Graficos y manipulacion de datos con tidyverse

library(ggplot2) #para graficar
library(dplyr) # verbos para manipulacion de datos

Creamos 3 vectores con los datos de cada algoritmos y los usamos para construtir un dataframe (formato largo)

Un dataframe puede verse como una matriz en donde cada columna puede tener un tipo de datos diferente.

bfs_data<-c(3370, 316, 1688, 4581, 6473, 4345, 1083, 4723, 2950, 4735, 5179, 5423, 4439, 741, 516, 5281, 1240, 4613, 6298, 1293, 2345, 6711, 6518, 855, 272, 1034)

dfs_data<-c(397, 314, 3422, 2717, 5150, 3360, 2001, 845, 3008, 690, 2981, 781, 4068, 207, 1795, 3933, 2979, 1428, 550, 2988)

uni_cost_data<-c(2585, 3261, 1, 3783, 2184, 6730, 114, 5701, 4542, 1125, 3011, 2452, 6369, 1479, 5735, 4632, 5488, 296, 2077, 3702, 6457, 193, 2882, 1787, 6363, 1944, 1961)

uninformed_search<-data.frame(bfs=bfs_data[1:20],dfs=dfs_data,uni_cost=uni_cost_data[1:20])


uninformed_search 

Se transforma del formato ancho a un formato largo

uninformed_search<-uninformed_search %>% reshape2::melt()

No id variables; using all as measure variables

uninformed_search

Se calcula media y desviación standard de cada algoritmo

El simbolo %>% es un pipe a la haskell. Se toma como entrada un dataframe y la salida es otro dataframe.

Se agrupa por variable y por cada variable se calcula la media y la desviación estandard

uninformed_search_summary <- uninformed_search %>% group_by(variable) %>% summarise(mean=mean(value),sd=sd(value))
uninformed_search_summary

NA

Grafico de barras

Mostramos la media y deviación standard de cada algoritmo

library(ggplot2)
uninformed_search_summary %>%
  ggplot()+
  #geom_col(aes(x=variable,y=mean,fill=variable))+
  geom_errorbar(aes(x=variable,y=mean,ymin=mean-sd,ymax=mean+sd),width=.2,color='darkgray')+
  theme_bw()

Boxplot: Muestra información mas completa sobre la distribución de los datos

uninformed_search %>%
  ggplot()+
  geom_boxplot(aes(x=variable,y=value,fill=variable),color='darkgray')+
  theme_bw()

  #ggdark::dark_theme_classic()

sa_df$algorithm<-"SA"
sa_df$run<-seq(1:30)
sa_df$nqueen<-"4"

# 8 
time<-rnorm(30,10,5)
states<-rnorm(30,50,5)
h<-rnorm(30,4,1) %>% as.integer()

sa8_df<-data.frame(time=time,states=states,h=h)
sa8_df$algorithm<-"SA"
sa8_df$run<-seq(1:30)
sa8_df$nqueen<-"8"
# 10
time<-rnorm(30,12,1)
states<-rnorm(30,70,5)
h<-rnorm(30,7,4) %>% as.integer()

sa10_df<-data.frame(time=time,states=states,h=h)
sa10_df$algorithm<-"SA"
sa10_df$run<-seq(1:30)
sa10_df$nqueen<-"10"

rbind(sa_df,sa8_df,sa10_df)

/bin/sh: 1: t: not found

Leer un archivo en formato CSV

Lee y transforma a un dataframe. Un dataframe puede verse como una matriz en donde cada columna puede tener un tipo de datos diferente.

library(dplyr) # manupulacion de datos
library(ggplot2) # graficar
library(readr)  #lectura de archivos
library(tidyr) #transformacion 

local_search<-readr::read_csv("local-search-results.csv")

── Column specification ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────────────
cols(
  time = col_double(),
  states = col_double(),
  h = col_double(),
  algorithm = col_character(),
  run = col_double(),
  nqueen = col_double()
)

local_search

Wide format

local_search_wide <- local_search %>% tidyr::pivot_wider(names_from = run, 
                                                         values_from = c("time", "states","h"))
local_search_wide

Long format

local_search_long<-local_search %>% tidyr::pivot_longer(!one_of(c("algorithm","nqueen")), 
                                     names_to = "metrics", 
                                     values_to = "value")
local_search_long

Tiempo Promedios

local_search %>% group_by(algorithm,nqueen) %>% summarise(mean_time=mean(time),sd_time=sd(time))

`summarise()` has grouped output by 'algorithm'. You can override using the `.groups` argument.

estados promedios

local_search %>% group_by(algorithm,nqueen) %>% summarise(mean_states=mean(states),
                                                          sd_states=sd(states),
                                                          mean_time=mean(time),
                                                          sd_time=sd(time)
                                                          )

`summarise()` has grouped output by 'algorithm'. You can override using the `.groups` argument.

local_search %>% group_by(algorithm,nqueen) %>% summarise(total=n(),
                                                  success=sum((h==0)),
                                                   perc=success/total
                                                   )

`summarise()` has grouped output by 'algorithm'. You can override using the `.groups` argument.

local_search %>% filter(algorithm=="GA")