Clase 1 Análisis Exloratorio de Datos (EDA)
Armando Valdés-López
19/12/2021
Anotaciones
Atajos del teclado
# Comentarios
# ctrl + shif + c Comentario multilinea
# ctrl + enter Ejecutar código seleccionado
# alt + \
# ctrl + l Limpiar la consola
# ctrl + s Guardar
# alt 126 ~
# alt +91 +93 []
# alt +123 125 {}
# alt +38 &
# alt +124 |Anotaciones R markdown
# titulo 1
## titulo 1
### titulo 1 etc
# {r echo=FALSE} solo va a imprimir el resultado sin el código
# {r message=FALSE} para instalar bibliotecas no se muestra el mensaje
# {r eval=FALSE} solo el código se va a mostrar
# {r include=FALSE} se ejecuta el código pero no se muestra nada (codigo ni resultado)
#warning=FALSE eliminar alertas
#índice
# output:
# html_document:
# toc: true
# toc_float: trueBibliografía extra
#otro tipo de puntos
#https://flowingdata.com/2016/09/08/beeswarm-plot-in-r-to-show-distributions/
#simbolos pch
#http://www.sthda.com/english/wiki/r-plot-pch-symbols-the-different-point-shapes-available-in-r
#gráficos de pastel
#https://r-coder.com/grafico-sectores-r/
#graficos densidad
#https://r-charts.com/es/distribucion/grafico-densidad-grupo-ggplot2/
#grafico de boxplot
#https://r-coder.com/boxplot-en-r/
#más graficos
#https://www.rpubs.com/rdelgado/429190
#pingüinos
#https://cran.r-project.org/web/packages/palmerpenguins/readme/README.html0.-Importar los datos
myUrl="https://raw.githubusercontent.com/armandovl/datasets_uno/main/atitanic.csv"
datos<-read.csv(url(myUrl))
head(datos)## PassengerId Name Age Pclass Sex Family
## 1 891 Dooley, Mr. Patrick 32 3 male 0
## 2 890 Behr, Mr. Karl Howell 26 1 male 0
## 3 888 Graham, Miss. Margaret Edith 19 1 female 0
## 4 887 Montvila, Rev. Juozas 27 2 male 0
## 5 886 Rice, Mrs. William (Margaret Norton) 39 3 female 5
## 6 885 Sutehall, Mr. Henry Jr 25 3 male 0
## Embarked Survived
## 1 Q muere
## 2 C vive
## 3 S vive
## 4 S muere
## 5 Q muere
## 6 S muere1.-Manejo del dataframe
head(datos,8) #primeras 8 filas## PassengerId Name Age Pclass Sex Family
## 1 891 Dooley, Mr. Patrick 32 3 male 0
## 2 890 Behr, Mr. Karl Howell 26 1 male 0
## 3 888 Graham, Miss. Margaret Edith 19 1 female 0
## 4 887 Montvila, Rev. Juozas 27 2 male 0
## 5 886 Rice, Mrs. William (Margaret Norton) 39 3 female 5
## 6 885 Sutehall, Mr. Henry Jr 25 3 male 0
## 7 884 Banfield, Mr. Frederick James 28 2 male 0
## 8 883 Dahlberg, Miss. Gerda Ulrika 22 3 female 0
## Embarked Survived
## 1 Q muere
## 2 C vive
## 3 S vive
## 4 S muere
## 5 Q muere
## 6 S muere
## 7 S muere
## 8 S mueretail(datos,8) #últimas 8 filas## PassengerId Name Age Pclass
## 707 9 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg) 27 3
## 708 8 Palsson, Master. Gosta Leonard 2 3
## 709 7 McCarthy, Mr. Timothy J 54 1
## 710 5 Allen, Mr. William Henry 35 3
## 711 4 Futrelle, Mrs. Jacques Heath (Lily May Peel) 35 1
## 712 3 Heikkinen, Miss. Laina 26 3
## 713 2 Cumings, Mrs. John Bradley (Florence Briggs Thayer) 38 1
## 714 1 Braund, Mr. Owen Harris 22 3
## Sex Family Embarked Survived
## 707 female 2 S vive
## 708 male 4 S muere
## 709 male 0 S muere
## 710 male 0 S muere
## 711 female 1 S vive
## 712 female 0 S vive
## 713 female 1 C vive
## 714 male 1 S mueredim(datos) #número de filas y número de columnas## [1] 714 8names(datos)#nombre de las columnas## [1] "PassengerId" "Name" "Age" "Pclass" "Sex"
## [6] "Family" "Embarked" "Survived"str(datos) #estructura del dataframe## 'data.frame': 714 obs. of 8 variables:
## $ PassengerId: int 891 890 888 887 886 885 884 883 882 881 ...
## $ Name : chr "Dooley, Mr. Patrick" "Behr, Mr. Karl Howell" "Graham, Miss. Margaret Edith" "Montvila, Rev. Juozas" ...
## $ Age : num 32 26 19 27 39 25 28 22 33 25 ...
## $ Pclass : int 3 1 1 2 3 3 2 3 3 2 ...
## $ Sex : chr "male" "male" "female" "male" ...
## $ Family : int 0 0 0 0 5 0 0 0 0 1 ...
## $ Embarked : chr "Q" "C" "S" "S" ...
## $ Survived : chr "muere" "vive" "vive" "muere" ...#cambiar el nombre de ciertas columnas
colnames(datos)[1] <- "Identificador"
colnames(datos)[2] <- "El nombre"
colnames(datos)[3] <- "La edad"str(datos)## 'data.frame': 714 obs. of 8 variables:
## $ Identificador: int 891 890 888 887 886 885 884 883 882 881 ...
## $ El nombre : chr "Dooley, Mr. Patrick" "Behr, Mr. Karl Howell" "Graham, Miss. Margaret Edith" "Montvila, Rev. Juozas" ...
## $ La edad : num 32 26 19 27 39 25 28 22 33 25 ...
## $ Pclass : int 3 1 1 2 3 3 2 3 3 2 ...
## $ Sex : chr "male" "male" "female" "male" ...
## $ Family : int 0 0 0 0 5 0 0 0 0 1 ...
## $ Embarked : chr "Q" "C" "S" "S" ...
## $ Survived : chr "muere" "vive" "vive" "muere" ...#cambiar el nombre de todas las columnas
colnames(datos)<-c('Id', 'Nombre', 'Edad', 'Clase', 'Sexo', 'Familia','Embarcacion','Sobrevivientes')str(datos)## 'data.frame': 714 obs. of 8 variables:
## $ Id : int 891 890 888 887 886 885 884 883 882 881 ...
## $ Nombre : chr "Dooley, Mr. Patrick" "Behr, Mr. Karl Howell" "Graham, Miss. Margaret Edith" "Montvila, Rev. Juozas" ...
## $ Edad : num 32 26 19 27 39 25 28 22 33 25 ...
## $ Clase : int 3 1 1 2 3 3 2 3 3 2 ...
## $ Sexo : chr "male" "male" "female" "male" ...
## $ Familia : int 0 0 0 0 5 0 0 0 0 1 ...
## $ Embarcacion : chr "Q" "C" "S" "S" ...
## $ Sobrevivientes: chr "muere" "vive" "vive" "muere" ...#eliminar una columna
#otra forma
#datos<-datos[,-1]
datos$Id <- NULL
str(datos)## 'data.frame': 714 obs. of 7 variables:
## $ Nombre : chr "Dooley, Mr. Patrick" "Behr, Mr. Karl Howell" "Graham, Miss. Margaret Edith" "Montvila, Rev. Juozas" ...
## $ Edad : num 32 26 19 27 39 25 28 22 33 25 ...
## $ Clase : int 3 1 1 2 3 3 2 3 3 2 ...
## $ Sexo : chr "male" "male" "female" "male" ...
## $ Familia : int 0 0 0 0 5 0 0 0 0 1 ...
## $ Embarcacion : chr "Q" "C" "S" "S" ...
## $ Sobrevivientes: chr "muere" "vive" "vive" "muere" ...#eliminar varias columnas (nombre, familia, embarcación)
datos<-datos[,c(-1,-5,-6)]
str(datos)## 'data.frame': 714 obs. of 4 variables:
## $ Edad : num 32 26 19 27 39 25 28 22 33 25 ...
## $ Clase : int 3 1 1 2 3 3 2 3 3 2 ...
## $ Sexo : chr "male" "male" "female" "male" ...
## $ Sobrevivientes: chr "muere" "vive" "vive" "muere" ...#descriptivos
summary(datos)## Edad Clase Sexo Sobrevivientes
## Min. : 0.42 Min. :1.000 Length:714 Length:714
## 1st Qu.:20.12 1st Qu.:1.000 Class :character Class :character
## Median :28.00 Median :2.000 Mode :character Mode :character
## Mean :29.70 Mean :2.237
## 3rd Qu.:38.00 3rd Qu.:3.000
## Max. :80.00 Max. :3.000#convertir clase a factor
datos$Clase<-factor(datos$Clase)#descriptivos
summary(datos)## Edad Clase Sexo Sobrevivientes
## Min. : 0.42 1:186 Length:714 Length:714
## 1st Qu.:20.12 2:173 Class :character Class :character
## Median :28.00 3:355 Mode :character Mode :character
## Mean :29.70
## 3rd Qu.:38.00
## Max. :80.001.1- Algunos filtros
# Nuevo data Frame solo edad y sexo
Datos8<- datos[,c(3,4)]
#View(Datos8)# También se pueden especificar las variables por nombre
# Igual se pueden reordenar
Datos9<- datos[,c("Edad","Sexo")]
#View(Datos9)# Eliminar columnas
Datos10<-datos[,c(-3,-1)]
#View(Datos10)
# Eliminar columna
Datos10$Edad<-NULL
Datos10$Sexo<-NULL# Seleccionar filas
Datos11<- datos[5:9,]
#View(Datos11)# Filtrar por condiciones
Datos12<- datos[datos$Edad>=40,]
Datos13<- datos[datos$Edad>=40&datos$Sexo=="male",]
Datos14<- datos[datos$Edad>=50|datos$Sexo=="male",]
#View(Datos14)2.- Estadísticos descriptivos de una variable
2.1-Medidas de tendencia central
total=length(datos$Edad)
media= mean(datos$Edad)
mediana=median(datos$Edad)
print(paste("total:", total,"promedio:",round(media,2),"mediana:",mediana))## [1] "total: 714 promedio: 29.7 mediana: 28"2.2-Medidas de dispersión
vari<-var(datos$Edad)
desv<-sd(datos$Edad)
coefiVar<-(sd(datos$Edad)/mean(datos$Edad))*100
sprintf("varianza: %s, desviación típica %s, coeficiente de var: %s ",vari, desv,coefiVar)## [1] "varianza: 211.019124746308, desviación típica 14.526497332334, coeficiente de var: 48.9122185546567 "sprintf("varianza: %s, desviación típica %s, coeficiente de var: %s ",
round(vari,2),
round(desv,2),
round(coefiVar,2))## [1] "varianza: 211.02, desviación típica 14.53, coeficiente de var: 48.91 "2.3-Medidas de posición
percentiles<-quantile(datos$Edad,c(0.25,0.75)) #primer y tercer cuartil
print(round(percentiles,1))## 25% 75%
## 20.1 38.02.4-Medidas de forma
# install.packages(“moments”) para asimetría
# install.packages(“kurtosis”) para kurtosis
# asimetria<-skewness(datos$Edad)
# curtosis<-kurtosis(datos$Edad)-33.-Métodos gráficos de exploración de una variable cuantitativa
3.1-Histogramas
hist(datos$Edad,col=5,breaks="Sturges")
#cambiar tipo de barras
hist(datos$Edad,col="green3",breaks="Scott")
#agregar etiquetas
hist(datos$Edad,col=7,breaks="Scott",
main="título",
xlab = "etiqueta en X",
ylab="etiqueta en Y")
#cambiar límites
hist(datos$Edad,col="lightcyan",breaks="Scott",
main="título",
xlab = "etiqueta en X",
ylab="etiqueta en Y",
xlim = c(0,100),
ylim = c(0,150)
)
#cambiar número de cortes
hist(datos$Edad,col="lightcyan",breaks = 50,
main="título",
xlab = "etiqueta en X",
ylab="etiqueta en Y",
xlim = c(0,90),
ylim = c(0,70),
)
3.2-Gráfico de cajas y bigotes
boxplot(datos$Edad, horizontal = TRUE, main="Boxplot \n una variable ",col="lightSalmon")
par(mfrow= c(2,1)) #filas, columnas
hist(datos$Edad,main="Histograma y Boxplot para una variable",
#probability = TRUE, #da la densidad
col="lightSalmon",
breaks = 50)
boxplot(datos$Edad, horizontal = TRUE, main=" ",col="lightSalmon")
#agregar los puntosa grafico de cajas y bigotes
boxplot(datos$Edad,horizontal=TRUE)
stripchart(datos$Edad, method = "jitter", pch = 19, add = TRUE, col = "blue")
print("nueva Seccion")## [1] "nueva Seccion"4.-Datos cuantitativos
#pie chart
tablaClase <- table(datos$Clase)
pie(tablaClase)
tablaClase <- table(datos$Clase)
labels<-c("primera","segunda","tercera")
pie(tablaClase,labels)
### 4.1 Tablas de frecuencia
table(datos$Clase) #cantidad por clase##
## 1 2 3
## 186 173 355prop.table(table(datos$Clase)) #por proporcion##
## 1 2 3
## 0.2605042 0.2422969 0.4971989frecRelativas<-prop.table(table(datos$Clase))
round(frecRelativas,3)*100 #frecuencie relativa en porcentaje##
## 1 2 3
## 26.1 24.2 49.74.2 Diagrama de pareto
#instalar paquete
#install.packages("qcc")
library(qcc)pareto.chart(table(datos$Clase))
##
## Pareto chart analysis for table(datos$Clase)
## Frequency Cum.Freq. Percentage Cum.Percent.
## 3 355.00000 355.00000 49.71989 49.71989
## 1 186.00000 541.00000 26.05042 75.77031
## 2 173.00000 714.00000 24.22969 100.000005.- Análisis de datos cualitativos agrupados
5.1-Tablas de frecuencia por grupos (frecuencias absolutas)
#De dos variables
table(datos$Clase,datos$Sexo)##
## female male
## 1 85 101
## 2 74 99
## 3 102 253paraAreas<-table(datos$Clase,datos$Sexo)
plot(paraAreas)
paraAreas<-table(datos$Clase,datos$Sexo)
plot(paraAreas, col=datos$Clase) #poner color
paraAreas<-table(datos$Clase,datos$Sexo)
colores<-c("#00AFBB","#E7B800","#FC4E07")
plot(paraAreas, col=colores[datos$Clase]) #poner color
#grafico de barras
paraBarras<-table(datos$Clase,datos$Sexo)
barplot(paraBarras)
paraBarras<-table(datos$Clase,datos$Sexo)
barplot(paraBarras,
col=rainbow(3),#colores
legend.text = rownames(paraBarras) #leyenda
)
paraBarras<-table(datos$Clase,datos$Sexo)
barplot(paraBarras,
col=rainbow(3),#colores
legend.text = rownames(paraBarras), #leyenda
beside = TRUE #para que los ponga en diferentes lugares
)
paraBarras##
## female male
## 1 85 101
## 2 74 99
## 3 102 253paraBarras<-table(datos$Clase,datos$Sexo)
grafico1<-barplot(paraBarras,
col=rainbow(3),#colores
legend.text = rownames(paraBarras), #leyenda
beside = TRUE, #para que los ponga en diferentes lugares
ylim=c(0,300), #cambiar el limite
xlab="Género", #etiqueta x
ylab="Pasajeros", #etiqueta en Y
main="título del Gráfico"
)
#otra leyenda
legend("topleft", legend = c("Class1", "Class2","Class3"), fill = rainbow(3))
##### grafico, posicion, etiquetas
text(grafico1,paraBarras+10,labels=round(paraBarras,2)) #añadir texto
5.2-Tablas de frecuencia por grupos (frecuencias relativas globales)
#De dos variables frecuencias relativas globales
freRelGlo<-prop.table(table(datos$Clase,datos$Sexo))
round(freRelGlo,3)*100##
## female male
## 1 11.9 14.1
## 2 10.4 13.9
## 3 14.3 35.4freRelGlo<-prop.table(table(datos$Clase,datos$Sexo))
enPorcentaje<-freRelGlo*100
grafico2<-barplot(enPorcentaje,
col=colores,#colores
legend.text = rownames(enPorcentaje), #leyenda
beside =TRUE, #para que los ponga en diferentes lugares
ylim=c(0,80), #cambiar el limite
xlab="Género", #etiqueta x
ylab="Pasajeros", #etiqueta en Y
main="Frecuencias relativas globales"
)
#otra leyenda
legend("topleft", legend = c("Class1%", "Class2%","Class3%"), fill = colores)
##### grafico, posicion, etiquetas , solo en beside=TRUE
text(grafico2,enPorcentaje+10,labels=round(enPorcentaje,2)) #añadir texto
5.3-Tablas de frecuencia por grupos (frecuencias relativas marginales)
#De dos variables frecuencias relativas marginales por filas
freRelGlo<-prop.table(table(datos$Clase,datos$Sexo),1)
round(freRelGlo,3)*100##
## female male
## 1 45.7 54.3
## 2 42.8 57.2
## 3 28.7 71.3#gráfico
freRelGlo<-prop.table(table(datos$Clase,datos$Sexo),1)
enPorcentaje<-freRelGlo*100
grafico2<-barplot(enPorcentaje,
col=colores,#colores
legend.text = rownames(enPorcentaje), #leyenda
beside =TRUE, #para que los ponga en diferentes lugares
ylim=c(0,120), #cambiar el limite
xlab="Género", #etiqueta x
ylab="Pasajeros", #etiqueta en Y
main="Frecuencias relativas marginales filas"
)
#otra leyenda
legend("topleft", legend = c("Class1%", "Class2%","Class3%"), fill = colores)
##### grafico, posicion, etiquetas , solo en beside=TRUE
text(grafico2,enPorcentaje+10,labels=round(enPorcentaje,2)) #añadir texto
#De dos variables frecuencias relativas marginales por columnas
freRelGlo<-prop.table(table(datos$Clase,datos$Sexo),2)
round(freRelGlo,3)*100##
## female male
## 1 32.6 22.3
## 2 28.4 21.9
## 3 39.1 55.8#gráfico
freRelGlo<-prop.table(table(datos$Clase,datos$Sexo),2)
enPorcentaje<-freRelGlo*100
grafico2<-barplot(enPorcentaje,
col=colores,#colores
legend.text = rownames(enPorcentaje), #leyenda
beside =TRUE, #para que los ponga en diferentes lugares
ylim=c(0,120), #cambiar el limite
xlab="Género", #etiqueta x
ylab="Pasajeros", #etiqueta en Y
main="Frecuencias relativas marginales columnas"
)
#otra leyenda
legend("topleft", legend = c("Class1%", "Class2%","Class3%"), fill = colores)
##### grafico, posicion, etiquetas , solo en beside=TRUE
text(grafico2,enPorcentaje+10,labels=round(enPorcentaje,2)) #añadir texto
#tabla de frecuencias de absolutos
table(datos$Clase,datos$Sexo,datos$Sobrevivientes)## , , = muere
##
##
## female male
## 1 3 61
## 2 6 84
## 3 55 215
##
## , , = vive
##
##
## female male
## 1 82 40
## 2 68 15
## 3 47 38#estructura de datos
str(datos)## 'data.frame': 714 obs. of 4 variables:
## $ Edad : num 32 26 19 27 39 25 28 22 33 25 ...
## $ Clase : Factor w/ 3 levels "1","2","3": 3 1 1 2 3 3 2 3 3 2 ...
## $ Sexo : chr "male" "male" "female" "male" ...
## $ Sobrevivientes: chr "muere" "vive" "vive" "muere" ...#filtrar las filas por condicion
datosFiltrado<-datos[datos$Sobrevivientes=="vive",]
datosFiltrado2<-datos[datos$Sobrevivientes=="muere",]par(mfrow=c(1,2))
###########PRimer Gráfico###########################
paraBarras<-table(datosFiltrado$Clase,datosFiltrado$Sexo)
grafico1<-barplot(paraBarras,
col=colores,#colores
#legend.text = rownames(paraBarras), #leyenda
beside = TRUE, #para que los ponga en diferentes lugares
ylim=c(0,300), #cambiar el limite
xlab="Género", #etiqueta x
ylab="Pasajeros", #etiqueta en Y
main="pasajeros x clase vivieron "
)
#otra leyenda
legend("topleft", legend = c("Class1", "Class2","Class3"), fill = colores)
##### grafico, posicion, etiquetas
text(grafico1,paraBarras+10,labels=round(paraBarras,2)) #añadir texto
###########Segundo Gráfico###########################
paraBarras<-table(datosFiltrado2$Clase,datosFiltrado2$Sexo)
grafico1<-barplot(paraBarras,
col=colores,#colores
#legend.text = rownames(paraBarras), #leyenda
beside = TRUE, #para que los ponga en diferentes lugares
ylim=c(0,300), #cambiar el limite
xlab="Género", #etiqueta x
ylab="Pasajeros", #etiqueta en Y
main="pasajeros x clase murieron"
)
#otra leyenda
legend("topleft", legend = c("Class1", "Class2","Class3"), fill = colores)
##### grafico, posicion, etiquetas
text(grafico1,paraBarras+10,labels=round(paraBarras,2)) #añadir texto
#De dos variables frecuencias relativas globales
freRelGlo<-prop.table(table(datos$Clase,datos$Sexo,datos$Sobrevivientes))
round(freRelGlo,3)*100## , , = muere
##
##
## female male
## 1 0.4 8.5
## 2 0.8 11.8
## 3 7.7 30.1
##
## , , = vive
##
##
## female male
## 1 11.5 5.6
## 2 9.5 2.1
## 3 6.6 5.3#De dos variables frecuencias relativas marginales por fila
#female1 muere+ male1 muere+ female1 vive + male 1 =100
freRelGlo<-prop.table(table(datos$Clase,datos$Sexo,datos$Sobrevivientes),1)
round(freRelGlo,3)*100## , , = muere
##
##
## female male
## 1 1.6 32.8
## 2 3.5 48.6
## 3 15.5 60.6
##
## , , = vive
##
##
## female male
## 1 44.1 21.5
## 2 39.3 8.7
## 3 13.2 10.7#De dos variables frecuencias relativas marginales por columna
#female1 vive + female2 vive +female3 vive +female1 muere + female2 muere +female3 muere = 100
freRelGlo<-prop.table(table(datos$Clase,datos$Sexo,datos$Sobrevivientes),2)
round(freRelGlo,3)*100## , , = muere
##
##
## female male
## 1 1.1 13.5
## 2 2.3 18.5
## 3 21.1 47.5
##
## , , = vive
##
##
## female male
## 1 31.4 8.8
## 2 26.1 3.3
## 3 18.0 8.46.-Análisis de datos cuantitativos agrupados
6.1-Descriptivos por grupo
######## variable continua, variable categorica, #funcion
tapply(datos$Edad,datos$Clase, summary)## $`1`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.92 27.00 37.00 38.23 49.00 80.00
##
## $`2`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.67 23.00 29.00 29.88 36.00 70.00
##
## $`3`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.42 18.00 24.00 25.14 32.00 74.00######## variable continua, variable categorica, #funcion
tapply(datos$Edad,datos$Clase, mean)## 1 2 3
## 38.23344 29.87763 25.14062######## variable continua, variable categorica, #funcion
tapply(datos$Edad,datos$Clase, median)## 1 2 3
## 37 29 24######## variable continua, variable categorica, #funcion
tapply(datos$Edad,datos$Clase, sd)## 1 2 3
## 14.80286 14.00108 12.49540#instalamos ggplot 2
library(ggplot2)6.2-Histogramas por grupo
# Gráfico de densidad en ggplot2
ggplot(datos, aes(x = Edad, colour =factor(Clase)))+
geom_density()
# Gráfico de densidad en ggplot2
ggplot(datos, aes(x = Edad,
colour =factor(Clase), #color por factor
fill=factor(Clase), #colorear
alpha=0.4, #transparencia
)
)+
geom_density()
# Gráfico de densidad en ggplot2
ggplot(datos, aes(x = Edad,
colour =factor(Clase), #color por factor
fill=factor(Clase), #colorear
alpha=0.4, #transparencia
)
)+
geom_histogram()## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
# Gráfico de densidad en ggplot2
ggplot(datos, aes(x = Edad,
colour =factor(Clase), #color por factor
fill=factor(Clase), #colorear
alpha=0.3, #transparencia
position="dodge" #dividir e histograma "identity
)
)+
geom_histogram()## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
qplot(Edad, data = datos, geom = "density", color = Sexo, facets = .~ Sexo)
qplot(Edad, data = datos, geom = "density", color = Sexo, facets = Sexo~.)
6.3-Boxplot por grupo
#gráfico sin ggplot
#boxplot(datos$Edad ~ datos$Clase)
boxplot(Edad ~ Clase, data = datos) # Equivalente
stripchart(Edad ~ Clase, data = datos,
method="jitter",
vertical=TRUE,
pch=19,
col =c("red","blue","green3")
)
boxplot(Edad ~ Clase, data = datos)
stripchart(Edad ~ Clase, data = datos,
method="stack", # overplot, stack, jitter
vertical=TRUE,
pch=19,
col =c("red","blue","green3"),
add=TRUE #unir los dos graficos
)
#con ggplot2
plot <- ggplot(datos, aes(x=Sexo, y=Edad))
plot <- plot + geom_boxplot(aes(group=Sexo, fill=Sexo, alpha=0.3))
plot <- plot + geom_jitter(aes(color=Sexo, alpha=0.3))
plot <- plot + facet_grid(.~Sobrevivientes)
plot
7.- Anáisis de datos cuantitativos
7.1-Correlaciones
miurl<-"https://raw.githubusercontent.com/armandovl/datasets_uno/main/iris.csv"
iris<-read.csv(url(miurl))library(corrplot)## corrplot 0.92 loadedUna correlación mide la relación lineal entre dos variables. Por ejemplo la relación entre el la experiencia laboral y el salario.
Esta se mide con un coeficiente que va de -1 a 1. * r = 1, la relación es positiva perfecta * 0 < r < 1 la relación es positiva * r = 0 no hay relación lineal * -1 < r < 0 la relación es negativa * r = -1 la relación es negativa perfecta
#calcular ma matriz de correlación
round(cor(iris[,1:4]),3) ## long_sepalo anch_sepalo long_petalo anch_petalo
## long_sepalo 1.000 -0.109 0.872 0.818
## anch_sepalo -0.109 1.000 -0.421 -0.357
## long_petalo 0.872 -0.421 1.000 0.963
## anch_petalo 0.818 -0.357 0.963 1.000library(Hmisc) #para rcorrcorr(as.matrix(iris[,1:4])) #correlacion con p valor## long_sepalo anch_sepalo long_petalo anch_petalo
## long_sepalo 1.00 -0.11 0.87 0.82
## anch_sepalo -0.11 1.00 -0.42 -0.36
## long_petalo 0.87 -0.42 1.00 0.96
## anch_petalo 0.82 -0.36 0.96 1.00
##
## n= 150
##
##
## P
## long_sepalo anch_sepalo long_petalo anch_petalo
## long_sepalo 0.1828 0.0000 0.0000
## anch_sepalo 0.1828 0.0000 0.0000
## long_petalo 0.0000 0.0000 0.0000
## anch_petalo 0.0000 0.0000 0.0000#calcular la matriz con el p valor
correlacion<-round(cor(iris[,1:4]), 1)
corrplot(correlacion, method="number", type="upper")
library(PerformanceAnalytics)chart.Correlation(iris[,1:4], histogram = F, pch = 19)
### 7.2- Gráfico de pares
pairs(iris[,1:4])
pairs(iris[,1:4],pch=10)
pairs(iris[,1:4],pch=9,lower.panel = NULL)
pairs(iris[,1:4],pch=19,lower.panel = NULL,col=factor(iris$clase))
colores<-c("#00AFBB","#E7B800","#FC4E07")
pairs(iris[,1:4],pch=19,lower.panel = NULL,col=colores[factor(iris$clase)])
7.3- Gráfico de dispersión Scatterplot
plot(long_petalo~anch_petalo,data = iris,col=factor(iris$clase),pch=19)
myurl="https://raw.githubusercontent.com/armandovl/datasets_uno/main/penguins1.csv"
ping<-read.csv(url(myurl))str(ping)## 'data.frame': 344 obs. of 7 variables:
## $ species : chr "Adelie" "Adelie" "Adelie" "Adelie" ...
## $ sex : chr "male" "female" "female" "" ...
## $ island : chr "Torgersen" "Torgersen" "Torgersen" "Torgersen" ...
## $ bill_length_mm : num 39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
## $ bill_depth_mm : num 18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
## $ flipper_length_mm: int 181 186 195 NA 193 190 181 195 193 190 ...
## $ body_mass_g : int 3750 3800 3250 NA 3450 3650 3625 4675 3475 4250 ...summary(ping)## species sex island bill_length_mm
## Length:344 Length:344 Length:344 Min. :32.10
## Class :character Class :character Class :character 1st Qu.:39.23
## Mode :character Mode :character Mode :character Median :44.45
## Mean :43.92
## 3rd Qu.:48.50
## Max. :59.60
## NA's :2
## bill_depth_mm flipper_length_mm body_mass_g
## Min. :13.10 Min. :172.0 Min. :2700
## 1st Qu.:15.60 1st Qu.:190.0 1st Qu.:3550
## Median :17.30 Median :197.0 Median :4050
## Mean :17.15 Mean :200.9 Mean :4202
## 3rd Qu.:18.70 3rd Qu.:213.0 3rd Qu.:4750
## Max. :21.50 Max. :231.0 Max. :6300
## NA's :2 NA's :2 NA's :2head(ping,10)## species sex island bill_length_mm bill_depth_mm flipper_length_mm
## 1 Adelie male Torgersen 39.1 18.7 181
## 2 Adelie female Torgersen 39.5 17.4 186
## 3 Adelie female Torgersen 40.3 18.0 195
## 4 Adelie Torgersen NA NA NA
## 5 Adelie female Torgersen 36.7 19.3 193
## 6 Adelie male Torgersen 39.3 20.6 190
## 7 Adelie female Torgersen 38.9 17.8 181
## 8 Adelie male Torgersen 39.2 19.6 195
## 9 Adelie Torgersen 34.1 18.1 193
## 10 Adelie Torgersen 42.0 20.2 190
## body_mass_g
## 1 3750
## 2 3800
## 3 3250
## 4 NA
## 5 3450
## 6 3650
## 7 3625
## 8 4675
## 9 3475
## 10 4250library(mice) #para identificar valores perdidosmd.pattern(ping)
## species sex island bill_length_mm bill_depth_mm flipper_length_mm
## 342 1 1 1 1 1 1
## 2 1 1 1 0 0 0
## 0 0 0 2 2 2
## body_mass_g
## 342 1 0
## 2 0 4
## 2 8#tres cuanti, una cuali
plot <- ggplot(data = ping, aes(x = bill_length_mm, y = bill_depth_mm)) +
geom_point(aes(color = sex, size =body_mass_g, shape=island), alpha = 0.7) +
xlab('Largo del pico') +
ylab('Profundidad del pico') +
ggtitle('Tres variables cuanti, dos cuali') +
theme_minimal()
plot$labels$colour = "Sexo"
plot$labels$size = "Peso"
plot$labels$shape = "Isla"
plot## Warning: Removed 2 rows containing missing values (geom_point).
ggplot(data = ping, aes(x = bill_length_mm, y = bill_depth_mm)) +
geom_point(aes(color = island), size = 1, alpha = 0.7) +
geom_smooth(aes(color =island)) +
facet_grid(island~., scales = 'free') +
xlab('Longitud pico') +
ylab('Profundidad pico') +
ggtitle('Dos cuanti, una cualitativa') +
theme_minimal()## `geom_smooth()` using method = 'loess' and formula 'y ~ x'## Warning: Removed 2 rows containing non-finite values (stat_smooth).## Warning: Removed 2 rows containing missing values (geom_point).
#quitar nulos
ping<-na.omit(ping)md.pattern(ping)## /\ /\
## { `---' }
## { O O }
## ==> V <== No need for mice. This data set is completely observed.
## \ \|/ /
## `-----'
## species sex island bill_length_mm bill_depth_mm flipper_length_mm
## 342 1 1 1 1 1 1
## 0 0 0 0 0 0
## body_mass_g
## 342 1 0
## 0 0summary(ping)## species sex island bill_length_mm
## Length:342 Length:342 Length:342 Min. :32.10
## Class :character Class :character Class :character 1st Qu.:39.23
## Mode :character Mode :character Mode :character Median :44.45
## Mean :43.92
## 3rd Qu.:48.50
## Max. :59.60
## bill_depth_mm flipper_length_mm body_mass_g
## Min. :13.10 Min. :172.0 Min. :2700
## 1st Qu.:15.60 1st Qu.:190.0 1st Qu.:3550
## Median :17.30 Median :197.0 Median :4050
## Mean :17.15 Mean :200.9 Mean :4202
## 3rd Qu.:18.70 3rd Qu.:213.0 3rd Qu.:4750
## Max. :21.50 Max. :231.0 Max. :6300table(ping$sex) #hay 9 que no tienen nada##
## female male
## 9 165 168#sigue habiendo 9 que no tienen nada
sum(ping$sex=="")## [1] 9#eliminar esos 9
ping<-ping[ping$sex!="",]#sigue habiendo 9 que no tienen nada
sum(ping$sex=="")## [1] 0str(ping)## 'data.frame': 333 obs. of 7 variables:
## $ species : chr "Adelie" "Adelie" "Adelie" "Adelie" ...
## $ sex : chr "male" "female" "female" "female" ...
## $ island : chr "Torgersen" "Torgersen" "Torgersen" "Torgersen" ...
## $ bill_length_mm : num 39.1 39.5 40.3 36.7 39.3 38.9 39.2 41.1 38.6 34.6 ...
## $ bill_depth_mm : num 18.7 17.4 18 19.3 20.6 17.8 19.6 17.6 21.2 21.1 ...
## $ flipper_length_mm: int 181 186 195 193 190 181 195 182 191 198 ...
## $ body_mass_g : int 3750 3800 3250 3450 3650 3625 4675 3200 3800 4400 ...
## - attr(*, "na.action")= 'omit' Named int [1:2] 4 272
## ..- attr(*, "names")= chr [1:2] "4" "272"#convertir a factor
# names<-c(1:3,5)
# mydata[,names]<-lapply(mydata[,names], factor)
names<-c("species","island","sex")
ping[,names]<-lapply(ping[,names], factor)
str(ping)## 'data.frame': 333 obs. of 7 variables:
## $ species : Factor w/ 3 levels "Adelie","Chinstrap",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ sex : Factor w/ 2 levels "female","male": 2 1 1 1 2 1 2 1 2 2 ...
## $ island : Factor w/ 3 levels "Biscoe","Dream",..: 3 3 3 3 3 3 3 3 3 3 ...
## $ bill_length_mm : num 39.1 39.5 40.3 36.7 39.3 38.9 39.2 41.1 38.6 34.6 ...
## $ bill_depth_mm : num 18.7 17.4 18 19.3 20.6 17.8 19.6 17.6 21.2 21.1 ...
## $ flipper_length_mm: int 181 186 195 193 190 181 195 182 191 198 ...
## $ body_mass_g : int 3750 3800 3250 3450 3650 3625 4675 3200 3800 4400 ...
## - attr(*, "na.action")= 'omit' Named int [1:2] 4 272
## ..- attr(*, "names")= chr [1:2] "4" "272"table(ping$sex)##
## female male
## 165 168ggplot(data = ping, aes(x = bill_length_mm, y = bill_depth_mm)) +
geom_point(aes(color = island), size = 1, alpha = 0.7) +
geom_smooth(aes(color = island)) +
facet_grid(island~sex, scales = 'free') +
xlab('longitud pico') +
ylab('profundidad del pico') +
ggtitle('dos cuantitativas, dos cualitativas') +
theme_minimal()## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
Próximos
Clase 2 dplyr
Clase 3 programación en R
econometía en R
ggplot2