Manipulación y manejo de datos

Una introducción al lenguaje de programación

Xavier Clemente García

Objetivo

Aprender a subir datasets, cargar datasets, usar librerías de datasets y modificar mediante Dplyr y comandos propios de R los datos.

Algunas consideraciones antes de iniciar

Para proceder con esta clase usaremos algunos datasets obtenidos desde librerías específicas en R
Haremos uso del siguiente script para importar nuestros datasets.

#Librería con datos de crecimiento de plantas en diferentes grupos. 

data("PlantGrowth")

Este paquete se incluye en R.
En esta clase se hará manejo de bases de datos.

package 'palmerpenguins' successfully unpacked and MD5 sums checked

The downloaded binary packages are in
    C:\Users\Xavier\AppData\Local\Temp\RtmpkNsy5P\downloaded_packages

install.packages("palmerpenguins")
library(palmerpenguins)

Se puede visitar la página del creador en Palmerpenguins

“Palmerpenguins” incluye un dataset interesante.
Para usar Palmerpenguins debe instalarse con las funciones de arriba

Importación de datos

En esta librería existe un set de datos bastante amplio. Vamos a usar penguins

penguins

# A tibble: 344 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           NA            NA                  NA          NA
 5 Adelie  Torgersen           36.7          19.3               193        3450
 6 Adelie  Torgersen           39.3          20.6               190        3650
 7 Adelie  Torgersen           38.9          17.8               181        3625
 8 Adelie  Torgersen           39.2          19.6               195        4675
 9 Adelie  Torgersen           34.1          18.1               193        3475
10 Adelie  Torgersen           42            20.2               190        4250
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>

Como puedes ver la base de datos es bastante amplia e incluye 8 columnas.

Algunos comandos adicionales

Según qué área te interese de este dataset podrás utilizarla a tu antojo. Existen algunos comandos que podrían ser de interés:

Función	Definición
fix	Modificar manualmente una secicón de los datos
head	Muestra las primeras 6 filas de datos
summary	Genera un resumen estadístico del set de datos
split	Puede cortar el set de datos según el orden específico
dim	Muestra número de filas y columnas
str	Da la estructura del dataset
tail	Muestra las últimas filas del set de datos

De esta forma, en la siguiente diapositiva verás algunos ejemplos prácticos con penguins

Sobre fix() , head() y tail()

Fix es una forma de arreglo manual de matríces o frames. Es muy útil para cambios puntuales.
head() permite mostrar las primeras 6 filas de una tabla, no importa su tamaño. Por ejemplo:

head(penguins)

# A tibble: 6 × 8
  species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
1 Adelie  Torgersen           39.1          18.7               181        3750
2 Adelie  Torgersen           39.5          17.4               186        3800
3 Adelie  Torgersen           40.3          18                 195        3250
4 Adelie  Torgersen           NA            NA                  NA          NA
5 Adelie  Torgersen           36.7          19.3               193        3450
6 Adelie  Torgersen           39.3          20.6               190        3650
# ℹ 2 more variables: sex <fct>, year <int>

Sobre summary(), dim() y str()

Summary() es probablemente la forma automática de acercarnos a la estadística descriptiva en R.
Un ejemplo con summary() sería:

#Tomaremos una parte de la base de datos que podamos usar para calcular: 
summary(penguins$bill_depth_mm)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
  13.10   15.60   17.30   17.15   18.70   21.50       2 

summary(penguins$flipper_length_mm)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
  172.0   190.0   197.0   200.9   213.0   231.0       2 

summary(penguins$body_mass_g)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
   2700    3550    4050    4202    4750    6300       2 

Ahora probemos con el total de la base de datos.

      species          island    bill_length_mm  bill_depth_mm  
 Adelie   :152   Biscoe   :168   Min.   :32.10   Min.   :13.10  
 Chinstrap: 68   Dream    :124   1st Qu.:39.23   1st Qu.:15.60  
 Gentoo   :124   Torgersen: 52   Median :44.45   Median :17.30  
                                 Mean   :43.92   Mean   :17.15  
                                 3rd Qu.:48.50   3rd Qu.:18.70  
                                 Max.   :59.60   Max.   :21.50  
                                 NA's   :2       NA's   :2      
 flipper_length_mm  body_mass_g       sex           year     
 Min.   :172.0     Min.   :2700   female:165   Min.   :2007  
 1st Qu.:190.0     1st Qu.:3550   male  :168   1st Qu.:2007  
 Median :197.0     Median :4050   NA's  : 11   Median :2008  
 Mean   :200.9     Mean   :4202                Mean   :2008  
 3rd Qu.:213.0     3rd Qu.:4750                3rd Qu.:2009  
 Max.   :231.0     Max.   :6300                Max.   :2009  
 NA's   :2         NA's   :2                                 

Haciendo una “estadística” general obtendremos lo anterior.

Dim por otro lado nos permite visualizar la cantidad de datos almacenadas en un objeto. En este caso el objeto penguins contiene 344 datos y 8 columnas.

dim(penguins)

[1] 344   8

str() por otro lado entrega el tipo de dato. Es decir nos muestra la estructura en la que está compuesta.

str(penguins)

tibble [344 × 8] (S3: tbl_df/tbl/data.frame)
 $ species          : Factor w/ 3 levels "Adelie","Chinstrap",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ island           : Factor w/ 3 levels "Biscoe","Dream",..: 3 3 3 3 3 3 3 3 3 3 ...
 $ bill_length_mm   : num [1:344] 39.1 39.5 40.3 NA 36.7 39.3 38.9 39.2 34.1 42 ...
 $ bill_depth_mm    : num [1:344] 18.7 17.4 18 NA 19.3 20.6 17.8 19.6 18.1 20.2 ...
 $ flipper_length_mm: int [1:344] 181 186 195 NA 193 190 181 195 193 190 ...
 $ body_mass_g      : int [1:344] 3750 3800 3250 NA 3450 3650 3625 4675 3475 4250 ...
 $ sex              : Factor w/ 2 levels "female","male": 2 1 1 NA 1 2 1 2 NA NA ...
 $ year             : int [1:344] 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 ...

Class() nos permite visualizar la clase de función u objeto a utilizar.

class(penguins)

[1] "tbl_df"     "tbl"        "data.frame"

class(t.test)

[1] "function"

Introducción al Dplyr

Es un paquete que permite la manipulación de datos a través de verbos claves que pueden ser útiles en el manejo de información.
Algunos de los comandos para manipulación de datos son:

kable_dplyr

Funciones	Descripción de función
Select	Selección de columnas
filter	filtrado de filas
mutate	creación y modificación de variables
summarise	Para Resumen de datos
arrange	Ordenamientos de datos

Manipulación con Dplyr

Iniciemos un ejemplo. Para esto supongamos que:

#Usaremos unos cuantos datos
head_penguins<-head(penguins)
head_penguins

# A tibble: 6 × 8
  species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
1 Adelie  Torgersen           39.1          18.7               181        3750
2 Adelie  Torgersen           39.5          17.4               186        3800
3 Adelie  Torgersen           40.3          18                 195        3250
4 Adelie  Torgersen           NA            NA                  NA          NA
5 Adelie  Torgersen           36.7          19.3               193        3450
6 Adelie  Torgersen           39.3          20.6               190        3650
# ℹ 2 more variables: sex <fct>, year <int>

Uso de Select()

#Usaremos unos cuantos datos
penguins%>%select(,species,body_mass_g)

# A tibble: 344 × 2
   species body_mass_g
   <fct>         <int>
 1 Adelie         3750
 2 Adelie         3800
 3 Adelie         3250
 4 Adelie           NA
 5 Adelie         3450
 6 Adelie         3650
 7 Adelie         3625
 8 Adelie         4675
 9 Adelie         3475
10 Adelie         4250
# ℹ 334 more rows

#Así puedo seleccionar otros datos y los que necesite.

Es necesario que sepamos que los datos nunca pueden estar en los siguiente formatos para este tipo de comandos. “tbl_df”, “tbl”, “data.frame”

Usando filter ()

Filtrar puede ser una opción interesante cuando sabemos el tipo y la información específica de datos que queremos revisar. Es especialmente útil cuando tenemos que manejar bases de datos amplias.
Tomaremos el siguiente ejemplo con penguis

penguins%>%filter(island == "Torgersen")

# A tibble: 52 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           NA            NA                  NA          NA
 5 Adelie  Torgersen           36.7          19.3               193        3450
 6 Adelie  Torgersen           39.3          20.6               190        3650
 7 Adelie  Torgersen           38.9          17.8               181        3625
 8 Adelie  Torgersen           39.2          19.6               195        4675
 9 Adelie  Torgersen           34.1          18.1               193        3475
10 Adelie  Torgersen           42            20.2               190        4250
# ℹ 42 more rows
# ℹ 2 more variables: sex <fct>, year <int>

Uso de mutate()

¿Ha tenido ese problema típico de que debe agregar nuevas columnas o modificar las existentes y ha pensado que quizás hay que subir nuevamente la tabla?
Justamente mutate() representa una posible solución a este tipo de problemas que puedes encontrar durante la manipulación de datos.
Partamos del siguiente ejemplo:

nueva_variable<-penguins%>%mutate(diferencia_de_medidas = penguins$bill_length_mm / penguins$bill_depth_mm)
nueva_variable%>%select(diferencia_de_medidas, bill_length_mm, bill_depth_mm)

# A tibble: 344 × 3
   diferencia_de_medidas bill_length_mm bill_depth_mm
                   <dbl>          <dbl>         <dbl>
 1                  2.09           39.1          18.7
 2                  2.27           39.5          17.4
 3                  2.24           40.3          18  
 4                 NA              NA            NA  
 5                  1.90           36.7          19.3
 6                  1.91           39.3          20.6
 7                  2.19           38.9          17.8
 8                  2              39.2          19.6
 9                  1.88           34.1          18.1
10                  2.08           42            20.2
# ℹ 334 more rows

¿Qué hemos hecho aquí?

Ejercicio práctico No. 1

Crear una base de datos o utilizar penguins o penguins_raw para ejemplificar algunos de los comandos vistos.
Tienen 10 minutos.

Uso de summarise()

Permite crear un data.frame nuevo.

#Creamos una variable para contener penguins
new_penguins<-penguins%>%summarise(penguins$island)
#Corremos la variable. 
new_penguins

# A tibble: 344 × 1
   `penguins$island`
   <fct>            
 1 Torgersen        
 2 Torgersen        
 3 Torgersen        
 4 Torgersen        
 5 Torgersen        
 6 Torgersen        
 7 Torgersen        
 8 Torgersen        
 9 Torgersen        
10 Torgersen        
# ℹ 334 more rows

Uso de arrange()

La siguiente función permite ordenar creciente o decrecientemente datos de una tabla.
Por ejemplo, podemos realizar el siguiente ejemplo:

descending_penguins<-penguins%>%arrange(desc(penguins$bill_depth_mm))
descending_penguins

# A tibble: 344 × 8
   species   island   bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>     <fct>             <dbl>         <dbl>             <int>       <int>
 1 Adelie    Torgers…           46            21.5               194        4200
 2 Adelie    Torgers…           38.6          21.2               191        3800
 3 Adelie    Dream              42.3          21.2               191        4150
 4 Adelie    Torgers…           34.6          21.1               198        4400
 5 Adelie    Dream              39.2          21.1               196        4150
 6 Adelie    Biscoe             41.3          21.1               195        4400
 7 Chinstrap Dream              54.2          20.8               201        4300
 8 Adelie    Torgers…           42.5          20.7               197        4500
 9 Adelie    Biscoe             39.6          20.7               191        3900
10 Chinstrap Dream              52            20.7               210        4800
# ℹ 334 more rows
# ℹ 2 more variables: sex <fct>, year <int>

Podemos aplicar otras variantes de lo visto

#Aplicando un poco de lo visto, podemos tener lo siguiente: 
desc_penguins_select<-descending_penguins%>%select(bill_depth_mm)
desc_penguins_select

# A tibble: 344 × 1
   bill_depth_mm
           <dbl>
 1          21.5
 2          21.2
 3          21.2
 4          21.1
 5          21.1
 6          21.1
 7          20.8
 8          20.7
 9          20.7
10          20.7
# ℹ 334 more rows

Y este sería nuestro resultado más resumido.

#Para los primeros seis datos. 
head(desc_penguins_select)

# A tibble: 6 × 1
  bill_depth_mm
          <dbl>
1          21.5
2          21.2
3          21.2
4          21.1
5          21.1
6          21.1

#Para los últimos 6 datos. 
tail(desc_penguins_select)

# A tibble: 6 × 1
  bill_depth_mm
          <dbl>
1          13.4
2          13.3
3          13.2
4          13.1
5          NA  
6          NA  

Variables NA en R

Muchas veces nos encontraremos con bases de datos con valores ausentes, es decir con sus espacios, lo que puede dificultar la lectura, análisis o construcción de gráficos con dichos datos, es por ello que una forma de solucionar este tipo de problemas es con las funciones que genera NA.
is.na() es una de las primeras funciones del manejo de datos NA en R. Ejemplo:

penguins_NA_correccion<- is.na(penguins$bill_length_mm)
head(penguins_NA_correccion)

[1] FALSE FALSE FALSE  TRUE FALSE FALSE

¿Qué hemos creado aquí?Creamos una función que funciona a través de booleanos y nos permite decir si en esta columna “bill_length_mm” existen o no valores “NA”.
Uso de ColSums

#La función colsums, como dice el nombre, permite sumar las columnas para ir encontrando en este caso donde habrán valores NA. 
colSums(is.na(penguins))

          species            island    bill_length_mm     bill_depth_mm 
                0                 0                 2                 2 
flipper_length_mm       body_mass_g               sex              year 
                2                 2                11                 0 

#Incluso podríamos filtrar más con head() o tail()
head(colSums(is.na(penguins)))

          species            island    bill_length_mm     bill_depth_mm 
                0                 0                 2                 2 
flipper_length_mm       body_mass_g 
                2                 2 

#Podemos ver la diferencia entre la presencia de la columna sex. 
tail(colSums(is.na(penguins)))

   bill_length_mm     bill_depth_mm flipper_length_mm       body_mass_g 
                2                 2                 2                 2 
              sex              year 
               11                 0 

Ejercicio práctico No. 2

Ahora es tu turno!. Carga una base de datos o utiliza penguins para probar lo aprendido. Recuerda utilizar mutate(), select(), arrange() y las demás funciones aprendidas.
Tienes 10 minutos.

¿Y si quiero usar is.na para ver los NA presentes en las columnas?

penguins%>%filter(is.na(penguins$bill_length_mm))

# A tibble: 2 × 8
  species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
1 Adelie  Torgersen             NA            NA                NA          NA
2 Gentoo  Biscoe                NA            NA                NA          NA
# ℹ 2 more variables: sex <fct>, year <int>

Introducción al uso de na.omit()

na.omit() es precisamente el comando que podemos utilizar para obviar u omitir cierto tipo de datos no sumatorios u operables en general.

#Compareremos un antes y un después en esta tabla a nivel general. 
penguins_limpio<-na.omit(penguins)
#Para mirar el número de dimensiones
dim(penguins_limpio) #También puede usarse str()

[1] 333   8

#Y ahora al comparar, deberíamos observar una diferencia. 
dim(penguins)

[1] 344   8

Muchas gracias por su atención

Referencias

Palmerpenguins
Melbourne Bioinformatics. (2023) R for biologists GitHub