Bioestadística Fundamental y Estadística Fundamental para las Ciencias de la Salud
Author
Affiliations
Jose Miguel Leon Puentes
Departamento de Estadística
Universidad Nacional de Colombia
🔰 Introducción
Veíamos en el módulo anterior algunas de las diferentes estructuras de datos disponibles en R para almacenar información, como lo son vectores, listas, matrices, data frames y tibbles. A continuación, se realiza una breve explicación de los diferentes métodos y herramientas indispensables a la hora de trabajar con bases de datos en cualquier formato. El propósito de las siguientes secciones es permitirle conocer diferentes formas de realizar consultas y de comunicarse con los datos, encontrar y resumir información que posteriormente le permitirá realizar análisis y procedimientos estadísticos más profundos. Este módulo es introductorio y junto al primer modulo constituyen la base de la autonomía en el lenguaje R.
🎯 Objetivos
Recordar las estructuras de datos disponibles en el software
Entender como crear una base de datos dentro o fuera de la aplicación
Descubrir las diferentes formas de acceder a bases de datos
Ver las funciones requeridas para importar bases al programa
Mostrar opciones para manipulación de bases de datos
Proveer de elementos para la limpieza de bases de datos
Introducción al concepto de imputación
Garantizar la autonomía en el manejo de cualquier base de datos.
📖 Desarrollo
🏗️ Creación de Bases de Datos
Debemos tener en cuenta que siempre que se desee almacenar información en formato arreglo, por lo general denotaremos las columnas como aquellos atributos o variables de interés, mientras que las filas en nuestro marco de datos serán los valores para los determinados individuos u objetos a analizar. Las celdas de este arreglo se conocen como las observaciones registradas.
Tomado de: R-Data Frames GeeksforGeeks
Una de las maneras mas sencillas para crear una tabla de este estilo en R es de la siguiente manera, creamos un data frame que iremos llenando por columnas o filas, para ello necesitaremos crear internamente o externamente listas, para este caso crearemos la base por columnas y las listas al interior del data frame:
id name team number position age
1 0 Avery Bradley Boston Celtics 0 PG 25
2 1 John Holland Boston Celtics 30 SG 27
3 2 Jonas Jerebko Boston Celtics 8 PF 29
4 3 Jordan Mickey Boston Celtics NA PF 21
5 4 Terry Rozier Boston Celtics 12 PG 22
6 5 Jared Sullinger Boston Celtics 7 C NA
7 6 Evan Turner Boston Celtics 11 SG 27
Otra opción es crear la base de datos e ir llenando por filas, en esta ocasión haremos uso del paquete tibble y la función tribble que nos permite generar un data frame en formato tibble fila por fila.
# A tibble: 7 × 6
id name team number position age
<dbl> <chr> <chr> <dbl> <chr> <dbl>
1 0 Avery Bradley Boston Celtics 0 PG 25
2 1 John Holland Boston Celtics 30 SG 27
3 2 Jonas Jerebko Boston Celtics 8 PF 29
4 3 Jordan Mickey Boston Celtics NA PF 21
5 4 Terry Rozier Boston Celtics 12 PG 22
6 5 Jared Sullinger Boston Celtics 7 C NA
7 6 Evan Turner Boston Celtics 11 SG 27
La siguiente base simula un conjunto de 10 parcelas experimentales de quinoa en zonas altoandinas, para ilustrar cómo se integran datos de distintas fuentes (biología, clima, suelo y producción) en un contexto bioestadístico.
Table 1: Base de datos preliminar - Microbioma y rendimiento agrícola
library(dplyr)set.seed(230125)parcelas <-paste0("P", 1:10)variedad_quinoa <-sample(c("Blanca Real", "Negra Collana", "Roja Pasankalla"),size =10, replace =TRUE)microbioma_richness <-sample(120:250, size =10, replace =TRUE)precipitacion_mm <-sample(50:200, size =10, replace =TRUE)temp_media_c <-round(runif(10, min =8, max =18), 1)materia_organica_pct <-round(runif(10, min =1.5, max =5.0), 2)rendimiento_kg_ha <-round(runif(10, min =1500, max =3500), 1)df_microbioma <-data.frame(Parcela = parcelas,Variedad_Quinoa = variedad_quinoa,Microbioma_Richness = microbioma_richness,Precipitacion_mm = precipitacion_mm,Temp_Media_C = temp_media_c,Materia_Organica_pct = materia_organica_pct,Rendimiento_kg_ha = rendimiento_kg_ha)df_microbioma
Table 2: Descripción de variables - Base Microbioma y Rendimiento Agrícola
Variable
Tipo de dato
Descripción
Parcela
Categórica nominal
Identificador único de la parcela experimental (P1 a P10).
Variedad_Quinoa
Categórica nominal
Variedad cultivada: Blanca Real, Negra Collana o Roja Pasankalla.
Microbioma_Richness
Numérica entera
Riqueza de especies microbianas en el suelo (OTUs) obtenidas por secuenciación de ADN.
Precipitacion_mm
Numérica entera
Precipitación acumulada mensual en milímetros durante la etapa de crecimiento principal.
Temp_Media_C
Numérica continua
Temperatura media (°C) en la parcela durante la temporada de cultivo.
Materia_Organica_pct
Numérica continua
Porcentaje de materia orgánica del suelo determinado mediante análisis de laboratorio.
Rendimiento_kg_ha
Numérica continua
Producción estimada de quinoa en kilogramos por hectárea.
Sin embargo, más allá de crear una base de datos o un registro de información desde cero, se suele trabajar con bases de datos ya consolidadas. A continuación veremos como acceder a estos registros.
🗝️ Acceso a Bases de Datos
Existen muchas opciones de cargar un archivo en el que se encuentren los datos. Desde este programa tenemos la posibilidad de descargar directamente de internet, agregar una base de datos que se encuentre en nuestro computador, o incluso utilizar una de las bases de datos que trae incluidas R o acceder a alguna por medio de librerías.
🗃️ Carga de Bases de Datos guardadas en el equipo
La siguiente tabla muestra el tipo de archivo, la función por medio de la cual podemos acceder a su información:
Table 3: Funciones para importar diferentes tipos de archivos en R
Tipo de archivo
Función en R
.txt
read.table() o readr::read_table()
.csv
read.csv() o readr::read_csv()
.csv (punto y coma)
read.csv2() o readr::read_csv2()
.xlsx / .xls
readxl::read_excel()
.dta
haven::read_dta()
.sav
haven::read_sav()
.xpt
haven::read_xpt
.json
jsonlite::fromJSON()
.rds
readRDS()
.RData
load()
Note
Para usar correctamente estas funciones, se debe tener en cuenta la carpeta en la cual está el archivo que deseamos cargar en el programa.
Una vez contemos con la dirección del directorio de este archivo, podremos incuirla al interior de los corchetes de la función.
Como ejemplo suponga que la ubicación del archivo es D:\Usuario\Descargas\HighEstimate_AgPestUsebyCropGroup92to19.txt
Luego para abrir este documento necesitaríamos usar la función de base read.table() del siguiente modo:
Note que es indispensable cambiar la disposición de los símbolos \ por su dirección opuesta, es decir, / .
Otra opción preferida por muchos usuarios para cargar algún archivo es mediante la fuente de editor (source editor). Podrá hacerlo para archivos cuyo tamaño no supero los 5 MB. Esta operación le permitirá tanto visualizar como importar el archivo de manera automática con opción de personalización. Luego, facilita el proceso, sobre todo en escenarios en los que se desconoce el formato en que se encuentran separados los datos ya sea, coma, punto y coma, o espacio.
⛏️ Extraer Datos de Paquetes
Los paquetes de R contiene datasets (base de datos) que se emplean normalmente para mostrar como funciona el paquete. Otros paquetes son bases de datos, como por ejemplo, el paquete gapminder. El paquete gapminder tiene datos para todos los países de población, pobreza y esperanza de vida entre otras variables.
Un listado exhaustivo de paquetes que son exclusivamente bases de datos se puede encontrar en el siguiente enlace: The R Datasets Package. Otros paquetes nos brindan una interfaz para descargar datos de entidades como el Banco Mundial a través del paquete WDI (40 databases hosted by the World Bank, including the World Development Indicators (‘WDI’), International Debt Statistics, Doing Business, Human Capital Index, and Sub-national Poverty indicators).
El comando data() nos permite ver el listado de las bases de datos disponibles. Sin embargo podemos acceder a los datos de un solo paquete de la siguiente manera:
library(gapminder)
Warning: package 'gapminder' was built under R version 4.4.3
data(package ='gapminder')
con lo cual obtendremos la siguiente salida:
Table 4: Objetos incluidos en el paquete Gapminder
Nombre
Descripción
continent_colors
Gapminder color schemes
country_codes
Country codes
country_colors
Gapminder color schemes
gapminder
Gapminder data
gapminder_unfiltered
Gapminder data, unfiltered
Posteriormente podremos cargar la base de datos, por medio de la misma función:
data("gapminder")force(gapminder)
# A tibble: 1,704 × 6
country continent year lifeExp pop gdpPercap
<fct> <fct> <int> <dbl> <int> <dbl>
1 Afghanistan Asia 1952 28.8 8425333 779.
2 Afghanistan Asia 1957 30.3 9240934 821.
3 Afghanistan Asia 1962 32.0 10267083 853.
4 Afghanistan Asia 1967 34.0 11537966 836.
5 Afghanistan Asia 1972 36.1 13079460 740.
6 Afghanistan Asia 1977 38.4 14880372 786.
7 Afghanistan Asia 1982 39.9 12881816 978.
8 Afghanistan Asia 1987 40.8 13867957 852.
9 Afghanistan Asia 1992 41.7 16317921 649.
10 Afghanistan Asia 1997 41.8 22227415 635.
# ℹ 1,694 more rows
🧭 Funciones y Operaciones
En esta sección del modulo se le darán a conocer algunas de las funciones que resultan más útiles e indispensables a la hora de trabajar con bases de datos, desde el momento en que cargamos los datos en el programa y deseamos conocer el estado de dicha información. Veremos funciones para un primer acercamiento, una especie de summary o glimpse. Posteriormente, se desea proveer al estudiante del concepto de datos faltantes y su correspondiente manejo, introduciendo brevemente el concepto de imputación. Finalmente, se mostrarán situaciones que requieran del uso de funciones para determinados requerimientos en el procesamiento y/o manejo de la información.
¿Qué hacer cuando ya he cargado la base de datos?
Lo primero que debemos hacer una vez hayamos cargado nuestra base de datos es asegurarnos que la información se encuentre correctamente subida y disponible para su tratamiento. Es por ello que, una de las primeras instrucciones sugeridas es visualizar en el programa la base de datos que se ha cargado. Hay dos formas muy fáciles de hacerlo, la primera es por medio de la función de base View() o haciendo click en la icono de cuadricula que aparece en la parte derecha del nombre del objeto en la sección Data del Panel Enviroment.
View(df_microbioma)
También nos gustaría conocer información como los tipos de estructuras de datos que hemos cargado y las características de ellos. Esto lo podemos hacer mediante las siguientes funciones str() de base y glimpse() de la librería dplyr. Existe otra alternativa por medio del paquete skimr y de la función skim().
Ambas nos dan prácticamente la misma información, la especificación del número de filas u observaciones, número de columnas o variables, un listado de las variables, el tipo de datos de cada una de las variables y sus valores. Sin embargo, la función de base especifica un elemento adicional y es la clase del objeto. Tenga en cuenta que esta información también puede ser consultada de manera especifica de la siguiente manera:
Función
Descripción
dim()
Da la dimensión del objeto, número de filas y de columnas.
length() o ncol()
Da el número de columnas del objeto.
nrow()
Da el número de filas del objeto
names() o colnames()
Da los nombres de las columnas
Además de conocer brevemente cómo está compuesta la base, otras características que podemos obtener de los datos con la función de base summary() es, para las variables que reciben entradas numéricas, se resumirá la información de los cuantiles por variable así como la media de los datos. Esto se explicará más a fondo en el siguiente módulo de estadística descriptiva exploratoria.
En caso de querer cambiar los nombres que reciben nuestras variables, esto lo podemos hacer por medio de la misma función de base colnames() de la siguiente manera:
El paquete stringr proporciona un conjunto coherente y consistente de funciones para trabajar y manipular cadenas (vectores de caracteres). Tiene como objetivo simplificar las operaciones comunes con cadenas, haciéndolas más intuitivas y fáciles de usar
Operaciones comunes con cadenas:
Proporciona funciones para una amplia gama de tareas, entre las que se incluyen:
Además de modificar el nombre de nuestras columnas, podremos agregarle atributos a nuestra base de datos para volverla más clara añadiéndole una breve descripción a cada variable que deseemos.
attr(df_microbioma$ID, "label") <-"Identificador único de la parcela experimental"attr(df_microbioma$Variedad, "label") <-"Variedad cultivada: Blanca Real, Negra Collana o Roja Pasankalla"attr(df_microbioma$Riqueza, "label") <-"Riqueza de especies microbianas en el suelo (OTUs) obtenidas por secuenciación de ADN"attr(df_microbioma$Precipitación, "label") <-"Precipitación acumulada mensual en milímetros durante la etapa de crecimiento principal"attr(df_microbioma$Temperatura, "label") <-"Temperatura media (°C) en la parcela durante la temporada de cultivo"attr(df_microbioma$Materia_Orgánica, "label") <-"Porcentaje de materia orgánica del suelo determinado mediante análisis de laboratorio"attr(df_microbioma$Rendimiento, "label") <-"Producción estimada de quinoa en kilogramos por hectárea"
La función summary nos proporciona también la cantidad de NA´s por variable en caso de haberlas. Sin embargo existen otras alternativas para revisar datos faltantes en bases. Una opción es haciendo uso del comando table(is.na(df)) el cual contabiliza el total de datos NA los cuales serán mostrados como TRUE y el total de valores con algún valor como entrada que se denominarán FALSE. Otra opción si se cuenta con una base de datos muy grande es revisar solo las variables de interés para ello especificamos en el comando table(is.na(df$varible)). Vea el siguiente ejemplo:
summary(baseball_df)
id name team number
Min. :0.0 Length:7 Length:7 Min. : 0.00
1st Qu.:1.5 Class :character Class :character 1st Qu.: 7.25
Median :3.0 Mode :character Mode :character Median : 9.50
Mean :3.0 Mean :11.33
3rd Qu.:4.5 3rd Qu.:11.75
Max. :6.0 Max. :30.00
NA's :1
position age
Length:7 Min. :21.00
Class :character 1st Qu.:22.75
Mode :character Median :26.00
Mean :25.17
3rd Qu.:27.00
Max. :29.00
NA's :1
table(is.na(baseball_df))
FALSE TRUE
40 2
table(is.na(baseball_df$number))
FALSE TRUE
6 1
table(is.na(baseball_df$age))
FALSE TRUE
6 1
En caso de querer identificar variables con valores perdidos
colnames(df)[colSums(is.na(df)) >0] # ¿Qué variables tienen al menos un NA?colSums(is.na(df)) %>% .[. >0] # Las que tienen NA's, ¿Cuántas tienen?
Una función que nos permite ver la proporción de datos faltantes en nuestra base de datos es:
En caso de trabajar con datos en formato de fechas y/o horas, un paquete que facilita este manejo, simplificando el análisis y las operaciones es lubridate
library("lubridate")
Warning: package 'lubridate' was built under R version 4.4.2
Adjuntando el paquete: 'lubridate'
The following objects are masked from 'package:base':
date, intersect, setdiff, union
Algunas funciones útiles que son comunes para combinar distintas fuentes de información, son:
Unir bases
Cuando tenemos dos bases de datos con una columna en común (llamada clave o key), podemos combinarlas de distintas formas según la información que deseemos conservar.
Tomada de: Ciencia de Datos para Ciencias Naturales
Función
Descripción
Esquema de conservación
left_join()
Mantiene todas las filas de la base de la izquierda. Si no hay coincidencia en la derecha, completa con NA.
“Conservo todo lo de la izquierda, complemento con lo de la derecha si existe.”
right_join()
Mantiene todas las filas de la base de la derecha. Si no hay coincidencia en la izquierda, completa con NA.
“Conservo todo lo de la derecha, complemento con lo de la izquierda si existe.”
inner_join()
Mantiene solo las filas coincidentes en ambas bases (la intersección).
“Me quedo únicamente con lo que coincide en ambas bases.”
full_join()
Mantiene todas las filas de ambas bases. Si alguna no tiene coincidencia, completa con NA.
“Me quedo con todo, tanto de la izquierda como de la derecha.”
# Dos bases pequeñas de ejemplodf1 <-data.frame(ID =c(1,2,3), Var1 =c("A","B","C"))df2 <-data.frame(ID =c(2,3,4), Var2 =c("X","Y","Z"))df3 <-data.frame(ID =c(5,6,7), Var1 =c("B","A","A"))left_join(df1, df2, by ="ID") # conserva todos los ID de df1
ID Var1 Var2
1 1 A <NA>
2 2 B X
3 3 C Y
right_join(df1, df2, by ="ID") # conserva todos los ID de df2
ID Var1 Var2
1 2 B X
2 3 C Y
3 4 <NA> Z
inner_join(df1, df2, by ="ID") # conserva solo los ID que coinciden (2 y 3)
ID Var1 Var2
1 2 B X
2 3 C Y
full_join(df1, df2, by ="ID") # conserva todos los ID de ambos (1,2,3,4)
ID Var1 Var2
1 1 A <NA>
2 2 B X
3 3 C Y
4 4 <NA> Z
bind_rows(df1, df3) # Apilar filas
ID Var1
1 1 A
2 2 B
3 3 C
4 5 B
5 6 A
6 7 A
rbind(df1, df3)
ID Var1
1 1 A
2 2 B
3 3 C
4 5 B
5 6 A
6 7 A
bind_cols(df1, df2) # Combinar columnas
New names:
• `ID` -> `ID...1`
• `ID` -> `ID...3`
ID...1 Var1 ID...3 Var2
1 1 A 2 X
2 2 B 3 Y
3 3 C 4 Z
cbind(df1,df2)
ID Var1 ID Var2
1 1 A 2 X
2 2 B 3 Y
3 3 C 4 Z
Manipulación de Data Frames
Ordenar
df <-arrange(df, Variedad) # Orden ascendentedf <-arrange(df, desc(Rendimiento)) # Orden descendente
Para escoger los individuos que presentaron los cinco valores más altos de una variables se podría hacer los siguiente:
Los datos a lo ancho tienen una columna para cada variable y una fila para cada observación. Los datos a menudo se ingresan y almacenan de esta manera. Los datos ordenados a lo largo, por otro lado, tienen una columna que indica el tipo de variable contenida en esa fila y luego, en una columna separada, el valor de esa variable.
Tomada de: R for Excel Users Julie Lowndes & Allison Horst
x <-1:12m <-matrix(1:6, nrow =2, dimnames =list(c("a", "b"), LETTERS[1:3]))li <-list(pi = pi, e =exp(1))x[10] # the tenth element of x
[1] 10
x <- x[-1] # delete the 1st element of xm[1,] # the first row of matrix m
A B C
1 3 5
m[1, , drop =FALSE] # is a 1-row matrix
A B C
a 1 3 5
m[,1] # the fisrt column of matrix m
a b
1 2
m[,c(TRUE,FALSE,TRUE)]# logical indexing
A C
a 1 5
b 2 6
m[cbind(c(1,2,1),3:1)]# matrix numeric index
[1] 5 4 1
ci <-cbind(c("a", "b", "a"), c("A", "C", "B"))m[ci] # matrix character index
[1] 1 6 3
m <- m[,-1] # delete the first column of mli[[1]] # the first element of list li
[1] 3.141593
y <-list(1, 2, a =4, 5)y[c(3, 4)] # a list containing elements 3 and 4 of y
$a
[1] 4
[[2]]
[1] 5
y$a # the element of y named a
[1] 4
mitad1 <- penguins[1:172, ] # partición de la primera mitadmitad2 <- penguins[173:344, ] # partición de la segunda mitad
Una alternativa a la función de base es con las rutinas de dplyr de las siguiente manera:
df_sub <-select(df, ID, Variedad, Rendimiento)df_filtrado <-filter(df, Rendimiento >2000, Variedad =="Blanca Real")df <-filter(df, !is.na(variable))df <-filter(df, variable !="valor")penguins %>%filter(bill_length_mm >=50)penguins %>%filter(bill_length_mm >=50& island =="Dream")penguins %>%filter(island %in%c("Torgersen","Dream")) # permite seleccionar diferentes items dentro de una columna penguins %>%filter(near(x = body_mass_g, y =3500, tol =500)) # permite escoger dentro de un rango de valores numéricos cercanos, estableciendo un valor de toleranciapenguins %>%filter(between(bill_length_mm, left =43, right =46)) # permite escoger un rango de valores numéricos dentro de un límite específicoslice(df, 10:15) # selecciona filas por posición
Operaciones entre columnas (Mutate)
Permite crear nuevas variables y realizar operaciones matemáticas entre ellas
Además, con la inclusión del parámetro if_else se pueden definir categorías arbitrarias de clasificación dentro de variables numéricas. Esta función literalmente se leería como “si cumple con la siguiente característica lo clasifica como tal cosa, sino, como tal otra cosa”.
La función case_when permite crear nuevas variables a partir de condiciones múltiples, similar a una sentencia if_else anidada o a la instrucción CASE WHEN en SQL.
`summarise()` has grouped output by 'species'. You can override using the
`.groups` argument.
# A tibble: 5 × 3
# Groups: species [3]
species island `n()`
<fct> <fct> <int>
1 Adelie Biscoe 44
2 Adelie Dream 56
3 Adelie Torgersen 52
4 Chinstrap Dream 68
5 Gentoo Biscoe 124
La función distinct() se utiliza para ver los factores dentro de una columna
penguins %>%distinct(year)
La función n_distinct() se utiliza para contar el número de factores diferentes dentro de una columna. La función pull() para escoger la columna a analizar.
penguins %>%pull(year) %>%n_distinct()
Eliminar columnas o filas
df <-select(df, -Temperatura) # Eliminar columnadf <-filter(df, Rendimiento >0) # Mantener filas con rendimiento positivodf <- df %>%slice(-1087, -1088) # Se eliminan las filas #1087 y #1088 penguins %>%select(contains("bill")) # selecciona columnas que contienen "bill"penguins %>%select(starts_with("kg")) # selecciona columnas que empiezan con "kg"penguins %>%select(ends_with("mm")) # selecciona columnas que terminan con "mm"penguins %>%select(year,species,body_mass_g,species) # Selección y asignación de nuevo ordenpenguins %>%select(where(is.factor), body_mass_g) # Distinguiendo por atributos de columnas
Si no existe una función apropiada, se puede utilizar la función do(), en el siguiente ejemplo se desarrolla la construcción de modelos lineales:
En palabras, el anterior código lo que nos permite es: a partir de una base de datos, se filtran los individuos que tengan un rendimiento mayor a 1000, para luego agruparlas por el tipo de variedad y contar cuantas parcelas de cada variedad hay cuyo rendimiento sea mayor a 1000. Esta serie de pasos en la solicitud que se realiza se facilita con el operador pipe el cual nos va conectando las solicitudes a partir de otras de manera sucesiva.
Conjunto de herramientas de la rutina purrr
En el contexto de la programación funcional de R, la familia de funciones map() permiten reemplazar muchos “for loops” con código que es más breve y más fácil de leer.
Otras funciones más específicas de la familia map() son las siguientes:
map() - genera una lista
map_lgl() - genera vector lógico
map_int() - genera vector de enteros
map_dbl() - genera vector de doubles
map_chr() - genera vector de caracteres
map_dfr() - genera un data frame
map2() - iteración sobre dos conjuntos de datos
pmap() - itera sobre una lista de argumentos
El uso genérico de la familia de funciones map()es el siguiente:
Por ejemplo, suponga que desea calcular la mediana de cada columna de manera iterativa. Con esta libraría se omite la necesidad de requerir loops de funciones. Así,
Sin embargo, el paquete dplyr cuenta con las funciones lapply, sapply y tapply las cuales veremos en que se diferencian a la propuesta de purrr o a la función de base apply .
apply(X, MARGIN, FUN)
Se usa con matrices o arrays.
Aplica una función sobre las filas (MARGIN = 1) o columnas (MARGIN = 2).
Ejemplo: apply(matriz, 1, mean) → calcula la media por fila.
lapply(X, FUN)
Se usa con listas o vectores.
Devuelve siempre una lista de la misma longitud que X.
Funciona similar a lapply().
Ejemplo: lapply(lista, mean) → calcula la media de cada elemento de la lista.
sapply(X, FUN)
Versión más “amigable” de lapply().
Intenta simplificar el resultado a un vector o matriz, si es posible.
Ejemplo: sapply(lista, mean) → devuelve un vector de medias.
tapply(X, INDEX, FUN)
Se usa con vectores categorizados.
Aplica la función por grupos definidos en un factor.
Ejemplo: tapply(ingresos, genero, mean) → media de ingresos por género.
🚀 Caso de Estudio
Para el desarrollo de los siguientes módulos, se ha pensado en trabajar un caso de estudio por medio del cual analizaremos el uso de pesticidas en cultivos en diferentes estados de EE.UU asociándolo a datos de salud y nutrición de adultos en este país por medio de los resultados de una encuesta nacional. Este caso de estudio permite realizar un análisis ambiental y epidemiológico teniendo como eje central permitirnos llevar a cabo la enseñanza y aplicación de los diferentes módulos de este curso de manera transversal. Garantizando así, la aplicación de las temáticas vistas en el curso a partir de datos reales.
Base 1: Estimated annual agricultural pesticide use by major crop or crop group for states of the conterminous United States 1992-2019 (including preliminary estimates for 2018-19)
La primera base de datos utilizada en este caso de estudio contiene estimaciones anuales del uso agrícola de pesticidas en los estados contiguos de Estados Unidos, para el período 1992-2019 (incluyendo estimaciones preliminares para 2018 y 2019). Su objetivo es proporcionar información a nivel estatal sobre el uso de compuestos pesticidas según el cultivo o grupo de cultivos, con el fin de mejorar la comprensión sobre en qué cultivos se aplican estos compuestos.
Los datos provienen de estimaciones previamente elaboradas a nivel de condado mediante metodologías descritas en estudios de referencia (Thelin y Stone, 2013; Baker y Stone, 2015; Wieben, 2019, 2021a, 2021b). Aunque las estimaciones detalladas por cultivo a nivel de condado no se publican debido a la alta incertidumbre, los cultivos de gran extensión (maíz, soya, trigo, algodón, arroz y alfalfa) se presentan de manera individual a nivel estatal, mientras que los cultivos de menor superficie se agrupan (hortalizas y frutas, huertos y uvas, pastos y heno, y otros cultivos).
El conjunto de datos incluye dos tablas de estimaciones anuales estatales de uso agrícola de pesticidas por cultivo o grupo de cultivos: una con estimaciones bajas y otra con estimaciones altas, además de la información de metadatos asociada. Estos datos han servido para generar series de tiempo anuales por pesticida y cultivo, disponibles en el Pesticide National Synthesis Project.
Nombre de la base de datos a trabajar: HighEstimate_AgPestUsebyCropGroup92to19
Formato: .txt
Propietario de los datos: National Water Quality Program
Responsable de la elaboración: Christine M. Wieben
Editor: U.S. Geological Survey
Distribuidor: U.S. Geological Survey – ScienceBase
Referencia: Wieben, C.M., 2021, Estimated annual agricultural pesticide use by major crop or crop group for states of the conterminous United States, 1992-2019 (including preliminary estimates for 2018-19): U.S. Geological Survey, https://doi.org/10.5066/P900FZ6Y.
Base 2: National Health and Nutrition Examination Survey 2017-March 2020 Pre-pandemic
La Encuesta Nacional de Examen de Salud y Nutrición (NHANES) es una encuesta única en EE. UU. que combina entrevistas presenciales con exámenes físicos estandarizados y pruebas de laboratorio. Desde 1999, se realiza de manera continua con datos representativos a nivel nacional publicados cada dos años. Sin embargo, en marzo de 2020, la pandemia de COVID-19 interrumpió la recolección de datos del ciclo 2019–2020, lo que impidió que esa muestra fuera representativa a nivel nacional.
Como solución, los datos parciales de 2019–marzo de 2020 se combinaron con los datos completos del ciclo anterior (2017–2018), creando así un conjunto de datos llamado NHANES 2017–marzo de 2020 prepandemia, que sí permite generar estimaciones representativas para la población civil no institucionalizada de EE. UU.
Alrededor de 5,000 personas son seleccionadas mediante un proceso científico aleatorio para asegurar que los resultados representen con precisión la salud y el estado nutricional de toda la diversa nación estadounidense.
Para cada base se seleccionarán exclusivamente variables que sean útiles para el caso de estudio, ya sea por creencia de relación entre estas o debido a los registros de la literatura.
Demographic Data
Demographic Variables and Sample Weights : P_DEMO.xpt
library(haven)
Warning: package 'haven' was built under R version 4.4.3
demographic_variables <-read_xpt("P_DEMO.xpt")
Dietary Data
Dietary Interview - Total Nutrient Intakes, First Day : P_DR1TOT.xpt
Dietary Interview - Total Nutrient Intakes, Second Day : P_DR2TOT.xpt
Dietary Supplement Use 30-Day - Total Dietary Supplements : P_DSQTOT.xpt
Basado en literatura sobre pesticidas, se considera priorizar las siguientes enfermedades:
Trastornos neurológicos: Parkinson, neuropatías.
Diabetes/Obesidad: Disruptores endocrinos.
Cáncer: Linfoma, leucemia.
Problemas respiratorios: Asma.
🗂️ Tarea y Repaso
Familiarizarse con paquetes y funciones necesarias
Descarga los paquetes mencionados en el modulo que te permitan cargar archivos de diferentes extensiones en el programa, algunos de estos programas necesarios serán: haven, readr, readxl, entre otros.
Investiga cual es la diferencia entre las funciones de base y de algunos paquetes como por ejemplo: read.table() y read_table(), read.csv() y read_csv(), bind_cols() y cbind(). Concluye si algunas son mejores en algunos escenarios o cuál preferirías usar en un entorno de trabajo más óptimo.
Crea una base de datos con información de fácil acceso en Excel y posteriormente abre esta base de datos desde el software de RStudio. Luego intenta hacer la misma base de datos directamente programándola con código R.
En caso de obtener algún mensaje de error (warnings) en la consola, verifica a qué se pudo deber, investígalo y corrígelo hasta obtener una salida esperada. Recuerda que si no estas seguro de cómo implementar alguna función puedes utilizar el comando ?help en la consola para acceder a la ayuda en la que encontrarás la documentación de paquetes y funciones implementadas en R.
