Introducción

Sobre el curso

1. Introducción a la interfaz y el lenguaje de R.

2. Administración y manipulación de datos.

3. Visualización de datos.

4. Investigación reproducible.

Agenda del día

1. Introducción a R y RStudio
2. Anatomía de los objetos en R
3. Tipos de datos en R
4. Lenguaje R base.

¿Qué es R?

Breve historia del lenguaje R

• R se basa en el lenguaje de programación denominado S desarrollado por John Chambers en 1976.
• R fue desarrollado por Ross Ihaka y Robert Gentleman (Universidad de Auckland). Fue documentado por primera vez en un artículo en 1996.
• El mismo año se libera el código bajo una licencia GNU GPL.
• Desde 1997 se comenzó a gestar una comunidad muy activa que desarrolla librerías y aplicaciones en R.

¿Por qué usar R?

1. R es un lenguaje muy flexible y poderoso- adaptable a casi cualquier tarea de investigación (análisis de datos, econometría, análisis espacial, machine learning, web scraping, etc.).
2. R tiene una comunidad en línea que colabora para resolver cualquier problema.
3. R permite crear investigación reproducible, mostrando el flujo completo del processamiento de datos. 😉
4. R es gratuito y de código abierto 💰💵💰.

Diferencias entre R y Python

RStudio

• Es un entorno de desarrollo integrado (IDE, en inglés) desarrollado por Posit que nos permite tener una interfaz amigable para R 😁
• R = 🧠
• RStudio = 🖱️

Interfaz de RStudio

Editor de código fuente (I)

• Usamos # para hacer comentarios en el código. Todo lo que esté después de este símbolo es ignorado por R hasta la línea siguiente.
• Para mejorar la claridad de nuestro script separamos los comandos con saltos de línea.
• Los espacios en una misma línea no implican cambiar de comando.

Editor de código fuente (II)

• Los botones y envían el código a la consola para ejecutarse:
• nos permite seleccionar partes del código y ejecutarlo. (Ctr + Enter)
• ejecuta el código completo.

1 + 1 # ¿Es igual a dos?
1 +   # ¿También es igual a dos?
  1   # R sigue esperando instrucciones
1
+ 1   # Es igual a uno

Consola

El medio de comunicación entre nuestro código y el cerebro de R 🤖

Entorno de trabajo

Aquí podemos hacer un seguimiento de lo que hacemos 🖇️

• El análisis de datos requiere que manipulemos distintos tipos de objetos. El registro de lo que hacemos se guarda temporalmente en este panel.

• R es un lenguaje orientado a objetos. Esto significa que nosotros manipulamos y modificamos las características de dichos objetos.

• Para guardar un objeto podemos usar dos tipos de operadores de asignación:<- y =.

Ejemplo: Entorno de trabajo

5 + 1 # No es un objeto
x <- 5 # Asignamos un valor al objeto X
x
x = 5 
5 -> x  # Asignación direccional

x + 1  # No es un objeto
y <- 1
x + y 

mensaje <- "Texo"
mensaje 

str(mensaje)
str(x)

Files / Plots / Help / Packages/ etc.

Este panel tiene muchas cosas útiles 🏆

• La pestaña Files nos indica el directorio de trabajo de R.
• La pestaña Plots muestra los gráficos que generamos en nuestro script.
• La pestaña Help es útil para conocer la documentación de las librerías y funciones que podemos usar en R.
• Podemos usar el comando ? antes del nombre de cualquier función o librería para obtener ayuda. P.ej. ?getwd()
• La pestaña Packages nos muestra todas las librerías que tenemos instaladas y podemos invocar/desactivar en la sesión activa de R.

Objetos y funciones

• En R usamos dos tipos de elementos básicos:

1. Objetos: Permiten almacenar información para realizar procedimientos.
2. Funciones: Son los procedimientos que aplicamos a los objetos.

Ejemplo: Objetos y funciones

ventana <- "Esto es una ventana"
puerta <- "Esto es una puerta"
cien <- 100
doscientos <- 2000

View(cien)

# Esto es programar en R
calificaciones <- c(7, 8 , 9, 6, 10, 9)
mean(calificaciones)

Funciones básicas

help(base)
?base

Operadores binarios

En R se pueden hacer diversas operaciones usando operadores binarios que sirven también como funciones.

• + operador de suma.
• - operador de resta.
• / operador para dividir.
• ^ operador de potencia.
• %/% obtener el cociente de una división (entero).
• %% obtener residuo de una división.

6 + 4
a <- 5
b <- 2 
a + b 
a - b

a * b 
a / b 
a ^ b

Operadores lógicos

En R se puede verificar si un objeto cumple una condición dada usando las siguientes pruebas lógicas:

• < un número es menor que otro.
• > un número es mayor que otro.
• == un número es igual a otro.
• <= un numero es menor o igual que otro.
• >= un numero es mayor o igual que otro.

5 > 2
5 == 5
5 == 4

x <- 5
y <- 20/4
x == y  # ¿Será X = a Y?

Importando e inspeccionando datos reales

Para esta sección deben descargar los datos del siguiente enlace 💻

Ejemplo: Importar datos reales

imdb <- read.csv("C:/Users/jeptt/Documents/IMDB.csv")

# Exploramos los datos
head(imdb, 4) # Muestras las primeras 4 filas
tail(imdb, 4) # Muestra las últimas 4 filas
View(imdb)    # Muestra la base de datos completa

Uso de funciones en R

read.csv(file, header = TRUE, sep = ",", quote = "\"",
dec = ".", fill = TRUE, comment.char = "", ...)

• R está optimizado para que no tengamos que poner todos los argumentos de las funciones.

Errores comunes

Revisen línea por línea cuando tengan un error al ejecutar un script

• R no está listo: El símbolo > debe aparecer en la consola. Si aparece un + significa que no se ha terminado de escribir un comando.
  • Si escribimos un comando incompleto R esperará hasta que terminemos la instrucción. Para detener el proceso podemos presionar Esc.
• Error al escribir el nombre de las funciones o los objetos. Las mayusculas y el orden de las letras importan.
  • mean(1, 2, 3) es distinto de maen(1, 2, 3)
• Problemas de puntuación. Mezclar comas , y puntos . o el uso incorrecto de " " o c(1,2.3)
• Errores en el orden o ausencia de argumentos en las funciones.

Anatomía de los principales objetos en R

En R existen varios tipos de objetos que permiten que el usuario pueda almacenar la información para realizar procedimientos estadísticos y gráficos. 💁

a <- 100
b <- 3 / 100
c <- (a + b) / b

d <- "Ventana"
e <- "4"
f <- "Esto es una letra"

g <- TRUE
h <- (3 <= 4)
i <- (c == (a + b) / b)

Ejercicio: Escalares

Prueba que sucede si ejecutamos el siguiente código:

a + b
a + e #Error en a + e: argumento no-numérico para operador binario
a + as.numeric(e)
as.numeric(d)
as.character(a) #NAs introducidos por coerción 

• Es importante tener en cuenta el tipo de datos que contiene un objeto.

Estructura de datos

Vectores

Son objetos unidimensionales que almacenan una secuencia de valores del mismo tipo.

c("Hola mundo!", 35, FALSE)
c("Hola mundo!", "35", "FALSE") # Equivalente a la primera línea

• Por coerción, R convierte todos los elementos del vector al mismo tipo (strings).

v1 <- c(1, 2, 3)
v1 
v1 / v3
v1 * v1 # Multiplicación de elemento por elemento
v1 %*% v1 # Multiplicación de matrices

Ejemplo: Operaciones con vectores

# Creación de vectores
v1 <- c(1, 1, 3, 5)  # Especificar elementos
v1
v2 <- c(1:5)     # Generados en secuencia
v2
v3 <- c(v1, v2)  # Combinando
v3

Propiedades de los vectores

• Tipo. Un vector tiene el mismo tipo que los datos que contiene.

  • Si tenemos un vector que contiene objetos numéricos el vector es de tipo numérico.

  • Los vectores son atómicos. Es decir, solo pueden contener datos de un solo tipo.

• Largo. Es el número de elementos que contiene el vector lenght(v1).

• Atributos. Los vectores pueden tener metadatos de muchos tipos, los cuales describen características de los datos que contienen.

Ejercicio

• Genera un vector que contenga 20 números aleatorios obtenidos de una distribución normal con una media de 2 y una desviación estándar de 3).

• Calcula el promedio, la mediana y la desviación estándar del vector.

v1 <- rnorm(20, mean = 2, sd = 3)
mean(v1)
median(v1)
sd(v1)

Factores

En R los factores de usan para trabajar con variables categóricas. Es decir, que tienen un conjunto fijo y conocido de valores posibles.

• Los factores son distintos a los datos tipo string.

# Creación de factores
x1 <- c("Dic", "Abr", "Ene", "Mar")
sort(x1)  # No se ordena de forma útil

niveles_meses <- c("Ene", "Feb", "Mar", "Abr","May",
                   "Jun", "Jul", "Ago", "Sep", "Nov",
                   "Dic")

y1 <- factor(x1, levels = niveles_meses)
sort(y1)

Matrices y arreglos

Las matrices y arreglos pueden ser descritas como vectores multidimensionales. Únicamente pueden tener un solo tipo de datos pero incluyen un largo y más dimensiones.

• Las matrices solo tienen dos dimensiones: Largo y Alto. Rectangulares.

• Los arreglos pueden tener múltiples dimensiones (Su uso no es común en R).

# Matriz ordenada con valores del 1 al 12
matrix(1:12)
matrix(1:12, nrow = 3, ncol = 3)

# ¿Qué sucede aquí?
matrix(1:12, nrow = 5, ncol = 4)

Alternativas para matrices

Otro procedimiento para crear matrices es la unión de vectores con las siguientes funciones:

• cbind() para unir vectores, usando cada uno como columna.

• rbind() para unir vectores, usando cada uno como fila.

vector_1 <- 1:4
vector_2 <- 5:8
vector_3 <- 9:12
vector_4 <- 13:16

matriz <- rbind(vector_1, vector_2, vector_3, vector_4)
matriz

Dataframes

Los dataframes son estructuras de datos de dos dimensiones (rectangulares) que pueden contener datos de diferentes tipos, por lo tanto, son heterogéneas.

# Conjunto de datos sobre flores de Ronald Fisher
data("iris")
head(iris, 5)

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa

Creación de dataframes

mi_df <- data.frame(
  "entero" = 1:4, 
  "factor" = c("a", "b", "c", "d"), 
  "numero" = c(1.2, 3.4, 4.5, 5.6),
  "cadena" = as.character(c("a", "b", "c", "d"))
)

mi_df

# Determinar la dimensión del objeto
dim(mi_df)

# El largo de un data frame es igual a su número de columnas
length(mi_df)

# names() nos permite ver los nombres de las columnas
names(mi_df)

# La clase de un data frame es data.frame
class(data.frame) 

Listas

Las listas en R son un tipo de estructura de datos fundamental y muy flexible, que permiten almacenar colecciones de objetos de diferentes tipos y tamaños, a diferencia de los vectores, que requieren que todos los elementos sean del mismo tipo.

• Podemos tener listas que contengan datos atómicos, vectores, matrices, arrays, data frames u otras listas. Esta última característica es la razón por la que una lista puede ser considerada un vector recursivo, pues es un objeto que puede contener objetos de su misma clase.

• Para crear una lista usamos la función list(), que nos pedirá los elementos que deseamos incluir en nuestra lista.

• Para esta estructura, no importan las dimensiones o largo de los elementos que queramos incluir en ella.

Creación de listas

mi_vector <- 1:10
mi_matriz <- matrix(1:4, nrow = 2)
mi_df     <- data.frame("num" = 1:3, "let" = c("a", "b", "c"))

mi_lista <- list("un_vector" = mi_vector, "una_matriz" = mi_matriz, "un_df" = mi_df)

mi_lista

# Extraer elemento de una lista
vector <- mi_lista$un_vector

Subconjuntos e Indexación

Exploremos los atributos de la base de datos del IMDB usando la función str()

imdb <- read.csv("C:/Users/jeptt/Documents/IMDB.csv")
str(imdb)

# Ordenar de menor a mayor
imdb$rank <- sort(imdb$rank, decreasing = F)

imdb[2]  # Indexación por columnas
imdb[20,]  # Indexación por filas
imdb[40,3] # Indexación por filas y columnas

# Primera fila y columnas name y year
imdb[1, c("name", "year")]
imdb[1, c(2, 4)]

Uso de condicionales

• Los condicionales nos permiten obtener subconjuntos de datos para los que una o más condiciones son verdaderas (TRUE).
• Para este tipo de operaciones usamos operadores lógicos y condicionales. Los aplicamos a dataframes.
• Esta operación tiene la siguiente estructura:

objeto[condición, columnas_devueltas] 

Ejemplo: Uso de condicionales

• Supongamos que queremos identificar en el dataset del IMDB el nombre de las películas rankeadas en las posiciones 11 a 14:

imdb[imdb$rank > 10 & imdb$rank < 15, "name"]

• Ahora supon que queremoc conocer los nombres de las películas que han tenido un rating > 8.5:

imdb[imdb$rating > 8.5, "name"]

La función subset()

• Una alternativa al uso de condicionales, sin necesidad de corchetes, es la función subset().

• Sintáxis de uso:

subset(x = objeto, subset = condicional, columna_mostrar)

• Esta función tiene los siguientes argumentos:
  • x: Un objeto, generalmente un dataframe.
  • subset: Una condición expresada usando operaciones relacionales o condicionales que se aplicaran a x.
  • select: Un vector con los nombres de las columas a conservar en el resultado. (Todas por defecto)

Ejemplo: Uso de la función subset()

• Supongamos que queremos conocer el listado de películas que han obtenido un rating mayor que 8.5:

subset(x = imdb, subset = imdb$rating > 8.5, "name")
subset(x = imdb, subset = imdb$rating > 8.5, 2)

# Podemos llamar a una respuesta con más columnas
subset(x = imdb, subset = imdb$rating > 8.5, c("name", "year"))

Datos faltantes (NA)

• Crea el siguiente dataframe:

nombre <- c("Juan", "Paola", "Pedro", "Luis")
edad <- c(21, 23, 32, 17)
nacionalidad <- c("MXN", "US", "UK", "ARG")
mascota <- c("gato", "none", "", NA)
df <- as.data.frame(cbind(nombre, edad, nacionalidad, mascota))
df

Ejercicio

• Crea el vector c(7, 7, 8, 8, 7, 7, 8, 8) usando la función rep().
• Modifica el código seq(1,6) para obtener el vector c(0, 2, 4, 6).

• Obten el nombre de la película con la menor duración (en minutos):
  • Puedes usar la función min().
• En el dataset hay 6 películas con una duración de 132 minutos ¿Cuáles son?

Soluciones

# Crea el vector `c(7, 7, 8, 8, 7, 7, 8, 8) usando la función `rep()`.
rep(c(7,8), times = 2, each = 2)

# Modifica el código `seq(1,6)` para obtener el vector `c(0, 2, 4, 6)`.
seq(from = 0, to = 6, by = 2)

# seq(0, 6, 2)

Soluciones

imdb <- read.csv("C:/Users/jeptt/Documents/IMDB.csv")
# Obten el nombre de la película con la menor duración (en minutos):
# min(imdb$duration_minutes)
min(imdb$duration_minutes, na.rm = TRUE)

# ¿Cómo se llama está película? 
imdb[imdb$duration_minutes == 67, "name"]
imdb[!is.na(imdb$duration_minutes) & imdb$duration_minutes == 67, "name"]

# En el dataset hay 6 películas con una duración de 132 minutos ¿Cuáles son?
imdb[imdb$duration_minutes == 132, "name"]
imdb[!is.na(imdb$duration_minutes) & imdb$duration_minutes == 132, "name"]

# Las respuestas muestran NA porque hay películas con información incompleta sobre su duración. 

Funciones personalizadas

• La instalación de R base tiene suficientes funciones para que realicemos las tareas básicas de análisis de datos.
• Es común que necesitemos realizar tareas para las que no existe una función específica o tengamos que combinar funciones de varias librerías.
• Las funciones definidas por el usuario deben ser creadas usando la siguiente estructura:

nombre <- function(){
  Operaciones
}

Ejemplo: Funciones personalizadas

Supongamos que necesitamos escribir una función en Rpara calcular el área de un cuadrilatero: lado x lado

area_cuad <- function(lado1, lado2){
  lado1 * lado2
}

• Para ejecutar nuestra función escribimos el siguiente código:

area_cuad(lado1 = 4, lado2 = 6)
area_cuad(4,6) # ¿Es lo mismo?

• Nota: Si no asignamos valores a los dos argumentos de nuestra función se mostrará un error.

area_cuad(lado1 = 4)

Ejercicio

• Supongamos que se levantó una encuesta a 1500 personas en donde se les preguntó su nivel de ingresos.
  • Supon que los datos se obtuvieron del siguiente DGP: \(Ingreso \sim N(\mu = 15000, \sigma = 4500)\)
• Escribe una función que grafique la distribución de los ingresos de las personas mediante un histograma. Señala cual es la media de la distribución (en color rojo) y su desviación estándar (en azul).

Solución

# Primero simulamos el DGP
set.seed(123)  # Para tener los mismos valores
ingreso <- rnorm(1500, mean = 15000, sd = 4500)
ingreso[1:10]

hist(ingreso)

# Escribimos nuestra función para gráficar la distribución 

crear_histograma <- function(datos, nombre) {
  media <- mean(datos)  # Calculamos la media 
  desv_est <- sd(datos) # Calculamo la desv.est. 
  
  hist(datos, main = nombre, xlab = "Datos", ylab = "Frecuencia", col = "gold")
  abline(v = media, col = "red") # Marcar media en rojo
  abline(v = media + (desv_est * c(1, -1)), col = "blue") # sd en azul
}


crear_histograma(ingreso, "Ingreso")