Práctico 1 Introducción a R

Derek Corcoran
"06/03, 2018"

En esta Clase

  • R y Rstudio
    • Paneles y como importar datos
    • Que son los paquetes (y a cuales creerles)
    • aprendiendo R desde R
  • Estructuras de datos
    • Vectores, data frames y otros
  • Como filtrar y resumir datos
  • Gráficos
    • histográmas
    • boxplots
    • violin plots

R y RStudio

  • Programa escrito por estadísticos
  • RStudio (IDE para R, Python, C++, etc) facilita su uso
  • extensión en base a paquetes
    • Los mejores publicados en Journal of Statistical Software, Methods in Ecology and Evolution u otro journal
    • Stackoverflow, siempre ver la reputación de los autores
  • Aprendiendo R desde R con Swirl

Estructura de datos

  • Vector: Un conjunto lineal de datos (secuencia génica, serie de tiempo)
  • Matrix: Una tabla con solo números
  • Data Frame: Una tabla donde cada columna tiene un tipo de datos (estándar dorado)
  • List: Aqui podemos meter lo que queramos

data

Vector

  • Secuencia lineal de datos
  • Pueden ser de muchos tipos (numéricos, de carácteres, lógicos, etc.)
  • Ejemplo data(uspop)
  • para crear uno c(1,4,6,7,8)
  • para subsetear un vector se pone el índice entre []
  • uspop[4], uspop[2:10], uspop[c(3,5,8)]

Vector

Data Frame

  • Una tabla, cada columna un tipo de datos (Numérico, lógico, etc)
  • Cada columna un vector
  • Ejemplo data(iris)
  • Para subsetear data.frame[filas,columnas]
  • Ejemplos iris[,3], iris[,“Petal.Length”], iris[2:5,c(1,5)], iris$Petal.Length

DataFrame

Tidy Data

Tidy

  • Cada columna una variable
  • Cada fila una observación

untidy data

plot of chunk unnamed-chunk-1

untidy data

unTidy

tidyverse

Paquete con pocas funciones muy poderosas, trabajaremos con

  • summarize
  • group_by
  • filter
  • %>% pipeline

summarize y group_by

  • summarize resume una variable
  • Group_by reune observaciones según una variable
  • Usadas en conjunto muy poderosas
library(dplyr)
library(knitr)
MEAN <- summarize(iris, MEAN.PETAL = mean(Petal.Length))
kable(MEAN)
MEAN.PETAL
3.758

summarize y group_by (continuado)

library(dplyr)
library(knitr)
MEAN <- group_by(iris, Species)
MEAN <- summarize(MEAN, MEAN.PETAL = mean(Petal.Length))
kable(MEAN)
Species MEAN.PETAL
setosa 1.462
versicolor 4.260
virginica 5.552

Pipeline (%>%)

  • Ahorra líneas, se parte con un data.frame
  • Se agregan funciones de dplyr hasta llegar al resultado deseado
library(dplyr)
library(knitr)
MEAN <- iris %>% group_by(Species) %>% summarize(MEAN.PETAL = mean(Petal.Length))
kable(MEAN)
Species MEAN.PETAL
setosa 1.462
versicolor 4.260
virginica 5.552

Pipeline (%>%) otro ejemplo

library(dplyr)
library(knitr)
MEAN <- iris %>% group_by(Species) %>% summarize_all(mean)
kable(MEAN)
Species Sepal.Length Sepal.Width Petal.Length Petal.Width
setosa 5.006 3.428 1.462 0.246
versicolor 5.936 2.770 4.260 1.326
virginica 6.588 2.974 5.552 2.026

Filter

  • Selecciona según una o más variables
simbolo significado simbolo_cont significado_cont
< Menor que != distinto a
> Mayor que %in% dentro del grupo
== Igual a is.na es NA
>= mayor o igual a !is.na no es NA
<= menor o igual a | & o, y

Ejemplos de filter agregando a lo anterior

library(dplyr)
data("iris")
DF <- iris %>% filter(Species != "versicolor") %>% group_by(Species) %>% summarise_all(funs(mean, sd))
kable(DF)
Species Sepal.Length_mean Sepal.Width_mean Petal.Length_mean Petal.Width_mean Sepal.Length_sd Sepal.Width_sd Petal.Length_sd Petal.Width_sd
setosa 5.006 3.428 1.462 0.246 0.3524897 0.3790644 0.1736640 0.1053856
virginica 6.588 2.974 5.552 2.026 0.6358796 0.3224966 0.5518947 0.2746501

Select

  • Selecciona columnas dentro de un data.frame
library(dplyr)
library(knitr)
data(nasa)
Nasa2 <- as.data.frame(nasa)
Temp <- Nasa2 %>% filter(year != 1995) %>% group_by(year) %>% select(contains("temp")) %>% summarize_all(mean)

kable(Temp)
year surftemp temperature
1996 295.8562 297.1005
1997 296.7291 297.9566
1998 297.1221 298.7028
1999 295.6850 298.1364
2000 295.7263 298.3358

Ejercicios

  • Usando la base de datos storm del paquete tidyverse, calcula la velocidad promedio y diámetro promedio (hu_diameter) de las tormentas declaradas huracanes por año
    • solución:
    • storms %>% filter(status == “hurricane”) %>% select(year, wind, hu_diameter) %>% group_by(year) %>% summarize_all(mean)

Visualización de datos (ggplot2)

  • Paquete de visualización de datos de tidy data.
  • ggplot(data.frame, aes(nombres de columna)).
  • + geom_algo(argumentos, aes(columnas)).
  • + theme_algo() estilo.
  • Personalización de ejes y leyendas.
  • Dos links para aprender mas.
library(ggplot2)
data("diamonds")
ggplot(diamonds, aes(x = carat, y=price)) + geom_point(aes(color = cut)) + theme_classic()

plot of chunk unnamed-chunk-12

Argumentos para geoms

  • color: color de líneas o puntos
  • alpha: transparencia, de 0 (transparente) a 1 (sólido)
  • size: tamaño de puntos
  • pch: típo de punto
  • fill: color dentro de un área (barras, intervalos)

color

library(ggplot2)
data("diamonds")
ggplot(diamonds, aes(x = carat, y=price)) + geom_point(aes(color = cut)) + theme_classic()

plot of chunk unnamed-chunk-13

alpha

library(ggplot2)
data("diamonds")
ggplot(diamonds, aes(x = carat, y=price)) + geom_point(aes(color = cut), alpha = 0.1) + theme_classic()

plot of chunk unnamed-chunk-14

size

library(ggplot2)
data("mtcars")
ggplot(mtcars, aes(x = wt, y=mpg)) + geom_point(aes(size = hp)) + theme_classic()

plot of chunk unnamed-chunk-15

shape

library(ggplot2)
data("diamonds")
ggplot(diamonds, aes(x = carat, y=price)) + geom_point(aes(shape = cut)) + theme_classic()

plot of chunk unnamed-chunk-16

fill

library(dplyr)
d2 <- diamonds %>% filter(clarity == "I1" | clarity == "IF")
ggplot(d2, aes(x = cut, y=price)) + geom_boxplot(aes(fill = clarity)) + theme_classic()

plot of chunk unnamed-chunk-17

Una variable categórica una continua

  • geom_boxplot
  • geom_jitter
  • geom_violin
  • geom_bar

geom_jitter

data("iris")
ggplot(iris, aes(x = Species, y = Petal.Length)) + geom_jitter(aes(color = Species))

plot of chunk unnamed-chunk-18

geom_violin

data("iris")
ggplot(iris, aes(x = Species, y = Petal.Length)) + geom_violin(fill = "red")

plot of chunk unnamed-chunk-19

Se pueden combinar

data("iris")
ggplot(iris, aes(x = Species, y = Petal.Length)) + geom_violin() + geom_jitter(aes(color = Species))

plot of chunk unnamed-chunk-20

Pero el orden importa

data("iris")
ggplot(iris, aes(x = Species, y = Petal.Length)) + geom_jitter(aes(color = Species)) + geom_violin()

plot of chunk unnamed-chunk-21