Manejo de datos en R

2017

Contenido

Estadística descriptiva o exploratoria
Organización de la información
Bases de datos
- Modelos
- Matriz de datos
Importar datos en R
- Valores separados por comas csv
- Texto plano txt
- Excel xlsx
Exportar datos en R

Manipulación de datos en R
- Bibliotecas
- Resumen de datos
- Biblioteca tidyr y dplyr
- Ejemplo con tidyr y dplyr
Gráficos

Estadística descriptiva

Estadística descriptiva o exploratoria

Tradicionalmente se ha entendido como un conjunto de herramientas, formado por coeficientes y técnicas, que tratan de resumir la información contenida en un conjunto de datos.
Se constituye como parte fundamental de cualquier análisis estadístico complejo, en el que se empiezan a tomar decisiones que afectarían el problema de interés.
Proporciona información sobre la estructura de la población que se estudia, indicando, por ejemplo, si ésta es simétrica, si realmente se trata de una única población o hay una superposición de poblaciones, detección de valores atípicos, etc.

Organización de la información

Los datos constituyen la materia prima de la Estadística, logrando establecer distintas clasificaciones en función de la forma en que éstos vengan dados.
Se obtienen datos al realizar cualquier tipo de prueba, experimento, valoración, medición, observación.

Bases de datos

Representación informática (o conjunto estructurado de datos) pertenecientes a un mismo contexto y almacenados sistemáticamente.
Sistemas de gestion de bases de datos (SGBD)
- Centralizado
- Distribuido
- Cliente - Servidor.

Bases de datos

Modelos

Un modelo de datos es una serie de conceptos que puede utilizarse para describir un conjunto de datos y las operaciones para manipularlos. Algunos de los modelos de datos son:

  - Base de datos jerarquica
  - Base de datos relacional    
  - Base de datos de red
  - Base de datos entidad - relación
  - Base de datos multidimensional
  - Base de datos orientada a objetos

Matriz de datos

Al conjunto de individuos físicos considerados en un análisis se le denomina Colectivo o Población.
También se utilizarán esos mismos términos para referirse a la(s) característica(s) de esos individuos que son objeto de estudio.
Matriz de datos: Los datos son organizados en una matriz de \(n*p\) donde cada fila representa a un individuo o registro y las columnas a las características observadas.

Manipulación de datos con R

Importar datos en R

Lectura de datos en R:

# Formato "csv"
denPoblac <- read.csv(file = "DenPobla05_10.csv", header = TRUE, sep = ",", dec = ".")

# Formato "csv2"
huevos <- read.csv2(file = "Huevos.csv", header = TRUE, sep = ";", dec = ",")

# Formato "txt"
olimpicos <- read.table(file = "ColOlimpicos.txt", header = TRUE, sep = ",", dec = ".")

Exportar datos en R

Guardar conjunto de datos en el directorio de trabajo:

# Formato "csv"
write.csv(denPoblac, file = "DensidadPoblacional.csv")

# Formato "csv2"
write.csv2(olimpicos, file = "ProdHuevos.csv")

# Formato "txt"
write.table(olimpicos, file = "Olimpicos.txt")

Importar y exportar Excel

Instalar y cargar bibliotecas

library(readxl)
library(xlsx)

## Loading required package: rJava

## Loading required package: xlsxjars

Lectura y exportación de datos:

# Formato "xlsx" (Instalar previamente biblioteca "readxl")
salarios <- read_xlsx("Salarios.xlsx")

# Formato "xlsx" (Instalar previamente biblioteca "xlsx")
write.xlsx(salarios, "Salarios2.xlsx")

Bibliotecas para manejo de datos

reshape2: facilita la transformación de marcos de datos (data.frame) y matrices.
plyr: manipulación de datos.
dplyr:implementa una sintaxis en cadena (%>%) que da lugar a un código mucho más fácil de leer y entender que la sintaxis anidada habitual.
tidyr: manipulación de datos más fácil y eficiente.

Resumen de datos

Densidad poblacional mundial 2005 - 2010

head(denPoblac, n = 5) #Retorna los primeros 5 registros de la base de datos

##   Country.code Country.name  X2010  X2009     X2008  X2007  X2006  X2005
## 1          ABW        ARUBA 564428 563433 563022.00 562328 560167 555728
## 2          AFG  AFGHANISTAN  43549  42491  41455.00  40407  39306  38125
## 3          AGO       ANGOLA  15681  15181     14.69  14208  13734  13271
## 4          AIA     ANGUILLA 151297 149132 146868.00 144451 141791 138868
## 5          ALB      ALBANIA 109578 109614 109803.00 110137 110602 111177

names(denPoblac)       #Retorna el nombre de las variables (columnas)

## [1] "Country.code" "Country.name" "X2010"        "X2009"       
## [5] "X2008"        "X2007"        "X2006"        "X2005"

tail(denPoblac, n = 5) #Retorna los últimos 5 registros de la base de datos

##     Country.code Country.name X2010 X2009 X2008    X2007 X2006    X2005
## 226          WSM        SAMOA 65711 65243 64798 64373.00 63961 63556.00
## 227          YEM        YEMEN 43114 42104 41108    40.12 39134 38146.00
## 228          ZAF SOUTH AFRICA 42138 41677 41168 40623.00 40064 39504.00
## 229          ZMB       ZAMBIA 17561 17041 16551    16.09 15654    15.24
## 230          ZWE     ZIMBABWE 33466 32984 32716 32604.00 32563 32528.00

str(denPoblac)         #Retorna la estructura de un objeto R

## 'data.frame':    230 obs. of  8 variables:
##  $ Country.code: Factor w/ 230 levels "ABW","AFG","AGO",..: 1 2 3 4 5 6 7 8 9 10 ...
##  $ Country.name: Factor w/ 230 levels "AFGHANISTAN",..: 11 1 6 7 2 5 216 9 10 4 ...
##  $ X2010       : num  564428 43549 15681 151297 109578 ...
##  $ X2009       : num  563433 42491 15181 149132 109614 ...
##  $ X2008       : num  563022 41455 14.7 146868 109803 ...
##  $ X2007       : num  562328 40407 14208 144451 110137 ...
##  $ X2006       : num  560167 39306 13734 141791 110602 ...
##  $ X2005       : num  555728 38125 13271 138868 111177 ...

dim(denPoblac)                 #Retorna la dimensión del marco de datos

## [1] 230   8

length(denPoblac)              #Retorna la longitud del marco de datos

## [1] 8

class(denPoblac)               #Retorna la clase atómica de "denPoblac"

## [1] "data.frame"

class(denPoblac$Country.name)  #Retorna la clase atómica de "Country.name"

## [1] "factor"

summary(denPoblac) #Retorna un resumen numérico del conjunto de datos

##   Country.code         Country.name     X2010              X2009         
##  ABW    :  1   AFGHANISTAN   :  1   Min.   :       4   Min.   :       3  
##  AFG    :  1   ALBANIA       :  1   1st Qu.:   15729   1st Qu.:   16244  
##  AGO    :  1   ALGERIA       :  1   Median :   68354   Median :   68003  
##  AIA    :  1   AMERICAN SAMOA:  1   Mean   :  380407   Mean   :  416609  
##  ALB    :  1   ANDORRA       :  1   3rd Qu.:  181872   3rd Qu.:  173882  
##  AND    :  1   ANGOLA        :  1   Max.   :24728188   Max.   :24371812  
##  (Other):224   (Other)       :224                                        
##      X2008              X2007              X2006         
##  Min.   :       3   Min.   :       6   Min.   :       4  
##  1st Qu.:   18338   1st Qu.:   15206   1st Qu.:   14563  
##  Median :   72714   Median :   65206   Median :   64342  
##  Mean   :  410848   Mean   :  374120   Mean   :  399178  
##  3rd Qu.:  187676   3rd Qu.:  163087   3rd Qu.:  180998  
##  Max.   :23950336   Max.   :23498658   Max.   :23066443  
##                                                          
##      X2005         
##  Min.   :       8  
##  1st Qu.:   19266  
##  Median :   69124  
##  Mean   :  391460  
##  3rd Qu.:  176174  
##  Max.   :22689933  
##

Medidas estadísticas

mean(denPoblac$X2010)     #Retorna la media

## [1] 380406.8

median(denPoblac$X2010)   #Retorna la mediana

## [1] 68353.5

min(denPoblac$X2010)      #Retorna el valor mínimo

## [1] 3.52

max(denPoblac$X2010)      #Retorna el valor máximo

## [1] 24728188

range(denPoblac$X2010)    #Retorna el rango

## [1]        3.52 24728188.00

quantile(denPoblac$X2010) #Retorna los cuantiles

##          0%         25%         50%         75%        100% 
##        3.52    15729.25    68353.50   181872.00 24728188.00

sd(denPoblac$X2010)       #Retorna la desviación estándar

## [1] 2168787

var(denPoblac$X2010)      #Retorna la varianza

## [1] 4.703637e+12

Biblioteca `tidyr`

Usos de la biblioteca tidyr:
- gather(): pasar de formato ancho a largo.
- spread(): pasar de formato largo a ancho.
Verbos útiles de la biblioteca dplyr:
- select(): selecciona columnas.
- filter(): selecciona filas.
- arrange(): reordena filas.
- mutate(): crea o modifcia columnas.
- group_by(): operaciones por grupo.
- summarise(): resumen de datos.

Ejemplo `tidyr - dplyr`

Densidad poblacional mundial 2005 - 2010

names(denPoblac) <- c("CodPaís","País", "2010", "2009", "2008", "2007", "2006", "2005")
names(denPoblac)

## [1] "CodPaís" "País"    "2010"    "2009"    "2008"    "2007"    "2006"   
## [8] "2005"

head(denPoblac, n = 4)

##   CodPaís        País   2010   2009      2008   2007   2006   2005
## 1     ABW       ARUBA 564428 563433 563022.00 562328 560167 555728
## 2     AFG AFGHANISTAN  43549  42491  41455.00  40407  39306  38125
## 3     AGO      ANGOLA  15681  15181     14.69  14208  13734  13271
## 4     AIA    ANGUILLA 151297 149132 146868.00 144451 141791 138868

dim(denPoblac)

## [1] 230   8

Uso de `gather()`

#Pasar a formato largo
denPoblacLargo <- denPoblac %>%
                    gather(key = Año,
                           value = Densidad,
                           -c(CodPaís:País))

head(denPoblacLargo, n = 5)

##   CodPaís        País  Año Densidad
## 1     ABW       ARUBA 2010   564428
## 2     AFG AFGHANISTAN 2010    43549
## 3     AGO      ANGOLA 2010    15681
## 4     AIA    ANGUILLA 2010   151297
## 5     ALB     ALBANIA 2010   109578

dim(denPoblacLargo)

## [1] 1380    4

Uso de `spread()`

#Pasar a formato ancho de nuevo
denPoblacAncho <- denPoblacLargo %>%
                    spread(key = Año,
                           value = Densidad)

head(denPoblacAncho, n = 5)

##   CodPaís        País   2005   2006   2007      2008   2009   2010
## 1     ABW       ARUBA 555728 560167 562328 563022.00 563433 564428
## 2     AFG AFGHANISTAN  38125  39306  40407  41455.00  42491  43549
## 3     AGO      ANGOLA  13271  13734  14208     14.69  15181  15681
## 4     AIA    ANGUILLA 138868 141791 144451 146868.00 149132 151297
## 5     ALB     ALBANIA 111177 110602 110137 109803.00 109614 109578

dim(denPoblacAncho)

## [1] 230   8

Uso de `select()`

denPoblacSelect  <- select(denPoblac, 1:3)
denPoblacSelect2 <- select(denPoblac, CodPaís:País)
denPoblacSelect3 <- select(denPoblac, contains(c("P")))

head(denPoblacSelect, n = 1)

##   CodPaís  País   2010
## 1     ABW ARUBA 564428

head(denPoblacSelect2, n = 1)

##   CodPaís  País
## 1     ABW ARUBA

head(denPoblacSelect3, n = 1)

##   CodPaís  País
## 1     ABW ARUBA

Uso de `filter()`

denPoblacLargo2 <- denPoblacLargo %>% 
                      filter(País == "COLOMBIA")

denPoblacLargo3 <- denPoblacLargo %>% 
                      filter(País == c("COLOMBIA", "ECUADOR"))

head(denPoblacLargo2, n = 6)

##   CodPaís     País  Año Densidad
## 1     COL COLOMBIA 2010    40.78
## 2     COL COLOMBIA 2009 40216.00
## 3     COL COLOMBIA 2008 39646.00
## 4     COL COLOMBIA 2007 39071.00
## 5     COL COLOMBIA 2006 38494.00
## 6     COL COLOMBIA 2005 37917.00

Uso de `arrange()`

denPoblacLargo4 <- denPoblacLargo %>% arrange(Densidad)
denPoblacLargo5 <- denPoblacLargo %>% arrange(-Densidad)
denPoblacLargo6 <- denPoblacLargo %>% arrange(desc(País))

head(denPoblacLargo4, n = 3)

##   CodPaís    País  Año Densidad
## 1     NAM NAMIBIA 2009     2.60
## 2     LBY   LIBYA 2008     3.34
## 3     LBY   LIBYA 2009     3.39

head(denPoblacLargo5, n = 3)

##   CodPaís   País  Año Densidad
## 1     MCO MONACO 2010 24728188
## 2     MCO MONACO 2009 24371812
## 3     MCO MONACO 2008 23950336

Uso de `mutate()`

denPoblacLargo7 <- denPoblacLargo %>% mutate(Promedio = mean(Densidad))
denPoblacLargo8 <- denPoblacLargo %>% mutate(Suma = sum(Densidad))

head(denPoblacLargo7, n = 3)

##   CodPaís        País  Año Densidad Promedio
## 1     ABW       ARUBA 2010   564428   395437
## 2     AFG AFGHANISTAN 2010    43549   395437
## 3     AGO      ANGOLA 2010    15681   395437

head(denPoblacLargo8, n = 3)

##   CodPaís        País  Año Densidad      Suma
## 1     ABW       ARUBA 2010   564428 545703107
## 2     AFG AFGHANISTAN 2010    43549 545703107
## 3     AGO      ANGOLA 2010    15681 545703107

Uso de `group_by() - summarise()`

denPoblacLargo9 <- denPoblacLargo %>% 
                      group_by(País) %>%
                      summarise(Promedio = mean(Densidad))


denPoblacLargo10 <- denPoblacLargo %>% 
                      group_by(Año) %>%
                      summarise(Promedio = mean(Densidad)) %>%
                      arrange(desc(Promedio))


denPoblacLargo11 <- denPoblacLargo %>% 
                      group_by(Año) %>%
                      summarise(Promedio = mean(Densidad),
                                desvEst = sd(Densidad))

Gráficá 1

denPoblacLargoF <- denPoblacLargo %>% 
                      filter(Densidad/1e3 < 3e2)

boxplot(denPoblacLargoF$Densidad/1e3 ~ denPoblacLargoF$Año,
        col = rainbow(6), xlab = "Año", ylab = "Densidad poblacional (en miles)",
        main = "Población en miles por kilometro cuadrado entre 2005 y 2010")

Gráficá 2

ggplot(denPoblacLargoF, aes(Densidad/1e3, fill = Año, colour = Año)) + 
  geom_density(alpha=0.2, lwd=0.9) + 
  xlab("Densidad poblacional (en miles)") + 
  ylab("Densidad Estadística") + 
  labs(title = "Población en miles por kilometro cuadrado entre 2005 y 2010")

Gráfica 3

ggplot(denPoblacLargo10, aes(Año, Promedio/1e3)) + 
  geom_bar(stat = "identity") + 
  xlab("Año") + ylab("Densidad poblacional (en miles)") + 
  labs(title = "Población promedio en miles por kilometro cuadrado entre 2005 y 2010")

Contenido

Estadística descriptiva

Estadística descriptiva o exploratoria

Organización de la información

Bases de datos

Bases de datos

Modelos

Matriz de datos

Manipulación de datos con R

Importar datos en R

Exportar datos en R

Importar y exportar Excel

Bibliotecas para manejo de datos

Resumen de datos

Densidad poblacional mundial 2005 - 2010

Medidas estadísticas

Biblioteca tidyr

Ejemplo tidyr - dplyr

Densidad poblacional mundial 2005 - 2010

Uso de gather()

Uso de spread()

Uso de select()

Uso de filter()

Uso de arrange()

Uso de mutate()

Uso de group_by() - summarise()

Gráficá 1

Gráficá 2

Gráfica 3

Biblioteca `tidyr`

Ejemplo `tidyr - dplyr`

Uso de `gather()`

Uso de `spread()`

Uso de `select()`

Uso de `filter()`

Uso de `arrange()`

Uso de `mutate()`

Uso de `group_by() - summarise()`