Uso de R en el análisis de datos - Caso SURA

Carga y preparación de los datos

library(dplyr)
library(ggplot2)
library(DescTools)
library(rpart)

url <- "https://archive.ics.uci.edu/ml/machine-learning-databases/heart-disease/processed.cleveland.data"
datos <- read.csv(url, header = FALSE, na.strings = "?")
names(datos) <- c("edad", "sexo", "tipo_dolor", "presion_reposo", "colesterol",
                  "glucosa_ayunas", "electro_reposo", "fc_maxima",
                  "angina_ejercicio", "depresion_st", "pendiente_st",
                  "vasos_coloreados", "talasemia", "diagnostico")
datos$enfermedad <- factor(ifelse(datos$diagnostico > 0,
                                  "Con enfermedad", "Sin enfermedad"))
str(datos)

## 'data.frame':    303 obs. of  15 variables:
##  $ edad            : num  63 67 67 37 41 56 62 57 63 53 ...
##  $ sexo            : num  1 1 1 1 0 1 0 0 1 1 ...
##  $ tipo_dolor      : num  1 4 4 3 2 2 4 4 4 4 ...
##  $ presion_reposo  : num  145 160 120 130 130 120 140 120 130 140 ...
##  $ colesterol      : num  233 286 229 250 204 236 268 354 254 203 ...
##  $ glucosa_ayunas  : num  1 0 0 0 0 0 0 0 0 1 ...
##  $ electro_reposo  : num  2 2 2 0 2 0 2 0 2 2 ...
##  $ fc_maxima       : num  150 108 129 187 172 178 160 163 147 155 ...
##  $ angina_ejercicio: num  0 1 1 0 0 0 0 1 0 1 ...
##  $ depresion_st    : num  2.3 1.5 2.6 3.5 1.4 0.8 3.6 0.6 1.4 3.1 ...
##  $ pendiente_st    : num  3 2 2 3 1 1 3 1 2 3 ...
##  $ vasos_coloreados: num  0 3 2 0 0 0 2 0 1 0 ...
##  $ talasemia       : num  6 3 7 3 3 3 3 3 7 7 ...
##  $ diagnostico     : int  0 2 1 0 0 0 3 0 2 1 ...
##  $ enfermedad      : Factor w/ 2 levels "Con enfermedad",..: 2 1 1 2 2 2 1 2 1 1 ...

Ejemplos de sintaxis básica

# Ejemplo 1: objetos y funciones
round(c(media = mean(datos$colesterol),
        mediana = median(datos$colesterol),
        desv_est = sd(datos$colesterol)), 2)

##    media  mediana desv_est 
##   246.69   241.00    51.78

# Ejemplo 2: vectores y operadores lógicos
mayores_55 <- datos$edad > 55
sum(mayores_55)

## [1] 152

sum(datos$edad > 55 & datos$presion_reposo > 140)

## [1] 50

# Ejemplo 3: factores y tablas
table(datos$enfermedad)

## 
## Con enfermedad Sin enfermedad 
##            139            164

tapply(datos$edad, datos$enfermedad, mean)

## Con enfermedad Sin enfermedad 
##       56.62590       52.58537

Paquetes

# dplyr
datos %>%
  group_by(enfermedad) %>%
  summarise(pacientes = n(), edad_prom = round(mean(edad), 1),
            colesterol_prom = round(mean(colesterol), 1),
            fc_max_prom = round(mean(fc_maxima), 1))

## # A tibble: 2 × 5
##   enfermedad     pacientes edad_prom colesterol_prom fc_max_prom
##   <fct>              <int>     <dbl>           <dbl>       <dbl>
## 1 Con enfermedad       139      56.6            252.        139.
## 2 Sin enfermedad       164      52.6            243.        158.

# ggplot2
ggplot(datos, aes(x = enfermedad, y = edad, fill = enfermedad)) +
  geom_boxplot() +
  labs(title = "Edad según presencia de enfermedad cardíaca",
       x = "Diagnóstico", y = "Edad (años)") +
  theme_minimal()

# DescTools
Mode(datos$edad)

## [1] 58
## attr(,"freq")
## [1] 19

Skew(datos$colesterol)

## [1] 1.124285

MeanCI(datos$colesterol, conf.level = 0.95)

##     mean   lwr.ci   upr.ci 
## 246.6931 240.8397 252.5465

# rpart
arbol <- rpart(enfermedad ~ edad + sexo + tipo_dolor + presion_reposo +
                 colesterol + fc_maxima + angina_ejercicio + depresion_st,
               data = datos, method = "class")
plot(arbol, uniform = TRUE, margin = 0.15); text(arbol, cex = 0.7)