dplyr es un paquete de R que permite realizar la preparación necesaria de los datos para su posterior análisis estadístico. Contiene una serie de funciones bastante sencillas a la lectura que gramaticalmente tienen bastantes similitudes al lenguaje SQL, proveyendo una serie de verbos que ayudan a preparar los datos para su análisis.
Para instalar y cargar la librería al ambiente de trabajo, solo es necesario utilizar las siguientes funciones:
install.packages('dplyr')
library(dplyr)Primero, para leer y cargar los datos de un archivo con formato .csv hacemos uso del paquete readr.
iris <- readr::read_csv('data/iris.csv')Esto almacená en nuestro ambiente una variable llamada “iris” que tendrá una estructura de data frame que es un arreglo que emula el comportamiento de una matriz de datos en el que las variables se representan por columnas y las observaciones por filas. Podemos echar un vistazo a los datos al ejecutar en la consola el nombre del data frame.
iris## # 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 rowsLos verbos principales de dplyr permiten manejar las estructuras de datos con una sintaxis fácilmente comprensible que busca asemejarse a la descripción del procesamiento de los datos antes de convertirse en macrodatos. Los verbos o funciones más importantes son los siguientes:
select():Permite seleccionar o dejar seleccionar columnas específicas de acuerdo a sus nombres en el orden en el que sean expresados los argumentos de la función inmediatamente siguientes al data frame objetivo que es expresado como primer argumento. Podría establecerse una equivalencia en SQL con la sentencia SELECT.
library(dplyr)
select(iris, Species, Sepal.Length)## # A tibble: 150 x 2
## Species Sepal.Length
## <chr> <dbl>
## 1 setosa 5.1
## 2 setosa 4.9
## 3 setosa 4.7
## 4 setosa 4.6
## 5 setosa 5
## 6 setosa 5.4
## 7 setosa 4.6
## 8 setosa 5
## 9 setosa 4.4
## 10 setosa 4.9
## # … with 140 more rowsTambién, es posible seleccionar todas las columnas excepto las que sean especificadas agregando un - en las variables que se desean excluir. Por ejemplo:
library(dplyr)
select(iris, -Species, -Sepal.Length)## # 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 rowsfilter():Permite mostrar o dejar de mostrar registros o filas en el dataframe que cumplan con una expresión lógica, en donde se mostrarán los valores que cumplan con esa condición. Puede establecerse una equivalencia en SQL con la sentencia WHERE. El segundo argumento será constituido por la expresión lógica que deben cumplir los registros para ser mostrados, para la cual se utilizarán los operadores lógicos para realizar diferentes combinaciones de posibles valores. Los operadores lógicos son:
|.&.Luego, es posible utilizar los operadores relacionales para evaluar si las variables pertenecen a determinados intervalos o si toman determinados valores puntuales. Es posible utilizar los siguientes operadores realaciones.
== ó !=> ó <.>= ó <=.Por ejemplo, si quisiéramos seleccionar solo las variables “Species” del tipo “vesicolor” y las flores cuyas “Petal.Lenght” sean mayor a 4.9, tendríamos entonces:
filter(iris, Species=='versicolor' & Petal.Length > 4.9)## # A tibble: 2 x 5
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## <dbl> <dbl> <dbl> <dbl> <chr>
## 1 6.7 3 5 1.7 versicolor
## 2 6 2.7 5.1 1.6 versicolorgroup_by():Permite agrupar todas las observaciones del data frame de acuerdo a las variables categóricas que se especifique. Esta función por lo general es utilizada en la práctica de manera conjunta con una función de agregación como lo son, por ejemplo sum(), sd(), mean(), entre otras.
summarise():Como su nombre lo indica, sumariza múltiples valores en medidas de resumen como lo son las estadísticas descriptivas. Puede ser utilizada por sí sola o seguda de la función group_by() para calcular estadísticas según las variables categóricas que se señalen.
Por ejemplo, si quisiéramos conocer cuál es el promedio del ancho del pétalo de las rosas y cuántas diferentes especies hay:
summarise(iris,
mean_petal_width=mean(Petal.Width), count_distinct_species=n_distinct(Species)
)## # A tibble: 1 x 2
## mean_petal_width count_distinct_species
## <dbl> <int>
## 1 1.20 3Otro ejemplo está en si se quisiera conocer cuál es el promedio de la longitud del pétalo para cada uno de los tipos de especies:
summarise(group_by(iris, Species), mean_petal_length=mean(Petal.Length))## # A tibble: 3 x 2
## Species mean_petal_length
## <chr> <dbl>
## 1 setosa 1.46
## 2 versicolor 4.26
## 3 virginica 5.55arrange()Utilizada para ordenar registros de acuerdo a valores de una o varias variables. Los valores son ordenados de acuerdo en el orden en el que son definidos los argumentos de la función arrange, y por defecto, son ordenados de manera ascendente.
Si utilizáramos el ejemplo anterior para conocer cuál es la especie cuya longitud del pétalo es menor, podríamos utilizar.
arrange(
summarise(group_by(iris, Species),
mean_petal_length=mean(Petal.Length)
),
mean_petal_length
)## # A tibble: 3 x 2
## Species mean_petal_length
## <chr> <dbl>
## 1 setosa 1.46
## 2 versicolor 4.26
## 3 virginica 5.55Por otro lado, también es posible utilizar la función dplyr::top_n() cuyo argumento mostrará las primeras filas de un data frame.
mutate():Añade una nueva variable o columna al data frame basada en aplicar funciones a las variables existentes sin que esto represente la agregación de los registros.
Por ejemplo, si quisiéramos crear una variable llamada greater_smaller que tome el valor “Greater than 4.6” cuando la variable Sepal.Lenght sea mayor que 4.6 y que tome el valor “Other case” en cualquier otro caso, podríamos hacer uso de:
mutate(
iris, greater_smaller=case_when(
Sepal.Length > 4.6 ~ 'Greater than 4.6',
TRUE ~ 'Other case')
)## # A tibble: 150 x 6
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species greater_smaller
## <dbl> <dbl> <dbl> <dbl> <chr> <chr>
## 1 5.1 3.5 1.4 0.2 setosa Greater than 4.6
## 2 4.9 3 1.4 0.2 setosa Greater than 4.6
## 3 4.7 3.2 1.3 0.2 setosa Greater than 4.6
## 4 4.6 3.1 1.5 0.2 setosa Other case
## 5 5 3.6 1.4 0.2 setosa Greater than 4.6
## 6 5.4 3.9 1.7 0.4 setosa Greater than 4.6
## 7 4.6 3.4 1.4 0.3 setosa Other case
## 8 5 3.4 1.5 0.2 setosa Greater than 4.6
## 9 4.4 2.9 1.4 0.2 setosa Other case
## 10 4.9 3.1 1.5 0.1 setosa Greater than 4.6
## # … with 140 more rowsObservemos que en este último ejemplo en particular, comenzamos a tener ciertos problemas para leer las funciones que están siendo ejecutadas debido las funciones anidadas. Las funciones anidadas son especialmente frecuentes en softwares como Microsoft Excel, en las que se pueden utilizar funciones como argumentod de otras funciones. Esto representa un verdadero problema de legibilidad en el código, dificultando su mantenimiento futuro. dplyr provee de una herramienta que elimina las funciones anidadas, mejorando considerablemente la lectura del código.
El operador de tubería “pipe” %>% un operador del paquete magrittr y es cargado automáticamente al ejecutar library(dplyr) en el ambiente de trabajo. Permite conectar múltiples funciones y hacerlas funcionar de manera conjunta. Es particularmente útil para evitar la anidación de funciones.
Su funcionamiento consiste en pasar como primer argumento de la función a la derecha del operador, el colocado a la izquierda del mismo. Es decir, de manera matemática:
x %>% f(y) es equivalente a f(x, y)x %>% f(y) %>% g(z) es equivalente a g(f(x, y), z)Entonces, en caso del ejemplo anterior en el que se utilizó la función mutate(), el código puede escribirse de una mejor forma:
iris %>%
mutate(
greater_smaller=case_when(
Sepal.Length > 4.6 ~ 'Greater than 4.6',
TRUE ~ 'Other case')
)## # A tibble: 150 x 6
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species greater_smaller
## <dbl> <dbl> <dbl> <dbl> <chr> <chr>
## 1 5.1 3.5 1.4 0.2 setosa Greater than 4.6
## 2 4.9 3 1.4 0.2 setosa Greater than 4.6
## 3 4.7 3.2 1.3 0.2 setosa Greater than 4.6
## 4 4.6 3.1 1.5 0.2 setosa Other case
## 5 5 3.6 1.4 0.2 setosa Greater than 4.6
## 6 5.4 3.9 1.7 0.4 setosa Greater than 4.6
## 7 4.6 3.4 1.4 0.3 setosa Other case
## 8 5 3.4 1.5 0.2 setosa Greater than 4.6
## 9 4.4 2.9 1.4 0.2 setosa Other case
## 10 4.9 3.1 1.5 0.1 setosa Greater than 4.6
## # … with 140 more rowsOtro ejemplo estaría en el caso de que se quisieran conocer para cada tipo de especie de flores el total de observaciones, la media de la anchura del pétalo, así como la desviación estándar de la longitud del pétalo:
iris %>%
select(Species, Petal.Width, Petal.Length) %>%
group_by(Species) %>%
summarise(
total=n(),
mean_petal_width=mean(Petal.Width),
sd_petal_length=sd(Petal.Length)
) %>%
arrange(-mean_petal_width) # Utilizamos el - para ordenar de forma descendente## # A tibble: 3 x 4
## Species total mean_petal_width sd_petal_length
## <chr> <int> <dbl> <dbl>
## 1 virginica 50 2.03 0.552
## 2 versicolor 50 1.33 0.470
## 3 setosa 50 0.246 0.174dplyr no solo ofrece funciones bastante útiles sino que también prevee operadores que mejoran considerablemente la lectura del código, haciéndolo más entendible y parecido al la manera en la que es manejada la sintaxis de SQL. El uso de una combinación de las funciones de dplyr con el operador %>% se convierte en sí misma una sintaxis propia que permite al usuario programar mientras mentalmente describe con la sintaxis el procesamiento realizado con los datos. Esto supone amplias ventajas sobre otros lenguajes en los que, por ejemplo, hubiese sido necesario utilizar bucles u otras herramientas más complejas para lograr estos objetivos.