Contenido

Objetos
Números y vectores
Matrices
Arrays o arreglos
Data frame o marco de datos
Listas

1. Objetos

R trabaja con objetos que tienen un nombre y un contenido, sin embargo, también tienen atributos que especifican el tipo de datos presentados por el objeto.

Todo objeto tiene dos atributos: el tipo y la longitud

El tipo se refiere a la clase básica de los elementos del objeto: numérico, caracter, complejo o lógico.

La longitud es simplemente el número de elementos en el objeto

x<-1
class(x)

## [1] "numeric"

mode(x)

## [1] "numeric"

length(x)

## [1] 1

A<-"facultad"
valor<-TRUE 
l<-1i 
mode(A); mode(valor); mode(l)

## [1] "character"

## [1] "logical"

## [1] "complex"

class(A); class(valor); class(l)

## [1] "character"

## [1] "logical"

## [1] "complex"

Cuando los datos no están disponibles, se presentan como NA (Not available)

##       objeto                Tipos Varios_objetos
## 1     vector num, char, comp, log          FALSE
## 2     factor           num o char          FALSE
## 3     arrays num, char, comp, log          FALSE
## 4     matriz num, char, comp, log          FALSE
## 5 data.frame num, char, comp, log           TRUE
## 6         ts num, char, comp, log           TRUE
## 7      lista num, char, comp, log           TRUE

Los objetos pertenecen a una clase, lo cual es fundamental en R que utiliza el paradigma de programación orientada a objetos.

La clase es una propiedad asignada a un objeto.

2.1. Vectores numéricos

La estrucutura de datos mas simple es el vector, que es una colección ordenada de números.

La asignación de elementos a una variable requiere una concatenación de elementos, que pueden ser otros vectores.

x<-c(1,2,3,4,5)
x

## [1] 1 2 3 4 5

y<-c(4,x,8)
y

## [1] 4 1 2 3 4 5 8

Aritmética vectorial

Es posible realizar operaciones aritméticas con nuestros vectores, cuando estos son numéricos. Los operadores mas comunes son:

Operadores aritméticos habituales: +,-,*,/,^
También tenemos log,exp,sqrt,sin, cos,tan
Operadores estadisticos: max, min, sum, prod, mean,var,sd

La operación se realiza sobre el objeto

z<-5:15
sum(z)

## [1] 110

mean(z)

## [1] 10

max(z) ; min(z)

## [1] 15

## [1] 5

Secuencias en vectores

Para construir un vector que contenga una secuencia numérica es posible usar dos procedimientos:

Usar from:to
Usar la función seq(from, to,by)

*R es un lenguaje posicional, por lo que no siempre hay que hacer explícito el argumento de la función.

s<-2*1:15
s

##  [1]  2  4  6  8 10 12 14 16 18 20 22 24 26 28 30

seq(from=2,to=30,by=2)

##  [1]  2  4  6  8 10 12 14 16 18 20 22 24 26 28 30

seq(2,30,2)

##  [1]  2  4  6  8 10 12 14 16 18 20 22 24 26 28 30

La función rep() es útil para repetir datos

Los argumentos de esta función son:

x: vector con los elementos a repetir.
times: número de veces que el vector x se debe repetir.
length.out: longitud deseada para el vector resultante.
each: número de veces que cada elemento de x se debe repetir.

rep(x=1:4, times=c(2,2,2,2))

## [1] 1 1 2 2 3 3 4 4

rep(x=1:4, times=c(2,1,2,1))

## [1] 1 1 2 3 3 4

rep(x=1:4, each=2)

## [1] 1 1 2 2 3 3 4 4

2.2. Vectores lógicos

Los vectores lógicos están compuestos por datos booleanos True and False.

x<-c(1,4:8,10:5,7) 
x

##  [1]  1  4  5  6  7  8 10  9  8  7  6  5  7

x>5

##  [1] FALSE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE
## [13]  TRUE

x==5

##  [1] FALSE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE  TRUE
## [13] FALSE

Operadores lógicos

Los operadores lógicos se presentan en la siguiente tabla:

##      Simbolo Expresa        
## [1,] "<"     "menor"        
## [2,] "<="    "menor o igual"
## [3,] ">"     "mayor"        
## [4,] "=="    "igual"        
## [5,] "!="    "diferente"    
## [6,] "&"     "intersección" 
## [7,] "|"     "unión"        
## [8,] "!"     "negación"

Como se indicó mas arriba, cuando falta un elemento se denomina presenta con NA. La función is.na() crea un vector lógico de tamaño x cuyo elementos serán True si el dato está perdido y FALSE en caso contrario. El comando complete.cases() opera de forma análoga.

*Puedo transfomar un vector lógico en un vector numérico

z<-c(1:4,NA,6:3,NA)
z

##  [1]  1  2  3  4 NA  6  5  4  3 NA

x<-is.na(z)
x

##  [1] FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE

complete.cases(z)

##  [1]  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE FALSE

También poedo coercionar un vector lógico para que se vuelva numérico

##  [1] FALSE FALSE FALSE FALSE  TRUE FALSE FALSE FALSE FALSE  TRUE

as.numeric(x)

##  [1] 0 0 0 0 1 0 0 0 0 1

2.3. Vectores de texto

Puedo armar cadenas de caracteres con el comando paste. Puede usarse para concatenar vectores

nombres<-c("Andrés","Pedro","Ana")
apellido<-c("López","Ortega","Perez")
paste(nombres,apellido)

## [1] "Andrés López" "Pedro Ortega" "Ana Perez"

paste(nombres,1:3,sep = ":")

## [1] "Andrés:1" "Pedro:2"  "Ana:3"

Filtrar elementos de un vector

Para extraer un elemento almacenado dentro un vector se usan los corchetes []

edad <- c(15, 19, 13, NA, 20,NA)
edad[3] # filtrar elemento 3

## [1] 13

edad[c(2, 5)] # filtrar elementos 2 y 5

## [1] 19 20

edad[-3] # filtrar todo, menos el elemento 3

## [1] 15 19 NA 20 NA

edad[-c(2, 5)] # filtrar todo, menos los elementos 2 y 5

## [1] 15 13 NA NA

edad[!is.na(edad)] #filtra todo sin datos NA

## [1] 15 19 13 20

Ejercicios

Cosntruya un vector de los números pares mayores a 20 y menores a 60
Cosntruya un vector de 10 elementos entre 20 y 60, ¿qué intervalo debe haber entre cada elemento?
El comando LETTERS arroja un vector con las letras del alfabéto. Indique cuántos elementos tiene y qué tipo de objeto es.
Construya un vector con la primeras 15 letras MAYÚSCULAS usando la función LETTERS.
Calcule el valor máximo, el mínimo, la suma de los elementos, el producto de los elementos, la media y la desviación estandar del siguiente vecor numérico: [5,3,2,4,2.3,4.2,7,1.2,2,2,4,3.5,4]

4. Matrices

Las matrices son arreglos rectangulares de filas y columnas con información numérica, alfanumérica o lógica.

Para construir una matriz se usa la función matrix( ).

mimatriz <- matrix(data=1:20, nrow=4, ncol=5, byrow=FALSE)
mimatriz

##      [,1] [,2] [,3] [,4] [,5]
## [1,]    1    5    9   13   17
## [2,]    2    6   10   14   18
## [3,]    3    7   11   15   19
## [4,]    4    8   12   16   20

Filtros en matrices

mimatriz[3, 4] # Filtros de elementos

## [1] 15

mimatriz[, 5] # Filtro de columna

## [1] 17 18 19 20

mimatriz[, -c(2, 4)] # Filtro quitando columnas 2 y 4

##      [,1] [,2] [,3]
## [1,]    1    9   17
## [2,]    2   10   18
## [3,]    3   11   19
## [4,]    4   12   20

Las funciones cbind() y rbind() permiten cosntruir matrices a partir de vectores

rbind() une vectores por filas (row)

idalumno<-1:6
calificacion<-c(90,92,89,69,70,90)
matriz1<-rbind(idalumno,calificacion)

Por su parte, cbind une vectores por columnas (col)

alumno7<-c(7,80,6)
alumno8<-c(8,90,6)

matriz2<-cbind(alumno7,alumno8)
matriz2

##      alumno7 alumno8
## [1,]       7       8
## [2,]      80      90
## [3,]       6       6

5. Arrays o arreglos

Un arreglo es una matriz de varias dimensiones con información numérica, alfanumérica o lógica. Para construir una arreglo se usa la función array( ).

miarray <- array(data=letters[1:16], dim=c(2, 4, 2))
miarray

## , , 1
## 
##      [,1] [,2] [,3] [,4]
## [1,] "a"  "c"  "e"  "g" 
## [2,] "b"  "d"  "f"  "h" 
## 
## , , 2
## 
##      [,1] [,2] [,3] [,4]
## [1,] "i"  "k"  "m"  "o" 
## [2,] "j"  "l"  "n"  "p"

Convirtamos un vector en un array con la función dim()

calif<-rnorm(24,90,5) # Vector aleatorio
calif

##  [1]  91.38687  92.39696  86.60451  89.36359  86.37195  91.36911 100.08788
##  [8]  93.11993  97.98271  85.51254  90.34297  91.61320  90.48587  82.89165
## [15]  87.73135  89.54534  88.27671  97.96818  86.23784  90.45381  83.62365
## [22]  88.12265  91.58578  84.28599

dim(calif) # No tiene dimensiones

## NULL

dim(calif)<-c(6,4) #Le doy dimensiones
calif

##          [,1]      [,2]     [,3]     [,4]
## [1,] 91.38687 100.08788 90.48587 86.23784
## [2,] 92.39696  93.11993 82.89165 90.45381
## [3,] 86.60451  97.98271 87.73135 83.62365
## [4,] 89.36359  85.51254 89.54534 88.12265
## [5,] 86.37195  90.34297 88.27671 91.58578
## [6,] 91.36911  91.61320 97.96818 84.28599

Ejercicios

Construya una matriz de 10×10 con los primeros 100 números positivos pares.
Construya una matriz identidad de dimension 3×3. Recuerde que una matriz identidad tiene sólo unos en la diagonal principal y los demás elementos son cero.
¿Cuál es el error al correr el siguiente código? ¿A qué se debe?

edad <- c(15, 19, 13, NA, 20) deporte <- c(TRUE, TRUE, NA, FALSE, TRUE) comic_fav <- c(NA, ‘Superman’, ‘Batman’, NA, ‘Batman’) matrix(edad, deporte, comic_fav)

Corrija el error y filtre las filas que tengan información completa.

4. Data frame o marco de datos

Los Data frame son uno de los objetos más utilizados porque permite agrupar vectores con información de diferente tipo (numérica, alfanumérica o lógica) en un mismo objeto, la única restricción es que los vectores deben tener la misma longitud.

Para crear un marco de datos se usa la función data.frame( )

edad <- c(15, 19, 13, NA, 20)
deporte <- c(TRUE, TRUE, NA, FALSE, TRUE)
comic_fav <- c(NA, 'Superman', 'Batman', NA, 'Batman')
mimarco <- data.frame(edad, deporte, comic_fav)
mimarco

##   edad deporte comic_fav
## 1   15    TRUE      <NA>
## 2   19    TRUE  Superman
## 3   13      NA    Batman
## 4   NA   FALSE      <NA>
## 5   20    TRUE    Batman

4. Data frame o marco de datos

miDf01 <- data.frame(
  numbers = c(1, 2, 3, 4), 
  logicals = c(TRUE, TRUE, FALSE, TRUE), 
  characters = c("a", "b", "c", "d")
)
print(miDf01)

##   numbers logicals characters
## 1       1     TRUE          a
## 2       2     TRUE          b
## 3       3    FALSE          c
## 4       4     TRUE          d

Filtros en data frame

Para filtrar en marcos de datos se puede usar el operador $ (filtra un vector), corchetes simples [] (como df) o corchetes dobles [[]]

mimarco$deporte #se filtra la variable deporte

## [1]  TRUE  TRUE    NA FALSE  TRUE

mimarco[, 2]

## [1]  TRUE  TRUE    NA FALSE  TRUE

mimarco[["deporte"]]

## [1]  TRUE  TRUE    NA FALSE  TRUE

Para extraer un data frame con algunas variables

mimarco[c("deporte", "edad")]

##   deporte edad
## 1    TRUE   15
## 2    TRUE   19
## 3      NA   13
## 4   FALSE   NA
## 5    TRUE   20

Función subset

Para extraer partes de un marco de datos se puede utilizar la función subset(x, subset, select)

subset(mimarco, subset=deporte == TRUE) # Quienes practican deporte

##   edad deporte comic_fav
## 1   15    TRUE      <NA>
## 2   19    TRUE  Superman
## 5   20    TRUE    Batman

subset(mimarco, subset=edad >= 17) #Mayores de 17 años

##   edad deporte comic_fav
## 2   19    TRUE  Superman
## 5   20    TRUE    Batman

subset(mimarco, subset=edad < 20, select=c('deporte', 'comic_fav')) #deporte y comic de los menores de 20 años

##   deporte comic_fav
## 1    TRUE      <NA>
## 2    TRUE  Superman
## 3      NA    Batman

5. Listas

Las listas son otro tipo de objeto muy usado para almacenar objetos de diferente tipo.

La instrucción para crear una lista es list( ).

mivector <- runif(n=5)
matriz2 <- matrix(data=1:10, ncol=5)
milista <- list(E1=mivector, E2=matriz2, E3=mimarco)

milista

## $E1
## [1] 0.5424767 0.6806203 0.2351745 0.3509040 0.7102877
## 
## $E2
##      [,1] [,2] [,3] [,4] [,5]
## [1,]    1    3    5    7    9
## [2,]    2    4    6    8   10
## 
## $E3
##   edad deporte comic_fav
## 1   15    TRUE      <NA>
## 2   19    TRUE  Superman
## 3   13      NA    Batman
## 4   NA   FALSE      <NA>
## 5   20    TRUE    Batman

milista <- list(E1=mivector, E2=matriz2, E3=mimarco)
milista[[3]][,2]

## [1]  TRUE  TRUE    NA FALSE  TRUE

milista$E3[3]

##   comic_fav
## 1      <NA>
## 2  Superman
## 3    Batman
## 4      <NA>
## 5    Batman

Ejercicios

Cosntruya un data frame con 10 observaciones y las siguientes variables: nombre, edad, nivel de escolaridad.

Fundamentos de programación en R

Sesión 1. Objetos

Julián López Hernández

Contenido

1. Objetos

2.1. Vectores numéricos

Aritmética vectorial

Secuencias en vectores

2.2. Vectores lógicos

Operadores lógicos

2.3. Vectores de texto

Filtrar elementos de un vector

Ejercicios

4. Matrices

Filtros en matrices

5. Arrays o arreglos

Ejercicios

4. Data frame o marco de datos

4. Data frame o marco de datos

Filtros en data frame

Función subset

5. Listas

Ejercicios