Manejo de matrices y representación gráfica
junio 14, 2022
Álvaro Alonso Fernández
Departamento de Ciencias de la Vida
Universidad de Alcalá (España)
1 Resumen
Utilizaremos las funciones 'gather()' 'spread()' y 'separate()' del paquete 'Tidyr' de R. Por medio de estas funciones podemos pasar varias variables que se encuentran en columnas separadas a una única variable y al revés. Además, podemos añadir nuevas columnas con variables que se encontraban agrupadas en una única variable. De paso haremos algunas representaciones de datos con ggplot2 de series temporales.
2 Nuestros datos
Nuestra matriz de datos presenta tres tratamientos diferentes aplicados a varios individuos. Con el paso del tiempo se ha valorado la capacidad de atención de cada individuo (estudiante) sobre 10. Vamos a cargar los datos para ver como son:
setwd(dir = "F:/R/MARKDOWN/manejomatrices/")
datos<-read.table("nuestrosdatos.csv", sep = ";", header = TRUE, dec = ".")
datos## Individuo Tratamiento t1 t2 t3 t4 t5 t6
## 1 1 1 9.0 8.50 6.50 5.0 9.80 9.5
## 2 2 1 8.0 8.75 3.60 4.5 8.00 9.0
## 3 3 1 9.0 8.50 4.75 5.0 8.50 8.0
## 4 4 1 7.0 6.70 4.80 5.2 6.90 7.5
## 5 5 2 8.0 9.00 5.50 4.0 2.00 2.5
## 6 6 2 6.5 7.00 5.60 3.5 6.00 5.5
## 7 7 2 9.2 8.75 5.90 4.0 6.00 5.0
## 8 8 2 10.0 9.90 8.10 4.2 5.00 5.0
## 9 9 3 8.5 4.00 5.50 4.1 1.20 1.0
## 10 10 3 7.5 8.00 8.70 3.5 0.50 1.5
## 11 11 3 9.8 8.50 8.00 3.0 0.50 1.0
## 12 12 3 9.8 8.50 8.00 4.0 0.75 1.5str(datos)## 'data.frame': 12 obs. of 8 variables:
## $ Individuo : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Tratamiento: int 1 1 1 1 2 2 2 2 3 3 ...
## $ t1 : num 9 8 9 7 8 6.5 9.2 10 8.5 7.5 ...
## $ t2 : num 8.5 8.75 8.5 6.7 9 7 8.75 9.9 4 8 ...
## $ t3 : num 6.5 3.6 4.75 4.8 5.5 5.6 5.9 8.1 5.5 8.7 ...
## $ t4 : num 5 4.5 5 5.2 4 3.5 4 4.2 4.1 3.5 ...
## $ t5 : num 9.8 8 8.5 6.9 2 6 6 5 1.2 0.5 ...
## $ t6 : num 9.5 9 8 7.5 2.5 5.5 5 5 1 1.5 ...3 Exploratorio básico
Vamos a comprobar si tenemos valores perdidos y la distribución de los datos de una forma sencilla (hay muchas más herramientas en los paquetes indicados):
library(pastecs)
library(summarytools)## Registered S3 method overwritten by 'pryr':
## method from
## print.bytes Rcpp## For best results, restart R session and update pander using devtools:: or remotes::install_github('rapporter/pander')library(DataExplorer)
library(Rmisc)## Loading required package: lattice## Loading required package: plyr#Si hay datos perdidos
plot_missing(datos)
plot_histogram(datos)
plot_density(datos)
No encontramos datos perdidos y las distribuciones son muy variadas, pero hay que tener en cuenta que el número de observaciones es bajo.
4 Varias variables en columnas a una única columna
Vamos a cambiar todos los tiempos a una única columna que será el grado de atención. Para ello se utiliza 'gather' del paquete 'tidyr':
library("tidyr")##
## Attaching package: 'tidyr'## The following object is masked from 'package:pastecs':
##
## extract#con la función 'gather' vamos a mover una serie de columnas a una única columna
datos2 <- gather(datos,
key = "Time",#nombre para la variable resultante de transponer todas las columnas de los diferentes tiempos (t1, t2, t3, etc.)
value = "Grado_de_atencion",#variable que estamos agrupando y el nombre que tendrá la nueva columna
t1:t6)#desde que columna hasta que columna queremos transponer
datos2## Individuo Tratamiento Time Grado_de_atencion
## 1 1 1 t1 9.00
## 2 2 1 t1 8.00
## 3 3 1 t1 9.00
## 4 4 1 t1 7.00
## 5 5 2 t1 8.00
## 6 6 2 t1 6.50
## 7 7 2 t1 9.20
## 8 8 2 t1 10.00
## 9 9 3 t1 8.50
## 10 10 3 t1 7.50
## 11 11 3 t1 9.80
## 12 12 3 t1 9.80
## 13 1 1 t2 8.50
## 14 2 1 t2 8.75
## 15 3 1 t2 8.50
## 16 4 1 t2 6.70
## 17 5 2 t2 9.00
## 18 6 2 t2 7.00
## 19 7 2 t2 8.75
## 20 8 2 t2 9.90
## 21 9 3 t2 4.00
## 22 10 3 t2 8.00
## 23 11 3 t2 8.50
## 24 12 3 t2 8.50
## 25 1 1 t3 6.50
## 26 2 1 t3 3.60
## 27 3 1 t3 4.75
## 28 4 1 t3 4.80
## 29 5 2 t3 5.50
## 30 6 2 t3 5.60
## 31 7 2 t3 5.90
## 32 8 2 t3 8.10
## 33 9 3 t3 5.50
## 34 10 3 t3 8.70
## 35 11 3 t3 8.00
## 36 12 3 t3 8.00
## 37 1 1 t4 5.00
## 38 2 1 t4 4.50
## 39 3 1 t4 5.00
## 40 4 1 t4 5.20
## 41 5 2 t4 4.00
## 42 6 2 t4 3.50
## 43 7 2 t4 4.00
## 44 8 2 t4 4.20
## 45 9 3 t4 4.10
## 46 10 3 t4 3.50
## 47 11 3 t4 3.00
## 48 12 3 t4 4.00
## 49 1 1 t5 9.80
## 50 2 1 t5 8.00
## 51 3 1 t5 8.50
## 52 4 1 t5 6.90
## 53 5 2 t5 2.00
## 54 6 2 t5 6.00
## 55 7 2 t5 6.00
## 56 8 2 t5 5.00
## 57 9 3 t5 1.20
## 58 10 3 t5 0.50
## 59 11 3 t5 0.50
## 60 12 3 t5 0.75
## 61 1 1 t6 9.50
## 62 2 1 t6 9.00
## 63 3 1 t6 8.00
## 64 4 1 t6 7.50
## 65 5 2 t6 2.50
## 66 6 2 t6 5.50
## 67 7 2 t6 5.00
## 68 8 2 t6 5.00
## 69 9 3 t6 1.00
## 70 10 3 t6 1.50
## 71 11 3 t6 1.00
## 72 12 3 t6 1.505 Incluir una nueva variable
Vamos a incluir el grado de atención en porcentaje. Para ello hay que multiplicar 'Grado_de_atención" por 10 y generar una nueva variable de la siguiente forma:
datos2$Grado_porcentaje<-(datos2$Grado_de_atencion*10)
datos2## Individuo Tratamiento Time Grado_de_atencion Grado_porcentaje
## 1 1 1 t1 9.00 90.0
## 2 2 1 t1 8.00 80.0
## 3 3 1 t1 9.00 90.0
## 4 4 1 t1 7.00 70.0
## 5 5 2 t1 8.00 80.0
## 6 6 2 t1 6.50 65.0
## 7 7 2 t1 9.20 92.0
## 8 8 2 t1 10.00 100.0
## 9 9 3 t1 8.50 85.0
## 10 10 3 t1 7.50 75.0
## 11 11 3 t1 9.80 98.0
## 12 12 3 t1 9.80 98.0
## 13 1 1 t2 8.50 85.0
## 14 2 1 t2 8.75 87.5
## 15 3 1 t2 8.50 85.0
## 16 4 1 t2 6.70 67.0
## 17 5 2 t2 9.00 90.0
## 18 6 2 t2 7.00 70.0
## 19 7 2 t2 8.75 87.5
## 20 8 2 t2 9.90 99.0
## 21 9 3 t2 4.00 40.0
## 22 10 3 t2 8.00 80.0
## 23 11 3 t2 8.50 85.0
## 24 12 3 t2 8.50 85.0
## 25 1 1 t3 6.50 65.0
## 26 2 1 t3 3.60 36.0
## 27 3 1 t3 4.75 47.5
## 28 4 1 t3 4.80 48.0
## 29 5 2 t3 5.50 55.0
## 30 6 2 t3 5.60 56.0
## 31 7 2 t3 5.90 59.0
## 32 8 2 t3 8.10 81.0
## 33 9 3 t3 5.50 55.0
## 34 10 3 t3 8.70 87.0
## 35 11 3 t3 8.00 80.0
## 36 12 3 t3 8.00 80.0
## 37 1 1 t4 5.00 50.0
## 38 2 1 t4 4.50 45.0
## 39 3 1 t4 5.00 50.0
## 40 4 1 t4 5.20 52.0
## 41 5 2 t4 4.00 40.0
## 42 6 2 t4 3.50 35.0
## 43 7 2 t4 4.00 40.0
## 44 8 2 t4 4.20 42.0
## 45 9 3 t4 4.10 41.0
## 46 10 3 t4 3.50 35.0
## 47 11 3 t4 3.00 30.0
## 48 12 3 t4 4.00 40.0
## 49 1 1 t5 9.80 98.0
## 50 2 1 t5 8.00 80.0
## 51 3 1 t5 8.50 85.0
## 52 4 1 t5 6.90 69.0
## 53 5 2 t5 2.00 20.0
## 54 6 2 t5 6.00 60.0
## 55 7 2 t5 6.00 60.0
## 56 8 2 t5 5.00 50.0
## 57 9 3 t5 1.20 12.0
## 58 10 3 t5 0.50 5.0
## 59 11 3 t5 0.50 5.0
## 60 12 3 t5 0.75 7.5
## 61 1 1 t6 9.50 95.0
## 62 2 1 t6 9.00 90.0
## 63 3 1 t6 8.00 80.0
## 64 4 1 t6 7.50 75.0
## 65 5 2 t6 2.50 25.0
## 66 6 2 t6 5.50 55.0
## 67 7 2 t6 5.00 50.0
## 68 8 2 t6 5.00 50.0
## 69 9 3 t6 1.00 10.0
## 70 10 3 t6 1.50 15.0
## 71 11 3 t6 1.00 10.0
## 72 12 3 t6 1.50 15.0Ahora ya tenemos todo listo para poder manejar la nueva matriz y preparar las figuras para ver como son nuestros resultados.
6 Representación gráfica
Vamos a representar nuestros datos. El primer paso es calcular lo que queremos representar en la figura de ggplot2.
6.1 Cálculos de los valores a representar
Cargamos 'Rmisc' y transformamos en factor el tiempo y el tratamiento:
library(Rmisc)
datos2$Tratamiento<-factor(datos2$Tratamiento)#tratamiento como factor
datos2$Time<-factor(datos2$Time)#tiempo como factor
str(datos2)## 'data.frame': 72 obs. of 5 variables:
## $ Individuo : int 1 2 3 4 5 6 7 8 9 10 ...
## $ Tratamiento : Factor w/ 3 levels "1","2","3": 1 1 1 1 2 2 2 2 3 3 ...
## $ Time : Factor w/ 6 levels "t1","t2","t3",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ Grado_de_atencion: num 9 8 9 7 8 6.5 9.2 10 8.5 7.5 ...
## $ Grado_porcentaje : num 90 80 90 70 80 65 92 100 85 75 ...Lo siguiente es calcular los valores medios y medidas de desviación para nuestros datos. Con 'measurevar' indicamos la variable que vamos a utilizar para los cálculos y con 'groupvars' los criterios de agrupación (tiempo y tratamiento):
nuevos <- summarySE(datos2, measurevar="Grado_porcentaje", groupvars=c("Time","Tratamiento"))
nuevos## Time Tratamiento N Grado_porcentaje sd se ci
## 1 t1 1 4 82.500 9.574271 4.787136 15.234802
## 2 t1 2 4 84.250 15.239751 7.619875 24.249844
## 3 t1 3 4 89.000 11.165423 5.582711 17.766679
## 4 t2 1 4 81.125 9.490126 4.745063 15.100909
## 5 t2 2 4 86.625 12.133803 6.066901 19.307588
## 6 t2 3 4 72.500 21.794495 10.897247 34.679905
## 7 t3 1 4 49.125 11.946931 5.973466 19.010234
## 8 t3 2 4 62.750 12.284814 6.142407 19.547881
## 9 t3 3 4 75.500 14.059398 7.029699 22.371639
## 10 t4 1 4 49.250 2.986079 1.493039 4.751518
## 11 t4 2 4 39.250 2.986079 1.493039 4.751518
## 12 t4 3 4 36.500 5.066228 2.533114 8.061499
## 13 t5 1 4 83.000 12.027746 6.013873 19.138827
## 14 t5 2 4 47.500 18.929694 9.464847 30.121368
## 15 t5 3 4 7.375 3.300884 1.650442 5.252443
## 16 t6 1 4 85.000 9.128709 4.564355 14.525814
## 17 t6 2 4 45.000 13.540064 6.770032 21.545263
## 18 t6 3 4 12.500 2.886751 1.443376 4.593466str(nuevos)## 'data.frame': 18 obs. of 7 variables:
## $ Time : Factor w/ 6 levels "t1","t2","t3",..: 1 1 1 2 2 2 3 3 3 4 ...
## $ Tratamiento : Factor w/ 3 levels "1","2","3": 1 2 3 1 2 3 1 2 3 1 ...
## $ N : num 4 4 4 4 4 4 4 4 4 4 ...
## $ Grado_porcentaje: num 82.5 84.2 89 81.1 86.6 ...
## $ sd : num 9.57 15.24 11.17 9.49 12.13 ...
## $ se : num 4.79 7.62 5.58 4.75 6.07 ...
## $ ci : num 15.2 24.2 17.8 15.1 19.3 ...plot_missing(nuevos)#sin valores perdidos
6.2 Figura de puntos
La forma más sencilla de representar los datos. El tiempo en el eje x y la capacidad de atención en el eje y:
library(ggplot2)
gr1<-ggplot(nuevos, aes(Time, Grado_porcentaje,group=Tratamiento,colour=Tratamiento)) +
geom_point() +
xlab("Tiempo") +#rótulos eje x e y
ylab("Porcentaje de atención")
gr1
Le añadimos líneas:
gr2<-gr1+geom_line()
gr2
6.3 Figura de puntos con media y errores
Utilizamos 'geom_errorbar' para incluir los errores que hemos calculado en los pasos anteriores:
gr3<-ggplot(nuevos, aes(x=Time, y=Grado_porcentaje,group=Tratamiento, colour=Tratamiento)) +
geom_errorbar(aes(ymin=Grado_porcentaje-se, ymax=Grado_porcentaje+se), width=.1) +
geom_point()+
xlab("Tiempo")+
ylab("Grado de atención")
gr3
Añadimos una linea vertical para indicar el descanso que hemos hecho en mitad de la clase. Con 'scale_x_discrete' y 'drop=FALSE' consigo que el eje X que es categórico pase a continuo y la línea se pueda poner entre dos tiempos diferentes:
gr4<-gr3 +geom_vline(xintercept = 3.5)+
scale_x_discrete(drop = FALSE)
gr4
6.4 Figuras con tratamientos separados
Con 'facet_wrap' en función del '~Tratamiento' separamos en tres figuras y con 'labeller' le damos nombre a nuestros tratamientos:
gr5<-gr3+facet_wrap(~Tratamiento,labeller=as_labeller(c("1" = "Clase Magistral bien hecha", "2" = "Innovación docente regulera",
"3" = "Innovación docente mal hecha")))
gr5+geom_line()
Quitamos la leyenda:
gr6<-gr5+geom_line()+theme(legend.position = "none")
gr6
Mejoramos la figura con puntos más grandes:
gr7<-gr6+geom_point(size=3)+geom_line(size=1)
gr7
Ponemos los descansos a las tres figuras:
gr8<-gr7+geom_vline(xintercept = 3.5,linetype = "dashed")+
scale_x_discrete(drop = FALSE)
gr8
Mejoramos los nombres de los tratamientos y el tamaño de todas las fuentes de los ejes con 'strip.text':
gr9<-gr8+theme(strip.text = element_text(face = "bold", color = "black",
hjust = 0.5, size = 8),
strip.background = element_rect(fill = "grey"),text = element_text(size = 15))
gr9
Se puede cambiar el fondo de la figura:
gr9+theme_classic()+theme(legend.position = "none")
gr9+theme_light()+theme(legend.position = "none")
gr9+theme_dark()+theme(legend.position = "none")#etc.
7 De una variable pasamos a varias en columnas
Vamos a cambiar la matriz para dejarla como estaba al principio. Para ello se utiliza 'spread()' del paquete 'tidyr':
Lo primero es quitar la variable "Grado_de_atencion" ya que no la usaremos más:
datos2$Grado_de_atencion<-NULL
datos2## Individuo Tratamiento Time Grado_porcentaje
## 1 1 1 t1 90.0
## 2 2 1 t1 80.0
## 3 3 1 t1 90.0
## 4 4 1 t1 70.0
## 5 5 2 t1 80.0
## 6 6 2 t1 65.0
## 7 7 2 t1 92.0
## 8 8 2 t1 100.0
## 9 9 3 t1 85.0
## 10 10 3 t1 75.0
## 11 11 3 t1 98.0
## 12 12 3 t1 98.0
## 13 1 1 t2 85.0
## 14 2 1 t2 87.5
## 15 3 1 t2 85.0
## 16 4 1 t2 67.0
## 17 5 2 t2 90.0
## 18 6 2 t2 70.0
## 19 7 2 t2 87.5
## 20 8 2 t2 99.0
## 21 9 3 t2 40.0
## 22 10 3 t2 80.0
## 23 11 3 t2 85.0
## 24 12 3 t2 85.0
## 25 1 1 t3 65.0
## 26 2 1 t3 36.0
## 27 3 1 t3 47.5
## 28 4 1 t3 48.0
## 29 5 2 t3 55.0
## 30 6 2 t3 56.0
## 31 7 2 t3 59.0
## 32 8 2 t3 81.0
## 33 9 3 t3 55.0
## 34 10 3 t3 87.0
## 35 11 3 t3 80.0
## 36 12 3 t3 80.0
## 37 1 1 t4 50.0
## 38 2 1 t4 45.0
## 39 3 1 t4 50.0
## 40 4 1 t4 52.0
## 41 5 2 t4 40.0
## 42 6 2 t4 35.0
## 43 7 2 t4 40.0
## 44 8 2 t4 42.0
## 45 9 3 t4 41.0
## 46 10 3 t4 35.0
## 47 11 3 t4 30.0
## 48 12 3 t4 40.0
## 49 1 1 t5 98.0
## 50 2 1 t5 80.0
## 51 3 1 t5 85.0
## 52 4 1 t5 69.0
## 53 5 2 t5 20.0
## 54 6 2 t5 60.0
## 55 7 2 t5 60.0
## 56 8 2 t5 50.0
## 57 9 3 t5 12.0
## 58 10 3 t5 5.0
## 59 11 3 t5 5.0
## 60 12 3 t5 7.5
## 61 1 1 t6 95.0
## 62 2 1 t6 90.0
## 63 3 1 t6 80.0
## 64 4 1 t6 75.0
## 65 5 2 t6 25.0
## 66 6 2 t6 55.0
## 67 7 2 t6 50.0
## 68 8 2 t6 50.0
## 69 9 3 t6 10.0
## 70 10 3 t6 15.0
## 71 11 3 t6 10.0
## 72 12 3 t6 15.0Con 'key' indicamos la columna con las variables a mover a nuevas columnas y con 'value' los datos de las observaciones de cada una de las nuevas variables:
datos3<-spread(datos2, key=(Time), value=Grado_porcentaje)
datos3#nuestra matriz original## Individuo Tratamiento t1 t2 t3 t4 t5 t6
## 1 1 1 90 85.0 65.0 50 98.0 95
## 2 2 1 80 87.5 36.0 45 80.0 90
## 3 3 1 90 85.0 47.5 50 85.0 80
## 4 4 1 70 67.0 48.0 52 69.0 75
## 5 5 2 80 90.0 55.0 40 20.0 25
## 6 6 2 65 70.0 56.0 35 60.0 55
## 7 7 2 92 87.5 59.0 40 60.0 50
## 8 8 2 100 99.0 81.0 42 50.0 50
## 9 9 3 85 40.0 55.0 41 12.0 10
## 10 10 3 75 80.0 87.0 35 5.0 15
## 11 11 3 98 85.0 80.0 30 5.0 10
## 12 12 3 98 85.0 80.0 40 7.5 15Lo que hemos obtenido como resultado es la matriz original de la que partimos antes de crear todas las figuras anteriores.
8 Crear nuevas columnas
Ahora vamos a separar por medio de 'spread' una columna en varias. En este caso con el tiempo 1 en función del tratamiento. Hay NAs ya que los individuos de cada tratamiento solo han participado en un tratamiento:
datos4<-spread(datos3, key=Tratamiento, value=t1)
datos4## Individuo t2 t3 t4 t5 t6 1 2 3
## 1 1 85.0 65.0 50 98.0 95 90 NA NA
## 2 2 87.5 36.0 45 80.0 90 80 NA NA
## 3 3 85.0 47.5 50 85.0 80 90 NA NA
## 4 4 67.0 48.0 52 69.0 75 70 NA NA
## 5 5 90.0 55.0 40 20.0 25 NA 80 NA
## 6 6 70.0 56.0 35 60.0 55 NA 65 NA
## 7 7 87.5 59.0 40 60.0 50 NA 92 NA
## 8 8 99.0 81.0 42 50.0 50 NA 100 NA
## 9 9 40.0 55.0 41 12.0 10 NA NA 85
## 10 10 80.0 87.0 35 5.0 15 NA NA 75
## 11 11 85.0 80.0 30 5.0 10 NA NA 98
## 12 12 85.0 80.0 40 7.5 15 NA NA 989 Conclusiones
Con todo lo anterior podemos cambiar la posición de varias columnas en una única columna y al revés. Además podemos añadir nuevas columnas y quitarlas dentro de nuestra matriz de datos. De paso hemos aprendido a representar series temporales de varias maneras.
10 CRÉDITOS
Departamento de Ciencias de la Vida
Universidad de Alcalá (España)
