Fecha de publicación

12 de diciembre de 2024

Código 
sketchy::load_packages(c(
  "RColorBrewer",
  "ggplot2",
  "readxl",
  "tidyr",
  "dplyr"
))

 

Objetivos del manual

 

  • Familiarizarse con las funciones principales para importar y exportar datos

  • Conocer buenas prácticas para el manejo de datos que faciliten su uso en R

 

1 Antes de importar datos

Existen algunos hábitos para ingresar datos que facilitarán la correcta importación de datos en R:

  • Reservar la primera fila para la cabecera

  • Reserve la primera columna a la unidad de muestreo

  • Utilice “_”,“.” o “-” en lugar de espacios vacíos (por ejemplo, “Cornell_University”)

  • Utilice nombres cortos

  • Evite utilizar símbolos poco comunes como ?, $,%, ^, &, *, (, ),-,#, ?,,,<,>, /, |, , [ ,] ,{, y }

  • Sea consistente al referirse a las mismas cosas (es decir, escríbalas siempre de la misma manera)

  • Elimine cualquier comentario adicional fuera de las columnas del conjunto de datos

  • Indique los valores que faltan con NA (o al menos con espacios vacíos)

  • Ni se le ocurra codificar los datos por colores en Excel

  • No fusione celdas

 

2 Importar datos

La importación de datos en R es un paso crucial y aparentemente sencillo. Sin embargo, dada la diversidad de formatos de datos y sistemas operativos, así como las numerosas fuentes de error posibles, la introducción de datos en R no siempre es tan sencilla. La mayoría de los problemas están relacionados con

  • Decirle a R en qué directorio se encuentra el archivo

  • Decirle a R cómo están codificados los datos (por ejemplo, separados por comas, anchura fija, etc.).

  • Manejo de celdas vacías y caracteres poco comunes

 

2.1 Establecer el directorio de trabajo

Para leer datos en R es necesario especificar el directorio de trabajo. Se puede establecer con la función setwd(). La forma de hacerlo depende del sistema operativo (windows, mac, Linux). La sintaxis del directorio sigue la estructura anidada de las carpetas. Por ejemplo:

Código 
setwd("/home/m/Desktop/")

… establece el directorio de trabajo en la carpeta “Desktop”, que se encuentra dentro de “m”, que se encuentra dentro de “home”.

..;

Algunos consejos básicos para establecer el directorio de trabajo:

  • Asegúrese de que la ubicación está entre comillas

  • Asegúrese de que hay una barra diagonal (/) entre los nombres de las carpetas (aunque las barras diagonales dobles parecen funcionar en Windows).

  • No incluya ningún nombre de archivo en el nombre del directorio de la carpeta.

  • Para encontrar la ubicación, puede consultar las propiedades de un archivo de esa carpeta y copiarlo.

  • La ruta a la carpeta debe ir entre comillas (““)

  • El nombre debe coincidir exactamente (mejor copiar/pegar)

  • Utilice list.files() para comprobar qué archivos están en el directorio de trabajo

  • R puede sugerir y autocompletar los nombres de las carpetas pulsando “tab” cuando están entre comillas:

 

Espectro de color

 

2.1.1 Establecer el directorio de trabajo en windows

En windows debería ser algo como esto:

Código 
setwd("C:/location")

También pueden hacerlo manualmente (¡solo en windows!):

Código 
setwd(choose.dir())

 

Debería aparecer una ventana en la que puede elegir la ubicación. Sin embargo, esto sólo se debe utilizar para averiguar la forma correcta de escribir la ubicación del directorio, no como parte de la propia secuencia de comandos.

 

2.1.2 Establecer el directorio de trabajo en macOS

Para mac establecer el directorio de trabajo debe ser algo como esto:

Código 
setwd("/Users/yourname/..")

no incluya lo que tenga antes de “usuarios” (como en windows)

 

2.1.3 Establecer el directorio de trabajo en Linux

Similar al código usado en OSX:

Código 
setwd("/home/m/Desktop/")

 

La “~” (virgulilla) también puede utilizarse para omitir la carpeta “home” y “user” en Linux:

Código 
setwd("~/Desktop/")

 

El directorio de trabajo actual se puede comprobar de la siguiente manera:

Código 
getwd()
[1] "/home/marce/Dropbox/courses_and_workshops/estadistica/aprendizaje_estadistico_2024"

 

2.2 Lectura de datos

Cualquier archivo puede ser leído en R. Sólo es cuestión de hacer saber a R en qué formato está codificado el archivo (por ejemplo, qué convenciones se siguieron al generarlo). Los formatos más comunes para almacenar/intercambiar conjuntos de datos como los que solemos manejar en ciencias biológicas son txt, csv y xls/xlsx.

 

La función más utilizada para importar datos en R es read.table. De hecho, la documentación de esta función incluye todas las funciones por defecto para introducir datos:

Código 
?read.table

 

Color spectro

 

2.3 Leer archivos .txt

Los archivos .txt pueden leerse con read.table. Descarguemos primero un conjunto de datos de libre acceso en formato .txt:

Código 
# definir el directorio de trabajo
setwd("INGRESE LA DIRECCION DE LA CARPETA DONDE ESTAN LOS DATOS")

download.file(
  "https://raw.githubusercontent.com/maRce10/OTS_TBCP_2024/master/data/pantheria_mammals_data.txt",
  destfile = "pantheria_mammals_data.txt"
)

Tambien pueden bajarlos de acá

 

El archivo puede introducirse en R de la siguiente forma:

Código 
# leer datos
datos_pantheria <-
  read.table("pantheria_mammals_data.txt",
             sep = "\t",
             header = TRUE)
Código 
# explorar estructura
head(datos_pantheria)
MSW93_Order MSW93_Family MSW93_Genus MSW93_Species MSW93_Binomial X1.1_ActivityCycle X5.1_AdultBodyMass_g X8.1_AdultForearmLen_mm X13.1_AdultHeadBodyLen_mm X2.1_AgeatEyeOpening_d X3.1_AgeatFirstBirth_d X18.1_BasalMetRate_mLO2hr X5.2_BasalMetRateMass_g X6.1_DietBreadth X7.1_DispersalAge_d X9.1_GestationLen_d X12.1_HabitatBreadth X22.1_HomeRange_km2 X22.2_HomeRange_Indiv_km2 X14.1_InterBirthInterval_d X15.1_LitterSize X16.1_LittersPerYear X17.1_MaxLongevity_m X5.3_NeonateBodyMass_g X13.2_NeonateHeadBodyLen_mm X21.1_PopulationDensity_n.km2 X10.1_PopulationGrpSize X23.1_SexualMaturityAge_d X10.2_SocialGrpSize X24.1_TeatNumber X12.2_Terrestriality X6.2_TrophicLevel X25.1_WeaningAge_d X5.4_WeaningBodyMass_g X13.3_WeaningHeadBodyLen_mm References X5.5_AdultBodyMass_g_EXT X16.2_LittersPerYear_EXT X5.6_NeonateBodyMass_g_EXT X5.7_WeaningBodyMass_g_EXT X26.1_GR_Area_km2 X26.2_GR_MaxLat_dd X26.3_GR_MinLat_dd X26.4_GR_MRLat_dd X26.5_GR_MaxLong_dd X26.6_GR_MinLong_dd X26.7_GR_MRLong_dd X27.1_HuPopDen_Min_n.km2 X27.2_HuPopDen_Mean_n.km2 X27.3_HuPopDen_5p_n.km2 X27.4_HuPopDen_Change X28.1_Precip_Mean_mm X28.2_Temp_Mean_01degC X30.1_AET_Mean_mm X30.2_PET_Mean_mm
Rodentia Muridae Abditomys latidens Abditomys latidens -999 268 -999.00 223.99 -999 -999 -999 -999 -999 -999 -999.00 -999 -999 -999 -999 -999.00 -999 -999.0 -999.0 -999 -999 -999 -999 -999 -999 -999 -999 -999 -999 -999 2152 -999 -999 -999 -999 357 16.94 16.74 16.84 120.97 120.78 120.88 93 93.00 93 0.09 316.00 180.00 1443.00 1557.0
Rodentia Muridae Abrawayaomys ruschii Abrawayaomys ruschii -999 63 -999.00 -999.00 -999 -999 -999 -999 -999 -999 -999.00 -999 -999 -999 -999 -999.00 -999 -999.0 -999.0 -999 -999 -999 -999 -999 -999 -999 -999 -999 -999 -999 2655 -999 -999 -999 -999 126137 -15.09 -19.84 -17.47 -40.52 -43.56 -42.04 5 21.21 7 0.06 107.06 209.10 1084.47 1402.4
Rodentia Abrocomidae Abrocoma bennettii Abrocoma bennettii 1 251 -999.00 -999.00 -999 -999 -999 -999 -999 -999 -999.00 3 -999 -999 -999 4.86 -999 27.6 -999.0 -999 142 -999 -999 -999 -999 2 -999 -999 -999 -999 543;890;1297;1492;2655 -999 -999 -999 -999 54616 -27.71 -35.58 -31.64 -69.40 -71.70 -70.55 0 63.15 1 0.07 20.44 17.66 213.09 1073.8
Rodentia Abrocomidae Abrocoma boliviensis Abrocoma boliviensis -999 158 -999.00 -999.00 -999 -999 -999 -999 -999 -999 -999.00 -999 -999 -999 -999 -999.00 -999 -999.0 -999.0 -999 -999 -999 -999 -999 -999 -999 -999 -999 -999 -999 2655 -999 -999 -999 -999 5774 -17.44 -18.05 -17.75 -63.49 -64.51 -64.00 5 29.24 5 0.04 82.63 175.55 1171.61 1487.3
Rodentia Abrocomidae Abrocoma cinerea Abrocoma cinerea -999 194 -999.00 -999.00 -999 -999 -999 -999 -999 -999 109.64 3 -999 -999 -999 2.20 -999 -999.0 13.3 -999 -999 -999 -999 -999 -999 2 -999 -999 -999 -999 890;1297;1627;2655 -999 -999 -999 -999 381391 -14.43 -24.35 -19.39 -64.27 -70.60 -67.43 0 13.72 0 0.06 48.46 35.22 515.10 1257.3
Chiroptera Pteropodidae Acerodon celebensis Acerodon celebensis -999 382 133.49 201.55 -999 -999 -999 -999 -999 -999 -999.00 1 -999 -999 -999 0.98 -999 -999.0 -999.0 -999 -999 -999 -999 -999 -999 2 -999 -999 -999 -999 978;1297;1658;2151;2655 -999 -999 -999 -999 173613 3.74 -6.49 -1.37 126.34 118.75 122.55 5 92.68 17 0.07 229.41 215.47 1812.60 1909.2

 

El nombre del archivo está entre comillas y contiene la extensión del archivo.

 

Tenga en cuenta que el valor -999 se utiliza para definir celdas vacías. Podemos leer estos valores como NAs al importar los datos utilizando el argumento ‘na.strings’:

Código 
# leer datos
datos_pantheria <-
  read.table(
    "pantheria_mammals_data.txt",
    sep = "\t",
    header = TRUE,
    na.strings = "-999"
  )

# explorar estructura
head(datos_pantheria)
MSW93_Order MSW93_Family MSW93_Genus MSW93_Species MSW93_Binomial X1.1_ActivityCycle X5.1_AdultBodyMass_g X8.1_AdultForearmLen_mm X13.1_AdultHeadBodyLen_mm X2.1_AgeatEyeOpening_d X3.1_AgeatFirstBirth_d X18.1_BasalMetRate_mLO2hr X5.2_BasalMetRateMass_g X6.1_DietBreadth X7.1_DispersalAge_d X9.1_GestationLen_d X12.1_HabitatBreadth X22.1_HomeRange_km2 X22.2_HomeRange_Indiv_km2 X14.1_InterBirthInterval_d X15.1_LitterSize X16.1_LittersPerYear X17.1_MaxLongevity_m X5.3_NeonateBodyMass_g X13.2_NeonateHeadBodyLen_mm X21.1_PopulationDensity_n.km2 X10.1_PopulationGrpSize X23.1_SexualMaturityAge_d X10.2_SocialGrpSize X24.1_TeatNumber X12.2_Terrestriality X6.2_TrophicLevel X25.1_WeaningAge_d X5.4_WeaningBodyMass_g X13.3_WeaningHeadBodyLen_mm References X5.5_AdultBodyMass_g_EXT X16.2_LittersPerYear_EXT X5.6_NeonateBodyMass_g_EXT X5.7_WeaningBodyMass_g_EXT X26.1_GR_Area_km2 X26.2_GR_MaxLat_dd X26.3_GR_MinLat_dd X26.4_GR_MRLat_dd X26.5_GR_MaxLong_dd X26.6_GR_MinLong_dd X26.7_GR_MRLong_dd X27.1_HuPopDen_Min_n.km2 X27.2_HuPopDen_Mean_n.km2 X27.3_HuPopDen_5p_n.km2 X27.4_HuPopDen_Change X28.1_Precip_Mean_mm X28.2_Temp_Mean_01degC X30.1_AET_Mean_mm X30.2_PET_Mean_mm
Rodentia Muridae Abditomys latidens Abditomys latidens NA 268 NA 223.99 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA 2152 NA NA NA NA 357 16.94 16.74 16.84 120.97 120.78 120.88 93 93.00 93 0.09 316.00 180.00 1443.00 1557.0
Rodentia Muridae Abrawayaomys ruschii Abrawayaomys ruschii NA 63 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA 2655 NA NA NA NA 126137 -15.09 -19.84 -17.47 -40.52 -43.56 -42.04 5 21.21 7 0.06 107.06 209.10 1084.47 1402.4
Rodentia Abrocomidae Abrocoma bennettii Abrocoma bennettii 1 251 NA NA NA NA NA NA NA NA NA 3 NA NA NA 4.86 NA 27.6 NA NA 142 NA NA NA NA 2 NA NA NA NA 543;890;1297;1492;2655 NA NA NA NA 54616 -27.71 -35.58 -31.64 -69.40 -71.70 -70.55 0 63.15 1 0.07 20.44 17.66 213.09 1073.8
Rodentia Abrocomidae Abrocoma boliviensis Abrocoma boliviensis NA 158 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA 2655 NA NA NA NA 5774 -17.44 -18.05 -17.75 -63.49 -64.51 -64.00 5 29.24 5 0.04 82.63 175.55 1171.61 1487.3
Rodentia Abrocomidae Abrocoma cinerea Abrocoma cinerea NA 194 NA NA NA NA NA NA NA NA 109.64 3 NA NA NA 2.20 NA NA 13.3 NA NA NA NA NA NA 2 NA NA NA NA 890;1297;1627;2655 NA NA NA NA 381391 -14.43 -24.35 -19.39 -64.27 -70.60 -67.43 0 13.72 0 0.06 48.46 35.22 515.10 1257.3
Chiroptera Pteropodidae Acerodon celebensis Acerodon celebensis NA 382 133.49 201.55 NA NA NA NA NA NA NA 1 NA NA NA 0.98 NA NA NA NA NA NA NA NA NA 2 NA NA NA NA 978;1297;1658;2151;2655 NA NA NA NA 173613 3.74 -6.49 -1.37 126.34 118.75 122.55 5 92.68 17 0.07 229.41 215.47 1812.60 1909.2

 

2.4 Leer archivos .csv

De nuevo, podemos descargar un archivo de ejemplo en línea:

Código 
# bajar datos en csv
download.file("https://github.com/maRce10/OTS_TBCP_2024/raw/master/data/clements_bird_list.csv", destfile = "clements_bird_list.csv")

# leer datos
clm_lst <- read.csv("clements_bird_list.csv")

# explorarlos
head(clm_lst)
TAXON_ORDER CATEGORY SPECIES_CODE PRIMARY_COM_NAME SCI_NAME ORDER1 FAMILY SPECIES_GROUP REPORT_AS
3 species ostric2 Common Ostrich Struthio camelus Struthioniformes Struthionidae (Ostriches) Ostriches
5 species ostric3 Somali Ostrich Struthio molybdophanes Struthioniformes Struthionidae (Ostriches)
6 slash y00934 Common/Somali Ostrich Struthio camelus/molybdophanes Struthioniformes Struthionidae (Ostriches)
7 species grerhe1 Greater Rhea Rhea americana Rheiformes Rheidae (Rheas) Rheas
13 species lesrhe2 Lesser Rhea Rhea pennata Rheiformes Rheidae (Rheas)
14 issf lesrhe4 Lesser Rhea (Puna) Rhea pennata tarapacensis/garleppi Rheiformes Rheidae (Rheas) lesrhe2

También puede descargar manualmente el archivo desde aquí

 

Como en el ejemplo anterior, podemos decirle a R cómo identificar las celdas vacías utilizando el argumento na.strings:

Código 
# leer datos
clm_lst <- read.csv("clements_bird_list.csv", na.strings = "")

head(clm_lst)
TAXON_ORDER CATEGORY SPECIES_CODE PRIMARY_COM_NAME SCI_NAME ORDER1 FAMILY SPECIES_GROUP REPORT_AS
3 species ostric2 Common Ostrich Struthio camelus Struthioniformes Struthionidae (Ostriches) Ostriches NA
5 species ostric3 Somali Ostrich Struthio molybdophanes Struthioniformes Struthionidae (Ostriches) NA NA
6 slash y00934 Common/Somali Ostrich Struthio camelus/molybdophanes Struthioniformes Struthionidae (Ostriches) NA NA
7 species grerhe1 Greater Rhea Rhea americana Rheiformes Rheidae (Rheas) Rheas NA
13 species lesrhe2 Lesser Rhea Rhea pennata Rheiformes Rheidae (Rheas) NA NA
14 issf lesrhe4 Lesser Rhea (Puna) Rhea pennata tarapacensis/garleppi Rheiformes Rheidae (Rheas) NA lesrhe2

 

2.5 Leer archivos de Excel

La mayoría de los investigadores introducen los datos en hojas de cálculo Excel. Así que sería bastante práctico leer los datos directamente desde ahí. Para leer archivos xls y xlsx necesitamos instalar el paquete “readxl” (hay otros paquetes que se pueden utilizar pero todos funcionan de forma similar):

Código 
install.packages(pkgs = "readxl")

library(readxl)

 

Como hicimos anteriormente, descargue un archivo de ejemplo de un repositorio en línea. En este caso es la misma lista de taxonomía de aves de Clements en formato xlsx:

Código 
download.file("https://github.com/maRce10/OTS_TBCP_2024/raw/master/data/clements_bird_list.xlsx", destfile = "clements_bird_list.xlsx")

También puede descargar manualmente el archivo desde aquí

 

Ahora podemos utilizar la función read_excel() para leer el archivo:

Código 
# leer archivo
clm_lst2 <- read_excel("clements_bird_list.xlsx", sheet = 1)

head(clm_lst2)
TAXON_ORDER CATEGORY SPECIES_CODE PRIMARY_COM_NAME SCI_NAME ORDER1 FAMILY SPECIES_GROUP REPORT_AS
3 species ostric2 Common Ostrich Struthio camelus Struthioniformes Struthionidae (Ostriches) Ostriches NA
5 species ostric3 Somali Ostrich Struthio molybdophanes Struthioniformes Struthionidae (Ostriches) NA NA
6 slash y00934 Common/Somali Ostrich Struthio camelus/molybdophanes Struthioniformes Struthionidae (Ostriches) NA NA
7 species grerhe1 Greater Rhea Rhea americana Rheiformes Rheidae (Rheas) Rheas NA
13 species lesrhe2 Lesser Rhea Rhea pennata Rheiformes Rheidae (Rheas) NA NA
14 issf lesrhe4 Lesser Rhea (Puna) Rhea pennata tarapacensis/garleppi Rheiformes Rheidae (Rheas) NA lesrhe2

 

You need to specify the file name (including extension) and the excel sheet (tab) name. read_excel() auto detects the format from the file extension. The functions read_xls() and read_xlsx() can be used to read files without extension.

 

2.5.1 Ejercicio 1

Todas las funciones predeterminadas para introducir datos en R tienen una contrapartida para exportar el mismo tipo de datos. Los nombres de estas otras funciones son similares a los de las de lectura de datos, aunque suelen empezar por “write” o “save”.

1.1 ¿Cuáles son los nombres de las funciones por defecto para exportar los formatos de datos que hemos utilizado anteriormente? (pista: prueba apropos para comprobar qué funciones están disponibles)

1.2 Exportar los datos de mamíferos como archivo .csv.

1.3 Vuelva a exportar los datos de mamíferos, esta vez excluyendo los nombres de las filas

1.4 Leer el archivo .csv con read.table.

1.5 ¿Qué otros paquetes pueden importar archivos excel en R?

1.6 ¿Se puede exportar un archivo excel o añadir datos a un archivo excel existente desde R?

1.7 Utilizando el archivo “clements_bird_list.csv”, ¿cómo le diría a R que leyera tanto “Rheiformes” como “Ostriches” como celdas vacías (sin dejar de leer las celdas vacías como celdas vacías)?

3 Formato de los datos

Esta sección trata de la organización de los datos de forma que se simplifique su manejo, exploración y análisis. Como probablemente puedas adivinar, cuanto más consistentes se hacen las cosas, más predecibles se vuelven. Esto también se aplica a los datos. Si los datos se organizan con la misma lógica, cabe esperar que el mismo tipo de manipulaciones y análisis sean aplicables a distintos conjuntos de datos. La organización de los datos es un aspecto clave (pero normalmente descuidado) del flujo de trabajo del análisis de datos. Cuando los datos están bien organizados, se dedica mucho menos tiempo a formatearlos y más a las cuestiones analíticas reales.

Cuando sea posible, ejecutaremos los ejemplos de formateo de datos utilizando tanto el paquete ‘tidyr’ como las funciones base de R.

3.1 Datos compactos

Datos compactos (“tidy data”) es una lógica para organizar conjuntos de datos de forma coherente e intuitiva. Para ejecutar parte del código de abajo necesitarás los paquetes ‘tidyr’ y ‘dplyr’, que se pueden instalar/cargar de la siguiente manera:

Código 
install.packages(pkgs = "tidyr")

install.packages(pkgs = "dplyr")

library(tidyr)

library(dplyr)

 

Los mismos datos pueden representarse de muchas maneras. En el ejemplo siguiente, cada conjunto de datos muestra exactamente los mismos valores de cuatro variables país, año, población y casos, pero en cada conjunto de datos los valores están organizados de forma diferente. Los datos muestran el número de casos de tuberculosis en Afganistán, Brasil y China entre 1999 y 2000:

Código 
as.data.frame(table1)
country year cases population
Afghanistan 1999 745 19987071
Afghanistan 2000 2666 20595360
Brazil 1999 37737 172006362
Brazil 2000 80488 174504898
China 1999 212258 1272915272
China 2000 213766 1280428583
Código 
as.data.frame(table2)
country year type count
Afghanistan 1999 cases 745
Afghanistan 1999 population 19987071
Afghanistan 2000 cases 2666
Afghanistan 2000 population 20595360
Brazil 1999 cases 37737
Brazil 1999 population 172006362
Brazil 2000 cases 80488
Brazil 2000 population 174504898
China 1999 cases 212258
China 1999 population 1272915272
China 2000 cases 213766
China 2000 population 1280428583
Código 
as.data.frame(table3)
country year rate
Afghanistan 1999 745/19987071
Afghanistan 2000 2666/20595360
Brazil 1999 37737/172006362
Brazil 2000 80488/174504898
China 1999 212258/1272915272
China 2000 213766/1280428583

O incluso repartidos en 2 conjuntos de datos diferentes:

Código 
as.data.frame(table4a)
country 1999 2000
Afghanistan 745 2666
Brazil 37737 80488
China 212258 213766
Código 
as.data.frame(table4b)
country 1999 2000
Afghanistan 19987071 20595360
Brazil 172006362 174504898
China 1272915272 1280428583

 

Todos estos conjuntos de datos contenían los mismos datos subyacentes. Sin embargo, no son igual de fáciles de utilizar.

Existen tres reglas interrelacionadas para ordenar un conjunto de datos:

  1. Cada variable debe tener su propia columna

  2. Each observation must have its own row

  3. Cada valor debe tener su propia celda

Esta figura muestra las reglas visualmente:

tidy data * Modified from R for Data Science  

Estas tres reglas están interrelacionadas porque es imposible satisfacer sólo dos de las tres. Esa interrelación conduce a un conjunto aún más sencillo de instrucciones prácticas:

  1. Ponga cada conjunto de datos en un marco de datos

  2. Ponga cada variable en una columna

 

En el ejemplo anterior, sólo la tabla1 está ordenada. Es la única representación en la que cada columna es una variable. Formatear los datos de esta manera tiene dos ventajas principales:

  1. Si tienes una estructura de datos consistente, es más fácil aprender las herramientas que trabajan con ella porque tienen una uniformidad subyacente

  2. Colocar las variables en columnas se ajusta bien a la naturaleza vectorial de R. Como hemos visto, las funciones incorporadas en R trabajan con vectores de valores. Esto hace que la transformación de datos ordenados resulte especialmente natural.

 

3.1.1 Ejercicio 2

2.1 Describa cómo están organizadas las variables y observaciones en cada uno de los marcos de datos de muestreo

2.2 Calcule la tasa de casos por 10000 personas para “tabla1”, “tabla2” y “tabla4a”/“tabla4b”.

3.2 Recopilación de datos

Un problema habitual es un conjunto de datos en el que algunos de los nombres de las columnas no son nombres de variables, sino valores de una variable. Tomemos “tabla4a”: los nombres de las columnas 1999 y 2000 representan valores de la variable año, y cada fila representa dos observaciones, no una:

Código 
as.data.frame(table4a)
country 1999 2000
Afghanistan 745 2666
Brazil 37737 80488
China 212258 213766

 

Para ordenar un conjunto de datos como éste, necesitamos reunir esas columnas en un nuevo par de variables. Para ello necesitamos tres parámetros:

  • El conjunto de columnas que representan valores, no variables. En este ejemplo, son las columnas 1999 y 2000.

  • El nombre de la variable cuyos valores forman los nombres de las columnas. En la sintaxis ‘tidyr’ se llama key, que en este caso es year.

  • El nombre de la variable cuyos valores se reparten por las celdas. En la sintaxis ‘tidyr’ que se llama que value, que en este caso es el número de cases

Estos parámetros se pueden utilizar para crear un conjunto de datos ordenados utilizando la función gather():

Código 
gather(table4a, key = "year", value = "cases", `1999`, `2000`)
country year cases
Afghanistan 1999 745
Brazil 1999 37737
China 1999 212258
Afghanistan 2000 2666
Brazil 2000 80488
China 2000 213766

Podemos visualizar este formato de la siguiente manera:

gather data * Modified from R for Data Science  

gather() también se puede utilizar para ordenar table4b. La única diferencia es la variable almacenada en los valores de las celdas:

Código 
gather(
  data = table4b,
  key = "year",
  value = "population",
  `1999`,
  `2000`
)
country year population
Afghanistan 1999 19987071
Brazil 1999 172006362
China 1999 1272915272
Afghanistan 2000 20595360
Brazil 2000 174504898
China 2000 1280428583

 

Para combinar las versiones ordenadas de las tablas table4a y table4b en un único marco de datos (o ‘tibble’), podemos utilizar dplyr::left_join() o merge() de la base R:

Código 
tidy4a <-
  gather(table4a, key = "year", value = "cases", `1999`, `2000`)

tidy4b <-
  gather(table4b, key = "year", value = "population", `1999`, `2000`)

left_join(
  x = tidy4a,
  y = tidy4b,
  by = c("country", "year")
)
country year cases population
Afghanistan 1999 745 19987071
Brazil 1999 37737 172006362
China 1999 212258 1272915272
Afghanistan 2000 2666 20595360
Brazil 2000 80488 174504898
China 2000 213766 1280428583
Código 
merge(
  x = tidy4a,
  y = tidy4b,
  by = c("country", "year")
)
country year cases population
Afghanistan 1999 745 19987071
Afghanistan 2000 2666 20595360
Brazil 1999 37737 172006362
Brazil 2000 80488 174504898
China 1999 212258 1272915272
China 2000 213766 1280428583

 

3.3 Expandir (spreading)

El expandir es lo contrario de la agrupación. Se utiliza cuando una observación está dispersa en varias filas. Por ejemplo, en la tabla2 una observación es un país en un año, pero cada observación está dispersa en dos filas:

Código 
table2
country year type count
Afghanistan 1999 cases 745
Afghanistan 1999 population 19987071
Afghanistan 2000 cases 2666
Afghanistan 2000 population 20595360
Brazil 1999 cases 37737
Brazil 1999 population 172006362
Brazil 2000 cases 80488
Brazil 2000 population 174504898
China 1999 cases 212258
China 1999 population 1272915272
China 2000 cases 213766
China 2000 population 1280428583

 

Para ordenar este conjunto de datos, sólo necesitamos dos parámetros:

  • La columna que contiene los nombres de las variables, la columna key. Aquí, es type.

  • La columna que contiene los valores de las variables múltiples, la columna value. la columna value. Aquí es count.

 

Para hacer esto podemos usar spread():

Código 
spread(table2, key = "type", value = "count")
country year cases population
Afghanistan 1999 745 19987071
Afghanistan 2000 2666 20595360
Brazil 1999 37737 172006362
Brazil 2000 80488 174504898
China 1999 212258 1272915272
China 2000 213766 1280428583

 

que puede visualizarse de la siguiente manera:

spreading data * Modified from R for Data Science  

spread() y gather() son funciones complementarias. gather() hace las tablas anchas más estrechas y largas; spread() hace las tablas largas más cortas y anchas.

 

3.3.1 Ejercicio 3

3.1 Ordena el siguiente conjunto de datos sobre la altura de los árboles de 2 especies:

Código 
plnt_sz <- data.frame(
  forest = c("old_growth", "disturbed"),
  Species_1 = c(154, 160),
  Species_2 = c(120, 113)
)

 

3.4 Separar y unir

Hasta ahora hemos arreglado “tabla2” y “tabla4”, pero no “tabla3”. La “tabla3” tiene un problema diferente: tenemos una columna (tasa) que contiene dos variables (casos y población). Esto puede solucionarse con la función separate() . También veremos su complemento unite(), que se utiliza cuando una sola variable está repartida en varias columnas.

 

3.4.1 Separar

La función separate() separa una columna en varias columnas, dividiéndolas donde aparezca un carácter separador. Por ejemplo, table3:

Código 
as.data.frame(table3)
country year rate
Afghanistan 1999 745/19987071
Afghanistan 2000 2666/20595360
Brazil 1999 37737/172006362
Brazil 2000 80488/174504898
China 1999 212258/1272915272
China 2000 213766/1280428583

Visualmente hace algo así:

separate data * Modified from R for Data Science

 

La columna tasa contiene las variables casos y población, y necesitamos separarla en dos variables. separate() toma el nombre de la columna a separar, y los nombres de las nuevas columnas a crear:

Código 
separate(
  data = table3,
  col = rate,
  into = c("cases", "population")
)
country year cases population
Afghanistan 1999 745 19987071
Afghanistan 2000 2666 20595360
Brazil 1999 37737 172006362
Brazil 2000 80488 174504898
China 1999 212258 1272915272
China 2000 213766 1280428583

De forma predeterminada, separate() dividirá basándose en cualquier carácter no alfanumérico (es decir, un carácter que no sea un número o una letra). En el código anterior, separate() divide los valores de rate en los caracteres de la barra diagonal. Esto puede indicarse explícitamente (para evitar errores):

Código 
tb3 <-
  separate(
    data = table3,
    col = rate,
    into = c("cases", "population"),
    sep = "/"
  )

tb3
country year cases population
Afghanistan 1999 745 19987071
Afghanistan 2000 2666 20595360
Brazil 1999 37737 172006362
Brazil 2000 80488 174504898
China 1999 212258 1272915272
China 2000 213766 1280428583 
tibble [6 × 4] (S3: tbl_df/tbl/data.frame)
 $ country   : chr [1:6] "Afghanistan" "Afghanistan" "Brazil" "Brazil" ...
 $ year      : num [1:6] 1999 2000 1999 2000 1999 ...
 $ cases     : chr [1:6] "745" "2666" "37737" "80488" ...
 $ population: chr [1:6] "19987071" "20595360" "172006362" "174504898" ...

 

Tenga en cuenta que case y population son columnas de caracteres. Por defecto separate() deja el tipo de las nuevas columnas como en la original. En este caso esto no es lo ideal ya que realmente son números. Podemos pedir a separate() que intente convertir a tipos mejores usando convert = TRUE:

Código 
tb3 <-
  separate(
    data = table3,
    col = rate,
    into = c("cases", "population"),
    convert = TRUE
  )

str(tb3)
tibble [6 × 4] (S3: tbl_df/tbl/data.frame)
 $ country   : chr [1:6] "Afghanistan" "Afghanistan" "Brazil" "Brazil" ...
 $ year      : num [1:6] 1999 2000 1999 2000 1999 ...
 $ cases     : int [1:6] 745 2666 37737 80488 212258 213766
 $ population: int [1:6] 19987071 20595360 172006362 174504898 1272915272 1280428583

 

También puede pasar un vector de enteros a sep, que serán interpretados como posiciones en las que dividir. Los valores positivos comienzan en 1 en el extremo izquierdo de las cadenas; los valores negativos comienzan en -1 en el extremo derecho de las cadenas. Cuando se usan enteros para separar cadenas, la longitud de sep debe ser uno menos que el número de nombres en into. Puede utilizarlo para separar los dos últimos dígitos de cada año:

Código 
separate(
  data = table3,
  col = year,
  into = c("century", "year"),
  sep = 2
)
country century year rate
Afghanistan 19 99 745/19987071
Afghanistan 20 00 2666/20595360
Brazil 19 99 37737/172006362
Brazil 20 00 80488/174504898
China 19 99 212258/1272915272
China 20 00 213766/1280428583

La separación de columnas también se puede hacer con la base R, aunque requiere un poco más de codificación:

Código 
table3$cases <-
  sapply(table3$rate, function(x) {
    try(strsplit(x, "/")[[1]][1])
  },
  USE.NAMES = FALSE
  )

table3$population <-
  sapply(table3$rate, function(x) {
    try(strsplit(x, "/")[[1]][2])
  },
  USE.NAMES = FALSE
  )

tb3
country year rate cases population
Afghanistan 1999 745/19987071 745 19987071
Afghanistan 2000 2666/20595360 2666 20595360
Brazil 1999 37737/172006362 37737 172006362
Brazil 2000 80488/174504898 80488 174504898
China 1999 212258/1272915272 212258 1272915272
China 2000 213766/1280428583 213766 1280428583 
tibble [6 × 4] (S3: tbl_df/tbl/data.frame)
 $ country   : chr [1:6] "Afghanistan" "Afghanistan" "Brazil" "Brazil" ...
 $ year      : num [1:6] 1999 2000 1999 2000 1999 ...
 $ cases     : chr [1:6] "745" "2666" "37737" "80488" ...
 $ population: chr [1:6] "19987071" "20595360" "172006362" "174504898" ...

 

3.5 Unir

unite() es la inversa de separate(): combinar varias columnas en una sola:

unite data * Modified from R for Data Science

 

Sin embargo, la necesitará con mucha menos frecuencia que separate().

Podemos utilizar unite() para volver a unir las columnas century y year que creamos anteriormente:

Código 
unite(data = table5, col = "new", "century", "year")
country new rate
Afghanistan 19_99 745/19987071
Afghanistan 20_00 2666/20595360
Brazil 19_99 37737/172006362
Brazil 20_00 80488/174504898
China 19_99 212258/1272915272
China 20_00 213766/1280428583

En esta función también podemos utilizar el argumento sep (aunque en este ejemplo no se ha especificado).

 

3.5.1 Ejercicio 4


4.1 Una century y year de la “tabla5” usando R básico (pista: paste())

4 Exportar datos

Probablemente el formato mas común para exportar datos de R es .csv. La función write.csv permite guardar cuadros de datos (data frame) o matrices (u otros objetos que se puedan convertir en un cuadro de datos), como archivos .csv. Por ejemplo, podemos guardar el cuadro de datos iris de esta forma:

Código 
write.csv(x = iris, file = "iris.csv")

Esta función incluye el número de fila como una columna de forma predeterminada. Esto puede hacer que, cuando leemos y guardamos varias veces los datos, se acumulen las columnas con el número de fila. Por tanto es conveniente excluir los números de fila cuando se guardan estos archivos. Esto lo podemos hacer usando el argumento row.names de esta forma:

Código 
write.csv(
  x = iris,
  file = "iris.csv",
  row.names = FALSE
)

También puede ser útil guardar el archivo en un directorio diferente al directorio de trabajo actual, sin tener que cambiarlo con setwd(). Esto lo podemos hacer incluyendo la función file.path() así:

Código 
write.csv(
  x = iris,
  file = file.path("RUTA_AL_DIRECTORIO", "iris.csv"),
  row.names = FALSE
)

Archivos .txt pueden ser creados con la función write.table:

Código 
write.table(
  x = iris,
  file = file.path("RUTA_AL_DIRECTORIO", "iris.txt"),
  row.names = FALSE,
  sep = "\t"
)

Note el argumento sep = "\t" que indica que las columnas estarán separadas por tabulaciones.

Por último, también podemos usar la función write_xlsx del paquete writexl para guardar archivos en el formato de microsoft .xlsx:

Código 
install.packages("writexl")

library(writexl)

write_xlsx(x = iris, path = "iris.xlsx")

 

4.1 Referencias

  • Clements, J. F., T. S. Schulenberg, M. J. Iliff, D. Roberson, T. A. Fredericks, B. L. Sullivan, and C. L. Wood. 2017. The eBird/Clements checklist of birds of the world: v2016.

  • Jones, Jon Bielby, Marcel Cardillo, Susanne A. Fritz, Justin O’Dell, C. David L. Orme, Kamran Safi, Wes Sechrest, Elizabeth H. Boakes, Chris Carbone, Christina Connolly, Michael J. Cutts, Janine K. Foster, Richard Grenyer, Michael Habib, Christopher A. Plaster, Samantha A. Price, Elizabeth A. Rigby, Janna Rist, Amber Teacher, Olaf R. P. Bininda-Emonds, John L. Gittleman, Georgina M. Mace, and Andy Purvis. 2009. PanTHERIA: a species-level database of life history, ecology, and geography of extant and recently extinct mammals. Ecology 90:2648.

  • Wickham, Hadley, and Garrett Grolemund. 2016. R for data science: import, tidy, transform, visualize, and model data. website

  • Data import tutorial- DataCamp

Información de la sesión

R version 4.3.2 (2023-10-31)
Platform: x86_64-pc-linux-gnu (64-bit)
Running under: Ubuntu 22.04.2 LTS

Matrix products: default
BLAS:   /usr/lib/x86_64-linux-gnu/blas/libblas.so.3.10.0 
LAPACK: /usr/lib/x86_64-linux-gnu/lapack/liblapack.so.3.10.0

locale:
 [1] LC_CTYPE=en_US.UTF-8       LC_NUMERIC=C              
 [3] LC_TIME=en_US.UTF-8        LC_COLLATE=en_US.UTF-8    
 [5] LC_MONETARY=en_US.UTF-8    LC_MESSAGES=en_US.UTF-8   
 [7] LC_PAPER=en_US.UTF-8       LC_NAME=C                 
 [9] LC_ADDRESS=C               LC_TELEPHONE=C            
[11] LC_MEASUREMENT=en_US.UTF-8 LC_IDENTIFICATION=C       

time zone: America/Costa_Rica
tzcode source: system (glibc)

attached base packages:
[1] stats     graphics  grDevices utils     datasets  methods   base     

other attached packages:
[1] dplyr_1.1.4        tidyr_1.3.1        readxl_1.4.3       kableExtra_1.4.0  
[5] RColorBrewer_1.1-3 viridis_0.6.5      viridisLite_0.4.2  ggplot2_3.5.1     
[9] knitr_1.48        

loaded via a namespace (and not attached):
 [1] gtable_0.3.5        jsonlite_1.8.9      highr_0.11         
 [4] crayon_1.5.3        compiler_4.3.2      tidyselect_1.2.1   
 [7] xml2_1.3.6          stringr_1.5.1       gridExtra_2.3      
[10] systemfonts_1.1.0   scales_1.3.0        yaml_2.3.10        
[13] fastmap_1.2.0       R6_2.5.1            generics_0.1.3     
[16] htmlwidgets_1.6.4   tibble_3.2.1        munsell_0.5.1      
[19] xaringanExtra_0.8.0 svglite_2.1.3       pillar_1.9.0       
[22] rlang_1.1.4         utf8_1.2.4          stringi_1.8.4      
[25] xfun_0.47           cli_3.6.3           withr_3.0.1        
[28] magrittr_2.0.3      digest_0.6.37       grid_4.3.2         
[31] rstudioapi_0.16.0   remotes_2.5.0       packrat_0.9.2      
[34] lifecycle_1.0.4     vctrs_0.6.5         evaluate_1.0.0     
[37] glue_1.8.0          cellranger_1.1.0    sketchy_1.0.3      
[40] fansi_1.0.6         colorspace_2.1-1    purrr_1.0.2        
[43] rmarkdown_2.28      tools_4.3.2         pkgconfig_2.0.3    
[46] htmltools_0.5.8.1