‘Ejercicio 1:’

1. Crear un data frame con los datos de la tabla.

Mes <- c("Mayo", "Junio", "Julio")
Ingresos <- c(45000, 41500, 35400)
Gastos <- c(33400, 35400, 35600)
df <- data.frame(Mes, Ingresos, Gastos )

2. Adjunta una nueva columna denominada impuestos.

df_final <- mutate(df, Impuestos = c(6450, 6300, 7100))

glimpse(df_final)

## Rows: 3
## Columns: 4
## $ Mes       <chr> "Mayo", "Junio", "Julio"
## $ Ingresos  <dbl> 45000, 41500, 35400
## $ Gastos    <dbl> 33400, 35400, 35600
## $ Impuestos <dbl> 6450, 6300, 7100

3. Crea una nueva fila con los datos de Agosto provistos.

new0 = data.frame(Mes = "Agosto", Ingresos =49700, Gastos= 36300, Impuestos= 6850)
data_final = full_join(new0,df_final)

## Joining with `by = join_by(Mes, Ingresos, Gastos, Impuestos)`

4. Cambia los ingresos de julio por 50400.

data_final <- data_final %>%
  mutate(Ingresos = case_when(
    Mes == "Julio" ~ 50400,
    TRUE ~ Ingresos  
  ))

5. Crea una nueva columna con los beneficios de cada mes (ingresos - gastos - impuestos).

data_final = data_final%>%
  mutate("Beneficios" = Ingresos-Gastos-Impuestos)

6. Crea una nueva columna de tipo factor, que denomines Balance con dos posibles categorias, positivo: si hay beneficios y negativo: si hay perdidas.

data_final = data_final%>%
           mutate(
             Balance = factor (case_when(
               Beneficios >0 ~ "positivo", 
               TRUE ~ "negativo"
             ))) 

glimpse(data_final)

## Rows: 4
## Columns: 6
## $ Mes        <chr> "Agosto", "Mayo", "Junio", "Julio"
## $ Ingresos   <dbl> 49700, 45000, 41500, 50400
## $ Gastos     <dbl> 36300, 33400, 35400, 35600
## $ Impuestos  <dbl> 6850, 6450, 6300, 7100
## $ Beneficios <dbl> 6550, 5150, -200, 7700
## $ Balance    <fct> positivo, positivo, negativo, positivo

7. Filtra el conjunto de datos para quedarse con los nombres de los meses y los beneficios de los meses con balance positivo.

data_final = data_final %>%
  filter(Balance == "positivo") %>% 
  select(Mes, Beneficios)

Ejercicio 2

Crear data frame con base de datos

Dat_Med <-read.table("clipboard", header = TRUE, sep = ",")

##Visión general del data frame

skim(Dat_Med)

Data summary
Name	Dat_Med
Number of rows	14
Number of columns	6
_______________________
Column type frequency:
character	2
numeric	4
________________________
Group variables	None

Variable type: character

skim_variable	n_missing	complete_rate	min	max	empty	n_unique	whitespace
nombre	0	1	14	31	0	14	0
sexo	0	1	1	1	0	2	0

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
edad	0	1.00	38.21	15.62	18.00	24.75	35.00	49.75	68.00	▇▅▃▅▂
peso	1	0.93	70.92	16.13	51.00	61.00	65.00	78.00	109.00	▇▅▅▂▂
altura	0	1.00	1.77	0.12	1.58	1.70	1.75	1.84	1.98	▆▇▆▃▃
colesterol	1	0.93	220.23	39.85	148.00	194.00	210.00	249.00	280.00	▂▇▂▅▅

glimpse(Dat_Med)

## Rows: 14
## Columns: 6
## $ nombre     <chr> "José Luis Martínez Izquierdo", "Rosa Díaz Díaz", "Javier G…
## $ edad       <int> 18, 32, 24, 35, 46, 68, 51, 22, 35, 46, 53, 58, 27, 20
## $ sexo       <chr> "H", "M", "H", "M", "M", "H", "H", "M", "H", "H", "M", "H",…
## $ peso       <int> 85, 65, NA, 65, 51, 66, 62, 60, 90, 75, 55, 78, 109, 61
## $ altura     <dbl> 1.79, 1.73, 1.81, 1.70, 1.58, 1.74, 1.72, 1.66, 1.94, 1.85,…
## $ colesterol <int> 182, 232, 191, 200, 148, 249, 276, NA, 241, 280, 262, 198, …

Crear nueva columna

Dat_Med2 <- mutate(Dat_Med, IMC = peso/altura)
View(Dat_Med2)

Crear nueva variable

Dat_Med3 <- Dat_Med2 %>% mutate(Obesidad = cut(Dat_Med2$IMC, breaks = c(-Inf,18.5,24.5,30,Inf), labels = c("Bajo peso", "Saludable", "Sobrepeso", "Obeso"), right = TRUE))
View(Dat_Med3)

Ordenar data frame

Dat_Med3 %>% select(nombre, sexo, everything())

##                             nombre sexo edad peso altura colesterol      IMC
## 1     José Luis Martínez Izquierdo    H   18   85   1.79        182 47.48603
## 2                   Rosa Díaz Díaz    M   32   65   1.73        232 37.57225
## 3            Javier Garcia Sánchez    H   24   NA   1.81        191       NA
## 4              Carmen López Pinzón    M   35   65   1.70        200 38.23529
## 5             Marisa López Collado    M   46   51   1.58        148 32.27848
## 6                Antonio Ruiz Cruz    H   68   66   1.74        249 37.93103
## 7          Antonio Fernández Ocaña    H   51   62   1.72        276 36.04651
## 8            Pilar Martín González    M   22   60   1.66         NA 36.14458
## 9             Pedro Gálvez Tenorio    H   35   90   1.94        241 46.39175
## 10         Santiago Reillo Manzano    H   46   75   1.85        280 40.54054
## 11           Macarena Álvarez Luna    M   53   55   1.62        262 33.95062
## 12                 José María Sanz    H   58   78   1.87        198 41.71123
## 13 Miguel Angel Cuadrado Gutiérrez    H   27  109   1.98        210 55.05051
## 14           Carolina Rubio Moreno    M   20   61   1.77        194 34.46328
##    Obesidad
## 1     Obeso
## 2     Obeso
## 3      <NA>
## 4     Obeso
## 5     Obeso
## 6     Obeso
## 7     Obeso
## 8     Obeso
## 9     Obeso
## 10    Obeso
## 11    Obeso
## 12    Obeso
## 13    Obeso
## 14    Obeso

Eliminar datos faltantes

Dat_Med3 %>% na.omit(coleterol)

##                             nombre edad sexo peso altura colesterol      IMC
## 1     José Luis Martínez Izquierdo   18    H   85   1.79        182 47.48603
## 2                   Rosa Díaz Díaz   32    M   65   1.73        232 37.57225
## 4              Carmen López Pinzón   35    M   65   1.70        200 38.23529
## 5             Marisa López Collado   46    M   51   1.58        148 32.27848
## 6                Antonio Ruiz Cruz   68    H   66   1.74        249 37.93103
## 7          Antonio Fernández Ocaña   51    H   62   1.72        276 36.04651
## 9             Pedro Gálvez Tenorio   35    H   90   1.94        241 46.39175
## 10         Santiago Reillo Manzano   46    H   75   1.85        280 40.54054
## 11           Macarena Álvarez Luna   53    M   55   1.62        262 33.95062
## 12                 José María Sanz   58    H   78   1.87        198 41.71123
## 13 Miguel Angel Cuadrado Gutiérrez   27    H  109   1.98        210 55.05051
## 14           Carolina Rubio Moreno   20    M   61   1.77        194 34.46328
##    Obesidad
## 1     Obeso
## 2     Obeso
## 4     Obeso
## 5     Obeso
## 6     Obeso
## 7     Obeso
## 9     Obeso
## 10    Obeso
## 11    Obeso
## 12    Obeso
## 13    Obeso
## 14    Obeso

Ordenar base de datos según nombre

Dat_Med3 %>% arrange(Dat_Med3, nombre)

##                             nombre edad sexo peso altura colesterol      IMC
## 1          Antonio Fernández Ocaña   51    H   62   1.72        276 36.04651
## 2                Antonio Ruiz Cruz   68    H   66   1.74        249 37.93103
## 3              Carmen López Pinzón   35    M   65   1.70        200 38.23529
## 4            Carolina Rubio Moreno   20    M   61   1.77        194 34.46328
## 5            Javier Garcia Sánchez   24    H   NA   1.81        191       NA
## 6     José Luis Martínez Izquierdo   18    H   85   1.79        182 47.48603
## 7                  José María Sanz   58    H   78   1.87        198 41.71123
## 8            Macarena Álvarez Luna   53    M   55   1.62        262 33.95062
## 9             Marisa López Collado   46    M   51   1.58        148 32.27848
## 10 Miguel Angel Cuadrado Gutiérrez   27    H  109   1.98        210 55.05051
## 11            Pedro Gálvez Tenorio   35    H   90   1.94        241 46.39175
## 12           Pilar Martín González   22    M   60   1.66         NA 36.14458
## 13                  Rosa Díaz Díaz   32    M   65   1.73        232 37.57225
## 14         Santiago Reillo Manzano   46    H   75   1.85        280 40.54054
##    Obesidad
## 1     Obeso
## 2     Obeso
## 3     Obeso
## 4     Obeso
## 5      <NA>
## 6     Obeso
## 7     Obeso
## 8     Obeso
## 9     Obeso
## 10    Obeso
## 11    Obeso
## 12    Obeso
## 13    Obeso
## 14    Obeso

Base de datos con solo Mujeres

Dat_MedM <- Dat_Med3 %>% filter(sexo == "M")
View(Dat_MedM)

Base de datos con Hombres > 30 años

Dat_MedH30 <- Dat_Med3 %>% filter(sexo == "H", edad>30)
View(Dat_MedH30)

Base de datos anónima

Dat_MedA <- Dat_Med3 %>% select(-nombre)
View(Dat_MedA)

Practica 1

Isabela Puga, Anna Gonzalez

2026-02-21

‘Ejercicio 1:’

1. Crear un data frame con los datos de la tabla.

2. Adjunta una nueva columna denominada impuestos.

3. Crea una nueva fila con los datos de Agosto provistos.

4. Cambia los ingresos de julio por 50400.

5. Crea una nueva columna con los beneficios de cada mes (ingresos - gastos - impuestos).

6. Crea una nueva columna de tipo factor, que denomines Balance con dos posibles categorias, positivo: si hay beneficios y negativo: si hay perdidas.

7. Filtra el conjunto de datos para quedarse con los nombres de los meses y los beneficios de los meses con balance positivo.

Ejercicio 2

Crear data frame con base de datos

Crear nueva columna

Crear nueva variable

Ordenar data frame

Eliminar datos faltantes

Ordenar base de datos según nombre

Base de datos con solo Mujeres

Base de datos con Hombres > 30 años

Base de datos anónima