Ejercicios y casos prácticos con R

Ejercicio 1:

Utilizando las funciones citadas en este Laboratorio,comprobad qué paquetes tenéis instalados en vuestra versión de RStudio e instalad el paquete MASS y el paquete Survival y comprobad la información que contienen. Buscad información sobre el paquete Rcmdr (R Commander) desde la consola.

library() # Para mostrar los paquetes instalados.
install.packages("MASS")
install.packages("survival")
??Rcmdr # Para mostrar información sobre el comando especificado.

Ejercicio 2:

Importad un archivo de texto y buscad un summary() de tres variables que escojáis.

mimtitles <- read.csv("C:/Users/jreci/OneDrive/Escritorio/Máster Bio/Herramientas/PEC2/mimTitles.txt", sep = "\t", comment.char = "#", fill = TRUE, quote = "", header = TRUE)
View(mimtitles)
head(mimtitles)
summary(mimtitles)

Importad un archivo “.csv” y buscad un fivenum() de dos variables que os parezcan relevantes para el estudio.

data <- read.csv("C:/Users/jreci/OneDrive/Escritorio/data.csv", sep = ",", header = TRUE)
View(data)
head(data)
summary(data)
fivenum(data$EntitySalary)
fivenum(dataEntityLivingCost)

Ejercicio 3:

A partir del conjunto de datos anorexia del paquete MASS, que corresponden a los datos de cambio de peso de pacientes jóvenes con anorexia, mostrad los tipos de datos que contiene y comprobad si existen valores NA y NULL. Para la variable Treat, transformad los valores “CBT”, “Cont” y “FT” en “Cogn Beh Tr”, “Contr” y “Fam Tr”, respectivamente.

library("MASS")
data("anorexia")
head(anorexia)
View(anorexia)
table(is.na(anorexia)) # Buscar valores perdidos (NA)
table(is.null(anorexia)) # Ver si *anorexia* es NULL
anorexia_F <- factor(anorexia$Treat, levels=c("CBT","Cont","FT"), labels=c("Cogn Beh Tr","Contr","Fam Tr"))
anorexia_F

Ejercicio 4:

Exportad los datos biopsy del paquete MASS a un archivo “.csv.”

library("MASS")
data("biopsy")
head("biopsy")
write.csv(biopsy, file="C:/Users/jreci/OneDrive/Escritorio/Máster Bio/Software para el análisis de datos/R1/biopsy.csv")

Exportad los datos melanoma del paquete MASS a archivos de tres diferentes formatos y comprobad que se han creado los diferentes archivos en los formatos y las rutas especificados. Podéis generar una captura de pantalla de su ubicación en la carpeta.

library(MASS)
data("Melanoma")
write.csv(Melanoma, file="C:/Users/jreci/OneDrive/Escritorio/Máster Bio/Software para el análisis de datos/R1/melanoma.csv")
write.table(Melanoma, file="C:/Users/jreci/OneDrive/Escritorio/Máster Bio/Software para el análisis de datos/R1/melanoma.txt")
write.xlsx(Melanoma, file="C:/Users/jreci/OneDrive/Escritorio/Máster Bio/Software para el análisis de datos/R1/melanoma.xlsx")

Generad un resumen (summary) de la variable age de melanoma y guardad la salida que os aparece en un documento .doc.

library(MASS)
data("Melanoma")
agemelanoma = summary(Melanoma$age)
capture.output(agemelanoma, file="C:/Users/jreci/OneDrive/Escritorio/Máster Bio/Software para el análisis de datos/R1/agemelanoma.doc")

Buscad un data frame en algún repositorio de datos de Biomedicina, descargad un conjunto de datos en “.csv” e importad este fichero a un documento R Markdown usando el código o el menú de importación de R Studio.

El archivo usado se encuentra en hbiostat.org/data.

library(readr)
stressEcho <- read.csv("C:/Users/jreci/OneDrive/Escritorio/Máster Bio/Software para el análisis de datos/R1/stressEcho.csv")
View(stressEcho)

Ejercicio 5:

En el siguiente ejemplo veremos cómo utilizar diferentes operadores sobre el conjunto de datos birthwt, así como también algunas funciones que nos permiten obtener más información de las variables.

library(MASS)
data("birthwt")
View(birthwt)
head(birthwt)

¿Cuál es la edad máxima de las madres del conjunto de datos?

max(birthwt$age)

¿Cuál es la edad mínima de las madres del conjunto de datos?

min(birthwt$age)

¿Cuál es el rango de edad de las madres?

rank <-max(birthwt$age)-min(birthwt$age)
rank

¿Fumaba la madre cuyo recién nacido era el de menor peso?

birthwt$smoke[birthwt$bwt==min(birthwt$bwt)]

¿Cuánto pesó el recién nacido cuya madre tenía la edad máxima?

birthwt$bwt[birthwt$age==max(birthwt$age)]

Listad los pesos de los recién nacidos, cuyas madres visitarán menos de dos veces al médico durante el primer trimestre.

birthwt$bwt[birthwt$ftv<2]

Ejercicio 6:

A partir del conjunto de datos anorexia trabajado en apartados anteriores, cread una matriz que tenga como columnas los valores de Prewt y Postwt, y cada fila sean los valores correspondientes para cada posición.

library(MASS)
data(anorexia)
matr_anorexia<-matrix(c(anorexia$Prewt,anorexia$Postwt),ncol=2)
head(matr_anorexia)

Ejercicio 7:

Copia el código siguiente en tu consola para generar un data frame con veinticinco registros y seis variables, y responde a los siguientes apartados:

Identificador <-
c("I1","I2","I3","I4","I5","I6","I7","I8","I9","I10","I11","I12","I13","I14",
"I15","I16","I17","I18","I19","I20","I21","I22","I23","I24","I25")
Edad <-
c(23,24,21,22,23,25,26,24,21,22,23,25,26,24,22,21,25,26,24,21,25,27,26,22,29)
Sexo <-c(1,2,1,1,1,2,2,2,1,2,1,2,2,2,1,1,1,2,2,2,1,2,1,1,2) #1 para mujeres y 2 para hombres
Peso <-
c(76.5,81.2,79.3,59.5,67.3,78.6,67.9,100.2,97.8,56.4,65.4,67.5,87.4,99.7,87.6
,93.4,65.4,73.7,85.1,61.2,54.8,103.4,65.8,71.7,85.0)
Alt <-
c(165,154,178,165,164,175,182,165,178,165,158,183,184,164,189,167,182,179,165
,158,183,184,189,166,175) #altura en cm
Fuma <-
c("SÍ","NO","SÍ","SÍ","NO","NO","NO","SÍ","SÍ","SÍ","NO","NO","SÍ","SÍ","SÍ",
"SÍ","NO","NO","SÍ","SÍ","SÍ","NO","SÍ","NO","SÍ")
Trat_Pulmon <- data.frame(Identificador,Edad,Sexo,Peso,Alt,Fuma)
Trat_Pulmon

Seleccionad los registros con edad >22.

selec1<- subset(Trat_Pulmon, Edad >22)
selec1

Seleccionad el elemento 3 de la columna 4 del conjunto de datos (contando el identificador).

selec2 <- Trat_Pulmon[3, 4]
selec2

Usad el comando subset() para seleccionar todas las filas que tienen una edad menor que 27 años y sin incluir la columna Alt.

selec3 <- subset(Trat_Pulmon, Edad <27, select = -c(Alt))
selec3

Ejercicio 8:

Incorporad el dataset ChickWeight que contiene información sobre el peso de 578 pollitos en gramos (weight), el tiempo desde la medición al nacer (Time), una variable identificadora de cada pollito (Chick) a partir del rango de peso y una variable factor con el tipo de dieta experimental que cada pollito recibió (Diet). a) Incorporad el conjunto de datos ChickWeight del paquete datasets a vuestro entorno de trabajo,

library(datasets)
data.frame(ChickWeight)
head(ChickWeight)

Generad un gráfico de dispersión de la variable weight.

plot(ChickWeight$weight, col=blues9, main="Gráfico 1")

Cread un diagrama de caja con la variable Time.

boxplot(ChickWeight$Time, col="yellow", main="Gráfico 2")

Para más información sobre ChickWeight: https://rdrr.io/r/datasets/ChickWeight.html

Ejercicio 9:

A partir del conjunto de datos anorexia del paquete MASS, cread otro data frame que se llame anorexia_treat_df formado por Treat y por un vector nuevo calculado a partir de la diferencia Prewt-Postwt. De esta manera, nos quedará un data frame que contenga el tipo de tratamiento y el valor del peso ganado o perdido después de haber realizado el tratamiento. Seleccionad aquellos individuos que han ganado peso después del tratamiento y cread un nuevo conjunto llamado anorexia_treat_C_df que contenga solo los datos de aquellos que han seguido el tratamiento “Cont” y que han ganado peso después del tratamiento.

## cargamos los valores de *anorexia*
library(MASS)
post_pre_v<-c(anorexia$Postwt-anorexia$Prewt)
post_pre_v

## creamos el conjunto de datos a partir del vector del pre-post
anorexia_treat_df<-data.frame(anorexia,post_pre_v)
head(anorexia_treat_df)

## seleccionamos los elementos que han seguido el tratamiento
anorexia_treat_C_df<-
subset(anorexia_treat_df,anorexia_treat_df$Treat=="Cont"&anorexia_treat_df$post_pre_v>0)
head(anorexia_treat_C_df)

Ejercicio 10:

Entrad en RPubs y registraros. Crearos un perfil y subid un documento R Markdown. Los prerequisitos son tener instalado R y RStudio (v0.96.230 o más), y el paquete knitr (v0.5 o más). Pasos que tenéis que seguir para publicar vuestro documento: 1) En RStudio, cread un documento RMarkdown. 2) Generad el documento con Knit. 3) En la ventana de previsualización, clicad el botón de publicar. Como solución de vuestro ejercicio, copiad el enlace de vuestra página de prueba de RPubs. Enlace:

LAB1: Introducción al lenguaje R, Rstudio y R Markdown