Introducción a R base

Cuadernos prácticos de Software II del Grado en Ciencia de Datos Aplicada (curso 2024-2025)

Author

Javier Álvarez Liébana

1 Introducción a R (base)

1.1 Requisitos iniciales

1.1.1 R

Si es la primera vez que usas R (¡bienvenido/a!) antes vas a necesitar, con conexión a internet (también lo necesitarás para la descarga de algunos datos y paquetes), instalar R

Como sucede cuando escribimos un idioma (castellano, por ejemplo), R será nuestro lenguaje y nuestra gramática, en definitiva, nuestras reglas de juego.

Para su instalación necesitarás seguir los siguientes pasos:

Paso 1: entra en https://cran.r-project.org/ y selecciona tu sistema operativo.
Paso 2: para Mac basta con que hacer click en el archivo .pkg, y abrirlo una vez descargado. Para sistemas Windows, debemos clickar en install R for the first time y después en Download R for Windows. Una vez descargado, abrirlo como cualquier archivo de instalación.
Paso 3: abrir el ejecutable de instalación.

Warning

Siempre que tengas que descargar algo de CRAN (ya sea el propio R o un paquete), asegúrate de tener conexión a internet.

Para comprobar que se ha instalado correctamente, tras abrir R, deberías ver el R GUI(Graphical User Interface), y en él, una pantalla blanca similar a esta: se llama consola y podemos hacer un primer uso de ella como una calculadora.

Para empezar vamos a generar nuestro primer código: a una variable llamada a le asignaremos el valor 1 (escribiremos el código de abajo en la consola y daremos «enter»)

a <- 1

Tras ello definiremos otra variable llamada b y le asignaremos el valor 2

a <- 1
b <- 2

Tras definir ambas variables haremos la suma a + b y nos devolverá su resultado

a <- 1
b <- 2
a + b

[1] 3

Fíjate que…

En R asignaremos valores con <- como una flecha: la variable a la izquierda de dicha flecha le asignamos el valor que hay a la derecha (por ejemplo, a <- 1)

Fíjate que…

En la consola aparece un número [1]: simplemente es un contador de elementos (como contar filas en un Word)

1.1.2 RStudio

No es obligatorio pero si recomendable trabajar en un IDE (entorno de desarrollo), algo parecido a un Word para escribir castellano, y ese será el RStudio. Para instalar RStudio debes seguir los siguientes pasos

Paso 1: entra la web oficial de RStudio (ahora llamado Posit) y selecciona la descarga gratuita.
Paso 2: selecciona el ejecutable que te aparezca acorde a tu sistema operativo.
Paso 3: tras descargar el ejecutable, hay que abrirlo como otro cualquier otro y dejar que termine la instalación.

Al abrir RStudio seguramente tengas tres ventanas:

Consola: es el nombre para llamar a la ventana grande que te ocupa buena parte de tu pantalla. Prueba a escribir el mismo código que antes (la suma de las variables) en ella. La consola será donde ejecutaremos órdenes y mostraremos resultados.

Environment: la pantalla pequeña (puedes ajustar los márgenes con el ratón a tu gusto) que tenemos en la parte superior derecha. Nos mostrará las variables que tenemos definidas.

Panel multiusos: la ventana que tenemos en la parte inferior derecha no servirá para buscar ayuda de funciones, además de para visualizar gráficos.

1.2 Idea fundamental: paquetes

Una de las ideas claves de R es el uso de paquetes: códigos que otras personas han implementado para resolver un problema

Con los paquetes podemos hacer dos cosas: instalarlos o usarlos.

Instalación: descargamos los códigos de la web (necesitamos internet) → comprar un libro, solo una vez (por ordenador)

install.packages("ggplot2")

Carga: con el paquete descargado, indicamos qué paquetes queremos usar cada vez que abramos RStudio → traer el libro de la estantería (usando el nombre del paquete sin comillas)

library(ggplot2)

También podemos hacer uso solo de funciones concretas: usando paquete::funcion le índicamos que solo queremos una página concreta de ese libro

ggplot2::geom_point()

1.3 Mensajes de error

Durante tu aprendizaje va a ser muy habitual que las cosas no salgan a la primera → te vas equivocar. No solo será importante asumirlo sino que es importante leer los mensajes de error para aprender de ellos.

Mensajes de error: precedidos de «Error in…» y serán aquellos fallos que impidan la ejecución

"a" + 1

Error in "a" + 1: non-numeric argument to binary operator

Mensajes de warning: precedidos de «Warning in…» son los (posibles) fallos más delicados ya que son incoherencias que no impiden la ejecución

# Ejecuta la orden pero el resultado es NaN, **Not A Number**, un valor que no existe
sqrt(-1)

Warning in sqrt(-1): NaNs produced

[1] NaN

1.4 Scripts y proyectos

Por último, vamos a mencionar el concepto de script: el documento en el que programamos, nuestro archivo .doc (aquí con extensión .R) donde escribiremos las órdenes. Para abrir nuestro primero script, haz click en el menú en File < New File < R Script.

Cuidado

Es importante no abusar de la consola: todo lo que no escribas en un script, cuando cierres, lo habrás perdido.

Cuidado

R es case-sensitive: es sensible a mayúsculas y minúsculas por lo que x y X representa variables distintas.

Una vez creado el script tenemos una cuarta ventana en RStudio: la ventana donde escribiremos nuestros códigos. ¿Cómo ejecutarlo?

Escribimos el código a ejecutar.
Guardamos el archivo .R haciendo click en Save current document.
El código no se ejecuta salvo que se lo indiquemos. Tenemos tres opciones de ejecutar un script:

Copiar y pegar en consola.
Seleccionar líneas y Ctrl+Enter
Activar Source on save a la derecha de guardar: no solo guarda sino que ejecuta el código completo.

1.4.1 Proyectos

De la misma manera que en el ordenador solemos trabajar de manera ordenada por carpetas, en RStudio podemos hacer lo mismo para trabajar de manera eficaz creando proyectos.

Un proyecto será una «carpeta» dentro de RStudio, de manera que nuestro directorio raíz automáticamente será la propia carpeta de proyecto (pudiendo pasar de un proyecto a otro con el menu superior derecho). Podemos crear uno en una carpeta nueva o en una carpeta ya existente.

1.5 💻 Ejercicios

📝 Crea en tu ordenador una carpeta de la asignatura y crea dentro de ella el proyecto de RStudio: es ahí donde vas a guardar todo lo que hagamos a lo largo de este curso.Tras crear el proyecto tendrás un archivo R Project. A continuación crea en dicha carpeta dos subcarpetas: datos (es ahí donde irás guardando los distintos datasets que usaremos) y scripts (es ahí donde irás guardando los archivos .R de cada clase)

📝 Dentro del proyecto crea un script ejercicios-clase1.R (dentro de la carpeta scripts). Una vez creado define en él una variable de nombre a y cuyo valor sea -1. Ejecuta el código de las 3 maneras explicadas.

Code

a <- -1

📝 Añade debajo otra línea para definir una variable b con el valor 5. Tras ello guarda la multiplicación de ambas variables. Ejecuta el código como consideres.

Code

b <- 5
a * b # sin guardar
multiplicacion <- a * b # guardado

📝 Modifica el código inferior para definir dos variables c y d, con valores 3 y -1. Tras ello divide las variables y guarda el resultado.

c <- # deberías asignarle el valor 3
d <- # deberías asignarle el valor -1

Code

c <- 3
d <- -1
c / d # sin guardar
division <- c / d # guardado

📝 Asigna un valor positivo a x y calcula su raíz cuadrada; asigna otro negativo y y calcula su valor absoluto con la función abs().

Code

x <- 5
sqrt(x)

y <- -2
abs(y)

Toma nota

Comandos como sqrt(), abs() o max() son lo que llamamos funciones: líneas de código que hemos «encapsulado» bajo un nombre, y dado unos argumentos de entrada, ejecuta las órdenes (una especie de atajo). En las funciones los argumentos irán SIEMPRE entre paréntesis

📝 Usando la variable x ya definida, completa/modifica el código inferior para guardar en una nueva variable z el resultado guardado en x menos 5.

z <- ? - ? # completa el código
z

Code

z <- x - 5
z

📝 Define una variable x y asígnale el valor -1. Define otra y y asígnale el valor 0. Tras ello realiza las operaciones a) x entre y; b) raíz cuadrada de x. ¿Qué obtienes?

Code

x <- -1
y <- 0

x / y
sqrt(x)

📝 Escribe el código inferior en tu script. ¿Por qué crees que no funciona?

x <- -1
y <- 0

X + y

Error in eval(expr, envir, enclos): object 'X' not found

2 Primeros tipos de datos

Dado que es un curso de R orientado a ciencia de datos (normalmente con datos tabulados en tablas), la primera pregunta que quizás nos hagamos es

Dada una tabla, ¿qué tipo de dato podemos tener en cada celda?

La idea del curso es ir de lo concreto (celda individual) a lo general (tablas y listas)

Celda: dato individual de un tipo concreto.
Variable: concatenación de valores del mismo tipo (vectores en R).
Matriz: concatenación de variables del mismo tipo y longitud.
Tabla: concatenación de variables de distinto tipo pero igual longitud
Lista: concatenación de variables de distinto tipo y distinta longitud :::

2.1 Tipos de datos individuales

Y aunque la mayoría de veces tendemos a pensar que solo guardamos y trabajamos con números, ¿existen variables más allá de los números en la ciencia de datos?

Piensa por ejemplo en los datos que podrías guardar de una persona:

La edad o el peso será un número.

edad <- 33

Su nombre será una cadena de texto (conocida como string o char).

nombre <- "javi"

A la pregunta «¿estás matriculado en la Facultad?» la respuesta será lo que llamamos una variable lógica (TRUE si está matriculado o FALSE en otro caso).

matriculado <- TRUE

Su fecha de nacimiento será precisamente eso, una fecha (veremos como definirlas un poco más adelante).

2.1.1 Variables numéricas

El dato más sencillo (ya lo hemos usado) serán las variables numéricas

a <- 5
b <- 2
a + b

[1] 7

Para saber la clase de dato en R de una variable tenemos la función class()

class(a)

[1] "numeric"

Para saber su tipología (naturaleza o formato) variable tenemos typeof()

typeof(1) # 1 pero almacenado como un valor real (double, con decimales)

[1] "double"

typeof(as.integer(1)) # 1 pero almacenado como un entero.

[1] "integer"

Fíjate que…

En R tenemos una colección de funciones que empiezan por as.x() y que sirven como funciones de conversión: un dato que era de un tipo, lo convertimos a tipo x.

Además de los números «normales» tendremos el valor más/menos infinito codificado como Inf o -Inf

1/0

[1] Inf

-1/0

[1] -Inf

Y también aparecerán a menudo valores que no son números reales, definidos como not a number (indeterminaciones, complejos, etc), y codificados como NaN

0/0

[1] NaN

sqrt(-2)

Warning in sqrt(-2): NaNs produced

[1] NaN

Con las variables numéricas podemos realizar las operaciones aritméticas de una calculadora: sumar (+)…

a + b

[1] 7

…raíz cuadrada (sqrt())…

sqrt(a)

[1] 2.236068

… potencias (^2, ^3)…

a^2

[1] 25

…valor absoluto (abs()), etc.

abs(a)

[1] 5

2.1.2 Variables de texto

Imagina que además de la edad de una persona queremos guardar su nombre: ahora la variable será de tipo character

nombre <- "Javier"
class(nombre)

[1] "character"

Las cadenas de texto son un tipo con el que obviamente no podremos hacer operaciones aritméticas (sí otras operaciones como pegar o localizar patrones).

nombre + 1 # error al sumar número a texto

Error in nombre + 1: non-numeric argument to binary operator

Recuerda que…

Las variables de tipo texto (character o string) van SIEMPRE entre comillas: no es lo mismo TRUE (valor lógico, binario) que "TRUE" (texto).

Y aunque no podamos aplicar a las cadenas de texto operaciones aritméticas habituales si podremos aplicar otras operaciones, como por ejemplo, la función paste(). Como hemos comentado R llamaremos función a un trozo de código encapsulado bajo un nombre, y que depende de unos argumentos de entrada.

Nuestra primera función paste() toma dos cadenas de texto y nos permite pegarlas.

paste("Javier", "Álvarez")

[1] "Javier Álvarez"

Fíjate que por defecto nos pega las cadenas con un espacio, pero podemos añadir un argumento opcional para indicarle el separador (en sep = ...).

paste("Javier", "Álvarez", sep = "*")

[1] "Javier*Álvarez"

¿Cómo saber qué argumentos necesita una función? Escribiendo en consola ? paste te aparecerá una ayuda en el panel multiusos.

En dicha ayuda podrás ver en su cabecera que argumentos ya tiene asignados por defecto la función. Los argumentos (y su detalle) también pueden ser consultado tabulando (detrás de una coma).

Existe una función similar llamada paste0() que pega por defecto con sep = "" (sin nada).

paste0("Javier", "Álvarez")

[1] "JavierÁlvarez"

Es muy importante entender el concepto de argumento por defecto de una función en R: es un valor que la función usa pero a veces podemos no ver porque ya tiene un valor asignado.

# Hacen lo mismo
paste("Javier", "Álvarez")

[1] "Javier Álvarez"

paste("Javier", "Álvarez", sep = " ")

[1] "Javier Álvarez"

Toma nota

El operador = lo reservaremos para asignar argumentos dentro de funciones. Para todas las demás asignaciones usaremos <-

Otra forma de concatenar cadenas de texto (más intuitiva) es usar el paquete {glue}: lo primero que haremos será «comprar el libro» (si nunca lo hemos hecho). Tras ello cargamos el paquete

install.packages("glue") # solo la primra vez
library(glue)

Con la función glue() de dicho paquete podemos usar variables dentro de cadenas de texto. Por ejemplo, «la edad es de … años», donde la edad está guardada en una variable.

edad <- 33
glue("La edad es de {edad} años")

La edad es de 33 años

Dentro de las llaves también podemos ejecutar operaciones

unidades <- "días"
glue("La edad es de {edad * 365} {unidades}")

La edad es de 12045 días

2.1.3 Variables lógicas

Otro tipo fundamental serán las variables lógicas o binarias (dos valores):

TRUE: verdadero guardado internamente como un 1.
FALSE: falso guardado internamente como un 0.

soltero <- TRUE # ¿Es soltero? --> SÍ
class(soltero)

[1] "logical"

Dado que internamente están guardados como variables binarias, podemos realizar operaciones aritméticas con ellas

2 * TRUE

[1] 2

FALSE - 1

[1] -1

Como veremos en breve, las variables lógicas en realidad puede tomar un tercer valor: NA o dato ausente, representando las siglas de not available, y será muy habitual encontrarlo dentro de una base de datos.

ausente <- NA
ausente + 1

[1] NA

Importante

Las variables lógicas NO son variables de texto: "TRUE" es un texto, TRUE es un valor lógico.

TRUE + 1

[1] 2

"TRUE" + 1

Error in "TRUE" + 1: non-numeric argument to binary operator

Los valores lógicos suelen ser resultado de evaluar condiciones lógicas. Por ejemplo, imaginemos que queremos comprobar si una persona se llama Javi.

nombre <- "María"

Con el operador lógico == preguntamos sí lo que tenemos guardado a la izquierda es igual que lo que tenemos a la derecha: es una pregunta

nombre == "Javi"

[1] FALSE

Con su opuesto != preguntamos si es distinto.

nombre != "Javi"

[1] TRUE

Fíjate que…

No es lo mismo <- (asignación) que == (estamos preguntando, es una comparación lógica).

Además de las comparaciones «igual a» frente «distinto», también comparaciones de orden como menor que <, mayor que >, <= o >=.

¿Tiene la persona menos de 32 años?

edad <- 34
edad < 32 # ¿Es la edad menor de 32 años?

[1] FALSE

¿La edad es mayor o igual que 38 años?

edad >= 38

[1] FALSE

¿El nombre guardado es Javi?

nombre <- "Javi"
nombre == "Javi"

[1] TRUE

2.1.4 Variables de fecha

Un tipo de datos muy especial: los datos de tipo fecha.

fecha_char <- "2021-04-21"

Parece una simple cadena de texto pero debería representar un instante en el tiempo. ¿Qué debería suceder si sumamos un 1 a una fecha?

fecha_char + 1

Error in fecha_char + 1: non-numeric argument to binary operator

Las fechas NO pueden ser texto: debemos convertir la cadena de texto a fecha.

Para trabajar con fechas usaremos el paquete {lubridate}, que deberemos instalar antes de poder usarlo.

install.packages("lubridate")

Una vez instalado, de todos los paquetes (libros) que tenemos, le indicaremos que nos cargue ese concretamente.

library(lubridate) # instala si no lo has hecho


Attaching package: 'lubridate'

The following objects are masked from 'package:base':

    date, intersect, setdiff, union

Para convertir a tipo fecha usaremos la función as_date() del paquete {lubridate} (por defecto en formato yyyy-mm-dd)

# ¡no es una fecha, es un texto!
fecha_char + 1

Error in fecha_char + 1: non-numeric argument to binary operator

class(fecha_char)

[1] "character"

fecha <- as_date("2023-03-28") # si es una fecha
fecha + 1

[1] "2023-03-29"

class(fecha)

[1] "Date"

En as_date() el formato de fecha por defecto es yyyy-mm-dd así que si la cadena de texto no se introduce de manera adecuada…

as_date("28-03-2023")

Warning: All formats failed to parse. No formats found.

[1] NA

… devuelve un ausnete.

Para cualquier otro formato debemos especificarlo en el argumento opcional format = ... tal que %d representa días, %m meses, %Y en formato de 4 años y %y en formato de 2 años.

as_date("28-03-2023", format = "%d-%m-%Y")

[1] "2023-03-28"

as_date("28-03-23", format = "%d-%m-%y")

[1] "2023-03-28"

as_date("03-28-2023", format = "%m-%d-%Y")

[1] "2023-03-28"

as_date("28/03/2023", format = "%d/%m/%Y")

[1] "2023-03-28"

En dicho paquete tenemos además funciones muy útiles para manejar fechas:

Con today() podemos obtener directamente la fecha actual.

today()

[1] "2024-08-01"

Con now() podemos obtener la fecha y hora actual

now()

[1] "2024-08-01 14:00:14 EDT"

Con year(), month() o day() podemos extraer el año, mes y día

fecha <- today()
year(fecha)

[1] 2024

month(fecha)

[1] 8

Amplia contenido

Tienes un resumen en pdf de los paquetes más importantes en la carpeta correspondiente en el campus

2.2 Vectores: concatenar

Cuando trabajamos con datos normalmente tendremos columnas que representan variables: llamaremos vectores a una concatenación de celdas (valores) del mismo tipo (lo que sería una columna de una tabla).

La forma más sencilla es con el comando c() (c de concatenar), y basta con introducir sus elementos entre paréntesis y separados por comas

edades <- c(32, 27, 60, 61)
edades

[1] 32 27 60 61

Tip

Un número individual x <- 1 (o bien x <- c(1)) es en realidad un vector de longitud uno –> todo lo que sepamos hacer con un número podemos hacerlo con un vector de ellos.

Como ves ahora en el environment tenemos una colección de elementos guardada

edades

[1] 32 27 60 61

De aquí en adelante calcularemos la longitud de un vector con la función length()

length(edades)

[1] 4

También podemos concatenar vectores entre sí (los repite uno tras otro)

c(edades, edades, 8)

[1] 32 27 60 61 32 27 60 61  8

2.2.1 Secuencias numéricas

El vector más famoso será el de tipo numérico, y en concreto, las conocidas como secuencias numéricas (por ejemplo, los días del mes), usadas para, entre otras cosas, indexar bucles.

El comando seq(inicio, fin) nos permite crear una secuencia numérica desde un elemento inicial hasta uno final, avanzando de uno en uno.

seq(1, 31)

 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
[26] 26 27 28 29 30 31

Fíjate que si hacemos eso con caracteres no podremos hacerlo ya que no hay un orden a priori entre textos.

"a":"z"

Warning: NAs introduced by coercion
Warning: NAs introduced by coercion

Error in "a":"z": NA/NaN argument

Un atajo es el comando 1:n, que nos devuelve lo mismo que seq(1, n)

1:7

[1] 1 2 3 4 5 6 7

Si el elemento inicial es mayor que el final, entenderá que la secuencia es en orden decreciente.

7:-3

 [1]  7  6  5  4  3  2  1  0 -1 -2 -3

También podemos definir otro tipo de distancia (paso) entre consecutivos con el argumento by = ...

seq(1, 7, by = 0.5) # secuencia desde 1 a 7 de 0.5 en 0.5

 [1] 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0 5.5 6.0 6.5 7.0

Otras veces nos interesará definir una secuencia con una longitud concreta

seq(1, 50, l = 7) # secuencia desde 1 a 50 de longitud 7

[1]  1.000000  9.166667 17.333333 25.500000 33.666667 41.833333 50.000000

Incluso puede nos interese generar un vector de n elementos repetidos

rep(0, 7) # vector de 7 ceros

[1] 0 0 0 0 0 0 0

Dado que internamente son guardados como números también podremos hacer esto con fechas.

seq(as_date("2023-09-01"), as_date("2023-09-10"), by = 1)

 [1] "2023-09-01" "2023-09-02" "2023-09-03" "2023-09-04" "2023-09-05"
 [6] "2023-09-06" "2023-09-07" "2023-09-08" "2023-09-09" "2023-09-10"

2.2.2 Vectores de caracteres

Un vector es una concatenación de elementos del mismo tipo, pero no tienen porque ser necesariamente números. Vamos a crear una frase de ejemplo.

frase <- "Me llamo Javi"
frase

[1] "Me llamo Javi"

length(frase)

[1] 1

En el caso anterior no era un vector, era un solo elemento de texto. Para crear un vector debemos usar de nuevo c() y separar elementos entre comas

vector <- c("Me", "llamo", "Javi")
vector

[1] "Me"    "llamo" "Javi"

length(vector)

[1] 3

¿Qué sucederá si concatenamos elementos de diferente tipo?

c(1, 2, "javi", "3", TRUE)

[1] "1"    "2"    "javi" "3"    "TRUE"

Fíjate que como todos tienen que ser del mismo tipo, lo que hace R es convertir todo a texto, violando la integridad del dato

c(3, 4, TRUE, FALSE)

[1] 3 4 1 0

Es importante entender que los valores lógicos en realidad están almacenados internamente como 0/1

2.2.3 Operaciones con vectores

Con los vectores numéricos podemos hacer las mismas operaciones aritméticas que con los números → un número es un vector (de longitud uno)

¿Qué sucederá si sumamos o restamos un valor a un vector?

x <- c(1, 3, 5, 7)
x + 1

[1] 2 4 6 8

x * 2

[1]  2  6 10 14

Cuidado

Salvo que indiquemos lo contrario, en R las operaciones con vectores son siempre elemento a elemento

Los vectores también pueden interactuar entre ellos, así que podemos definir, por ejemplo, sumas de vectores (elemento a elemento)

x <- c(2, 4, 6)
y <- c(1, 3, 5)
x + y

[1]  3  7 11

Dado que la operación (por ejemplo, una suma) se realiza elemento a elemento, ¿qué sucederá si sumamos dos vectores de distinta longitud?

z <- c(1, 3, 5, 7)
x + z

Warning in x + z: longer object length is not a multiple of shorter object
length

[1]  3  7 11  9

Lo que hace es reciclar elementos: si tiene un vector de 4 elementos y sumamos otro de 3 elementos, lo que hará será reciclar del vector con menor longitud.

Una operación muy habitual es preguntar a los datos mediante el uso de condiciones lógicas. Por ejemplo, si definimos un vector de temperaturas…

¿Qué días hizo menos de 22 grados?

x <- c(15, 20, 31, 27, 15, 29)

x < 22

[1]  TRUE  TRUE FALSE FALSE  TRUE FALSE

Nos devolverá un vector lógico, en función de si cada elemento cumple o no la condición pedida (de igual longitud que el vector preguntado)

Si tuviéramos un dato ausente (por error del aparato ese día), la condición evaluada también sería NA

y <- c(15, 20, NA, 31, 27, 7, 29, 10)
y < 22

[1]  TRUE  TRUE    NA FALSE FALSE  TRUE FALSE  TRUE

Las condiciones lógicas pueden ser combinadas de dos maneras:

Intersección: todas las condiciones concatenadas se deben cumplir (conjunción y con &) para devolver un TRUE

x < 30 & x > 15

[1] FALSE  TRUE FALSE  TRUE FALSE  TRUE

Unión: basta con que al menos una se cumpla (conjunción o con |)

x < 30 | x > 15

[1] TRUE TRUE TRUE TRUE TRUE TRUE

Además con any() y all() podemos comprobar que todos los elementos cumplen

any(x < 30)

[1] TRUE

all(x < 30)

[1] FALSE

2.2.3.1 Acceder a elementos

Otra operación muy habitual es la de acceder a elementos. La forma más sencilla es usar el operador [i] (acceder al elemento i-ésimo)

edades <- c(20, 30, 33, NA, 61) 
edades[3] # accedemos a la edad de la tercera persona

[1] 33

Dado que un número no es más que un vector de longitud uno, esta operación también la podemos aplicar usando un vector de índices a seleccionar

y <- c("hola", "qué", "tal", "estás", "?")
y[c(1:2, 4)] # primer, segundo y cuarto elemento

[1] "hola"  "qué"   "estás"

Tip

Para acceder al último, sin preocuparnos de cuál es, podemos pasarle como índice la propia longitud x[length(x)]

Otras veces no querremos seleccionar sino eliminar algunos elementos. Deberemos repetir la misma operación pero con el signo - delante: el operador [-i] no selecciona el elemento i-ésimo del vector sino que lo «des-selecciona»

[1] "hola"  "qué"   "tal"   "estás" "?"

y[-2]

[1] "hola"  "tal"   "estás" "?"

En muchas ocasiones los queremos seleccionar o eliminar en base a condiciones lógicas, en función de los valores, así que pasaremos como índice la propia condición (recuerda, x < 2 nos devuelve un vector lógico)

edades <- c(15, 21, 30, 17, 45)
nombres <- c("javi", "maría", "laura", "carla", "luis")
nombres[edades < 18] # nombres de los menores de edad

[1] "javi"  "carla"

2.2.3.2 Operaciones estadísticas

También podemos hacer uso de operaciones estadísticas como por ejemplo sum() que, dado un vector, nos devuelve la suma de todos sus elementos.

x <- c(1, -2, 3, -1)
sum(x)

[1] 1

¿Qué sucede cuando falta un dato (ausente)?

x <- c(1, -2, 3, NA, -1)
sum(x)

[1] NA

Por defecto, si tenemos un dato ausente, la operación también será ausente. Para poder obviar ese dato, usamos un argumento opcional na.rm = TRUE

sum(x, na.rm = TRUE)

[1] 1

Como hemos comentado que los valores lógicos son guardados internamente como 0 y 1, podremos usarlos en operaciones aritméticas. Por ejemplo, si queremos averiguar el número de elementos que cumplen una condición (por ejemplo, menores que 3), los que lo hagan tendrán asignado un 1 (TRUE) y los que no un 0 (FALSE) , por lo que basta con sumar dicho vector lógico para obtener el número de elementos que cumplen

x <- c(2, 4, 6)
sum(x < 3)

[1] 1

Otra operación habitual que puede sernos útil es la suma acumulada con cumsum() que, dado un vector, nos devuelve un vector a su vez con el primero, el primero más el segundo, el primero más el segundo más el tercero…y así sucesivamente.

x <- c(1, 5, 2, -1, 8)
cumsum(x)

[1]  1  6  8  7 15

¿Qué sucede cuando falta un dato (ausente)?

x <- c(1, -2, 3, NA, -1)
cumsum(x)

[1]  1 -1  2 NA NA

En el caso de la suma acumulada lo que sucede es que a partir de ese valor, todo lo acumulado posterior será ausente.

Otra operación habitual que puede sernos útil es la diferencia (con retardo) con diff() que, dado un vector, nos devuelve un vector con el segundo menos el primero, el tercero menos el segundo, el cuarto menos el tercero…y así sucesivamente.

x <- c(1, 8, 5, 3, 9, 0, -1, 5)
diff(x)

[1]  7 -3 -2  6 -9 -1  6

Con el argumento lag = podemos indicar el retardo de dicha diferencia (por ejemplo, lag = 3 implica que se resta el cuarto menos el primero, el quinto menos el segundo, etc)

x <- c(1, 8, 5, 3, 9, 0, -1, 5)
diff(x, lag = 3)

[1]  2  1 -5 -4 -4

Otras operaciones habituales son la media, mediana, percentiles, etc.

Media: medida de centralidad que consiste en sumar todos los elementos y dividirlos entre la cantidad de elementos sumados. La más conocida pero la menos robusta: dado un conjunto, si se introducen valores atípicos o outliers (valores muy grandes o muy pequeños), la media se perturba con mucha facilidad.

x <- c(165, 170, 181, 191, 150, 155, 167, NA, 173, 177)
mean(x, na.rm = TRUE)

[1] 169.8889

Mediana: medida de centralidad que consiste en ordenar los elementos y quedarse con el que ocupa la mitad.

x <- c(165, 170, 181, 191, 150, 155, 167, 173, 177)
median(x)

[1] 170

Percentiles: medidas de posición (nos dividen en partes iguales los datos).

quantile(x) # por defecto percentiles 0-25-50-75-100

  0%  25%  50%  75% 100% 
 150  165  170  177  191

quantile(x, probs = c(0.1, 0.4, 0.9))

  10%   40%   90% 
154.0 167.6 183.0

2.2.3.3 Ordenar vectores

Por último, una acción habitual es saber ordenar valores:

sort(): devuelve el vector ordenado. Por defecto de menor a mayor pero con decreasing = TRUE podemos cambiarlo

edades <- c(81, 7, 25, 41, 65, 20, 33, 23, 77)
sort(edades)

[1]  7 20 23 25 33 41 65 77 81

sort(edades, decreasing = TRUE)

[1] 81 77 65 41 33 25 23 20  7

order(): devuelve el vector de índices que tendríamos que usar para tener el vector ordenado

order(x)

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

x[order(x)]

[1] 150 155 165 167 170 173 177 181 191

2.3 💻 Ejercicios

Intenta realizar los siguientes ejercicios sin mirar las soluciones

📝 Define una variable que guarde tu edad (llamada edad) y otra con tu nombre (llamada nombre)

Code

edad <- 33
nombre <- "Javi"

📝 Comprueba con dicha variable edad si NO tiene 60 años o si se llama "Ornitorrinco" (debes obtener variables lógicas como resultado)

Code

edad != 60 # distinto de
nombre == "Ornitorrinco" # igual a

📝 ¿Por qué el código inferior da error?

edad + nombre

Error in edad + nombre: non-numeric argument to binary operator

📝 Define otra variable llamada hermanos que responda la pregunta «¿tienes hermanos?» y otra variable que almacene tu fecha de nacimiento (llamada fecha_nacimiento).

Code

hermanos <- TRUE

library(lubridate) # sino lo tenías ya cargado
fecha_nacimiento <- as_date("1989-09-10")

📝 Define otra variable con tus apellidos (llamada apellidos) y usa glue() para tener, en una sola variable llamada nombre_completo, tu nombre y apellidos separando nombre y apellido por una coma

Code

apellidos <- "Álvarez Liébana"
glue("{nombre}, {apellidos}")

📝 De fecha_nacimiento extrae el mes.

Code

month(fecha_nacimiento)

📝 Calcula los días que han pasado desde la fecha de tu nacimiento hasta hoy (con la fecha de nacimiento definida en el ejercicio 4).

Code

today() - fecha_nacimiento

📝 Define el vector x como la concatenación de los 5 primeros números impares. Calcula la longitud del vector

Code

# Dos formas
x <- c(1, 3, 5, 7, 9)
x <- seq(1, 9, by = 2)

length(x)

📝 Accede al tercer elemento de x. Accede al último elemento (sin importar la longitud, un código que pueda ejecutarse siempre). Elimina el primer elemento.

Code

x[3]
x[length(x)]
x[-1]

📝 Obtén los elementos de x mayores que 4. Calcula el vector 1/x y guárdalo en una variable.

Code

x[x > 4]
z <- 1/x
z

📝 Crea un vector que represente los nombres de 5 personas, de los cuales uno es desconocido.

Code

nombres <- c("Javi", "Sandra", NA, "Laura", "Carlos")
nombres

📝 Encuentra del vector x de ejercicios anteriores los elementos mayores (estrictos) que 1 Y ADEMÁS menores (estrictos) que 7. Encuentra una forma de averiguar si todos los elementos son o no positivos.

Code

x[x > 1 & x < 7]
all(x > 0)

📝 Dado el vector x <- c(1, -5, 8, NA, 10, -3, 9), ¿por qué su media no devuelve un número sino lo que se muestra en el código inferior?

x <- c(1, -5, 8, NA, 10, -3, 9)
mean(x)

[1] NA

📝 Dado el vector x <- c(1, -5, 8, NA, 10, -3, 9), extrae los elementos que ocupan los lugares 1, 2, 5, 6.

Code

x <- c(1, -5, 8, NA, 10, -3, 9)
x[c(1, 2, 5, 6)]
x[-2]

📝 Dado el vector x del ejercicio anterior, ¿cuales tienen un dato ausente? Pista: las funciones is.algo() comprueban si el elemento es tipo algo (tabula)

Code

is.na(x)

📝 Define el vector x como la concatenación de los 4 primeros números pares. Calcula el número de elementos de x menores estrictamente que 5.

Code

x[x < 5] 
sum(x < 5)

📝 Calcula el vector 1/x y obtén la versión ordenada (de menor a mayor) de las dos formas posibles

Code

z <- 1/x
sort(z)
z[order(z)]

Code

min(x)
max(x)

📝 Encuentra del vector x los elementos mayores (estrictos) que 1 y menores (estrictos) que 6. Encuentra una forma de averiguar si todos los elementos son o no negativos.

Code

x[x > 1 & x < 7]
all(x > 0)

3 🐣 Caso práctico: airquality

En el paquete {datasets} (ya instalado por defecto) tenemos diversos conjuntos de datos y uno de ellos es airquality. Debajo te he extraído 3 variables de dicho dataset (fíjate que se hace con datos$variable, ese dolar será importante).

Los datos capturan medidas diarias (n = 153 observaciones) de la calidad del aire en Nueva York, de mayo a septiembre de 1973. Se midieron 6 variables: niveles de ozono, radiación solar, viento, temperatura, mes y día.

library(datasets)
temperature <- airquality$Temp
month <- airquality$Month
day <- airquality$Day

3.1 Pregunta 1

¿Cómo averiguar qué representan los datos? Piensa algún comando que nos dé información sobre objetos en R, sabiendo que el nombre del dataset es airquality

Code

? airquality

Haciendo uso de ? ... podemos consultar en el panel de ayuda lo que significa el objeto.

3.2 Pregunta 2

Accede solo a los 5 primeros registros de temperaturas. Después accede al primero, segundo, quinto y décimo

Code

# secuencia de 1 a 5
temperature[1:5] 

# otra forma
temperature[c(1, 2, 3, 4, 5)]

# primero, segundo, quinto y décimo
temperature[c(1, 2, 5, 10)]

3.3 Pregunta 3

Accede solo a los registros de temperaturas de mayo (tienes las temperaturas guardadas, piensa como acceder a ellos pero ahora usando una condición en lugar de índices concretos). Después accede a los elementos de mayo, abril y junio

Code

temperature[month == 5]

# abril, mayo y junio
temperature[month == 4 | month == 5 | month == 6]

# otra forma más legible: %in% nos comprueba si 
# los valores están dentro de una lista permitida
temperature[month %in% c(4, 5, 6)]

3.4 Pregunta 4

¿Cuántos registros tenemos de mayo? ¿Y de abril?

Code

# Una forma para registros de mayo
sum(month == 5)

# Otra forma: la longitud de un vector
length(temperature[month == 5])

# ídem en abril
sum(month == 4)

3.5 Pregunta 5

Construye una nueva variable date con la fecha de cada registro (combinando año, mes y día), sabiendo que todos los datos son de 1973. Pista: para construir una fecha antes debes tener un vector de textos (por ejemplo, “1973-01-01”)

Code

# variable de tipo date
library(lubridate)
dates <- as_date(glue("{1973}-{month}-{day}"))

3.6 Pregunta 6

Crea una nueva variable temp_celsius con la temperatura en ºC (sabiendo que se calcula como $celsius = (fahr - 32) * (5/9)$). Tras ello calcula cuántos días de junio superaron los 30 grados ºC.

Code

# Temperatura en celsius
temp_celsius <- (temperature - 32) * (5/9)
temp_celsius 

# una forma
sum(temp_celsius[month == 6] > 30)

# otra forma
length(temp_celsius[month == 6 & temp_celsius > 30])

3.7 Pregunta 7

¿Cuál fue la media de temperatura del mes de agosto?

Code

# media en agosto
mean(temperature[month == 8], na.rm = TRUE)
mean(temp_celsius[month == 8], na.rm = TRUE)

3.8 Pregunta 8

Dado el vector de temperaturas de agosto, ordena las temperaturas (los más fríos primero, los más cálidos después). Hazlo de las dos maneras aprendidas. Usa después el paquete {microbenchmark} (instálalo, cárgalo y busca en la ayuda la función microbenchmark de dicho paquete) para comparar cuál de las dos opciones es más rápida.

Code

# con sort
temp_sort <- sort(temp_celsius[month == 8])
temp_sort

# con order
temp_ord <- temp_celsius[month == 8][order(temp_celsius[month == 8])]
temp_ord

# microbenchmark
# install.packages("microbenchmark")
microbenchmark::microbenchmark(sort(temp_celsius[month == 8]),
                               temp_celsius[month == 8][order(temp_celsius[month == 8])],
                               times = 1000)

# ¡Es más eficiente datos[order(datos)] que sort(datos!