1. Lectura de datos

Cargamos los datos y cambiamos los nombres de las variables

datos <- read.table("https://archive.ics.uci.edu/ml/machine-learning-databases/breast-cancer/breast-cancer.data", sep=",")
names(datos) <- c("Clase","age","menopause","tumor_size",
                       "inv_nodes","node_caps","deg_malig",
                       "breast","breast_quad","irradiat")

2. Exploración

Exploramos los primeros 6 registros usando el comando head:

head(datos) # primeros 6 
##                  Clase   age menopause tumor_size inv_nodes node_caps deg_malig
## 1 no-recurrence-events 30-39   premeno      30-34       0-2        no         3
## 2 no-recurrence-events 40-49   premeno      20-24       0-2        no         2
## 3 no-recurrence-events 40-49   premeno      20-24       0-2        no         2
## 4 no-recurrence-events 60-69      ge40      15-19       0-2        no         2
## 5 no-recurrence-events 40-49   premeno        0-4       0-2        no         2
## 6 no-recurrence-events 60-69      ge40      15-19       0-2        no         2
##   breast breast_quad irradiat
## 1   left    left_low       no
## 2  right    right_up       no
## 3   left    left_low       no
## 4  right     left_up       no
## 5  right   right_low       no
## 6   left    left_low       no

Ver las dimensiones del dataset

dim(datos)
## [1] 286  10

Realizamos una exploración del tipo de columnas que tiene este dataset.

str(datos)
## 'data.frame':    286 obs. of  10 variables:
##  $ Clase      : chr  "no-recurrence-events" "no-recurrence-events" "no-recurrence-events" "no-recurrence-events" ...
##  $ age        : chr  "30-39" "40-49" "40-49" "60-69" ...
##  $ menopause  : chr  "premeno" "premeno" "premeno" "ge40" ...
##  $ tumor_size : chr  "30-34" "20-24" "20-24" "15-19" ...
##  $ inv_nodes  : chr  "0-2" "0-2" "0-2" "0-2" ...
##  $ node_caps  : chr  "no" "no" "no" "no" ...
##  $ deg_malig  : int  3 2 2 2 2 2 2 1 2 2 ...
##  $ breast     : chr  "left" "right" "left" "right" ...
##  $ breast_quad: chr  "left_low" "right_up" "left_low" "left_up" ...
##  $ irradiat   : chr  "no" "no" "no" "no" ...

Observamos que en este set de datos todas las variables excepto deg_malig son de tipo texto.

3. Organización y visualización: Variables cualitativas.

3.1 Resumen de datos

Resumen de todos los datos

summary(datos)
##     Clase               age             menopause          tumor_size       
##  Length:286         Length:286         Length:286         Length:286        
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##   inv_nodes          node_caps           deg_malig        breast         
##  Length:286         Length:286         Min.   :1.000   Length:286        
##  Class :character   Class :character   1st Qu.:2.000   Class :character  
##  Mode  :character   Mode  :character   Median :2.000   Mode  :character  
##                                        Mean   :2.049                     
##                                        3rd Qu.:3.000                     
##                                        Max.   :3.000                     
##  breast_quad          irradiat        
##  Length:286         Length:286        
##  Class :character   Class :character  
##  Mode  :character   Mode  :character  
##                                       
##                                       
##

Resumen de una variable age

summarytools::freq(datos$age, order = "freq")
## Frequencies  
## datos$age  
## Type: Character  
## 
##               Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
## ----------- ------ --------- -------------- --------- --------------
##       50-59     96     33.57          33.57     33.57          33.57
##       40-49     90     31.47          65.03     31.47          65.03
##       60-69     57     19.93          84.97     19.93          84.97
##       30-39     36     12.59          97.55     12.59          97.55
##       70-79      6      2.10          99.65      2.10          99.65
##       20-29      1      0.35         100.00      0.35         100.00
##        <NA>      0                               0.00         100.00
##       Total    286    100.00         100.00    100.00         100.00

Se puede observar que la mayor cantidad de individuos tienen edad entre 40 y 60 años

Resumen de una variable menopause

summarytools::freq(datos$men, order = "freq")
## Frequencies  
## 
##                 Freq   % Valid   % Valid Cum.   % Total   % Total Cum.
## ------------- ------ --------- -------------- --------- --------------
##       premeno    150     52.45          52.45     52.45          52.45
##          ge40    129     45.10          97.55     45.10          97.55
##          lt40      7      2.45         100.00      2.45         100.00
##          <NA>      0                               0.00         100.00
##         Total    286    100.00         100.00    100.00         100.00

Se puede observar que la mayor cantidad de individuos tienen valor de menopause igual a premeno y ge40

3.2 Grafico circular

Visualizamos la clasificación de los casos de cancer con un gráfico circular.

pie(table(datos$Clase), 
    main="Gráfico para la clasificación de casos")

La mayoría de datos pertenece a la clase: no-recurrence-events

3.3 Gráfico de barras

  barplot(table(datos$age), 
          xlab="Grupos Etários",
          ylab="Frecuencia",
          main="Distribución de edades")

  barplot(table(datos$menopause), 
          xlab="Categorias de menopause",
          ylab="Frecuencia",
          main="Distribución de menopause")