8	206.8	132.7

EJERCICIO:

Modificar la tabla anterior con los cálculos de error estándar (E. E.) de la media y cambiar los nombres de las columnas.

Histograma de glucosa

Vamos a crear un histograma de la variable glucosa para visualizar su distribución de valores. Utilizaremos ggplot2 para crear el gráfico.

# Filtrar datos para eliminar valores no válidos de glucosa
diabetes_glucosa <- diabetes_n %>%
  filter(glucosa != 0)

# Histograma de glucosa
histograma_glucosa <- ggplot(diabetes_glucosa, aes(x = glucosa)) +
  geom_histogram(binwidth = 5, fill = "lightblue", color = "black") +
  labs(
    x = "Glucosa (mg/dL)",
    y = "Frecuencia"
  ) +
  theme_minimal()
histograma_glucosa

Figura 2. Histograma de la variable glucosa (mg/dL) del estudio de diabetes en las mujeres de la etnia Pima.

EJERCICIOS:

Crea un histograma de la variable insulina y cambia el color de las barras a rojo. Utiliza un ancho de barra de 10.
¿Qué puede decirse sobre la distribución de la variable glucosa e insulina? ¿Son normales, sesgada o tiene algún otro patrón? Posibles causas.
Crear otros histogramas [puede dejarlos para el final del día].

Gráfico de caja de glucosa por diagnóstico de diabetes

Vamos a crear un gráfico de caja y bigoye (‘box & whisker plot’) para visualizar la distribución de la variable glucosa según el diagnóstico de diabetes. Esto nos permitirá observar la mediana, cuartiles y posibles valores atípicos.

# Gráfico de caja de glucosa por diagnóstico de diabetes, filtrando valores no válidos (0), incluyendo la media con un punto rojo y usando jitter para mostrar los puntos individuales
boxplot_glucosa <- ggplot(diabetes_nfilt, aes(x = factor(diabetes), y = glucosa)) +
  geom_boxplot(outlier.colour = "red", outlier.size = 2, fill = "lightblue") +
  geom_jitter(color = "darkblue", alpha = 0.5, width = 0.2) +
  geom_point(stat = "summary", fun = "mean", color = "red", size = 3) +
  labs(
    x = "Diagnóstico de Diabetes",
    y = "Glucosa (mg/dL)"
  ) +
  scale_x_discrete(labels = c("0" = "No Diabetes", "1" = "Diabetes")) +
  theme_minimal()
boxplot_glucosa

Figura 3. Gráfico de caja y bigote de la variable glucosa (mg/dL) por diagnóstico de diabetes en las mujeres de la etnia Pima.

EJERCICIOS:

¿Para qué se usa geom_jitter() en el gráfico de caja? ¿Qué efecto tiene en la visualización de los datos?
Crea un gráfico de caja de la variable insulina por diagnóstico de diabetes, incluyendo la media con un punto rojo y usando jitter para mostrar los puntos individuales.
Crear otros gráficos de caja y bigote [puede dejarlo para el final del día].

Crear la variable índice glucosa/insulina

Vamos a crear una nueva variable que sea el índice de glucosa/insulina, que es la relación entre los niveles de glucosa e insulina. Esta variable puede ser útil para analizar la resistencia a la insulina.

# Crear nueva variable índice glucosa/insulina
diabetes_gi <- diabetes_n %>%
  filter(insulina != 0 & glucosa != 0) %>%
  mutate(indice_gi = glucosa / insulina)
head(diabetes_gi)

##   embarazos glucosa presion pliegues insulina  imc gen_diabetes
## 1         1      89      66       23       94 28.1        0.167
## 2         0     137      40       35      168 43.1        2.288
## 3         3      78      50       32       88 31.0        0.248
## 4         2     197      70       45      543 30.5        0.158
## 5         1     189      60       23      846 30.1        0.398
## 6         5     166      72       19      175 25.8        0.587
##   edad_diagnostico diabetes indice_gi
## 1               21        0 0.9468085
## 2               33        1 0.8154762
## 3               26        1 0.8863636
## 4               53        1 0.3627993
## 5               59        1 0.2234043
## 6               51        1 0.9485714

Vamos a visualizar la distribución del índice glucosa/insulina con un histograma.

# Histograma del índice glucosa/insulina
histograma_gi <- ggplot(diabetes_gi, aes(x = indice_gi)) +
  geom_histogram(binwidth = 0.2, fill = "lightgreen", color = "black") +
  labs(
    x = "Índice Glucosa/Insulina",
    y = "Frecuencia"
  ) +
  theme_minimal()
histograma_gi

Figura 4. Histograma del índice glucosa/insulina en las mujeres de la etnia Pima.

Vamos a extraer el caso con el índice glucosa/insulina más alto.

# Extraer el caso con el índice glucosa/insulina más alto
max_gi <- diabetes_gi %>%
  filter(indice_gi == max(indice_gi))
max_gi

##   embarazos glucosa presion pliegues insulina  imc gen_diabetes
## 1         0     180      78       63       14 59.4         2.42
##   edad_diagnostico diabetes indice_gi
## 1               25        1  12.85714

EJERCICIOS:

Extraer los casos con el índice glucosa/insulina mayor de 3.

Gráfico de dispersión de glucosa e insulina por diagnóstico de diabetes

Vamos a crear un gráfico de dispersión que muestre la relación entre los niveles de glucosa e insulina, diferenciando por diagnóstico de diabetes. Esto nos permitirá observar si hay alguna tendencia o patrón en los datos.

# Gráfico de dispersión de glucosa e insulina por diagnóstico de diabetes
scatter_glucosa_insulina <- ggplot(diabetes_gi, aes(x = glucosa, y = insulina, color = factor(diabetes))) +
  geom_point(alpha = 0.5) +
  labs(
    x = "Glucosa (mg/dL)",
    y = "Insulina (μU/mL)",
    color = "Diagnóstico"
  ) +
  scale_color_manual(values = c("blue", "red"), labels = c("No Diabetes", "Diabetes")) +
  theme_minimal()
scatter_glucosa_insulina

Figura 5. Gráfico de dispersión de glucosa e insulina por diagnóstico de diabetes en las mujeres de la etnia Pima.

EJERCICIOS:

¿Qué relación observas entre los niveles de glucosa e insulina en el gráfico de dispersión? ¿Hay alguna diferencia entre las diagnosticadas o no con diabetes?
Crea un gráfico de dispersión entre otras parejas de variables que pudieran estar relacionadas.

Manejo y Exploración de los Datos

D. S. Fernández del Viso

2025-05-28

Introducción

Cargar los paquetes necesarios

Experimento en ratas

Cargar los datos al ambiente de trabajo como un objeto y revisar su estructura

Modificación del tipo de datos de una variable

Estadísticas descriptivas

Creación de una tabla más elegante con `gt`

Gráfico de barras según tratamiento y sexo

Diabetes en mujeres de la etnia Pima

Cargar los datos al ambiente de trabajo como un objeto y revisar su estructura

Cambio de nombres de variables

Filtrar datos y guardar los archivos en formato .csv

Estadísticas descriptivas y control de valores no válidos

Filtrar datos para eliminar valores no válidos y crear un nuevo data frame

Estadísticas descriptivas de insulina y glucosa por grupo de diagnóstico de diabetes

Histograma de glucosa

Gráfico de caja de glucosa por diagnóstico de diabetes

Crear la variable índice glucosa/insulina

Gráfico de dispersión de glucosa e insulina por diagnóstico de diabetes

Manejo y Exploración de los Datos

D. S. Fernández del Viso

2025-05-28

Introducción

Cargar los paquetes necesarios

Experimento en ratas

Cargar los datos al ambiente de trabajo como un objeto y revisar su estructura

Modificación del tipo de datos de una variable

Estadísticas descriptivas

Creación de una tabla más elegante con gt

Gráfico de barras según tratamiento y sexo

Diabetes en mujeres de la etnia Pima

Cargar los datos al ambiente de trabajo como un objeto y revisar su estructura

Cambio de nombres de variables

Filtrar datos y guardar los archivos en formato .csv

Estadísticas descriptivas y control de valores no válidos

Filtrar datos para eliminar valores no válidos y crear un nuevo data frame

Estadísticas descriptivas de insulina y glucosa por grupo de diagnóstico de diabetes

Histograma de glucosa

Gráfico de caja de glucosa por diagnóstico de diabetes

Crear la variable índice glucosa/insulina

Gráfico de dispersión de glucosa e insulina por diagnóstico de diabetes

Creación de una tabla más elegante con `gt`