1.1 Archivos .txt

Con la función read.table() se puede fácilmente leer archivos de extensión .txt.En el siguiente ejemplo veremos como leer este tipo de archivo desde una dirección web:

df <- read.table(file = "https://s3.amazonaws.com/assets.datacamp.com/blog_assets/test.txt", 
                 header = FALSE)
df

##   V1 V2 V3
## 1  1  6  a
## 2  2  7  b
## 3  3  8  c
## 4  4  9  d
## 5  5 10  e

Idealmente, en el argumento file, se debe pasar solamente el nombre y la extensión del archivo, ya que el working directory ya se debería haber configurado previamente.Al usar esta función, por defecto el objeto se convierte en un dataframe.

1.2 Lectura de .csv

Si un archivo de texto esta separado por “,” o “;”, usualmente se lee como un archivo de extensión .csv.Para esto se utiliza la función read.csv :

df <- read.csv("https://s3.amazonaws.com/assets.datacamp.com/blog_assets/test.csv",
               header = TRUE)

df

##   Col1 Col2 Col3
## 1    1    2    3
## 2    4    5    6
## 3    7    8    9
## 4    a    b    c

1.3 Lectura de un archivo delimitado por otro caracter

Si el archivo de texto está separado por otro caracter que no sea tab, “,” o “;”, existe la función read.delim() como variante a read.table()

df <- read.delim("https://s3.amazonaws.com/assets.datacamp.com/blog_assets/test_delim.txt", sep="$") 


df

##   Col1 Col2 Col3
## 1    1    2    3
## 2    4    5    6
## 3    7    8    9
## 4    a    b    c

1.4 Importar y leer datos de excel

Para los ex amantes de excel, R también provee una forma sencilla y flexible de leer datos en este formato.Para esto vamos a utilizar el paquete readxl para facilitar la manipulación:

#install.packages("readxl")
library(readxl)
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following object is masked from 'package:kableExtra':
## 
##     group_rows

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

setwd("/cloud/project/CursoR/Clase4")

exceldf <- read_excel("DGAC_Tipos de Procedimientos 2017-2018.xlsx")

## New names:
## * `` -> ...15
## * `` -> ...16

head(exceldf)

## # A tibble: 6 x 16
##   `Año` Institucion    Cod `Tipo de proced… `Actualizado al`
##    <dbl> <chr>        <dbl> <chr>            <chr>           
## 1   2017 DIRECCION … 3.01e9 LICITACION PUBL… 30/04/2019 06:0…
## 2   2017 DIRECCION … 3.01e9 LICITACION PUBL… 30/04/2019 06:0…
## 3   2017 DIRECCION … 3.01e9 LICITACION PUBL… 30/04/2019 06:0…
## 4   2017 DIRECCION … 3.01e9 LICITACION PUBL… 30/04/2019 06:0…
## 5   2017 DIRECCION … 3.01e9 LICITACION PUBL… 30/04/2019 06:0…
## 6   2017 DIRECCION … 3.01e9 LICITACION PUBL… 30/04/2019 06:0…
## # … with 11 more variables: `No de procedimiento` <chr>, `Objeto
## #   contractual` <chr>, `Apertura del concurso` <dttm>, `Adjudicacion mas
## #   reciente` <chr>, `Monto adjudicado en colones al año 2017` <chr>,
## #   `Monto adjudicado en colones al corte(*)` <chr>, `Monto
## #   presupuestado` <chr>, Estado <chr>, `ultima modificación` <dttm>,
## #   ...15 <lgl>, ...16 <dbl>

Este paquete a su vez permite realizar algunas otras acciones de manipulación de archivos de excel:

#Leer excel de ejemplo
xls_example <- readxl_example("datasets.xls")
read_excel(xls_example)

## # A tibble: 150 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##           <dbl>       <dbl>        <dbl>       <dbl> <chr>  
##  1          5.1         3.5          1.4         0.2 setosa 
##  2          4.9         3            1.4         0.2 setosa 
##  3          4.7         3.2          1.3         0.2 setosa 
##  4          4.6         3.1          1.5         0.2 setosa 
##  5          5           3.6          1.4         0.2 setosa 
##  6          5.4         3.9          1.7         0.4 setosa 
##  7          4.6         3.4          1.4         0.3 setosa 
##  8          5           3.4          1.5         0.2 setosa 
##  9          4.4         2.9          1.4         0.2 setosa 
## 10          4.9         3.1          1.5         0.1 setosa 
## # … with 140 more rows

#Listar las hojas del excel
excel_sheets(xls_example)

## [1] "iris"     "mtcars"   "chickwts" "quakes"

# Leer una hoja específica por su nombre
read_excel(xls_example, sheet = "chickwts")

## # A tibble: 71 x 2
##    weight feed     
##     <dbl> <chr>    
##  1    179 horsebean
##  2    160 horsebean
##  3    136 horsebean
##  4    227 horsebean
##  5    217 horsebean
##  6    168 horsebean
##  7    108 horsebean
##  8    124 horsebean
##  9    143 horsebean
## 10    140 horsebean
## # … with 61 more rows

# Leer una hoja según su índice
read_excel(xls_example, sheet = 4)

## # A tibble: 1,000 x 5
##      lat  long depth   mag stations
##    <dbl> <dbl> <dbl> <dbl>    <dbl>
##  1 -20.4  182.   562   4.8       41
##  2 -20.6  181.   650   4.2       15
##  3 -26    184.    42   5.4       43
##  4 -18.0  182.   626   4.1       19
##  5 -20.4  182.   649   4         11
##  6 -19.7  184.   195   4         12
##  7 -11.7  166.    82   4.8       43
##  8 -28.1  182.   194   4.4       15
##  9 -28.7  182.   211   4.7       35
## 10 -17.5  180.   622   4.3       19
## # … with 990 more rows

#Leer datos según el rango en diferentes formatos
read_excel(xls_example,sheet = 1, range = "C1:E4")

## # A tibble: 3 x 3
##   Petal.Length Petal.Width Species
##          <dbl>       <dbl> <chr>  
## 1          1.4         0.2 setosa 
## 2          1.4         0.2 setosa 
## 3          1.3         0.2 setosa

read_excel(xls_example, range = cell_rows(1:4))

## # A tibble: 3 x 5
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##          <dbl>       <dbl>        <dbl>       <dbl> <chr>  
## 1          5.1         3.5          1.4         0.2 setosa 
## 2          4.9         3            1.4         0.2 setosa 
## 3          4.7         3.2          1.3         0.2 setosa

read_excel(xls_example, range = cell_cols("B:D"))

## # A tibble: 150 x 3
##    Sepal.Width Petal.Length Petal.Width
##          <dbl>        <dbl>       <dbl>
##  1         3.5          1.4         0.2
##  2         3            1.4         0.2
##  3         3.2          1.3         0.2
##  4         3.1          1.5         0.2
##  5         3.6          1.4         0.2
##  6         3.9          1.7         0.4
##  7         3.4          1.4         0.3
##  8         3.4          1.5         0.2
##  9         2.9          1.4         0.2
## 10         3.1          1.5         0.1
## # … with 140 more rows

read_excel(xls_example, range = "mtcars!B1:D5")

## # A tibble: 4 x 3
##     cyl  disp    hp
##   <dbl> <dbl> <dbl>
## 1     6   160   110
## 2     6   160   110
## 3     4   108    93
## 4     6   258   110

# Si el valor de NA, se encuentra en los datos diferente a espacio vacíos, se pueden configurar valores
# personalizados en la función

read_excel(xls_example, na = "setosa")

## # A tibble: 150 x 5
##    Sepal.Length Sepal.Width Petal.Length Petal.Width Species
##           <dbl>       <dbl>        <dbl>       <dbl> <chr>  
##  1          5.1         3.5          1.4         0.2 <NA>   
##  2          4.9         3            1.4         0.2 <NA>   
##  3          4.7         3.2          1.3         0.2 <NA>   
##  4          4.6         3.1          1.5         0.2 <NA>   
##  5          5           3.6          1.4         0.2 <NA>   
##  6          5.4         3.9          1.7         0.4 <NA>   
##  7          4.6         3.4          1.4         0.3 <NA>   
##  8          5           3.4          1.5         0.2 <NA>   
##  9          4.4         2.9          1.4         0.2 <NA>   
## 10          4.9         3.1          1.5         0.1 <NA>   
## # … with 140 more rows

1.5 Lectura de otros tipos de archivos

A continuación se brinda una guía para la lectura de otro tipo de archivos:

2.1 Concatenación de strings

Vamos a repasar la funcionalidad de paste´y paste0.Estas funciones sirven en esencia para concatenar varios strings.La sintaxis básica es como sigue:

paste(..., sep = " ", collapse = NULL)

• ... representa cualquier número de strings o vectores a ser combinados.

• sep representa el caracter de separación entre elementos y es opcional.

• collapse es usado para eliminar el espacio entre dos strings.

#Crear en una sola columna provincia+ cantón


salud <- salud %>%
  mutate(locacion = paste(PROVINCIA,CANTON,sep="-"),
         locacion2 = str_c(CANTON,DISTRITO, sep = "- "))# El analogo de stringr


kable(head(salud,10)) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))%>%
   scroll_box(width = "900px", height = "500px")

#Se puede usar la función if dentro de str_c

name <- "Felipe"
time_of_day <- "morning"
birthday <- FALSE

str_c(
  "Good ", time_of_day, " ", name,
  if (birthday) " and HAPPY BIRTHDAY",
  "."
)

## [1] "Good morning Felipe."

2.2 Delimitando strings

Dentro de las funcionalidades básicas se encuentran las funciones para “recortar” ciertos strings, según patrones de inicio y finalización:

salud <- salud %>%
  mutate(raizCaso = str_sub(CODIGOCASO,1,3))# El analogo de stringr


kable(head(salud,10)) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))%>%
   scroll_box(width = "900px", height = "500px")

2.3 Convertir de mayúscula a minúscula y viceversa

salud <- salud %>%
  mutate(sexo =  str_to_lower(str_sub(SEXO, 1, 1)))

kable(head(salud,10)) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))%>%
   scroll_box(width = "900px", height = "500px")

2.4 Buscando patrones

En el paquete existen tres funciones que pueden ser utilizadas para buscar patrones específicos en los datos:

• str_detect()
• str_replace()
• str_count()

#str_detect()
# Responde a la pregunta: Contiene el string el patrón ingresado por el usuario?


salud <- salud %>%
  mutate(Hospital =  str_detect(NOMBREESTABLECIMIENTO,"HOSPITAL"))

kable(head(salud,10)) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))%>%
   scroll_box(width = "900px", height = "500px")

#str_count()
# Responde a la pregunta: Cuantas veces el patrón se encuentra en el string?

salud <- salud %>%
  mutate(HOSPITALCount =  str_count(NOMBREESTABLECIMIENTO,"HOSPITAL"))

kable(head(salud,10)) %>%
  kable_styling(bootstrap_options = c("striped", "hover"))%>%
   scroll_box(width = "900px", height = "500px")

#str_replace()
# Reemplaza un patrón si existe match con el string

salud <- salud %>%
  mutate(NOMBREESTABLECIMIENTO =  str_replace(NOMBREESTABLECIMIENTO, "<cd>", ""))

kable(head(salud,10)) %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>%
   scroll_box(width = "900px", height = "500px")

2.5 Partir strings

Otra de las tantas formas de trabajar con strings es cuando un string se debe “partir” en varios en función de algún patrón:

#str_split


nombres <- c("Box, George", "Cox, David")
nombres_split <- str_split(nombres, pattern = fixed(", "), simplify = TRUE)
primer <- nombres_split[, 2]
apellido <- nombres_split[, 1]

primer;apellido

## [1] "George" "David"

## [1] "Box" "Cox"

Ejercicio

1- Recopile los nombres y apellidos de los compañeros de su grupo, en un dataframe en una sola columna.

2- Cambie el vector de nombres de, por ejemplo “Daenarys Acuña” a su forma abreviada “D. Acuña”.

2.6 Expresiones regulares (regex)

Existe una forma muy poderosa de realizar reconocimiento de patrones mediante el lenguaje de expresiones regulares.Combinando expresiones regulares con las funciones del paquete stringr, se puede incrementar el poder de la manipualción de strings exponencialmente.

Vamos a utilizar primero la función str_view , cuya funcionalidad es visualizar el match entre el patrón y el string.Posteriormente se utilizarán las funciones ya revisadas, pero con patrones de regex.

#install.packages("htmlwidgets")

library(htmlwidgets)

# str_view se utiliza para observa el match del patrón
x <- c("apple", "banana", "pear")
str_view(x, "an")

nombre<- str_to_lower(salud$NOMBREESTABLECIMIENTO[1:10])

str_view(nombre,"hospital")

str_view(nombre,"hospital...")

str_view(nombre,"\\.")

diagnostico<-str_trim(str_to_lower(as.character(salud$BASEDIAGNOSTICO[1:10])))

str_view_all(nombre,"^hospital")

str_view_all(diagnostico,"clinica$")

str_view_all(salud$CODIGOCASO[1:10],"\\d")

str_view_all(nombre,"\\s")

str_view_all(nombre,"\\w")

str_view_all(nombre,"[abc]",)

x <- "1888 es el número más largo: MDCCCLXXXVIII"
str_extract(x, "CC?")

## [1] "CC"

str_extract(x, "C+")

## [1] "CCC"

str_extract(x, "XX*")

## [1] "XXX"

x <- "1888 es el número más largo: MDCCCLXXXVIII"
str_extract(x, "CC?")

## [1] "CC"

str_extract(x, "C+")

## [1] "CCC"

str_extract(x, "XX*")

## [1] "XXX"

nombre<- str_to_lower(salud$NOMBREESTABLECIMIENTO[1:20])
str_view_all(nombre, "hospital|area")

# contar la proporción de vocales

nombre

##  [1] "hospital dr. rafael a. calderon guardia"          
##  [2] "hospital monsenor sanabria"                       
##  [3] "hospital san juan de dios"                        
##  [4] "hospital dr. rafael a. calderon guardia"          
##  [5] "hospital san carlos"                              
##  [6] "hospital san juan de dios"                        
##  [7] "hospital dr. rafael a. calderon guardia"          
##  [8] "hospital mexico"                                  
##  [9] "hospital guapiles"                                
## [10] "hospital dr. william allen"                       
## [11] "hospital san juan de dios"                        
## [12] "hospital san juan de dios"                        
## [13] "hospital san juan de dios"                        
## [14] "hospital san juan de dios"                        
## [15] "hospital dr. rafael a. calderon guardia"          
## [16] "area de salud de hatillo (cl. dr. solon nunez f.)"
## [17] "hospital dr. max peralta jimenez"                 
## [18] "hospital san juan de dios"                        
## [19] "hospital mexico"                                  
## [20] "hospital dr. rafael a. calderon guardia"

vocales<-str_count(nombre, "[aeiouAEIOU]")

vocales

##  [1] 14 10  9 14  6  9 14  6  7  8  9  9  9  9 14 14 10  9  6 14

total<- str_length(nombre)

total

##  [1] 39 26 25 39 19 25 39 15 17 26 25 25 25 25 39 49 32 25 15 39

vocales/total

##  [1] 0.3589744 0.3846154 0.3600000 0.3589744 0.3157895 0.3600000 0.3589744
##  [8] 0.4000000 0.4117647 0.3076923 0.3600000 0.3600000 0.3600000 0.3600000
## [15] 0.3589744 0.2857143 0.3125000 0.3600000 0.4000000 0.3589744

# contar la proporción de strings con más de dos vocales seguidos

str_view_all(nombre,"[aeiou]{2,}?")

# Cuantos empiezan con H (Hospital)?
sum(str_detect(salud$NOMBREESTABLECIMIENTO, "^H"))

## [1] 1732

# Cuantos empiezan con A (Area de salud)?
sum(str_detect(salud$NOMBREESTABLECIMIENTO, "^A"))

## [1] 36

# Cuantos empiezan con L (Laboratorio)?
sum(str_detect(salud$NOMBREESTABLECIMIENTO, "^L"))

## [1] 35

# Cuantos son el Hospital Calderón Guardia
length(str_subset(salud$NOMBREESTABLECIMIENTO, "GUARDIA$"))

## [1] 332

#Reemplazar patrones

x <- c("apple", "pear", "banana")
str_replace(x, "[aeiou]", "-")

## [1] "-pple"  "p-ar"   "b-nana"

#> [1] "-pple"  "p-ar"   "b-nana"
str_replace_all(x, "[aeiou]", "-")

## [1] "-ppl-"  "p--r"   "b-n-n-"

#Reemplaza "." por espacio vacío.
head(str_replace_all(salud$NOMBREESTABLECIMIENTO, "[:punct:]", ""),10)

##  [1] "HOSPITAL DR RAFAEL A CALDERON GUARDIA"
##  [2] "HOSPITAL MONSENOR SANABRIA"           
##  [3] "HOSPITAL SAN JUAN DE DIOS"            
##  [4] "HOSPITAL DR RAFAEL A CALDERON GUARDIA"
##  [5] "HOSPITAL SAN CARLOS"                  
##  [6] "HOSPITAL SAN JUAN DE DIOS"            
##  [7] "HOSPITAL DR RAFAEL A CALDERON GUARDIA"
##  [8] "HOSPITAL MEXICO"                      
##  [9] "HOSPITAL GUAPILES"                    
## [10] "HOSPITAL DR WILLIAM ALLEN"

# Ejemplo: Encontrar Sustantivos

head(sentences,20)

##  [1] "The birch canoe slid on the smooth planks."       
##  [2] "Glue the sheet to the dark blue background."      
##  [3] "It's easy to tell the depth of a well."           
##  [4] "These days a chicken leg is a rare dish."         
##  [5] "Rice is often served in round bowls."             
##  [6] "The juice of lemons makes fine punch."            
##  [7] "The box was thrown beside the parked truck."      
##  [8] "The hogs were fed chopped corn and garbage."      
##  [9] "Four hours of steady work faced us."              
## [10] "Large size in stockings is hard to sell."         
## [11] "The boy was there when the sun rose."             
## [12] "A rod is used to catch pink salmon."              
## [13] "The source of the huge river is the clear spring."
## [14] "Kick the ball straight and follow through."       
## [15] "Help the woman get back to her feet."             
## [16] "A pot of tea helps to pass the evening."          
## [17] "Smoky fires lack flame and heat."                 
## [18] "The soft cushion broke the man's fall."           
## [19] "The salt breeze came across from the sea."        
## [20] "The girl at the booth sold fifty bonds."

noun <- "(a|the) ([^\\d ]+)"

has_noun <- sentences %>%
  str_subset(noun) %>%
  head(10)

str_view_all(has_noun,noun)

has_noun %>%
str_extract(noun)

##  [1] "the smooth" "the sheet"  "the depth"  "a chicken"  "the parked"
##  [6] "the sun"    "the huge"   "the ball"   "the woman"  "a helps"