¿Qué es R?

Beneficios de R

Se complementa fácilmente con otras herramientas de manejo de datos (como Excel)

Empezar a trabajar con R

Necesitamos el lenguaje R

Navegando en RStudio

Navegando en RStudio

Usando R

tidyverse

tidyverse

Operadores útiles

Ejemplo: Resumen estadístico

head(courses)

# A tibble: 6 × 6
  semester course_id faculty_id dept              enrollment level
     <dbl>     <dbl>      <dbl> <chr>                  <dbl> <chr>
1 20212202     10605       1772 Physics                    7 UG   
2 20212202     10605       1772 Physics                   32 GR   
3 20212202     11426       1820 Political Science          8 UG   
4 20212202     12048       1914 English                   24 UG   
5 20212202     13269       1095 Sociology                 48 UG   
6 20212202     13517       1086 Music                     17 UG   

mean(enrollment)

Error: objeto 'enrollment' no encontrado

Accediendo a una variable

Enfoque 1: Con attach():

attach(courses)
mean(enrollment)

[1] 28.75962

Accediendo a una variable

Enfoque 2: Usando $:

mean(courses$enrollment)

[1] 28.75962

with(courses, mean(enrollment))

[1] 28.75962

Accediendo a una variable

Enfoque 4: El enfoque de tidyverse:

courses %>%
  summarise(mean_enrollment = mean(enrollment))

# A tibble: 1 × 1
  mean_enrollment
            <dbl>
1            28.8

El enfoque tidyverse

Funciones importantes

Sintaxis de una función

function(data, argument(s))

Filter

filter mantiene o descarta filas (observaciones)

El operador == evalúa igualdad (comparación)

faculty %>% 
  filter(dept1 == "Sociology")

Filter

El operador | significa “o”

faculty %>% 
  filter(dept1 == "Sociology" | 
           dept1 == "Physics")

Filter

El operador %in% permite seleccionar múltiples opciones en una lista

faculty %>% 
  filter(dept1 %in% c("Sociology",
                      "Physics",
                      "Music"))

Filter

El operador & combina condiciones

faculty %>% 
  filter(dept1 %in% c("Sociology",
                      "Physics",
                      "Music") &
         rank == "Professor")

Select

select mantiene o descarta columnas (variables)

faculty %>% 
  select(id, dept1, rank)

Select

puede eliminar columnas con -column

faculty %>% 
  select(-dept2)

Select

El operador pipe %>% encadena múltiples funciones juntas

faculty %>% 
  select(id, dept1, rank) %>% 
  filter(rank == "Professor")

Arrange

arrange ordena el conjunto de datos de acuerdo con cierta variable(s)

Usar desc() para ordenar descendentemente

courses %>% 
  arrange(desc(enrollment))

Arrange

Es posible ordenar de acuerdo con varias variables.

courses %>% 
  arrange(dept, desc(enrollment))

Count

count muestra distribuciones de frecuencias de variables (muy útil para familiarizarse con los datos)

courses %>% 
  count(dept)

Count

Puede usar sort = TRUE para ordenar los resultados

courses %>% 
  count(dept, level, sort = TRUE)

Mutate

mutate crea nuevas variables (con un = simple)

faculty %>% 
  mutate(new = "hello!")

Mutate

mucho más útil con una estructura condicional como ifelse(), la cuál tiene tres argumentos:

condición, valor si es verdadero, valor si es falso

faculty %>% 
  mutate(prof = ifelse(rank == "Professor",
                       1, 0)) %>% 
  select(rank, prof)

Mutate

el operador ! significa no (negación)

is.na() identifica valores perdidos

faculty %>% 
  mutate(joint = ifelse(!is.na(dept2),
                        "joint", NA)) %>% 
  select(dept1, dept2, joint)

Mutate

con múltiples condiciones, case_when() es mucho más sencillo!

faculty %>% 
  mutate(division = case_when(dept1 %in% c("Sociology","Political Science") ~
                                "Social Sciences",
                              dept1 %in% c("Music","English") ~
                                "Humanities",
                              dept1 %in% c("Chemistry","Physics") ~
                                "Sciences")) %>% 
  select(dept1, division)

Group by / summarize

group_by/summarize agrupa datos (tablas pivote!)

group_by() identifica la variable(s) de agrupación y summarize() especifica la agregación.

courses %>% 
  group_by(dept, semester) %>% 
  summarize(enr = sum(enrollment))

Group by / summarize

funciones útiles en summarize:

mean, median, sd, min, max, n

courses %>% 
  group_by(dept, semester) %>% 
  summarize(enr = sum(enrollment),
            count = n_distinct(course_id))

Trabajando con RStudio

Trabajando con RStudio

Trabajando con Paquetes

los paquetes deben instalarse en cada computadora que use

# solo necesita hacer esto una vez (por computadora)
install.packages("tidyverse")

# siempre coloque los paquetes necesarios en la parte superior del script
library(tidyverse)

Importando Datos

use read_csv() para importar datos de un archivo csv

# ?read_csv() en la consola mostrará el archivo de ayuda con más opciones
faculty <- read_csv("faculty.csv")

# debe cargarse pero no instalarse ya que es parte del tidyverse
library(readxl)
faculty <- read_excel("faculty.xlsx", sheet = 2)

Funciones Stringr

las funciones stringr (todas inician con str_) son útiles para trabajar con datos de texto

faculty %>% 
  filter(str_detect(rank, "Professor"))

Funciones Stringr

cheat sheet de funciones está aquí

courses %>% 
  mutate(year = str_c(str_sub(semester, 1, 4), 
                      "-",
                      str_sub(semester, 5, 6))) %>% 
  select(semester, year) %>% 
  unique()

Transformar datos (Pivoting)

los datos de faculty existentes tienen una fila por profesor, algunos pertenecen a varios departamentos (a veces conocidos como datos wide)

Transformar datos (Pivoting)

¿Qué sucede si, en cambio, desea una fila por profesor por departamento? (a veces conocido como datos long)

Transformar datos (Pivoting)

la función pivot_longer alarga los datos

faculty %>% 
  pivot_longer(dept1:dept2,
               names_to = "dept_no",
               values_to = "dept",
               values_drop_na = TRUE) %>% 
  select(-year, -rank)

Transformar datos (Pivoting)

¡y pivot_wider hace lo contrario!

courses %>% 
  pivot_wider(names_from = "level",
              values_from = "enrollment")

Uniendo datos

R tiene muchas funciones útiles para manejar datos relacionales

todo lo que se requiere es tener al menos una variable tipo llave que conecte los conjuntos de datos

left_join es lo más usual, pero hay más

Uniendo datos

¿Cuál es la inscripción promedio de estudiantes de pregrado (UG) por año y categoría de docente?

Uniendo datos

¿Cuál es la media de estudiantes inscritos de pregrado (UG) por año y categoría de docente?

Uniendo datos

use el operador <- para crear un nuevo dataframe courses_UG

courses_UG <- courses %>% 
  filter(level == "UG") %>% 
  mutate(year = str_c(str_sub(semester, 1, 4), 
                      "-",
                      str_sub(semester, 5, 6)))

Uniendo datos

filter solo los cursos de pregrado y mutate una nueva variable con el año académico

courses_UG <- courses %>% 
  filter(level == "UG") %>% 
  mutate(year = str_c(str_sub(semester, 1, 4), 
                      "-",
                      str_sub(semester, 5, 6)))

Uniendo datos

group_by año y código del profesor; summarize contando el número de inscritos

courses_UG <- courses %>% 
  filter(level == "UG") %>% 
  mutate(year = str_c(str_sub(semester, 1, 4), 
                      "-",
                      str_sub(semester, 5, 6))) %>% 
  group_by(year, faculty_id) %>% 
  summarize(enr = sum(enrollment))

Uniendo datos

¿Cuál es la media de estudiantes inscritos de pregrado (UG) por año y categoría de docente?

Uniendo datos

fac_enr <- faculty %>% 
  left_join(courses_UG, by = c("id" = "faculty_id",
                               "year" = "year"))

1. data frame nuevo
2. data frame al que le añadirás datos
3. data frame donde se encuentran los datos a añadir

Uniendo datos

¿Cuál es la media de estudiantes inscritos de pregrado (UG) por año y categoría de docente?

fac_enr <- faculty %>% 
  left_join(courses_UG, by = c("id" = "faculty_id",
                               "year" = "year")) %>% 
  group_by(year, rank) %>% 
  summarize(avg_enr = mean(enr, na.rm = TRUE))

ggplot2

ggplot2 es el paquete de visualización de datos que se carga con tidyverse

la gramática de los gráficos asigna datos a los atributos estéticos de los puntos geométricos

Gráfico de Barras

faculty %>%
  count(rank) %>%
  ggplot(aes(x = rank, y = n)) +
  geom_bar(stat = "identity")

Gráfico de Barras

puede crear una gráfica con mejor presentación con bastante facilidad

faculty %>%
  count(rank) %>%
  ggplot(aes(x = reorder(rank, -n), y = n)) +
  geom_bar(stat = "identity", fill = "#cc0000") +
  scale_y_continuous(expand = expansion(mult = c(0, 0.1))) +
  geom_text(aes(label = n), vjust = -0.5) +
  labs(x = NULL, y = NULL,
       title = "Count of faculty by rank, 2018-2021") +
  theme_linedraw() +
  theme(panel.grid.major.x = element_blank(),
        axis.ticks = element_blank())

Gráficos de Líneas

fac_enr %>% 
  filter(!is.na(avg_enr)) %>% 
  ggplot(aes(x = year, y = avg_enr, group = rank, color = rank)) +
  geom_line()

Gráficos de Líneas

fac_enr %>% 
  filter(!is.na(avg_enr)) %>% 
  ggplot(aes(x = year, y = avg_enr, group = rank, color = rank)) +
  geom_line() +
  geom_point() +
  scale_color_brewer(type = "qual", palette = "Dark2") +
  labs(x = NULL, y = "Average enrollment",
       title = "Average undergraduate enrollment per rank over time") +
  theme_linedraw() +
  theme(panel.grid.major.x = element_blank(),
        axis.ticks = element_blank(),
        legend.title = element_blank(),
        legend.background = element_rect(fill = NA),
        legend.key = element_rect(fill = NA),
        legend.position = c(0.85, 0.82))

Recursos ggplot2

R for Data Science

Data Visualization: a practical introduction

creating custom themes

the ggplot2 book

the R graph gallery

Colocando todo junto

con lo que hemos hecho hasta ahora, su archivo .R podría:

R Markdown

utilizando RStudio, se pueden crear documentos .Rmd que combinen texto, código y gráficos

Paquetes internos

también puedes crear tus propios paquetes!

R Markdown y recursos de paquetes

R Markdown

the official R Markdown website

R Markdown: The Definitive Guide

Paquetes internos

• a comprehensive theoretical explainer

• una conferencia de Meghan Hall

Recursos adicionales

R for Data Science: the ultimate guide

R for Excel users: un taller muy útil

STAT 545: libro en linea con análisis de datos reproducibles en R

Portal Web RStudio Education

Portal Web Learn tidyverse