Actividad1_SebastianVillegas
Sebastián Villegas Olaya A01714719
2026-03-27
R Base
Objetos
Se crean variables básicas (a, b, c) y se les asignan valores numéricos para usarlas posteriormente en cálculos.
a <- 1
b <- 1
c <- -1El espacio de trabajo
Se utiliza ls() para mostrar todos los objetos (variables) que existen actualmente en la memoria de R.
ls()## [1] "a" "b" "c"Funciones
Se exploran funciones como log(), su ayuda (help, ?), sus argumentos (args) y distintas formas de llamarlas. También se prueban operadores básicos como suma y comparación.
log(8)## [1] 2.079442log(a)## [1] 0help("log")
?log
args(log)## function (x, base = exp(1))
## NULLlog(8, base = 2)## [1] 3log(x = 8, base = 2)## [1] 3log(8,2)## [1] 3log(base = 2, x = 8)## [1] 32^3## [1] 8help("+")
?"+"
help(">")
?">"Objetos predefinidos
Se accede a datos y constantes ya incluidas en R, como pi, Inf y conjuntos de datos disponibles con data().
data()
pi## [1] 3.141593Inf+1## [1] InfNombres de variables
Se calculan las soluciones de una ecuación cuadrática usando variables con nombres claros (solution_1, solution_2).
solution_1 <- (-b + sqrt(b^2 - 4*a*c))/ (2*a)
solution_1## [1] 0.618034solution_2 <- (-b - sqrt(b^2 - 4*a*c))/ (2*a)
solution_2## [1] -1.618034Scripts
Se muestra cómo escribir un bloque de código completo para resolver un problema (ecuación cuadrática) paso a paso.
## Código para calcular la solución a la
## ecuación cuadrática de la forma ax^2 + bx + c
## definir las variables
a <- 3
b <- 2
c <- -1
## ahora calcule la solución
(-b + sqrt(b^2 - 4*a*c)) / (2*a)## [1] 0.3333333Tipos de Datos
Clases
Se usa class() para identificar el tipo de dato de una variable.
a <- 2
class(a)## [1] "numeric"Data frames
Se carga un dataset (murders) y se explora su estructura con funciones como str() y head().
library(dslabs)
data(murders)
class(murders)## [1] "data.frame"str(murders)## 'data.frame': 51 obs. of 5 variables:
## $ state : chr "Alabama" "Alaska" "Arizona" "Arkansas" ...
## $ abb : chr "AL" "AK" "AZ" "AR" ...
## $ region : Factor w/ 4 levels "Northeast","South",..: 2 4 4 2 4 4 1 2 2 2 ...
## $ population: num 4779736 710231 6392017 2915918 37253956 ...
## $ total : num 135 19 232 93 1257 ...head(murders)## state abb region population total
## 1 Alabama AL South 4779736 135
## 2 Alaska AK West 710231 19
## 3 Arizona AZ West 6392017 232
## 4 Arkansas AR South 2915918 93
## 5 California CA West 37253956 1257
## 6 Colorado CO West 5029196 65El operador de acceso: $
Permite acceder a columnas específicas de un data frame y analizar sus propiedades (tipo, longitud, etc.).
murders$population## [1] 4779736 710231 6392017 2915918 37253956 5029196 3574097 897934
## [9] 601723 19687653 9920000 1360301 1567582 12830632 6483802 3046355
## [17] 2853118 4339367 4533372 1328361 5773552 6547629 9883640 5303925
## [25] 2967297 5988927 989415 1826341 2700551 1316470 8791894 2059179
## [33] 19378102 9535483 672591 11536504 3751351 3831074 12702379 1052567
## [41] 4625364 814180 6346105 25145561 2763885 625741 8001024 6724540
## [49] 1852994 5686986 563626names(murders)## [1] "state" "abb" "region" "population" "total"pop <- murders$population
length(pop)## [1] 51class(pop)## [1] "numeric"class(murders$state)## [1] "character"z <- 3 == 2
z## [1] FALSEclass(z)## [1] "logical"?ComparisonFactores
Se trabaja con variables categóricas, viendo sus niveles (levels) y reordenándolos según ciertos valores.
class(murders$region)## [1] "factor"levels(murders$region)## [1] "Northeast" "South" "North Central" "West"region <- murders$region
value <- murders$total
region <- reorder(region, value, FUN = sum)
levels(region)## [1] "Northeast" "North Central" "West" "South"Listas
Se crean listas que pueden contener distintos tipos de datos y se accede a sus elementos.
record <- list(name = "Juan Perez",
student_id = 1234,
grades = c(95, 82, 91, 97, 93),
final_grade = "A")
record## $name
## [1] "Juan Perez"
##
## $student_id
## [1] 1234
##
## $grades
## [1] 95 82 91 97 93
##
## $final_grade
## [1] "A"class(record)## [1] "list"record$student_id## [1] 1234record[["student_id"]]## [1] 1234record2 <- list("Juan Perez", 1234)
record2## [[1]]
## [1] "Juan Perez"
##
## [[2]]
## [1] 1234record2[[1]]## [1] "Juan Perez"Matrices
Se crean matrices y se aprende a acceder a sus filas, columnas y subconjuntos.
mat <- matrix(1:12, 4, 3)
mat## [,1] [,2] [,3]
## [1,] 1 5 9
## [2,] 2 6 10
## [3,] 3 7 11
## [4,] 4 8 12mat[2, 3]## [1] 10mat[2, ]## [1] 2 6 10mat[, 3]## [1] 9 10 11 12mat[, 2:3]## [,1] [,2]
## [1,] 5 9
## [2,] 6 10
## [3,] 7 11
## [4,] 8 12mat[1:2, 2:3]## [,1] [,2]
## [1,] 5 9
## [2,] 6 10as.data.frame(mat)## V1 V2 V3
## 1 1 5 9
## 2 2 6 10
## 3 3 7 11
## 4 4 8 12data("murders")
murders[25, 1]## [1] "Mississippi"murders[2:3, ]## state abb region population total
## 2 Alaska AK West 710231 19
## 3 Arizona AZ West 6392017 232Vectores
Se crean vectores numéricos y de texto, se asignan nombres y se analiza su estructura.
codes <- c(380, 124, 818)
codes## [1] 380 124 818country <- c("italy", "canada", "egypt")
country <- c('italy', 'canada', 'egypt')
country## [1] "italy" "canada" "egypt"codes <- c(italy = 380, canada = 124, egypt = 818)
codes## italy canada egypt
## 380 124 818class(codes)## [1] "numeric"names(codes)## [1] "italy" "canada" "egypt"codes <- c("italy" = 380, "canada" = 124, "egypt" = 818)
codes## italy canada egypt
## 380 124 818codes <- c(380, 124, 818)
country <- c("italy","canada","egypt")
names(codes) <- country
codes## italy canada egypt
## 380 124 818Secuencias
Se generan secuencias numéricas usando seq() y el operador :.
seq(1, 10)## [1] 1 2 3 4 5 6 7 8 9 10seq(1, 10, 2)## [1] 1 3 5 7 91:10## [1] 1 2 3 4 5 6 7 8 9 10class(1:10)## [1] "integer"class(seq(1, 10, 0.5))## [1] "numeric"Subconjuntos
Se extraen elementos específicos de vectores mediante índices o nombres.
codes[2]## canada
## 124codes[c(1,3)]## italy egypt
## 380 818codes[1:2]## italy canada
## 380 124codes["canada"]## canada
## 124codes[c("egypt","italy")]## egypt italy
## 818 380Conversión forzada
Se convierten datos de un tipo a otro (por ejemplo, de numérico a carácter).
x <- c(1, "canada", 3)
x## [1] "1" "canada" "3"class(x)## [1] "character"x <- c(1, "canada", 3)
x <- 1:5
y <- as.character(x)
y## [1] "1" "2" "3" "4" "5"as.numeric(y)## [1] 1 2 3 4 5Not available (NA)
Se muestra cómo R maneja valores faltantes o inválidos (NA).
x <- c("1", "b", "3")
as.numeric(x)## Warning: NAs introduced by coercion## [1] 1 NA 3Ordenamientos
sort
Ordena valores de menor a mayor.
library(dslabs)
data(murders)
sort(murders$total)## [1] 2 4 5 5 7 8 11 12 12 16 19 21 22 27 32
## [16] 36 38 53 63 65 67 84 93 93 97 97 99 111 116 118
## [31] 120 135 142 207 219 232 246 250 286 293 310 321 351 364 376
## [46] 413 457 517 669 805 1257order
Devuelve los índices que ordenan un vector, útil para reorganizar datos.
x <- c(31, 4, 15, 92, 65)
sort(x)## [1] 4 15 31 65 92index <- order(x)
x[index]## [1] 4 15 31 65 92x## [1] 31 4 15 92 65order(x)## [1] 2 3 1 5 4murders$state[1:6]## [1] "Alabama" "Alaska" "Arizona" "Arkansas" "California"
## [6] "Colorado"murders$abb[1:6]## [1] "AL" "AK" "AZ" "AR" "CA" "CO"ind <- order(murders$total)
murders$abb[ind]## [1] "VT" "ND" "NH" "WY" "HI" "SD" "ME" "ID" "MT" "RI" "AK" "IA" "UT" "WV" "NE"
## [16] "OR" "DE" "MN" "KS" "CO" "NM" "NV" "AR" "WA" "CT" "WI" "DC" "OK" "KY" "MA"
## [31] "MS" "AL" "IN" "SC" "TN" "AZ" "NJ" "VA" "NC" "MD" "OH" "MO" "LA" "IL" "GA"
## [46] "MI" "PA" "NY" "FL" "TX" "CA"max y which.max
Encuentra el valor máximo y su posición dentro de un conjunto de datos.
max(murders$total)## [1] 1257i_max <- which.max(murders$total)
murders$state[i_max]## [1] "California"rank
Asigna una clasificación numérica a los elementos de un vector según su tamaño.
x <- c(31, 4, 15, 92, 65)
rank(x)## [1] 3 1 2 5 4reciclaje
Explica cómo R recicla valores cuando se operan vectores de diferentes tamaños.
x <- c(1, 2, 3)
y <- c(10, 20, 30, 40, 50, 60, 70)
x+y## Warning in x + y: longer object length is not a multiple of shorter object
## length## [1] 11 22 33 41 52 63 71Aritmética de vectores
Se realizan operaciones matemáticas con vectores completos, como cálculos de tasas o conversiones.
library(dslabs)
data("murders")
murders$state[which.max(murders$population)]## [1] "California"Re-escalar un vector
Se transforman valores (por ejemplo, pulgadas a centímetros o centrarlos en un valor).
inches <- c(69, 62, 66, 70, 70, 73, 67, 73, 67, 70)
inches * 2.54## [1] 175.26 157.48 167.64 177.80 177.80 185.42 170.18 185.42 170.18 177.80inches - 69## [1] 0 -7 -3 1 1 4 -2 4 -2 1Dos vectores
Se realizan operaciones entre dos vectores para obtener nuevos resultados (como tasas).
murder_rate <- murders$total/ murders$population * 100000
murders$abb[order(murder_rate)]## [1] "VT" "NH" "HI" "ND" "IA" "ID" "UT" "ME" "WY" "OR" "SD" "MN" "MT" "CO" "WA"
## [16] "WV" "RI" "WI" "NE" "MA" "IN" "KS" "NY" "KY" "AK" "OH" "CT" "NJ" "AL" "IL"
## [31] "OK" "NC" "NV" "VA" "AR" "TX" "NM" "CA" "FL" "TN" "PA" "AZ" "GA" "MS" "MI"
## [46] "DE" "SC" "MD" "MO" "LA" "DC"Indexación
Permite seleccionar datos específicos dentro de estructuras como vectores o data frames.
library(dslabs)
data("murders")Cómo crear subconjuntos con lógicos
Se filtran datos usando condiciones (por ejemplo, tasas menores a cierto valor).
murder_rate <- murders$total/ murders$population * 100000
ind <- murder_rate < 0.71
ind <- murder_rate <= 0.71
murders$state[ind]## [1] "Hawaii" "Iowa" "New Hampshire" "North Dakota"
## [5] "Vermont"sum(ind)## [1] 5operadores lógicos
Se combinan condiciones con operadores como & para obtener resultados más específicos.
TRUE & TRUE## [1] TRUETRUE & FALSE## [1] FALSEFALSE & FALSE## [1] FALSEwest <- murders$region == "West"
safe <- murder_rate <= 1
ind <- safe & west
murders$state[ind]## [1] "Hawaii" "Idaho" "Oregon" "Utah" "Wyoming"which
Devuelve las posiciones de los elementos que cumplen una condición.
ind <- which(murders$state == "California")
murder_rate[ind]## [1] 3.374138match
Encuentra la posición de valores específicos dentro de un vector.
ind <- match(c("New York", "Florida", "Texas"), murders$state)
ind## [1] 33 10 44murder_rate[ind]## [1] 2.667960 3.398069 3.201360%in%
Verifica si ciertos valores existen dentro de un conjunto de datos.
c("Boston", "Dakota", "Washington") %in% murders$state## [1] FALSE FALSE TRUEmatch(c("New York", "Florida", "Texas"), murders$state)## [1] 33 10 44which(murders$state%in%c("New York", "Florida", "Texas"))## [1] 10 33 44Gráficos básicos
plot
Crea gráficos de dispersión para visualizar relaciones entre variables.
x <- murders$population/ 10^6
y <- murders$total
plot(x, y)
with(murders, plot(population, total))
hist
Genera histogramas para ver la distribución de los datos.
x <- with(murders, total/ population * 100000)
hist(x)
murders$state[which.max(x)]## [1] "District of Columbia"boxplot
Muestra la distribución de datos agrupados mediante diagramas de caja.
murders$rate <- with(murders, total/ population * 100000)
boxplot(rate~region, data = murders)
image
Representa datos en forma de matriz como una imagen de colores.
x <- matrix(1:120, 12, 10)
image(x)
Conceptos básicos de programación
Expresiones condicionales
Se utilizan estructuras if, else e ifelse para ejecutar código dependiendo de condiciones.
a <- 1
if(a!=0){
print(1/a)
} else{
print("No existe inverso multiplicativo para 0")
}## [1] 1library(dslabs)
data(murders)
murder_rate <- murders$total/ murders$population*100000
ind <- which.min(murder_rate)
if(murder_rate[ind] < 0.5){
print(murders$state[ind])
} else{
print("Ningún estado tiene una tasa de homicidios tan baja.")
}## [1] "Vermont"if(murder_rate[ind] < 0.25){
print(murders$state[ind])
} else{
print("Ningún estado tiene una tasa de homicidios tan baja.")
}## [1] "Ningún estado tiene una tasa de homicidios tan baja."a <- 0
ifelse(a > 0, 1/a, NA)## [1] NAa <- c(0, 1, 2, -4, 5)
result <- ifelse(a > 0, 1/a, NA)
data(na_example)
no_nas <- ifelse(is.na(na_example), 0, na_example)
sum(is.na(no_nas))## [1] 0z <- c(TRUE, TRUE, FALSE)
any(z)## [1] TRUEall(z)## [1] FALSECómo definir funciones
Se crean funciones personalizadas para realizar cálculos reutilizables.
avg <- function(x){
s <- sum(x)
n <- length(x)
s/n
}
x <- 1:100
identical(mean(x), avg(x))## [1] TRUEs <- 3
avg(1:10)## [1] 5.5s## [1] 3avg <- function(x, arithmetic = TRUE){
n <- length(x)
ifelse(arithmetic, sum(x)/n, prod(x)^(1/n))
}Namespaces
Permite acceder a funciones específicas de paquetes evitando conflictos de nombres.
search()## [1] ".GlobalEnv" "package:dslabs" "package:stats"
## [4] "package:graphics" "package:grDevices" "package:utils"
## [7] "package:datasets" "package:methods" "Autoloads"
## [10] "package:base"stats::filter## function (x, filter, method = c("convolution", "recursive"),
## sides = 2L, circular = FALSE, init = NULL)
## {
## method <- match.arg(method)
## x <- as.ts(x)
## storage.mode(x) <- "double"
## xtsp <- tsp(x)
## n <- as.integer(NROW(x))
## if (is.na(n))
## stop(gettextf("invalid value of %s", "NROW(x)"), domain = NA)
## nser <- NCOL(x)
## filter <- as.double(filter)
## nfilt <- as.integer(length(filter))
## if (is.na(nfilt))
## stop(gettextf("invalid value of %s", "length(filter)"),
## domain = NA)
## if (anyNA(filter))
## stop("missing values in 'filter'")
## if (method == "convolution") {
## if (nfilt > n)
## stop("'filter' is longer than time series")
## sides <- as.integer(sides)
## if (is.na(sides) || (sides != 1L && sides != 2L))
## stop("argument 'sides' must be 1 or 2")
## circular <- as.logical(circular)
## if (is.na(circular))
## stop("'circular' must be logical and not NA")
## if (is.matrix(x)) {
## y <- matrix(NA, n, nser)
## for (i in seq_len(nser)) y[, i] <- .Call(C_cfilter,
## x[, i], filter, sides, circular)
## }
## else y <- .Call(C_cfilter, x, filter, sides, circular)
## }
## else {
## if (missing(init)) {
## init <- matrix(0, nfilt, nser)
## }
## else {
## ni <- NROW(init)
## if (ni != nfilt)
## stop("length of 'init' must equal length of 'filter'")
## if (NCOL(init) != 1L && NCOL(init) != nser) {
## stop(sprintf(ngettext(nser, "'init' must have %d column",
## "'init' must have 1 or %d columns", domain = "R-stats"),
## nser), domain = NA)
## }
## if (!is.matrix(init))
## dim(init) <- c(nfilt, nser)
## }
## ind <- seq_len(nfilt)
## if (is.matrix(x)) {
## y <- matrix(NA, n, nser)
## for (i in seq_len(nser)) y[, i] <- .Call(C_rfilter,
## x[, i], filter, c(rev(init[, i]), double(n)))[-ind]
## }
## else y <- .Call(C_rfilter, x, filter, c(rev(init[, 1L]),
## double(n)))[-ind]
## }
## tsp(y) <- xtsp
## class(y) <- if (nser > 1L)
## c("mts", "ts")
## else "ts"
## y
## }
## <bytecode: 0x12c6b5438>
## <environment: namespace:stats>dplyr::filter## function (.data, ..., .by = NULL, .preserve = FALSE)
## {
## check_by_typo(...)
## check_not_both_by_and_preserve({
## {
## .by
## }
## }, .preserve)
## UseMethod("filter")
## }
## <bytecode: 0x10c15d828>
## <environment: namespace:dplyr>Ciclos - for
Se utilizan bucles para repetir operaciones varias veces.
compute_s_n <- function(n){
x <- 1:n
sum(x)
}
for(i in 1:5){
print(i)
}## [1] 1
## [1] 2
## [1] 3
## [1] 4
## [1] 5m <- 25
s_n <- vector(length = m) # crea un vector vacío
for(n in 1:m){
s_n[n] <- compute_s_n(n)
}
n <- 1:m
plot(n, s_n)
Vectorización y funcionales
Se aplican funciones a vectores completos de forma eficiente usando herramientas como sapply.
x <- 1:10
sqrt(x)## [1] 1.000000 1.414214 1.732051 2.000000 2.236068 2.449490 2.645751 2.828427
## [9] 3.000000 3.162278y <- 1:10
x*y## [1] 1 4 9 16 25 36 49 64 81 100n <- 1:25
compute_s_n(n)## Warning in 1:n: numerical expression has 25 elements: only the first used## [1] 1x <- 1:10
sapply(x, sqrt)## [1] 1.000000 1.414214 1.732051 2.000000 2.236068 2.449490 2.645751 2.828427
## [9] 3.000000 3.162278n <- 1:25
s_n <- sapply(n, compute_s_n)
s_n## [1] 1 3 6 10 15 21 28 36 45 55 66 78 91 105 120 136 153 171 190
## [20] 210 231 253 276 300 325