INTRODUCCIÓN

¿Qué es R y RStudio?

RStudio es una interfaz libre y gratuita que nos permite explotar todo el potencial que tiene el lenguaje de programación R.

R es un lenguaje que ofrece una gran variedad de funciones para realizar cálculos estadísticos y generar diversos gráficos a partir de los datos. Sin embargo, el gran potencial está en que, al ser libre y colaborativo, constantemente los usuarios están actualizando y ampliando la cantidad de funciones que presenta. Hoy en día podemos realizar desde operaciones básicas sobre los datos hasta aplicar algoritmos de inteligencia artificial.

A su vez, dentro de RStudio, hay diferentes formatos de archivos (RMarkdown, RScript, RNotebook, etc) y su elección depende del objetivo que tengamos. En nuestro caso, a lo largo del manual trabajaremos con el formato RMarkdown, un tipo de documento de RStudio que integra texto con código de R y nos permite generar informes a partir de los datos.

Empecemos de a poco:

Lo primero que tenemos que hacer es crear un nuevo proyecto y un nuevo RMarkdown. Los pasos a seguir pueden encontrarlos en el siguiente tutorial: https://rpubs.com/angiescetta/conociendo-R

Interfaz Gráfica de RStudio

Antes de seguir, analicemos un poco la Interfaz Gráfica de RStudio:

Tal como se ve en la imagen, podríamos dividir la interfaz en 4 partes/ventanas:

  1. Panel de Edición

Este panel es en el que vamos a estar creando y modificando nuestro RMarkdown. Aquí también podría haber otro formato de archivo R, como por ejemplo R Script o R Notebook.

  1. Entorno de Variables

En esta ventana iremos viendo todos los datos que hayamos cargado. Desde aquí también podremos importar o eliminar datos.

Desde la pestaña Historial podremos consultar el historial de comandos y funciones que fuimos utilizando en el Proyecto.

  1. Consola

En la ventana inferior izquierda irá apareciendo todo lo que ejecutemos tanto desde el Panel de Edición como desde el Entorno de Variables, pero también podemos escribir líneas de código que queremos que se ejecuten y no queremos dejarlas escritas en el RMarkdown.

  1. Panel de Utilidades

En la ventana inferior derecha se pueden ver varias cosas:

  1. Files: El Directorio donde estamos trabajando.

  2. Plots: Las visualizaciones/gráficos que se van generando.

  3. Packages: Los paquetes de R disponibles.

  4. Help: Una sección de ayuda donde podemos consultar información de las funciones.

  5. Viewer: Un visor HTML para ver los gráficos interactivos o animados que hayamos hecho.

Formato RMarkdown

¿Para que sirve el formato RMawkdown?

Este formato sirve para manipular datos y armar informes listos para presentar. Hay 2 formas de escribir en un RMarkdown:

  1. Texto como el que estoy escribiendo ahora.

El RMarkdown tiene una sintaxis específica para poder dar formato al texto del informe final, por ejemplo si escribimos así:

Obtenemos los siguientes resultados:

  1. Bloques de código (o “chunks”) donde insertaremos nuestras líneas de código con el objetivo de manipular (analizar, modificar, visualizar) los datos. Esto es un chunk:

Y se inserta haciendo click en Insert/R o con el siguiente atajo en el teclado: Ctrl + Shift + I

Nuestro primer dataset

A continuación vamos a trabajar con los datos del Sistema Único de Atención Ciudadana (SUACI) del Gobierno de la Ciudad de Buenos Aires. Estos datos son públicos y pueden encontrarlos en el portal BA Data.

En este caso, para facilitar la manipulación de la información, usaremos un set de datos (en formato csv) previamente procesado que contiene datos de los contactos realizados a SUACI en Octubre del 2021. Pueden descargarlo de https://data.world/angie-scetta/suaci-oct-2021

Recomendación: Al descargarlo, moverlo de la carpeta “Descargas” a una nueva carpeta llamada “data” dentro de la carpeta del Proyecto donde estén trabajando.

Ahora si, manos a la obra! Para cargar el dataset pueden copiar la siguiente línea de código y pegarla dentro de un chunk:

suaci_202110 <- read.csv("data/suaci_202110.csv", stringsAsFactors = TRUE)

Para entender la lógica detrás del chunk anterior pueden revisar el ejemplo de este link: https://rpubs.com/angiescetta/importar-dataset

Ahora conozcamos nuestro dataset: Veamos como se estructura (cuantas filas y columnas tiene) y que información trae…

Para esto empezaremos utilizando dim():

dim(suaci_202110)
## [1] 52926    10

Podemos ver que tenemos 52.926 registros/filas y 10 columnas. También podríamos ver esto por separado de la siguiente forma:

ncol(suaci_202110)
## [1] 10
nrow(suaci_202110)
## [1] 52926

Pero ¿Qué información contienen esas 10 columnas?

Esto podemos verlo con names():

names(suaci_202110)
##  [1] "contacto"         "periodo"          "categoria"        "subcategoria"    
##  [5] "prestacion"       "tipo_prestacion"  "domicilio_comuna" "domicilio_barrio"
##  [9] "canal"            "genero"

Bien, las variables tienen información que refiere a:

  • ID de contacto

  • Período/mes en que se realizó el contacto

  • Categoría, subcategoría, prestación y tipo de prestación a la que pertenece

  • Comuna y barrio donde se ubica

  • Canal por el que se realizó

  • Género del vecino/a que se contactó

Parece que cada fila/registro de la base corresponde a un único contacto/reclamo, pero veamos una pequeña muestra de la data con head() para estar seguros:

head(suaci_202110)
##      contacto periodo              categoria          subcategoria
## 1 00443037/21  202110 LIMPIEZA Y RECOLECCIÓN CESTOS Y CONTENEDORES
## 2 00442177/21  202110               TRÁNSITO         DENUNCIA VIAL
## 3 00442090/21  202110               TRÁNSITO         DENUNCIA VIAL
## 4 00442314/21  202110               TRÁNSITO         DENUNCIA VIAL
## 5 00442395/21  202110               TRÁNSITO         DENUNCIA VIAL
## 6 00442458/21  202110               TRÁNSITO         DENUNCIA VIAL
##                  prestacion tipo_prestacion domicilio_comuna domicilio_barrio
## 1 Reubicación de contenedor       Solicitud        Comuna 13         Belgrano
## 2  Vehículo mal estacionado        Denuncia        Comuna 10     Monte Castro
## 3  Vehículo mal estacionado        Denuncia         Comuna 1        San Telmo
## 4  Vehículo mal estacionado        Denuncia        Comuna 13         Belgrano
## 5  Vehículo mal estacionado        Denuncia         Comuna 1    Puerto Madero
## 6  Vehículo mal estacionado        Denuncia        Comuna 13            Nuñez
##               canal    genero
## 1        App BA 147  Femenino
## 2 App Denuncia Vial Masculino
## 3 App Denuncia Vial Masculino
## 4 App Denuncia Vial Masculino
## 5 App Denuncia Vial Masculino
## 6 App Denuncia Vial Masculino

Y un resumen estadístico de la información con summary():

summary(suaci_202110)
##         contacto        periodo                                  categoria    
##  00441631/21:    1   Min.   :202110   LIMPIEZA Y RECOLECCIÓN          :18200  
##  00441632/21:    1   1st Qu.:202110   TRÁNSITO                        :16037  
##  00441633/21:    1   Median :202110   BARRIOS EMERGENTES              : 4275  
##  00441634/21:    1   Mean   :202110   CALLES Y VEREDAS                : 4233  
##  00441635/21:    1   3rd Qu.:202110   ARBOLADO Y ESPACIOS VERDES      : 2460  
##  00441636/21:    1   Max.   :202110   ORDENAMIENTO DEL ESPACIO PÚBLICO: 1422  
##  (Other)    :52920                    (Other)                         : 6299  
##                   subcategoria  
##  DENUNCIA VIAL          :14759  
##  RESIDUOS VOLUMINOSOS   :13216  
##  REPARACIÓN DE VEREDA   : 3342  
##  CESTOS Y CONTENEDORES  : 3063  
##  LIMPIEZA DE VÍA PÚBLICA: 1906  
##  DESAGOTE               : 1898  
##  (Other)                :14742  
##                                        prestacion     tipo_prestacion 
##  Vehículo mal estacionado                   :14475   Denuncia :17891  
##  Retiro de escombros / restos de obra       : 9592   Queja    : 2434  
##  Reparación de vereda                       : 2122   Reporte  :  940  
##  Retiro de restos de jardinería domiciliaria: 1985   Servicio :13249  
##  Desagote de pozo ciego (atmosférico)       : 1898   Solicitud:18412  
##  Desobstrucción (Vactor)                    : 1761                    
##  (Other)                                    :21093                    
##   domicilio_comuna      domicilio_barrio               canal      
##  Comuna 11: 5199   Palermo      : 4091   App BA 147       :18348  
##  Comuna 12: 4993   Flores       : 3030   GCS Web          :17584  
##  Comuna 13: 4849   Caballito    : 2865   App Denuncia Vial: 7740  
##  Comuna 15: 4315   Belgrano     : 2675   Boti             : 4429  
##  Comuna 14: 4067   Villa Urquiza: 2267   Operador UGIS    : 4274  
##  Comuna 7 : 3992   (Other)      :37196   Comuna           :  376  
##  (Other)  :25511   NA's         :  802   (Other)          :  175  
##        genero     
##           : 4274  
##  Femenino :21440  
##  Masculino:27164  
##  Otros    :   48  
##                   
##                   
##

A priori, en este resumen podemos entender varias cosas de la data. Por ejemplo:

  • Solamente Hay registros de contactos realizados en Octubre 2021.

  • La mayoría de los contactos refieren a la categoría Limpieza y recolección, seguida por Tránsito.

  • La mayoría de los contactos refieren a la subcategoría Denuncia vial, seguida por Residuos voluminosos.

  • La prestación que más veces aparece en la base es el de Vehículo mal estacionado, seguida por Retiro de escombros / restos de obra.

  • Los tipos de prestación más realizadas son la Solicitud y la Denuncia, ambas con cantidades muy similares.

  • La Comuna que más contactos tiene es la Comuna 11, seguida por la Comuna 12.

  • El Barrio que más contactos tiene es Palermo, seguido por Flores.

Por último, investiguemos como es la estructura de la data, es decir que tipo de información tiene cada campo. Si bien algo ya nos imaginamos gracias al summary(), usemos str() para revisarlo:

str(suaci_202110)
## 'data.frame':    52926 obs. of  10 variables:
##  $ contacto        : Factor w/ 52926 levels "00441631/21",..: 1407 547 460 684 765 828 921 1198 1352 1363 ...
##  $ periodo         : int  202110 202110 202110 202110 202110 202110 202110 202110 202110 202110 ...
##  $ categoria       : Factor w/ 19 levels "","ALUMBRADO",..: 10 19 19 19 19 19 19 19 19 19 ...
##  $ subcategoria    : Factor w/ 69 levels "","ACCESO A LA INFORMACIÓN PÚBLICA",..: 7 13 13 13 13 13 13 13 13 13 ...
##  $ prestacion      : Factor w/ 220 levels "Acceso a la información pública",..: 197 214 214 214 214 214 214 214 214 214 ...
##  $ tipo_prestacion : Factor w/ 5 levels "Denuncia","Queja",..: 5 1 1 1 1 1 1 1 1 1 ...
##  $ domicilio_comuna: Factor w/ 16 levels "Comuna 1","Comuna 10",..: 5 2 1 5 1 5 9 6 1 11 ...
##  $ domicilio_barrio: Factor w/ 48 levels "Agronomia","Almagro",..: 5 18 33 5 27 20 3 21 17 2 ...
##  $ canal           : Factor w/ 10 levels "App BA 147","App Denuncia Vial",..: 1 2 2 2 2 2 2 2 2 2 ...
##  $ genero          : Factor w/ 4 levels "","Femenino",..: 2 3 3 3 3 3 3 3 3 3 ...

Existen varios tipos de datos, pero en nuestro set nos encontramos con 2: integer (int) y Factor.

Ahora bien, ¿Qué significa eso?

  • Integer son números enteros, es decir que el campo solo admite números sin decimales como por ejemplo cantidad de habitaciones de una propiedad.

  • Factor son categorías, por ejemplo Barrios, Partidos, etc.

Sin embargo, también es muy común que trabajando con diferentes datasets se encuentren con variables de tipo numeric (num) o character (chr):

  • Numeric son números con decimales, como por ejemplo, latitud y longitud.

  • Character son campos que contienen letras/texto libre, como por ejemplo, apellidos o mails.

Además del tipo de dato, con str() también podemos ver la cantidad de niveles que tienen las variables de tipo Factor. Por ejemplo, se observa que la columna género solo tiene 4 categorías posibles, en cambio la columna prestación tiene 211.

Bonus Track

¿Cómo hacemos si queremos ver un resumen estadístico o la estructura de una sola de las columnas del dataset? Para esto utilizamos el símbolo $ de la siguiente forma:

summary(suaci_202110$genero)
##            Femenino Masculino     Otros 
##      4274     21440     27164        48
str(suaci_202110$genero)
##  Factor w/ 4 levels "","Femenino",..: 2 3 3 3 3 3 3 3 3 3 ...

Generemos nuestro primer HTML

Por último, generemos nuestro primer reporte HTML para poder ver todos los resultados en un único informe. Para esto debemos hacer click en Knit / Knit to HTML:

Próximos Pasos

Acá concluye la primer clase, pero los invito a que repliquen lo realizado con algún otro dataset que les interese. Pueden descargar datos de diversos portales abiertos como por ejemplo: