Primeros pasos con dplyr

1. Introduccion

Este es un cuaderno que ilustra las principales funcionalidades de la libreria dplyr:

• mutate() agrega nuevas variables que son funciones de variables existentes.

• select selecciona variables en función de sus nombres.

• filter() Selecciona los casos en función de sus valores

• summarise Reduce múltiples valores a un único resumen.

• arrange cambia el orden de las filas.

• group_by Todas estas funciones se combinan de forma natural lo que permite realizar cualquier operación “por grupo”.

2. Configuracion

Lo primero que vamos a hacer es cargar la libreria

library(dplyr)

3. El conjunto de datos iris

El conjunto de datos iris continene 200 registros de tres especies diferentes de flores del genero iris: Setosa, Virginica y Versicolor

Vamos a importar los datos a nuestro cuaderno

data("iris")

¿Que clase de objeto es iris?

class(iris)

[1] "data.frame"

[1] “data.frame”

Ahora examinenmos los primeros registros:

head(iris)

Ahora miremos los ultimos registros:

tail(iris)

Ahora obtengamos las estadisticas de iris

summary(iris)

  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
 Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
 Median :5.800   Median :3.000   Median :4.350   Median :1.300  
 Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
 3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
 Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
       Species  
 setosa    :50  
 versicolor:50  
 virginica :50  
                
                
                

4. Funcionalidades de dplyr

La funcion filter() selecciona las filas que cumplan una condicion

(iris_filtered <- iris |> 
  filter(Species == "setosa"))

La función select() selecciona variables en función de sus nombres. Vamos a elegir las columnas Sepal.Length y Sepal.Width:

# Seleccionando Columnas
(iris_selected <- iris %>%
  select(Sepal.Length, Sepal.Width))

Ahora, vamos a ordenar las filas utilizando un atributo en particular:

# Ordenando Filas (Ascendente)
(iris_sorted <- iris %>%
  arrange(Sepal.Length))

Nota que las filas se organizan en orden ascendente utilizando la columna que indicamos en el código.

¿Es posible ordenar las filas en orden descendente? Veamos.

# Ordenando Filas (Descendente)
(iris_sorted <- iris %>%
  arrange(desc(Sepal.Length)))

La función mutate() crea nuevas columnas que son funciones de variables ya existentes. También puede modificar (si el nombre es el mismo que el de una columna existente) y eliminar columnas (estableciendo su valor en NULL).

# Mutando (Creando/Modificando Columnas)
(iris_mutated <- iris %>%
  mutate(Petal.Ratio = Petal.Length / Petal.Width))

Asegúrate de revisar los valores de la columna Petal.Ratio en la tabla de arriba.

# Agrupando Datos y Resumiendo Datos
iris_summary <- iris %>%
  group_by(Species) %>%
  summarise(
    Avg.Sepal.Length = mean(Sepal.Length),
    Min.Petal.Width = min(Petal.Width),
    Max.Petal.Length = max(Petal.Length)
  )

5.The pipe

Todas las funciones de dplyr toman un data frame (o tibble) como primer argumento. En lugar de obligar al usuario a guardar objetos intermedios o anidar funciones, dplyr proporciona el operador %>% de magrittr.

x %>% f(y) se transforma en f(x, y), de modo que el resultado de un paso se “conecta” o introduce en el siguiente paso.

Puedes usar the pipe para reescribir múltiples operaciones que puedes leer de izquierda a derecha y de arriba a abajo (leyendo el operador the pipe como “luego”).

La función summarise() calcula un resumen para cada grupo. Esto significa que comienza desde group_keys(), añadiendo la variable de resumen al lado derecho:

Vamos a utilizar el operador the pipe para resumir el conjunto de datos iris.

# Encadenando Operaciones
(iris_result <- iris %>%
  filter(Sepal.Length > 5.0) %>%
  group_by(Species) %>%
  summarise(Avg.Petal.Length = mean(Petal.Length)))

6. Tarea

Escribe un bloque de código para resumir el conjunto de datos iris basándote en la variable Sepal.Width.

sessionInfo()

R version 4.6.1 (2026-06-24 ucrt)
Platform: x86_64-w64-mingw32/x64
Running under: Windows 10 x64 (build 19045)

Matrix products: default
  LAPACK version 3.12.1

locale:
[1] LC_COLLATE=Spanish_Colombia.utf8 
[2] LC_CTYPE=Spanish_Colombia.utf8   
[3] LC_MONETARY=Spanish_Colombia.utf8
[4] LC_NUMERIC=C                     
[5] LC_TIME=Spanish_Colombia.utf8    

time zone: America/Bogota
tzcode source: internal

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods  
[7] base     

other attached packages:
[1] dplyr_1.2.1

loaded via a namespace (and not attached):
 [1] digest_0.6.39     R6_2.6.1          fastmap_1.2.0    
 [4] tidyselect_1.2.1  xfun_0.62         magrittr_2.0.5   
 [7] glue_1.8.1        tibble_3.3.1      knitr_1.52       
[10] pkgconfig_2.0.3   htmltools_0.5.9   rmarkdown_2.32   
[13] generics_0.1.4    lifecycle_1.0.5   cli_3.6.6        
[16] vctrs_0.7.3       withr_3.0.3       compiler_4.6.1   
[19] rstudioapi_0.19.0 tools_4.6.1       pillar_1.11.1    
[22] evaluate_1.0.5    yaml_2.3.12       rlang_1.3.0      

7. Explorando los Datos con glimpse()

La función glimpse() proporciona un vistazo rápido a la estructura de un conjunto de datos. Muestra las variables en filas (en lugar de columnas), su tipo de dato y los primeros valores disponibles:

# Obteniendo un vistazo de los datos
iris %>% glimpse()

Rows: 150
Columns: 5
$ Sepal.Length <dbl> 5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.4, 4…
$ Sepal.Width  <dbl> 3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2.9, 3…
$ Petal.Length <dbl> 1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.4, 1…
$ Petal.Width  <dbl> 0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0.2, 0…
$ Species      <fct> setosa, setosa, setosa, setosa, setosa, setosa…