- Creamos un conjunto de datos con treinta observaciones (15 para
hombres, 15 para mujeres) para seis variables:
| Identificador |
Id |
carácter |
| Edad |
Edad |
numérica |
| Genero |
Gene |
1 = mujer, 2 = hombre |
| Tratamiento |
Trat |
Factor. Tres tipos (A, B, C) |
| Peso |
Peso |
numérica (en kg) |
| Estatura |
Alt |
numérica (en cm) |
#Creamos las variables de nuestro dataframe
set.seed(784)
Id <- as.character(1:30)
Edad <- sample(18:65, size = 30, replace = TRUE) #Usamos sample para generar
Genero <- as.factor(sample(1:2, size = 30, replace = TRUE))
Tratamiento <- as.factor(sample(c("A", "B", "C"), size = 30, replace = TRUE))
Peso <- sample(seq(50, 90, by=0.1), size = 30, replace = FALSE)
Estatura <- sample(seq(150, 190), size = 30, replace = FALSE)
personas <- data.frame(Id, Edad, "Gene" = Genero, "Trat" = Tratamiento, Peso,
"Alt" = Estatura)
- Hacemos un summary() de nuestro conjunto de datos:
summary(personas)
## Id Edad Gene Trat Peso
## Length:30 Min. :18.00 1:19 A: 6 Min. :51.70
## Class :character 1st Qu.:35.00 2:11 B:11 1st Qu.:60.40
## Mode :character Median :46.50 C:13 Median :70.30
## Mean :44.63 Mean :69.63
## 3rd Qu.:57.00 3rd Qu.:77.45
## Max. :62.00 Max. :88.70
## Alt
## Min. :151.0
## 1st Qu.:159.2
## Median :166.5
## Mean :169.0
## 3rd Qu.:179.8
## Max. :189.0
- Creamos una variable “IMC” calculando dicho índice y lo incluimos en
el conjunto de datos original:
#Calculamos el IMC
IMC <- personas$Peso/(personas$Alt/100)^2
personas <- data.frame(personas, IMC) #Unimos ambos dataframes
personas
## Id Edad Gene Trat Peso Alt IMC
## 1 1 59 1 B 58.6 177 18.70471
## 2 2 18 1 A 72.3 157 29.33182
## 3 3 35 2 B 70.5 159 27.88656
## 4 4 59 1 B 75.8 161 29.24270
## 5 5 54 1 A 87.5 160 34.17969
## 6 6 36 2 C 65.3 151 28.63909
## 7 7 44 1 C 88.7 183 26.48631
## 8 8 45 1 B 63.7 189 17.83265
## 9 9 47 1 B 56.5 179 17.63366
## 10 10 31 2 B 78.0 162 29.72108
## 11 11 53 1 A 51.7 165 18.98990
## 12 12 60 2 C 65.1 156 26.75049
## 13 13 50 1 C 84.5 155 35.17170
## 14 14 22 1 C 65.2 153 27.85254
## 15 15 54 1 A 78.4 184 23.15690
## 16 16 59 1 C 52.0 167 18.64534
## 17 17 30 2 B 54.8 176 17.69112
## 18 18 31 1 B 86.3 188 24.41716
## 19 19 54 2 B 59.3 182 17.90243
## 20 20 49 1 C 53.7 166 19.48759
## 21 21 46 2 A 52.6 171 17.98844
## 22 22 58 1 A 74.6 174 24.63998
## 23 23 59 1 C 79.0 152 34.19321
## 24 24 35 2 C 75.5 180 23.30247
## 25 25 60 1 C 68.1 186 19.68436
## 26 26 33 2 C 74.2 163 27.92728
## 27 27 40 1 C 70.1 154 29.55810
## 28 28 35 2 B 72.4 185 21.15413
## 29 29 62 2 B 68.5 164 25.46847
## 30 30 21 1 C 86.0 170 29.75779
- Creamos dos conjuntos de datos diferentes, separando a hombres y
mujeres:
#Ahora separamos a hombres y mujeres
Df_Mujeres <- subset(personas, personas$Gene == 1)
Df_Hombres <- subset(personas, personas$Gene == 2)
Df_Mujeres
## Id Edad Gene Trat Peso Alt IMC
## 1 1 59 1 B 58.6 177 18.70471
## 2 2 18 1 A 72.3 157 29.33182
## 4 4 59 1 B 75.8 161 29.24270
## 5 5 54 1 A 87.5 160 34.17969
## 7 7 44 1 C 88.7 183 26.48631
## 8 8 45 1 B 63.7 189 17.83265
## 9 9 47 1 B 56.5 179 17.63366
## 11 11 53 1 A 51.7 165 18.98990
## 13 13 50 1 C 84.5 155 35.17170
## 14 14 22 1 C 65.2 153 27.85254
## 15 15 54 1 A 78.4 184 23.15690
## 16 16 59 1 C 52.0 167 18.64534
## 18 18 31 1 B 86.3 188 24.41716
## 20 20 49 1 C 53.7 166 19.48759
## 22 22 58 1 A 74.6 174 24.63998
## 23 23 59 1 C 79.0 152 34.19321
## 25 25 60 1 C 68.1 186 19.68436
## 27 27 40 1 C 70.1 154 29.55810
## 30 30 21 1 C 86.0 170 29.75779
Df_Hombres
## Id Edad Gene Trat Peso Alt IMC
## 3 3 35 2 B 70.5 159 27.88656
## 6 6 36 2 C 65.3 151 28.63909
## 10 10 31 2 B 78.0 162 29.72108
## 12 12 60 2 C 65.1 156 26.75049
## 17 17 30 2 B 54.8 176 17.69112
## 19 19 54 2 B 59.3 182 17.90243
## 21 21 46 2 A 52.6 171 17.98844
## 24 24 35 2 C 75.5 180 23.30247
## 26 26 33 2 C 74.2 163 27.92728
## 28 28 35 2 B 72.4 185 21.15413
## 29 29 62 2 B 68.5 164 25.46847
- Finalmente, volvemos a unir los conjuntos de datos en el mismo
utilizando la función rbind():
#Combinamos los dataframes separados de nuevo
personas2 <- rbind(Df_Mujeres, Df_Hombres)
personas2
## Id Edad Gene Trat Peso Alt IMC
## 1 1 59 1 B 58.6 177 18.70471
## 2 2 18 1 A 72.3 157 29.33182
## 4 4 59 1 B 75.8 161 29.24270
## 5 5 54 1 A 87.5 160 34.17969
## 7 7 44 1 C 88.7 183 26.48631
## 8 8 45 1 B 63.7 189 17.83265
## 9 9 47 1 B 56.5 179 17.63366
## 11 11 53 1 A 51.7 165 18.98990
## 13 13 50 1 C 84.5 155 35.17170
## 14 14 22 1 C 65.2 153 27.85254
## 15 15 54 1 A 78.4 184 23.15690
## 16 16 59 1 C 52.0 167 18.64534
## 18 18 31 1 B 86.3 188 24.41716
## 20 20 49 1 C 53.7 166 19.48759
## 22 22 58 1 A 74.6 174 24.63998
## 23 23 59 1 C 79.0 152 34.19321
## 25 25 60 1 C 68.1 186 19.68436
## 27 27 40 1 C 70.1 154 29.55810
## 30 30 21 1 C 86.0 170 29.75779
## 3 3 35 2 B 70.5 159 27.88656
## 6 6 36 2 C 65.3 151 28.63909
## 10 10 31 2 B 78.0 162 29.72108
## 12 12 60 2 C 65.1 156 26.75049
## 17 17 30 2 B 54.8 176 17.69112
## 19 19 54 2 B 59.3 182 17.90243
## 21 21 46 2 A 52.6 171 17.98844
## 24 24 35 2 C 75.5 180 23.30247
## 26 26 33 2 C 74.2 163 27.92728
## 28 28 35 2 B 72.4 185 21.15413
## 29 29 62 2 B 68.5 164 25.46847