• Configurar y poner a funcionar R y Rstudio.
• Conocer los tipos y estructuras de datos básicos de R.
• Conocer los operadores y funciones más frecuentes de R.
• Importar datos.
• Obtener sumarios básicos con R.

Which of the following would you most prefer?

A: a puppy,

B: a pretty flower from your sweety, or

C: a large, properly formatted data file?

–Futurama, Fear of a bot planet, 1999.

Al carecer de intuición, las computadoras no pueden distinguir 1+1=2 de “1 busca lleno de esperanza, el camino que las ansias…”

Por lo tanto se manejan de manera estricta con tipos de datos.

• La división de datos en tipos impide que cometamos errores y acelera las operaciones del sistema.
  • No se puede sumar “uno” + “uno”
  • R no tiene que verificar si puede o no hacerlo.

R tiene dos familias de funciones que hacen muy fácil verificar el tipo de datos y cambiar los datos de un tipo a otro.

• Las funciones is.tipo() regresan un valor lógico.
  • is.numeric, is.integer, is.double, is.character, is.factor, is.date

• Las funciones as.tipo() cambian de un tipo de datos a otro.
  • as.character, as.integer, as.numeric, as.factor, as.date.
  • Hay algunas reglas que impiden ciertas transformaciones.
    • No podemos pasar un caracter a numérico.
    • Pero sí un número a caracter.
    • Con valores lógicos: TRUE=1, FALSE=0.

• Los nombres de los objetos se utilizan “desnudos”
  • Es decir sin comillas
  • Esto incluye a las funciones y los números.
• Para introducir cadenas de caracteres usamos siempre comillas.
  • x <- "objeto" \(\neq\) x <- objeto
  • En el primer caso asigna el string “Martín” al objeto x, en el segundo caso va buscar el objeto Martín en el entorno de trabajo y, si lo encuentra, lo asigna a x.

A diferencia de SPSS o Stata, R hace explícitas para el usuario las estructuras de datos.

Esto tiene una desventaja -debemos conocer con qué estructura de datos estamos trabajando y cómo operar sobre ella- y una gran ventaja: podemos manipular datos de manera totalmente flexible.

• Es una serie unidimensional ordenada de valores.
• Pueden contener datos de distintos tipos.
• Podemos recuperar un valor por el número de posición. x[2]
• Atributos: length() names()
  • El atributolength() regresa el largo del vector, la cantidad de registros separados que tiene registrados.
    • En términos estadísticos así obtenemos la N.
  • El atributo names() es un metadato opcional con un índice de nombres para cada registro.
  • El índice por default es numérico.

# Vector numérico
1:10

##  [1]  1  2  3  4  5  6  7  8  9 10

# Vector de caracteres
nombres <- c("miriam", "denisse", "alejandro", 
             "julia", "elisangela", "adrian")
nombres

## [1] "miriam"     "denisse"    "alejandro"  "julia"      "elisangela"
## [6] "adrian"

nombres [3]

## [1] "alejandro"

Agregan un nuevo tipo de índice basado en nombres que asignamos.

sedes <- c(poussin = "Poussin 45", 
           plaza = "Plaza Valentín Gómez Farías 12")
sedes

##                          poussin                            plaza 
##                     "Poussin 45" "Plaza Valentín Gómez Farías 12"

sedes ["plaza"] #Nótese el uso de ""

##                            plaza 
## "Plaza Valentín Gómez Farías 12"

• Es una estructura bidimensional.
• Solo acepta un tipo de datos.
  • No es flexible, no es recomendable usarla para datos heterogéneos.
• Se usa internamente para operaciones matemáticas.
  • Dado que el tipo de datos es conocido las operaciones son más rápidas, el software no tiene que verificar el tipo antes de hacer la operación.

matrix(1:10, ncol=2)

##      [,1] [,2]
## [1,]    1    6
## [2,]    2    7
## [3,]    3    8
## [4,]    4    9
## [5,]    5   10

• Es una matriz multidimensional.

• Es una estructura bidimensional y rectangular.
  • Todas las filas y todas las columnas tienen que tener el mismo largo.
  • Si hay espacios en blanco se completa con NA.
• Acepta distintos tipos de datos en las columnas.
• Atributos: length(), names(), colnames(), rownames(), ncol(), nrow()
• Podemos recuperar valores por coordenadas df[1,1] o nombres de columnadf$var1

df <- data.frame(sedes = sedes, 
                 clase = c(FALSE, TRUE),
                 horario = c(NA, 16))
df

##                                  sedes clase horario
## poussin                     Poussin 45 FALSE      NA
## plaza   Plaza Valentín Gómez Farías 12  TRUE      16

knitr::kable(df)

• Es la estructura de datos más versátil.
  • No tiene que ser rectangular.
  • Admite múltiples niveles de datos anidados.
    • Tiene estructura de árbol jerárquicos.
• america_latina$mexico$cdmx$benito_juarez$mixcoac
  • Podemos recuperar los valores con el operador $ o por coordenadas.
• Es frecuente que las funciones, especialmente las complejas, devuelvan una lista.
  • Por eso es importante saber navegar listas.

• R no tiene un formato de archivo de datos estándar.
• Pero puede cargar como data.frame archivos de:
  • SPSS
  • Stata
  • Excel (.xlsx, .xls)
  • Valores separados por comas (.csv)¹

• Tener en cuenta la codificación de texto. Para bases de datos que usan caracteres en español (acentos, ñ) usar la codificación utf-8.
  • La codificación por default de R es ANSI, pero tien buen soporte para utf-8.
  • La codificación por default de Windows es Latin-1.
    • El encoding en Windows da trabajo porque trata de usar Latin-1 por defecto.
  • Los archivos .csv suelen ser los más problemáticos.
    • Se sugiere verificar que estén codificados en utf-8.
      • O volver a guardarlos con esa codificación usando notepad.exe o equivalente.

• Los paquetes foreign::, haven:: y Hmisc:: reúnen varias funciones de importación.
• El paquete haven:: es accesible a través del menú “Import Dataset” de Rstudio.
  • Tener los archivos disponibles en el directorio de trabajo.
    
  • Verificar que los nombres de columna se carguen correctamente.
  • Asignar cuidadosamente el tipo a cada columna.
  • ¡Conservar la sintaxis para no tener que hacerlo de nuevo!

• R guarda nuestras sesiones de trabajo como proyectos con la extensión .Rdata.
  • No sólo guarda todos los objetos (incluidos datos y resultados), también guarda un historial de sintaxis.
• Sin embargo es buena práctica guardar la sintaxis en archivos .R
• Siempre escribimos los comandos en un archivo de sintaxis, nunca en la consola.
• Es recomendable generar reportes que integran texto y resultados de análisis con rmarkdown.

No es una práctica recomendada guardar los datos en R

• Es preferible guardar la sintaxis de carga y recodificación de los datos.
• De este modo aseguramos la integridad de los datos.
• Cargar y recodificar le lleva unos segundos a R, recuperar un archivo corrompido al menos una tarde de trabajo.

x son los datos sobre los que operamos.

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

## [1] 1 2 3 4 5

is.numeric(x)

## [1] TRUE

summary(x)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##       1       2       3       3       4       5

x <- as.factor (c(rep ("Sí", 5), rep("No", 5), "NS/NC"))
print (x)

##  [1] Sí    Sí    Sí    Sí    Sí    No    No    No    No    No    NS/NC
## Levels: No NS/NC Sí

is.factor (x)

## [1] TRUE

summary (x)

##    No NS/NC    Sí 
##     5     1     5

df <- data.frame(
    genero= c(rep ("M", 5), rep("F", 5), "NS/NC"), 
    edad= rnorm(11, 30, 4)
  )
str(df)

## 'data.frame':    11 obs. of  2 variables:
##  $ genero: Factor w/ 3 levels "F","M","NS/NC": 2 2 2 2 2 1 1 1 1 1 ...
##  $ edad  : num  32.2 32.4 31.3 24.2 33.8 ...

summary (df)

##    genero       edad      
##  F    :5   Min.   :24.20  
##  M    :5   1st Qu.:28.39  
##  NS/NC:1   Median :30.08  
##            Mean   :29.95  
##            3rd Qu.:32.31  
##            Max.   :33.75

R detecta el tipo de variables y, para una numérica y una categórica elige un bloxplot.

plot(df)

En la práctica concreta y cotidiana del análisis de datos vamos a usar muy poco muchas de las funciones que revisamos en esta sesión.

Sin embargo todo el tiempo estameros manipulando estructuras de datos.

Y cometiendo errores por que utilizamos el tipo de datos incorrecto.