1.1 Entender los paths

Vale, pero ¿qué es eso de los paths?

Lo primero a tener claro, es que tu base de datos en tu carpeta no se llama solo ‘CIS_2022.sav’, sino, ‘C:/Users/Pepe/Master/Encuestas/Datos/CIS_2022.sav’. Por eso puedes tener archivos con el mismo nombre siempre y cuando estén en carpetas diferentes, sino, el ordenador no sabría diferenciar el archivo.

Una vez tenemos claro esto, lo segundo es entender que la sesión de RStudio en la que estamos trabajando no se abre en el vacío, ni en una dimensión paralela, sino desde una ubicación de tu ordenador.

¿Desde cuál? Con la función getwd() podemos saberlo:

getwd()

## [1] "C:/Users/Romen/Archivos/Clases_particulares/Carla/Apuntes"

Si por ejemplo pones un script de R en tu Escritorio y haces doble clik y se abre una nueva sesión, al hacer getwd() obtendría algo tipo

## C:/Users/Carla/Desktop

Pero si lo tienes en tu carpeta de master y lo abres desde ahi, verías algo como:

## C:/Users/Carla/Master/Encuestas

Esto es importante porque según cual sea la dirección de nuestra sesión de R, podemos usar un path u otro para abrir nuestra base de datos.

Es decir, si mi sesión de R está en esta dirección:

## C:/Users/Carla/Master/Encuestas

Y los datos están justamente en la carpeta de Encuestas, bastaría con hacer:

read.csv('cis.csv')

Es decir, R buscará en la carpeta de Encuestas así que no hace falta especificarla.

Si están en una carpeta llamada ‘datos’ dentro de ‘Encuestas’, entonces:

read.csv('datos/cis.csv')

Y si están en ‘CIS’ que está en ‘datos’ que está en ‘Definitivo’ que está en ‘Encuestas’:

read.csv('Definitivo/datos/CIS/cis.csv')

Pero, y si no está en la carpeta de Encuestas que es donde tenemos la sesión, sino en una anterior, pues damos ‘2 pasos’ pa atrás:

read.csv('../cis.csv')

Y si está en un paso antes, pero dentro de otra carpeta llamada ‘clases’? Pues vamos pa atrás y luego pa ‘clases’

read.csv('../clases/cis.csv')

Y si está no una, sino dos carpetas antes de Encuestas? Pues dos veces pa atrás.

read.csv('../../cis.csv')

Esto puede ser infinito.

Para terminar, ¿podrías olvidarte de todo esto y usar siempre el path entero? Es decir:

read.csv('C:/Users/Carla/Master/Encuestas/Tarea - 1/Ejercicio 18/Definitivo/Ahora si definitivo/datos/CIS/cis.csv')

Sí podrías, pero si haces algún cambio de nombre en una de tus carpetas te dará error. Y si estás trabajando colaborativamente y compartes tu script la persona tendrá que estar cambiando el path (vaya tostón). Así que mejor entender esto de los paths y todos más felices :)

3.1 Enviar valores a NA

Lo primero que vamos a aprender es a pasar valores a NA con la función ifelse. Pero, lo haremos en el torno tidyverse aprovechando la función mutate que nos permite crear nuevas columnas O (y aqui lo clave) sobreescribir las que ya existen.

¿Por qué pasamos valores a NA? Muy sencillo: porque son valores que no existen!! Dicho de otras palabras, si una persona no me responde una pregunta, esa celda debería estar vacía, porque la persona no ha dicho nada. Sin embargom, por ejemplo el CIS, opto por poner 98 o 99 habitualmente. Si tú por ejemplo vas a calcular la media de ideología de España y no pasas ese 98 y 99 a NA, te saldrá una media de 48, ¿qué significa eso? A saber. Por eso es importantísimo enviar a NA los valores que ‘no existen’. Y ¿cómo sabemos cuáles son? Mirando el Codebook (donde la institución explica qué significa cada variable y sus valores).

Como ejemplo, vamos a centrarnos en la variable ideología. Con un table() podemos ver qué categorías tiene y cuántas veces aparece cada categoría.

table(df$ideol)

## 
##   1   2   3   4   5   6   7   8   9  10  98  99 
## 377 193 471 398 909 441 280 188  55 150 136 179

Como ya hemos mirado el Codebook del CIS, sabemos que tenemos que enviar a NA el 98 y 99. Para ello haremos:

1. Indicamos el nombre de nuestro dataframe (df) y añadimos el pipe ( %>% ) ya que vamos a aplicar una nueva operación

2. Utilizamos el mutate para sobreescribir la variable ideología. Antes del = va el nombre de la variable, si le damos un nombre que no está aún en los datos creará una nueva columna, si ponemos un nombre que ya existe la sobreescribirá. Hacemos lo segundo porque queremos transformar la variable.

3. Usamos la función ifelse(), en primer lugar le damos una condición (los valores de ideología mayores que 10). El segundo valor (después de la coma) que escribimos es NA, es decir, cuando un valor de ideología sea superior a 10 lo transformarmos a NA; y cuando no, lo dejamos como está (por eso ponemos al final ‘ideol’, el propio nombre de la variable).

df %>% 
  mutate( ideol = ifelse( ideol > 10, NA, ideol ) )

## # A tibble: 3,777 x 3
##        hombre      edad ideol
##     <dbl+lbl> <dbl+lbl> <dbl>
##  1 2 [Mujer]         79    NA
##  2 1 [Hombre]        56    NA
##  3 1 [Hombre]        65     5
##  4 1 [Hombre]        72     1
##  5 1 [Hombre]        38     5
##  6 1 [Hombre]        35     7
##  7 1 [Hombre]        42     5
##  8 1 [Hombre]        28     4
##  9 1 [Hombre]        32     3
## 10 1 [Hombre]        60     5
## # ... with 3,767 more rows

Si haces esto simplemente estarías ejecutando código pero no guardándolo!!! Para guardarlo recuerda siempre usar (<-), es decir:

df <- df %>% 
  mutate( ideol = ifelse( ideol > 10, NA, ideol ) )

Así sobreescribimos el tibble df con nuestro cambio. Si ahora haces un table() para comprobar que se haya hecho bien, verás que ya no salen las etiquetas de 98 y 99, eso es porque ahora son NAs.

table(df$ideol)

## 
##   1   2   3   4   5   6   7   8   9  10 
## 377 193 471 398 909 441 280 188  55 150

Para saber si una variable tiene NAs usamos summary:

summary(df$ideol)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##   1.000   3.000   5.000   4.742   6.000  10.000     315

Nota: las condiciones que pones al principio de ifelse pueden ser mayor que (>), menor que(<), mayor o igual que (>=), menor o igual que (<=), igual ( == ) o distinto a (!=). Esto te da un gran flexibilidad.

Un ejemplo más, imagina que quieres convertir a NA no solo los numeros mayores que 10 sino también los menores o igual a 2. Esto lo podrías hacer con un solo ifelse pero te pongo el ejemplo de usar 2 para que veas como dentro de un mutate puedes ir haciendo varias cosas seguidas.

df %>% 
  mutate( 
    # convertimos los mayores de 10 a NA
    ideol = ifelse( ideol > 10, NA, ideol ), 
    # y ahora los menores o igual a 2
    ideol = ifelse( ideol <= 2, NA, ideol )
          )

# como puedes ver no uso df <- , es decir, que no estoy guardando 
# esta operación, solo ejecutando para que la veas

Por último, también puedes mandar a NA etiquetas de una variable de tipo carácter o factor. Imagina este ejemplo hipotético donde la variable colores tuviera las categorías de ‘rojo’,‘verde’ y ‘no sabe’, podrías hacer:

data <- data %>% 
  mutate( color = ifelse(color=='no sabe', NA, color) )

3.2 Conversiones básicas

Ten siempre presente las funciones:

• as.numeric()

• as.factor()

• as.character()

porque te permiten transformar de forma sencilla cuando no tienes que dar condiciones ni especificar nada. Dicho de otra forma, no tienes que cambiar ningún valor, simplemente pasar de un tipo (carácter por ejemplo) a otro (por ejemplo a numérica).

Imagina este ejemplo de que importas unos datos, tienes la columna con la variable edad y ésta viene como carácter (como texto).

data_fake <- tibble(edad = c('15','25','18','25'))
data_fake

## # A tibble: 4 x 1
##   edad 
##   <chr>
## 1 15   
## 2 25   
## 3 18   
## 4 25

Como ves es un carácter, pero puedes transformarla rápidamente a numérica con as.numeric():

data_fake <- data_fake %>% 
  mutate( edad = as.numeric(edad) )
data_fake

## # A tibble: 4 x 1
##    edad
##   <dbl>
## 1    15
## 2    25
## 3    18
## 4    25

Las otras dos funciones siguen la misma lógica. Imagina que por alguna razón quisiéramos que ideología fuese carácter, pero sin hacer ningún cambio, bastaría con hacer:

data_fake %>% 
  mutate( ideol = as.character(ideol) )

3.3 Convertir a factor

Cuando queremos convertir a factor una variable pero tenemos que cambiar algunos de sus valores, utilizamos la función factor().

Usando como ejemplo la variable hombre del CIS, vemos que tiene dos etiquetas (1 y 2) y sabemos que 1 corresponde a hombres.

table(df$hombre)

## 
##    1    2 
## 1925 1852

Con la función factor, en levels ponemos las etiquetas que tiene la variable, y en labels los nuevos valores. Así ya queda transformada y convertida a factor.

df <- df %>% 
  mutate( hombre = factor( hombre, 
                           levels = c('1','2'), 
                           labels = c('Hombre','Mujer')) )
# haciendo df <- df estamos sobreescribiendo el tibble,
 # es decir, creando un nuevo con la variable hombre como factor
 # con las nuevas etiquetas

Imagina que tu variables es el voto a los partidos, tienes 7 partidos pero solo quieres quedarte con 2 y mandar el resto a la etiqueta ‘Otros’. También lo puedes hacer con factor:

# esto es un ejemplo hipotético
data %>% 
  mutate( voto = factor( voto,
                        levels = c('PP','PSOE','UP','MP','Cs','Vox','ERC'),
                        labels = c('PP','PSOE','Otros','Otros','Otros',
                                   'Otros','Otros')) )

3.4 Crear una dummy

Muchas veces tenemos que trabajar con dummys, es decir, variables que solo toman dos valores (1 o 0). En R hay una forma muy fácil de hacerla que es usando la función as.numeric() pero dándole una condición dentro. Imagina que queremos crear dos dummys, una que nos indique si la persona tiene 60 o más años y otra que nos diga si es de centro su ideología.

Las añadiremos como nuevas columnas de nuestro tibble:

df <- df %>% 
  mutate( 
    # creamos una nueva variable dummy llamada mayor_de_60
    mayor_de_60 = as.numeric( edad >= 60 ),
    # y otra para los de centro
    es_de_centro = as.numeric( ideol == 5 )
          
          )

df

## # A tibble: 3,777 x 5
##    hombre      edad ideol mayor_de_60 es_de_centro
##    <fct>  <dbl+lbl> <dbl>       <dbl>        <dbl>
##  1 Mujer         79    NA           1           NA
##  2 Hombre        56    NA           0           NA
##  3 Hombre        65     5           1            1
##  4 Hombre        72     1           1            0
##  5 Hombre        38     5           0            1
##  6 Hombre        35     7           0            0
##  7 Hombre        42     5           0            1
##  8 Hombre        28     4           0            0
##  9 Hombre        32     3           0            0
## 10 Hombre        60     5           1            1
## # ... with 3,767 more rows

Si hacemos un table de cada variable, vemos que ahora tenemos dos dummys que valen 1 cuando la persona tiene 60 o más años por un lado, y en otra que vale 1 cuando su ideología es el 5.

table(df$mayor_de_60)

## 
##    0    1 
## 2534 1243

table(df$es_de_centro)

## 
##    0    1 
## 2553  909

3.5 De numérica a factor

En ocasiones tenemos una variable numérica que queremos trocearla, es decir, convertir a categórica. Por ejemplo, en vez de usar la edad como numérica queremos diferenciarla en tres etiquetas: jóvenes, puretas y viejos.

Con la función cut() podemos hacer esto muy rápido. Vamos a crear una variable nueva en nuestro tibble que sea edad_factor.

A la función cut le indicamos en el parámetros ‘breaks’ los cortes que queremos hacer, en este caso le estamos diciendo que el primer grupo va entre -Inf (es decir, el valor maaas pequeño de edad que hubiera) hasta los 30 (y el 30 incluido). El segundo grupo va de los 30 (no incluido el 30) hasta los 60 años (60 si incluido), y el último va de los 60 hasta Inf (es decir el valor maaas grande de edad que haya).

Luego en labels = c(), le damos las etiquetas que queramos.

df <- df %>% 
  mutate( edad_factor = cut( edad, 
                             breaks = c(-Inf, 30, 60, Inf),
                             labels = c('Jóvenes (<=30', 'Puretas (30-60)','Viejos (+60)')) )

Haciendo un table() podemos ver el resultado de nuestra nueva variable:

table(df$edad_factor)

## 
##   Jóvenes (<=30 Puretas (30-60)    Viejos (+60) 
##             506            2112            1159