Una librería (o paquete) es una colección de funciones, datos y documentación que amplía las capacidades básicas del lenguaje. R viene con un conjunto de funciones por defecto, pero muchas tareas especializadas (como análisis estadístico avanzado, visualización, minería de datos, etc.) requieren librerías adicionales.
Ejemplo:
library(dplyr)
library(readxl)La creación de objetos se refiere al proceso de asignar un valor (como un número, vector, función, etc.) a un nombre que luego puedes usar para referirte a ese valor en tu código.
Es la representación mas simple de un número real (\(R^1\))
Ejemplo:
escalar1 <- 3
escalar1## [1] 3escalar2 <- 4
escalar2## [1] 4El motor de programación R puede servir como una calculadora
Ejemplo:
escalar1 + escalar2## [1] 7escalar3 <- escalar1 + escalar2
escalar3## [1] 7escalar4 <- escalar3 * escalar2
escalar4## [1] 28escalar5 <- escalar4/escalar1
escalar5## [1] 9.333333summary(escalar5)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 9.333 9.333 9.333 9.333 9.333 9.333table(escalar5)## escalar5
## 9.33333333333333
## 1Es una colección de elementos del mismo tipo (por ejemplo, todos números, todos caracteres, todos lógicos, etc.).
vect1 <- c(2,1.5,4) #vector numerico
vect1## [1] 2.0 1.5 4.0vect2 <- c("Juan","Pedro","Sara") #vector caracteres
vect2## [1] "Juan" "Pedro" "Sara"vect3 <- c(5,6,2)
vect3## [1] 5 6 2prd1 <- vect1 *escalar4
prd1## [1] 56 42 112Sirve para acceder a un elemento del vector por su posición o índice.
vect1[2]## [1] 1.5vect2[3]## [1] "Sara"objeto1 <- vect3[1]
objeto1## [1] 5objeto2 <- vect2[2:3]
objeto2## [1] "Pedro" "Sara"objeto3 <- vect2[1:2]
objeto3## [1] "Juan" "Pedro"objeto4 <- vect2[c(1,3)]
objeto4## [1] "Juan" "Sara"objeto4_f2 <- vect2[-2]
objeto4_f2## [1] "Juan" "Sara"Una matriz es una estructura de datos bidimensional que contiene elementos del mismo tipo (por ejemplo, todos numéricos o todos caracteres), organizados en filas y columnas.
vector1 <- c(1,2,3)
vector2 <- c(4,5,6)
vector3 <- c(7,8,9)
matrizA <- cbind(vector1,vector2,vector3)
matrizA## vector1 vector2 vector3
## [1,] 1 4 7
## [2,] 2 5 8
## [3,] 3 6 9matrizB <- rbind(vector1,vector2,vector3)
matrizB## [,1] [,2] [,3]
## vector1 1 2 3
## vector2 4 5 6
## vector3 7 8 9Una base de datos se representa comúnmente como un data frame. Es una de las estructuras más utilizadas para trabajar con datos tabulares, parecida a una hoja de cálculo de Excel
base1 <- as.data.frame(matrizA)
base1## vector1 vector2 vector3
## 1 1 4 7
## 2 2 5 8
## 3 3 6 9base2 <- as.data.frame(matrizB)
base2## V1 V2 V3
## vector1 1 2 3
## vector2 4 5 6
## vector3 7 8 9Cuando trabajas con una base de datos (es decir, un data.frame), puedes acceder a sus columnas individuales usando el operador $. Este operador te permite extraer una variable específica por su nombre.
base1$vector1## [1] 1 2 3Para cambiar el nombre de una variable (columna) en un data.frame en R usamos:
nombre_vectores <- c("variable1","variable2","variable3")
names(base1) <- nombre_vectores
base1## variable1 variable2 variable3
## 1 1 4 7
## 2 2 5 8
## 3 3 6 9Puedes acceder a bases de datos internas que vienen incluidas con el propio lenguaje o con paquetes específicos. Estas bases de datos son muy útiles para practicar, hacer pruebas o aprender funciones de análisis.
base <- mtcars
base## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
## Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
## Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
## Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
## Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
## Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
## Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
## Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
## Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
## Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
## Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
## Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
## Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
## Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
## Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
## Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
## Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
## AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
## Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
## Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
## Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
## Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
## Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
## Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
## Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2Los filtros te permiten seleccionar filas específicas de un data.frame que cumplen con ciertas condiciones. Es una herramienta clave para el análisis de datos.
Ejemplo:
Vehiculos con mas de 4 cilindros
base1 <- subset(base,base$cyl > 4)base1_f2 <- base[base$cyl>4,]Instalamos el paquete:
install.packages(“dplyr”)
Luego instalamos la libreria:
library(dplyr)Y Realizamos el filtro
base1_f3 <- base %>%
filter(cyl>4)Vehiculos con 4 cilindros o mas
base2 <- subset(base,base$cyl >=4)Vehiculos con mas de 4 o mas de 6 cilindros
base3 <- base[base$cyl<4 | base$cyl>6,]Vehiculos con un numero de cilindros entre 4 y 6
Forma 1:
base4_f1 <- subset(base,base$cyl > 4 & base$cyl<6 )Forma 2:
base4_f2 <- base[base$cyl > 4 & base$cyl<6, ]Forma 3
base4_f3 <- base %>%
filter(cyl >4 & cyl <6)La media es el promedio aritmético de un conjunto de valores numéricos. Se calcula sumando todos los valores y dividiendo entre la cantidad total de elementos.
base3 <- base[base$cyl<4 | base$cyl>6,]
mean(base3$wt)## [1] 3.999214Sirve para carga de archivos Excel:
library(readxl)read_excel("C:/Users/Katana/Desktop/Personal Dennis/Introducción al R/Proyecto Curso Introducción a R/insumos/pib_can_anual.xlsx")## # A tibble: 2,210 × 20
## year prov dpa_prov canton dpa_can Agricultura, ganaderia, silvicult…¹
## <dbl> <chr> <chr> <chr> <chr> <dbl>
## 1 2011 AZUAY 01 Cuenca 0101 56696.
## 2 2011 AZUAY 01 Girón 0102 4128.
## 3 2011 AZUAY 01 Gualaceo 0103 6806.
## 4 2011 AZUAY 01 Nabón 0104 6621.
## 5 2011 AZUAY 01 Paute 0105 46883.
## 6 2011 AZUAY 01 Pucará 0106 2322.
## 7 2011 AZUAY 01 San Fernando 0107 5647.
## 8 2011 AZUAY 01 Santa Isabel 0108 9594.
## 9 2011 AZUAY 01 Sigsig 0109 8331.
## 10 2011 AZUAY 01 Oña 0110 2034.
## # ℹ 2,200 more rows
## # ℹ abbreviated name: ¹`Agricultura, ganaderia, silvicultura y pesca`
## # ℹ 14 more variables: `Explotacion de minas y canteras` <dbl>,
## # `Manufactura\r\n\r\n` <dbl>, `Suministro de electricidad y de agua` <dbl>,
## # `Construccion\r\n\r\n` <dbl>, `comercio\r\n\r\n` <dbl>,
## # `Alojamiento y servicios de comida` <dbl>,
## # `Transporte, informacion y comunicaciones` <dbl>, …names(base)[6]<- "agricultura"base[is.na(base)] <-0table(base$canton)## < table of extent 0 >library(dplyr)base_santo <- base %>% filter(dpa_prov ==“23”)
base_manabi <- base%>% filter(prov== “MANABÍ”)
names(base_manabi) base_manabi1 <- base_manabi %>% select(year,prov,dpa_prov, canton, dpa_can,agricultura,“Explotacion de minas y canteras” )
#Vista resumen de una variable
summary(base_manabi1$agricultura)
#Valor limite 29351.06
#Eliminamos ultima variable base_manabi1 <- base_manabi1[,-7]
##Crear nueva variable dicotoma(mutate) base_manabi1 <- base_manabi1 %>% mutate(tipo_pib= ifelse(agricultura > 29351,“pib_alto”, “pib_bajo”))
base_manabi1 <- base_manabi1 %>% mutate(tipo= ifelse(agricultura > 29351, 1, 0))
base_manabi1 <- base_manabi1 %>% mutate(periodo= ifelse(year < 2016, “pre”, “post”))
base_manabi1_pre <- base_manabi1 %>% filter(periodo==“pre”)
base_manabi1_post <- base_manabi1 %>% filter(periodo==“post”)
b_m_pre_agg <- base_manabi1_pre %>% group_by(canton) %>% summarise(total_agricultura_pre= sum(agricultura))
b_m_post_agg <- base_manabi1_post %>% group_by(canton) %>% summarise(total_agricultura_post= sum(agricultura))