df=data.frame(genero=gl(2,60,120,labels=c("M","F")),
edad=round(rnorm(120,45,10),0),
nivel_edu=sample(x=c("P","S","T","U"),
120,replace = T),
hab_fumar=sample(x=c("R","AV","N"),
120,replace = T),
diabetes=sample(x=c("S","N"),120,
replace = T),
hiperten=sample(x=c("S","N"),120,
replace = T),
alerg=sample(x=c("S","N"),120,
replace = T),
hijos=rbinom(120,3,0.4))df[3,2] = 10
df[,2]## [1] 32 29 10 43 56 25 65 52 47 42 54 52 49 40 49 45 54 48 24 31 40 39 64 54 54
## [26] 51 44 21 38 43 51 57 11 39 31 40 35 52 45 43 32 39 49 61 54 41 36 36 44 43
## [51] 49 43 42 44 54 26 48 34 41 50 32 53 44 45 58 50 37 46 29 38 58 38 47 38 56
## [76] 51 45 62 50 31 43 43 56 52 51 49 44 64 36 38 41 40 37 61 30 45 35 47 46 31
## [101] 59 62 50 42 41 42 42 33 56 39 51 38 41 50 50 22 40 57 45 46df[,c("edad","genero")]## edad genero
## 1 32 M
## 2 29 M
## 3 10 M
## 4 43 M
## 5 56 M
## 6 25 M
## 7 65 M
## 8 52 M
## 9 47 M
## 10 42 M
## 11 54 M
## 12 52 M
## 13 49 M
## 14 40 M
## 15 49 M
## 16 45 M
## 17 54 M
## 18 48 M
## 19 24 M
## 20 31 M
## 21 40 M
## 22 39 M
## 23 64 M
## 24 54 M
## 25 54 M
## 26 51 M
## 27 44 M
## 28 21 M
## 29 38 M
## 30 43 M
## 31 51 M
## 32 57 M
## 33 11 M
## 34 39 M
## 35 31 M
## 36 40 M
## 37 35 M
## 38 52 M
## 39 45 M
## 40 43 M
## 41 32 M
## 42 39 M
## 43 49 M
## 44 61 M
## 45 54 M
## 46 41 M
## 47 36 M
## 48 36 M
## 49 44 M
## 50 43 M
## 51 49 M
## 52 43 M
## 53 42 M
## 54 44 M
## 55 54 M
## 56 26 M
## 57 48 M
## 58 34 M
## 59 41 M
## 60 50 M
## 61 32 F
## 62 53 F
## 63 44 F
## 64 45 F
## 65 58 F
## 66 50 F
## 67 37 F
## 68 46 F
## 69 29 F
## 70 38 F
## 71 58 F
## 72 38 F
## 73 47 F
## 74 38 F
## 75 56 F
## 76 51 F
## 77 45 F
## 78 62 F
## 79 50 F
## 80 31 F
## 81 43 F
## 82 43 F
## 83 56 F
## 84 52 F
## 85 51 F
## 86 49 F
## 87 44 F
## 88 64 F
## 89 36 F
## 90 38 F
## 91 41 F
## 92 40 F
## 93 37 F
## 94 61 F
## 95 30 F
## 96 45 F
## 97 35 F
## 98 47 F
## 99 46 F
## 100 31 F
## 101 59 F
## 102 62 F
## 103 50 F
## 104 42 F
## 105 41 F
## 106 42 F
## 107 42 F
## 108 33 F
## 109 56 F
## 110 39 F
## 111 51 F
## 112 38 F
## 113 41 F
## 114 50 F
## 115 50 F
## 116 22 F
## 117 40 F
## 118 57 F
## 119 45 F
## 120 46 FView(df)
new_data=df[,c("edad","hijos")]
dim(df)## [1] 120 8xy=expand.grid(x=seq(0,120,20),
y=seq(0,120,20))
View(df)
df$hijos[df$genero=="M"]## [1] 0 2 2 1 1 2 1 1 1 1 2 2 2 1 2 0 1 0 0 2 2 0 2 1 2 1 2 1 1 3 2 0 1 0 3 1 0 1
## [39] 1 2 2 0 0 0 1 2 2 0 1 2 1 2 1 2 3 2 0 1 1 1View(df[df$genero=="M",])
View(df[df$genero=="M" & df$hab_fumar=="N",])library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, uniondf1=df %>%
filter(genero=="F") %>%
select(nivel_edu,diabetes)
View(df1)
x<-c(1,2,3,4,5,NA,2,NA)
filter(df, !is.na(edad))## genero edad nivel_edu hab_fumar diabetes hiperten alerg hijos
## 1 M 32 U AV S S S 0
## 2 M 29 S N N S N 2
## 3 M 10 T R N N S 2
## 4 M 43 S R S S S 1
## 5 M 56 P N N S N 1
## 6 M 25 T AV N S N 2
## 7 M 65 S AV N S S 1
## 8 M 52 P N S N N 1
## 9 M 47 S R S N S 1
## 10 M 42 S AV N S S 1
## 11 M 54 S N N N N 2
## 12 M 52 T R S S S 2
## 13 M 49 T AV N N N 2
## 14 M 40 S R N N S 1
## 15 M 49 S AV N S N 2
## 16 M 45 U AV N N S 0
## 17 M 54 P N S N S 1
## 18 M 48 U N N N N 0
## 19 M 24 T R N N S 0
## 20 M 31 S N N N S 2
## 21 M 40 T AV N S S 2
## 22 M 39 T AV S N N 0
## 23 M 64 T R N N N 2
## 24 M 54 S R N S N 1
## 25 M 54 S N N S N 2
## 26 M 51 T N S S N 1
## 27 M 44 S AV S N N 2
## 28 M 21 T AV S N N 1
## 29 M 38 S N S S N 1
## 30 M 43 S AV S N N 3
## 31 M 51 U AV N S S 2
## 32 M 57 T AV S S S 0
## 33 M 11 P N N N N 1
## 34 M 39 T AV N N S 0
## 35 M 31 S N S N S 3
## 36 M 40 T AV N S N 1
## 37 M 35 P R N S S 0
## 38 M 52 P N N S S 1
## 39 M 45 S R N S S 1
## 40 M 43 S AV N N N 2
## 41 M 32 S R S N S 2
## 42 M 39 P N N N S 0
## 43 M 49 U N N N N 0
## 44 M 61 S AV S S N 0
## 45 M 54 T AV N S N 1
## 46 M 41 P AV S S N 2
## 47 M 36 S AV N N N 2
## 48 M 36 S N N S N 0
## 49 M 44 T R N S N 1
## 50 M 43 S R S S N 2
## 51 M 49 S N N N S 1
## 52 M 43 U N S S N 2
## 53 M 42 S N S N S 1
## 54 M 44 T N N N N 2
## 55 M 54 T R N N N 3
## 56 M 26 P N S N N 2
## 57 M 48 U N S N N 0
## 58 M 34 S AV S S N 1
## 59 M 41 S N N N N 1
## 60 M 50 U N S S N 1
## 61 F 32 S N N N N 1
## 62 F 53 T AV N S N 0
## 63 F 44 P N S N S 1
## 64 F 45 S R S S N 0
## 65 F 58 P AV S N N 1
## 66 F 50 U N N N N 1
## 67 F 37 U AV N S N 1
## 68 F 46 P AV N N S 0
## 69 F 29 S N S S S 3
## 70 F 38 S N N N N 1
## 71 F 58 U AV S S S 1
## 72 F 38 T R N N S 0
## 73 F 47 P AV S N S 1
## 74 F 38 T AV N S S 0
## 75 F 56 S R S N N 3
## 76 F 51 S R N N N 1
## 77 F 45 S R S S S 2
## 78 F 62 U AV S S N 2
## 79 F 50 T AV S S N 2
## 80 F 31 P R N S S 1
## 81 F 43 S AV S N S 3
## 82 F 43 P R N N S 1
## 83 F 56 S N S S N 2
## 84 F 52 T AV S N S 2
## 85 F 51 U N N S S 1
## 86 F 49 T AV N S S 2
## 87 F 44 T N S N S 1
## 88 F 64 U R N N S 0
## 89 F 36 S R S N S 1
## 90 F 38 P AV S S S 3
## 91 F 41 T R N N N 3
## 92 F 40 S R S N S 1
## 93 F 37 P R S S S 2
## 94 F 61 S R S N S 0
## 95 F 30 U AV S S N 2
## 96 F 45 P AV N S S 2
## 97 F 35 S N N N S 2
## 98 F 47 S AV N S N 2
## 99 F 46 P N S S S 1
## 100 F 31 U N S S S 3
## 101 F 59 T R S S S 1
## 102 F 62 P R S N S 2
## 103 F 50 U R S N S 3
## 104 F 42 T R N N S 0
## 105 F 41 S N N S N 2
## 106 F 42 T R S S S 2
## 107 F 42 S N N N S 1
## 108 F 33 P N S S S 1
## 109 F 56 T AV N S N 2
## 110 F 39 P AV N N S 3
## 111 F 51 U R N N S 2
## 112 F 38 P N S S S 2
## 113 F 41 T N S N S 1
## 114 F 50 P AV S S N 2
## 115 F 50 P R S N N 2
## 116 F 22 P AV N S N 1
## 117 F 40 T R S S S 3
## 118 F 57 T N N S N 1
## 119 F 45 U N N N N 0
## 120 F 46 P N S N S 0filter(df,nivel_edu %in% c("P", "S"))## genero edad nivel_edu hab_fumar diabetes hiperten alerg hijos
## 1 M 29 S N N S N 2
## 2 M 43 S R S S S 1
## 3 M 56 P N N S N 1
## 4 M 65 S AV N S S 1
## 5 M 52 P N S N N 1
## 6 M 47 S R S N S 1
## 7 M 42 S AV N S S 1
## 8 M 54 S N N N N 2
## 9 M 40 S R N N S 1
## 10 M 49 S AV N S N 2
## 11 M 54 P N S N S 1
## 12 M 31 S N N N S 2
## 13 M 54 S R N S N 1
## 14 M 54 S N N S N 2
## 15 M 44 S AV S N N 2
## 16 M 38 S N S S N 1
## 17 M 43 S AV S N N 3
## 18 M 11 P N N N N 1
## 19 M 31 S N S N S 3
## 20 M 35 P R N S S 0
## 21 M 52 P N N S S 1
## 22 M 45 S R N S S 1
## 23 M 43 S AV N N N 2
## 24 M 32 S R S N S 2
## 25 M 39 P N N N S 0
## 26 M 61 S AV S S N 0
## 27 M 41 P AV S S N 2
## 28 M 36 S AV N N N 2
## 29 M 36 S N N S N 0
## 30 M 43 S R S S N 2
## 31 M 49 S N N N S 1
## 32 M 42 S N S N S 1
## 33 M 26 P N S N N 2
## 34 M 34 S AV S S N 1
## 35 M 41 S N N N N 1
## 36 F 32 S N N N N 1
## 37 F 44 P N S N S 1
## 38 F 45 S R S S N 0
## 39 F 58 P AV S N N 1
## 40 F 46 P AV N N S 0
## 41 F 29 S N S S S 3
## 42 F 38 S N N N N 1
## 43 F 47 P AV S N S 1
## 44 F 56 S R S N N 3
## 45 F 51 S R N N N 1
## 46 F 45 S R S S S 2
## 47 F 31 P R N S S 1
## 48 F 43 S AV S N S 3
## 49 F 43 P R N N S 1
## 50 F 56 S N S S N 2
## 51 F 36 S R S N S 1
## 52 F 38 P AV S S S 3
## 53 F 40 S R S N S 1
## 54 F 37 P R S S S 2
## 55 F 61 S R S N S 0
## 56 F 45 P AV N S S 2
## 57 F 35 S N N N S 2
## 58 F 47 S AV N S N 2
## 59 F 46 P N S S S 1
## 60 F 62 P R S N S 2
## 61 F 41 S N N S N 2
## 62 F 42 S N N N S 1
## 63 F 33 P N S S S 1
## 64 F 39 P AV N N S 3
## 65 F 38 P N S S S 2
## 66 F 50 P AV S S N 2
## 67 F 50 P R S N N 2
## 68 F 22 P AV N S N 1
## 69 F 46 P N S N S 0openxlsx::write.xlsx(df1,"datos_diseno.xlsx")