Tratamiento de textos. Primeras bases de datos

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

Author

Javier Álvarez Liébana

1 Profundizando en textos

Aunque no podamos hacer operaciones aritméticas con ellos si serán importante algunas operaciones que podamos realizar con las cadenas de texto. Para eso usaremos el paquete {stringr} (dentro del mismo «universo de paquetes» de {lubridate})

library(stringr)

Con dicho paquete vamos a trabajar particularmente con cuatro familias de funciones

Manipulación
Tratamiento de espacios
Búsqueda de patrones

1.1 Utilidades básicas

1.1.1 Longitud

La más obvia es una función que, dada una cadena de texto (un string) nos proporcione la longitud. Para ello podemos usar la función str_length()

str_length("abc")

[1] 3

Es importante advertir que cuenta tanto números como espacios, así como caracteres que no sean alfanuméricos.

str_length("abc 123 *")

[1] 9

Además si el texto es ausente devuelve ausente (recuerda: NA es ausente, "NA" es una cadena de texto más)

str_length(NA)

[1] NA

Las funciones del paquete están preparadas para ser vectorizadas lo que significa que si aplicamos una función a un vector de dos cadenas de texto la aplica a ambos de la misma forma.

str_length(c("abc", "defghi"))

[1] 3 6

1.1.2 Ordenar

Otra muy habitual es ordenar cadenas de texto (por orden alfabético). Para ello podemos usar la función str_order(), distinguiendo ..._sort() y ..._order() como con los números

x <- c("y", "i", "k")
str_order(x)

[1] 2 3 1

str_sort(x)

[1] "i" "k" "y"

1.2 Manipulación

1.2.1 Extraer subcadenas

Extraer subcadenas: dada una cadena de texto, str_sub(texto, star = ..., end = ...) nos extrae la subcadena desde la posición star hasta end (si es negativo empieza a contar por detrás).

str_sub("abcd efg", star = 4, end = 6)

[1] "d e"

str_sub("abcd efg", star = 5)

[1] " efg"

str_sub("abcd efg", star = 4, end = -2)

[1] "d ef"

Extraer subcadenas: la función str_sub() permite aplicarlo a de manera vectorial a múltiples cadenas de texto, e incluso usarla para asignar valores.

x <- c("abcdef", "ghifjk")
str_sub(x, star = 3, end = -2)

[1] "cde" "ifj"

str_sub(x, star = -1, end = -1)

[1] "f" "k"

# En ambas cadenas, sustituimos por * en la posición 2
str_sub(x, star = 2, end = 2) <- "*"

1.2.2 Duplicar cadenas

Duplicar cadenas: con str_dup(..., times = ...), dada una cadena de texto (o varias), podemos repetir una cadena times veces.

str_dup("abc", times = 3)

[1] "abcabcabc"

x <- c("abcdef", "ghifjk")
str_dup(x, times = c(2, 5))

[1] "abcdefabcdef"                   "ghifjkghifjkghifjkghifjkghifjk"

1.2.3 Concatenar cadenas

Concatenar cadenas: con str_c podemos concatenar distintas cadenas de texto (con sep = ... indicamos el caracter que hará de separador)

str_c("Buenos días", "Mi nombre es Javier")

[1] "Buenos díasMi nombre es Javier"

str_c("Buenos días", "Mi nombre es Javier", sep = ". ")

[1] "Buenos días. Mi nombre es Javier"

1.2.4 Mayúsculas y minúsculas

Mayúsculas/minúsculas: con str_to_...() podemos convertir textos a mayúsculas (..._upper), a minúsculas (..._lower) y a título (..._title, primera letra de cada palabra en mayúscula)

str_to_upper("me llamo Javi")

[1] "ME LLAMO JAVI"

str_to_lower("me llamo Javi")

[1] "me llamo javi"

str_to_title("me llamo Javi")

[1] "Me Llamo Javi"

1.2.5 Reemplazar

Reemplazar: str_replace() busca un patrón dado en una cadena de texto y, si la encuentra, la sustituye pro otra de reemplazo

str_replace(c("javi", "sandra", "carlos"), pattern = "i", replacement = "*")

[1] "jav*"   "sandra" "carlos"

. . .

Con str_replace_all() reemplazamos todas las coincidencias (por defecto sino solo se reemplaza la primera)

str_replace(c("javi", "sandra", "carlos"), pattern = "a", replacement = "*")

[1] "j*vi"   "s*ndra" "c*rlos"

str_replace_all(c("javi", "sandra", "carlos"), pattern = "a", replacement = "*")

[1] "j*vi"   "s*ndr*" "c*rlos"

1.3 Espacios en blanco

1.3.1 Rellenar espacios

Rellenar: la función str_pad() rellena una cadena con espacios (al inicio por defecto) para que tenga anchura indicada. Con side = "both" como argumento extra nos añade en ambos lados. Con side = "right" los añade al final. Con pad = ... podemos decidir si queremos rellenar con otro tipo de caracter (espacio por defecto).

str_pad("abc", width = 6)

[1] "   abc"

str_pad("abc", 12, side = "both")

[1] "    abc     "

str_pad("abc", 6, side = "right", pad = "*")

[1] "abc***"

. . .

Si width es menor que la longitud de la cadena, no hace nada.

str_pad("abc",  width = 2)

[1] "abc"

1.3.2 Eliminar espacios

Eliminar espacios: con str_trim() podemos eliminar espacios en blanco al inicio y al final de la cadena. Si añadimos side = ... podemos cambiar si queremos que solo los elimine al final o al inicio (por defecto, en ambos). Con str_squish() cambiamos cualquier sucesión de espacios en blanco en medio del texto por uno solo (y elimina al inicio y final)

str_trim(" abcde   fghi ")

[1] "abcde   fghi"

str_trim(" abcde   ")

[1] "abcde"

str_trim(" abcde   ", side = "left")

[1] "abcde   "

str_squish(" abcde   fghi ")

[1] "abcde fghi"

1.4 Patrones

1.4.1 Detectar. Expresiones regulares.

Detectar: con str_detect() podemos detectar si una cadena de texto contiene o no una secuencia de caracteres

str_detect(c("javi álvarez", "javi reyes", "sandra reyes"), pattern = "javi")

[1]  TRUE  TRUE FALSE

str_detect(c("javi álvarez", "javi reyes", "sandra reyes"), pattern = "reyes")

[1] FALSE  TRUE  TRUE

str_detect(c("javi álvarez", "javi reyes", "sandra reyes"), pattern = "carlos")

[1] FALSE FALSE FALSE

Expresiones regulares: no solo vamos a poder detectar patrones simples sino que podemos hacer uso de las conocidas como expresiones regulares, indicándole por ejemplo que queremos localizar todo patrón que sea, al menos una letra

str_detect(c("a", "ab", "abc", "abcd"), pattern = "[a-z]")

[1] TRUE TRUE TRUE TRUE

. . .

Si tras los corchetes indicamos {n} podemos detectar aquellas cadenas con n letras consecutivas

str_detect(c("a", "ab", "abc", "abcd"), pattern = "[a-z]{3}")

[1] FALSE FALSE  TRUE  TRUE

Expresiones regulares: un buen manejo de estas expresiones puede sernos muy útil para, por ejemplo, detectar formatos correctos en DNI o números de teléfono (de Madrid, por ejemplo).

Vamos a considerar que un formato correcto de DNI es aquel seguido por 8 números ([0-9]{8}) seguido directamente de una letra mayúscula ([A-Z]).

str_detect(c("5055A198-W", "50508040W", "5050505W", "50508040-W"),
           pattern = "[0-9]{8}[A-Z]")

[1] FALSE  TRUE FALSE FALSE

. . .

Podemos buscar distintos patrones a la vez concatenándolos con una |

str_detect(c("5055A198-W", "50508040W", "5050505W", "50508040-W"),
           pattern = "[0-9]{8}[A-Z]|[0-9]{8}[-][A-Z]")

[1] FALSE  TRUE FALSE  TRUE

1.4.2 Contar

Contar patrones: con str_count() podemos contar cuantas veces aparece un mismo patrón

str_count(c("abcd defg", "ab defg", "ab cd"), pattern = "[a-z]{4}")

[1] 2 1 0

1.4.3 Localizar posiciones

Localizar posiciones: str_locate() nos permite localizar la primera posición en la que se produce un patrón. Con str_locate_all() obtenemos todos

str_locate(c("abcde abcd", "cba", "*a*"), pattern = "a")

     start end
[1,]     1   1
[2,]     3   3
[3,]     2   2

str_locate_all(c("abcde abcd", "cba", "*a*"), pattern = "a")

[[1]]
     start end
[1,]     1   1
[2,]     7   7

[[2]]
     start end
[1,]     3   3

[[3]]
     start end
[1,]     2   2

1.4.4 Extraer patrones

Extraer patrones: con str_extract() podemos extraer patrones (con str_extract_all() todos ellos) de una cadena de texto.

str_extract(c("DNI: 5050W", "DNI: 50558040W, DNI: 50558080-W", "DNI: 50558080-W"),
            pattern = "[0-9]{8}[A-Z]|[0-9]{8}[-][A-Z]")

[1] NA           "50558040W"  "50558080-W"

str_extract_all(c("DNI: 5050W", "DNI: 50558040W, DNI: 50558080-W", "DNI: 50558080-W"),
            pattern = "[0-9]{8}[A-Z]|[0-9]{8}[-][A-Z]")

[[1]]
character(0)

[[2]]
[1] "50558040W"  "50558080-W"

[[3]]
[1] "50558080-W"

1.4.5 Dividir cadenas

Dividir: con str_split() podemos localizar un patrón y dividir la cadena de texto siempre que aparezca (con str_split_fixed() podemos dividir en un número concreto de trozos)

str_split(c("a-b-c", "ab-c-d-e"), pattern = "-")

[[1]]
[1] "a" "b" "c"

[[2]]
[1] "ab" "c"  "d"  "e"

str_split_fixed(c("a-b-c", "ab-c-d-e"), pattern = "-", n = 2)

     [,1] [,2]   
[1,] "a"  "b-c"  
[2,] "ab" "c-d-e"

. . .

Si usamos boundary() como patrón podemos dividir en base a caracteres, frases, palabras, etc.

x <- "Esto es una frase. Y esto otra."
str_split(x, boundary("word"))

[[1]]
[1] "Esto"  "es"    "una"   "frase" "Y"     "esto"  "otra"

str_split(x, boundary("sentence"))

[[1]]
[1] "Esto es una frase. " "Y esto otra."

1.5 💻 Tu turno (textos)

Intenta realizar los siguientes ejercicios sin mirar las soluciones

El dataset será discursos (extraído de https://github.com/lirondos/discursos-de-navidad) donde están guardados los discursos navidad de los jefes de Estado de España desde 1946 hasta 2021 (en dictadura y en democracia).

load(file = "./datos/discursos.RData")

📝 Convierte todos los discurso a minúscula.

Code

# Convertimos a minúscula
discursos$texto <- str_to_lower(discursos$texto)

📝 Elimina signos de puntuación tales como “:”, “,”, “.”, “;”, “¡”, “!”, “¿” y “?”. Tras ello elimina espacios adelante, atrás y en medio si existen solo deja uno de ellos.

Code

# Eliminamos los signos de puntuación
discursos$texto <-
  str_remove_all(discursos$texto, pattern = "\\:|\\,|\\.|\\;|\\¡|\\!|\\¿|\\?")

# Tras ello eliminamos espacios adelante, atrás y en medio solo dejamos uno
discursos$texto <- str_squish(discursos$texto)

📝 Crea una nueva variable long con la longitud de cada discurso

Code

# nueva variable
discursos$long <- str_length(discursos$texto)

📝 Añade una nueva variable n_words con el nº palabras de cada discurso. Pista: si tras dividir cada discurso en palabras usas length() te devolverá seguro 76 ya que lo ha guardado en un tipo de dato llamado lista. Para calcular la longitud de cada uno de los 76 elementos de la lista usaremos lengths()

Code

lista <- list("a" = 1:2, "b" = 1:3, "c" = 1:4) # Explicación length
length(lista)
lengths(lista)
# Dividimos y aplicamos lengths
discursos$n_words <- lengths(str_split(discursos$texto, boundary("word")))

📝 Determina los 5 años con mayor longitud, y los 5 años con menor número de palabras

Code

# 5 años con mayor longitud (usamos order para obtener índices)
discursos$year[order(discursos$long, decreasing = TRUE)[1:5]]

# 5 años con menor cantidad de palabras
discursos$year[order(discursos$n_words)[1:5]]

📝 Incorpora una nueva variable llamada spain que calcule el número de veces que se dice “españoles”, “españolas” o “españa” en el discurso. Determina los 5 años dónde menos se menten dichas palabras

Code

# Contamos
discursos$spain <- str_count(discursos$texto, pattern = "españoles|españolas|españa")

# Años con menos menciones
discursos$year[order(discursos$spain)[1:5]]

📝 De los 76 años calcula el número de discursos en los que las palabras “mujer” o “mujeres” se nombren más que las palabras “hombre” u “hombres”

Code

sum(str_count(discursos$texto, pattern = "mujer|mujeres") >
      str_count(discursos$texto, pattern = "hombre|hombres"))

📝 Detecta los discursos donde aparece “cataluña”, “catalanes”, “catalán” o “catalanas” y quédate de la base de datos solo con aquellos que lo cumpla

Code

discursos[str_detect(discursos$texto, pattern = "cataluña|catalanes|catalán|catalanas"), ]

2 Primera base de datos

Cuando analizamos datos solemos tener varias variables de cada individuo: necesitamos una «tabla» que las recopile.

2.1 Primer intento: matrices

La opción más inmediata son las matrices: concatenación de variables del mismo tipo e igual longitud.

Imagina que tenemos estaturas y pesos de 4 personas. ¿Cómo crear un dataset con las dos variables?

La opción más habitual es usando cbind(): concatenamos (bind) vectores en forma de columnas (c)

estaturas <- c(150, 160, 170, 180)
pesos <- c(63, 70, 85, 95)
datos_matriz <- cbind(estaturas, pesos)
datos_matriz

     estaturas pesos
[1,]       150    63
[2,]       160    70
[3,]       170    85
[4,]       180    95

También podemos construir la matriz por filas con la función rbind() (concatenar - bind - por filas - rows), aunque lo recomendable es tener cada variable en columna e individuo en fila como luego veremos.

rbind(estaturas, pesos) # Construimos la matriz por filas

          [,1] [,2] [,3] [,4]
estaturas  150  160  170  180
pesos       63   70   85   95

Podemos «visualizar» la matriz con View(matriz).
Podemos comprobar las dimensiones con dim(), nrow() y ncol(): las matrices son un tipo de datos tabulados (organizados en filas y columnas)

dim(datos_matriz)

[1] 4 2

nrow(datos_matriz)

[1] 4

ncol(datos_matriz)

[1] 2

También podemos «darle vuelta» (matriz transpuesta) con t().

t(datos_matriz)

          [,1] [,2] [,3] [,4]
estaturas  150  160  170  180
pesos       63   70   85   95

Dado que ahora tenemos dos dimensiones en nuestros datos, para acceder a elementos con [] deberemos proporcionar dos índices separados por comas: índice de la fila y de la columna

datos_matriz[2, 1] # segunda fila, primera columna

estaturas 
      160

datos_matriz[1, 2] # primera fila, segunda columna

pesos 
   63

En algunas casos querremos obtener los datos totales de un individuo (una fila concreta pero todas las columnas) o los valores de toda una variable para todos los individuos (una columna concreta pero todas las filas). Para ello dejaremos sin rellenar uno de los índices

datos_matriz[2, ] # segundo individuo

estaturas     pesos 
      160        70

datos_matriz[, 1] # primera variable

[1] 150 160 170 180

Mucho de lo aprendido con vectores podemos hacerlo con matrices, así podemos por ejemplo acceder a varias filas y/o columnas haciendo uso de las secuencias de enteros 1:n

datos_matriz[c(1, 3), 1] # primera variable para el primer y tercer individuo

[1] 150 170

También podemos definir una matriz a partir de un vector numérico, reorganizando los valores en forma de matriz (sabiendo que los elementos se van colocando por columnas).

z <- matrix(1:9, ncol = 3) 
z

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

Incluso podemos definir una matriz de valores constantes, por ejemplo de ceros (para luego rellenar)

matrix(0, nrow = 2, ncol = 3)

     [,1] [,2] [,3]
[1,]    0    0    0
[2,]    0    0    0

2.1.1 Operaciones con matrices

Con las matrices sucede como con los vectores: cuando aplicamos una operación aritmética lo hacemos elemento a elemento

z/5

     [,1] [,2] [,3]
[1,]  0.2  0.8  1.4
[2,]  0.4  1.0  1.6
[3,]  0.6  1.2  1.8

Para realizar operaciones en un sentido matricial deberemos añadir %%, por ejemplo, para multiplicar matrices será %*%

z * t(z)

     [,1] [,2] [,3]
[1,]    1    8   21
[2,]    8   25   48
[3,]   21   48   81

z %*% t(z)

     [,1] [,2] [,3]
[1,]   66   78   90
[2,]   78   93  108
[3,]   90  108  126

También podemos realizar operaciones por columnas/filas sin recurrir a bucles con la función apply(), y le indicaremos como argumentos

la matriz
el sentido de la operación (MARGIN = 1 por filas, MARGIN = 2 por columnas)
la función a aplicar
argumentos extra que necesite la función

Por ejemplo, para aplicar una media a cada variable, será mean aplicada con MARGIN = 2 (misma función para cada columna)

# Media (mean) por columnas (MARGIN = 2)
apply(datos_matriz, MARGIN = 2, FUN = "mean")

estaturas     pesos 
   165.00     78.25

2.2 💻 Tu turno (matrices)

Intenta realizar los siguientes ejercicios sin mirar las soluciones

📝 Modifica el código inferior para definir una matriz x de unos, de 3 filas y 7 columnas.

x <- matrix(0, nrow = 2, ncol = 3)
x

Code

x <- matrix(1, nrow = 3, ncol = 7)
x

📝 A la matriz anterior, suma un 1 a cada número de la matriz y divide el resultado entre 5. Tras ello calcula su transpuesta

Code

new_matrix <- (x + 1)/5
t(new_matrix)

📝 ¿Por qué el código inferior nos devuelve dicho mensaje de aviso?

matrix(1:15, nrow = 4)

Warning in matrix(1:15, nrow = 4): data length [15] is not a sub-multiple or
multiple of the number of rows [4]

     [,1] [,2] [,3] [,4]
[1,]    1    5    9   13
[2,]    2    6   10   14
[3,]    3    7   11   15
[4,]    4    8   12    1

📝 Define la matriz x <- matrix(1:12, nrow = 4). Tras ello obtén los datos del primer individuo, los datos de la tercera variable, y el elemento (4, 1).

Code

x <- matrix(1:12, nrow = 4)
x[1, ] # primera fila
x[, 3] # tercera columna
x[4, 1] # elemento (4, 1)

📝 Define una matriz de 2 variables y 3 individuos tal que cada variable capture la estatura y la edad 3 personas, de manera que la edad de la segunda persona sea desconocida (ausente). Tras ello calcula la media de cada variable (¡nos debe de volver un número!)

Code

datos <- cbind("edad" = c(20, NA, 25), "estatura" = c(160, 165, 170))
apply(datos, MARGIN = 2, FUN = "mean", na.rm = TRUE) # media por columnas

📝 ¿Por qué devuelve error el código inferior? ¿Qué está mal?

matriz <- cbind("edad" = c(15, 20, 25), "nombres" = c("javi", "sandra", "carlos"))
matriz

     edad nombres 
[1,] "15" "javi"  
[2,] "20" "sandra"
[3,] "25" "carlos"

matriz + 1

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

2.3 Segundo intento: data.frame

Las matrices tienen el mismo problema que los vectores: si juntamos datos de distinto tipo, se perturba la integridad del dato ya que los convierte (fíjate en el código inferior: las edades y los TRUE/FALSE los ha convertido a texto)

edades <- c(14, 24, NA)
soltero <- c(TRUE, NA, FALSE)
nombres <- c("javi", "laura", "lucía")
matriz <- cbind(edades, soltero, nombres)
matriz

     edades soltero nombres
[1,] "14"   "TRUE"  "javi" 
[2,] "24"   NA      "laura"
[3,] NA     "FALSE" "lucía"

De hecho al no ser números ya no podemos realizar operaciones aritméticas

matriz + 1

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

Para poder trabajar con variables de distinto tipo tenemos en R lo que se conoce como data.frame: concatenación de variables de igual longitud pero que pueden ser de tipo distinto.

tabla <- data.frame(edades, soltero, nombres)
class(tabla)

[1] "data.frame"

tabla

  edades soltero nombres
1     14    TRUE    javi
2     24      NA   laura
3     NA   FALSE   lucía

Dado que un data.frame es ya un intento de «base de datos» las variables no son meros vectores matemáticos: tienen un significado y podemos (debemos) ponerles nombres que describan su significado

library(lubridate)


Attaching package: 'lubridate'

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

    date, intersect, setdiff, union

tabla <-
  data.frame("edad" = edades, "estado" = soltero, "nombre" = nombres,
             "f_nacimiento" = as_date(c("1989-09-10", "1992-04-01", "1980-11-27")))
tabla

  edad estado nombre f_nacimiento
1   14   TRUE   javi   1989-09-10
2   24     NA  laura   1992-04-01
3   NA  FALSE  lucía   1980-11-27

¡TENEMOS NUESTRO PRIMER CONJUNTO DE DATOS! (estrictamente no podemos hablar de base de datos pero de momento como lo si fuesen). Puedes visualizarlo escribiendo su nombre en consola o con View(tabla)

2.3.1 Acceso a variables

Si queremos acceder a sus elementos, al ser de nuevo datos tabulados, podemos acceder como en las matrices (no recomendable): de nuevo tenemos dos índices (filas y columnas, dejando libre la que no usemos)

tabla[2, ]  # segunda fila (todas sus variables)

  edad estado nombre f_nacimiento
2   24     NA  laura   1992-04-01

tabla[, 3]  # tercera columna (de todos los individuos)

[1] "javi"  "laura" "lucía"

tabla[2, 1]  # primera característica de la segunda persona

[1] 24

Pero también tiene las ventajas de una «base» de datos : podemos aceder a las variables por su nombre (lo recomendable ya que las variables pueden cambiar de posición y ahora sí tienen un significado), poniendo el nombre de la tabla seguido del símbolo $ (con el tabulador, nos aparecerá un menú de columnas a elegir)

2.3.2 Funciones de consulta

names(): nos muestra los nombres de las variables

names(tabla)

[1] "edad"         "estado"       "nombre"       "f_nacimiento"

dim(): nos muestra las dimensiones (también nrow() y ncol())

dim(tabla)

[1] 3 4

Podemos acceder a las variables por su nombre

tabla[c(1, 3), "nombre"]

[1] "javi"  "lucía"

tabla$nombre[c(1, 3)]

[1] "javi"  "lucía"

2.3.3 Añadir variable

Si tenemos uno ya creado y queremos añadir una columna es tan simple como usar la función data.frame() que ya hemos visto para concatenar la columna. Vamos añadir por ejemplo una nueva variable, el número de hermanos de cada individuo.

# Añadimos una nueva columna con nº de hermanos/as
hermanos <- c(0, 2, 3)
tabla <- data.frame(tabla, "n_hermanos" = hermanos)
tabla

  edad estado nombre f_nacimiento n_hermanos
1   14   TRUE   javi   1989-09-10          0
2   24     NA  laura   1992-04-01          2
3   NA  FALSE  lucía   1980-11-27          3

2.4 Intento final: tibble

Las tablas en formato data.frame tienen algunas limitaciones. La principal es que no permite la recursividad: imagina que definimos una base de datos con estaturas y pesos, y queremos una tercera variable con el IMC

data.frame("estatura" = c(1.7, 1.8, 1.6), "peso" = c(80, 75, 70),
           "IMC" = peso / (estatura^2))

Error in data.frame(estatura = c(1.7, 1.8, 1.6), peso = c(80, 75, 70), : object 'peso' not found

En adelante usaremos el formato tibble (data.frame mejorado) del paquete {tibble}

library(tibble)
datos_tb <- 
  tibble("estatura" = c(1.7, 1.8, 1.6), "peso" = c(80, 75, 70), "IMC" = peso / (estatura^2))
class(datos_tb)

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

datos_tb

# A tibble: 3 × 3
  estatura  peso   IMC
     <dbl> <dbl> <dbl>
1      1.7    80  27.7
2      1.8    75  23.1
3      1.6    70  27.3

datos_tb <-
  tibble("estatura" = c(1.7, 1.8, 1.6), "peso" = c(80, 75, 70), "IMC" = peso / (estatura^2))
datos_tb

# A tibble: 3 × 3
  estatura  peso   IMC
     <dbl> <dbl> <dbl>
1      1.7    80  27.7
2      1.8    75  23.1
3      1.6    70  27.3

Las tablas en formato tibble nos permitirá una gestión más ágil, eficiente y coherente de los datos, con 4 ventajas principales:

Metainformación: si te fijas en la cabecera, nos dice ya automáticamente el número de filas y columnas, y el tipo de cada variable
Recursividad: permite definir las variables secuencialmente (como hemos visto)
Consistencia: si accedes a una columna que no existe avisa con un warning

datos_tb$invent

Warning: Unknown or uninitialised column: `invent`.

NULL

Por filas: crear por filas (copiar y pegar de una tabla) con tribble()

tribble(~colA, ~colB,
        "a",   1,
        "b",   2)

# A tibble: 2 × 2
  colA   colB
  <chr> <dbl>
1 a         1
2 b         2

Tip

El paquete {datapasta} nos permite copiar y pegar tablas de páginas web y documentos sencillos

2.5 💻 Tu turno (tb/df)

Intenta realizar los siguientes ejercicios sin mirar las soluciones

📝 Carga del paquete {datasets} el conjunto de datos airquality (variables de la calidad del aire de Nueva York desde mayo hasta septiembre de 1973). ¿Es el conjunto de datos airquality de tipo tibble? En caso negativo, conviértelo a tibble (busca en la documentación del paquete en https://tibble.tidyverse.org/index.html).

Code

library(tibble)
class(datasets::airquality)
airquality_tb <- as_tibble(datasets::airquality)

📝 Una vez convertido a tibble obtén el nombre de las variables y las dimensiones del conjunto de datos. ¿Cuántas variables hay? ¿Cuántos días se han medido?

Code

names(airquality_tb)
ncol(airquality_tb)
nrow(airquality_tb)

📝 Filtra solo los datos de la quinta observación

Code

airquality_tb[5, ]

📝 Filtra solo los datos del mes de agosto. ¿Cómo indicarle que queremos solo las filas que cumplan una condición concreta? (pista: en realidad todo son vectores “formateados”)

Code

airquality_tb[airquality_tb$Month == 8, ]

📝 Selecciona aquellos datos que no sean ni de julio ni de agosto.

Code

airquality_tb[airquality_tb$Month != 7 & airquality_tb$Month != 8, ]
airquality_tb[!(airquality_tb$Month %in% c(7, 8)), ]

📝 Modifica el siguiente código para quedarte solo con las variable de ozono y temperatura (sin importar qué posición ocupen)

airquality_tb[, 3]

📝 Selecciona los datos de temperatura y viento de agosto.

Code

airquality_tb[airquality_tb$Month == 8, c("Temp", "Wind")]

📝 Traduce a castellano el nombre de las variables.

Code

names(airquality_tb) <- c("ozono", "rad_solar", "viento", "temp", "mes", "dia")

3 🐣 Caso práctico I: salto de longitud

Para practicar textos y tibbles vamos a usar el dataset salto_longitud.csv que tienes guardado en la carpeta de datos, que guarda cómo ha progresado el récord de salto de longitud masculino. Dicha tabla ha sido extraída directamente de la wikipedia https://en.wikipedia.org/wiki/Men%27s_long_jump_world_record_progression#Low_altitude_record_progression_1965%E2%80%931991

load(file = "./datos/salto_longitud.RData")

Aunque más adelante veremos como extraerlo, puedes ver debajo si quieres el código que se ha usado para extraer la tabla

Code

library(rvest)
library(tidyverse)
wiki_jump <- 'https://en.wikipedia.org/wiki/Men%27s_long_jump_world_record_progression'
long_jump <- read_html(wiki_jump)
salto_longitud <- html_table(html_node(long_jump, 'table'))

3.1 Pregunta 1

¿Cuántos registros hay? ¿Cuántas variables? ¿De qué tipo es cada una? ¿Cuáles son sus nombres? ¿Qué crees que significan?

Code

nrow(salto_longitud)
ncol(salto_longitud)
names(salto_longitud)

# tenemos 19 récords y 5 variables: la marca (en metros, pies y pulgadas), el viento que hacía, la persona que batió el record, el lugar y la fecha.

3.2 Pregunta 2

Crea una nueva variable llamada Mark (sustituye a la anterior) en la que hayas extraído la marca en metros (y convertida a número). Práctica antes con un valor de juguete, por ejemplo, si tuviésemos `x <- “7.61 m (24 ft 11+1/2 in)”, ¿cómo podríamos quedarnos solo con la marca en metros?

Code

# Sabemos que el patrón es 1 número, un ., y dos decimales, así que
# usamos str_extract para extraer ese patrón que le indicamos
# con una expresión regular.
salto_longitud$Mark <-
  str_extract(salto_longitud$Mark, pattern = "[0-9][.][0-9]{2}")

# Tras ello convertimos a número
salto_longitud$Mark <- as.numeric(salto_longitud$Mark)

# importante: ahora en la cabecera debajo de mark pone <dbl>, es un número
salto_longitud

3.3 Pregunta 3

Crea una nueva variable llamada Wind (sustituye la original) en la que tengas el viento convertido a número.

Code

salto_longitud$Wind <- as.numeric(salto_longitud$Wind)
salto_longitud

¿En cuántos récords no había viento? ¿En cuántos no tenemos registros de dicha medida?

Code

# Con viento 0
sum(salto_longitud$Wind == 0, na.rm = TRUE)

# Sin registros
sum(is.na(salto_longitud$Wind))

# importante: ausente y 0 no es lo mismo

3.4 Pregunta 4

Crea una nueva variable llamada country que extraiga las siglas de los países de la variable Athlete

Code

# Primero extraemos con los paréntesis (es más fácil detectarlo)
salto_longitud$country <-
  str_extract(salto_longitud$Athlete, pattern = "[(][A-Z]{3}[)]")

# Luego los eliminamos los ( y los ) (de ahí la barra vertical en medio)
# Fíjate que para que entienda que es un caracter especial (paréntesis)
# se lo pasamos como \\( y como \\). Ppasaría lo mismo si queremos detectar,
# por ejemplo, un punto, con \\.
salto_longitud$country <- str_remove_all(salto_longitud$country, "\\(|\\)")

3.5 Pregunta 5

Ordena la tabla por orden alfabético de las siglas

Code

salto_longitud <- salto_longitud[order(salto_longitud$country), ]

3.6 Pregunta 6

Reemplaza la variable Date por la fecha correcta en formato fecha

Code

# primero eliminamos todos los [?]
salto_longitud$Date <-
  str_remove_all(salto_longitud$Date, pattern = "\\[[0-9]{1}\\]")

# luego atendemos el caso particualr de [note 1]
salto_longitud$Date <-
  str_remove_all(salto_longitud$Date, pattern = "\\[note 1\\]")

# tras depurar convertimos a fecha
salto_longitud$Date <- dmy(salto_longitud$Date)
salto_longitud

3.7 Pregunta 7

¿Cuántos récords no son de Estados Unidos? ¿Qué porcentaje representa respecto al total?

Code

# total absoluto
sum(salto_longitud$country != "USA")

# porcentaje relativo
100*sum(salto_longitud$country != "USA") / length(salto_longitud$country)

3.8 Pregunta 8

Para cada récord, calcula los metros de mejora respecto al anterior, y guárdalo en la base de datos. Pista: prueba bien la función diff() y chequea la longitud de lo que te devuelve.

Code

# Usamos la función diff que, dado un vector, calcula las diferencias
# fíjate que el primero no conocemos la mejora (ya que no hay registro previo)
salto_longitud$mejora <- c(NA, diff(salto_longitud$Mark))

4 🐣 Caso práctico II: pinniped dataset

Del paquete {Biostatistics} usaremos el conunto de datos pinniped, que guarda los datos de peso de cuerpo y cerebro (desagregado por sexo y mono/poligamia) de 33 especies de mamíferos marinos.

Biostatistics::pinniped

                       Species Male_brain_g Female_brain_g Male_mass_Kg
1       Monachus schauinslandi        370.0             NA        173.0
2            Monachus monachus        480.0          480.0        260.0
3      Mirounga angustirostris        700.0          640.0       2275.0
4             Mirounga leonina       1431.3          898.8       3510.0
5       Leptonychotes weddelli        535.0          637.5        450.0
6            Ommatophoca rossi        425.0          530.0        153.8
7        Lobodon carcinophagus        578.2          538.8        220.5
8            Hydrurga leptonyx        765.0          660.0        324.0
9          Cystophora cristata        480.0          430.0        343.2
10         Erignathus barbatus           NA          460.0        312.5
11          Halichoerus grypus        342.5          272.5        233.0
12          Phoca groenlandica        297.5          252.5        145.0
13              Phoca fasciata        257.5          240.0         94.8
14                Phoca largha        257.5          250.0         97.0
15               Phoca caspica        165.0          160.0         70.5
16              Phoca sibirica        185.0          190.0         89.5
17               Phoca hispida        229.3          220.0         84.0
18              Phoca vitulina        362.3          265.0         97.1
19      Zalophus californianus        405.0          361.5        244.5
20          Eumetopias jubatus        747.5          575.0       1000.0
21              Otaria byronia        546.3          470.0        300.0
22            Neophoca cinerea        440.0          337.5        300.0
23          Phocarctos hookeri        417.5          370.0        364.0
24         Callorhinus ursinus        355.0          302.5        140.0
25     Arctocephalus townsendi           NA             NA        112.0
26     Arctocephalus philippii        415.0             NA        140.0
27 Arctocephalus galapagoensis        302.5          280.0         64.5
28     Arctocephalus australis        350.0          265.0         91.0
29      Arctocephalus forsteri        340.0          300.0        125.0
30       Arctocephalus gazella        360.0          320.0        155.0
31    Arctocephalus tropicalis        322.5          330.0        152.5
32      Arctocephalus pusillus        401.3          337.5        263.0
33           Odobenus rosmarus       1303.0         1340.5       1233.0
   Female_mass_Kg Mate_type
1           272.2      mono
2           275.0      mono
3           488.0      poly
4           565.7      poly
5           447.0      poly
6           164.0      mono
7           224.0      mono
8           367.0      mono
9           222.5      mono
10          326.0      mono
11          205.8      poly
12          139.0      mono
13           80.4      mono
14           71.3      mono
15           55.0      mono
16           85.0      mono
17           81.2      mono
18           85.2      mono
19           81.0      poly
20          287.5      poly
21          144.0      poly
22           78.6      poly
23          114.7      poly
24           33.3      poly
25           49.6      poly
26           48.1      poly
27           27.4      poly
28           48.5      poly
29           38.1      poly
30           45.0      poly
31           50.0      poly
32           64.1      poly
33          811.5      poly

4.1 Pregunta 1

Comprueba si los datos están en formato tibble. En caso negativo conviértelo.

Code

# chequeamos si es tibble
library(tibble)
is_tibble(Biostatistics::pinniped)

# Convertimos a tibble
pinniped_tb <- as_tibble(Biostatistics::pinniped)

4.2 Pregunta 2

¿Cuántos registros hay? ¿Cuántas variables? ¿De qué tipo es cada una? ¿Cuáles son sus nombres?

Code

nrow(pinniped_tb)
ncol(pinniped_tb)
names(pinniped_tb)

4.3 Pregunta 3

Incorpora una variable nueva llamada phoca que sea de tipo lógico y que nos diga si una especie es de la categoría Phoca o no.

Code

pinniped_tb$phoca <- str_detect(pinniped_tb$Species, "Phoca")

4.4 Pregunta 4

¿A qué sexo le pesa más el cerebro: a las hembras o a los machos?

Code

# ¿a quién le pesa más el cerebro?
mean(pinniped_tb$Male_brain_g, na.rm = TRUE) >
  mean(pinniped_tb$Female_brain_g, na.rm = TRUE)

4.5 Pregunta 5

¿A quienes les pesa más el cuerpo a los monógamos o a los polígamos? Recuerda que tienes los pesos divididos por sexos en variables distintas que tendrás que juntar de alguna forma

Code

# ¿a quién le pesa más el cerebro?
mean(c(pinniped_tb$Male_mass_Kg[pinniped_tb$Mate_type == "mono"],
       pinniped_tb$Female_mass_Kg[pinniped_tb$Mate_type == "mono"])) >
  mean(c(pinniped_tb$Male_mass_Kg[pinniped_tb$Mate_type == "poly"],
         pinniped_tb$Female_mass_Kg[pinniped_tb$Mate_type == "poly"]))

4.6 Pregunta 6

Incopora una nueva variable llamada dif_m_f que represente la diferencia entre el peso del cerebro entre machos y hembras (machos - hembras) para cada especie.

Code

pinniped_tb$dif_m_f <- pinniped_tb$Male_brain_g - pinniped_tb$Female_brain_g
pinniped_tb