Análisis de datos en R

Juan Camilo Arboleda Rivera

Instalación de software

Instalando R en Linux

En una terminal de Linux ejecutar el siguiente comando:

sudo apt install r-base

Instalando RStudio

1. Ir a la página de RStudio.
2. Descargar RStudio.
3. Instalar RStudio con el comando:

sudo dpkg -i rstudio-2024.04.1-748-amd64.deb

Introducción

Texto guía

Panorama general del trabajo en Ciencia de Datos

Datos Tidy vs Untidy

Longitud hoja	Ancho hoja	Localización	Distancia al árbol más cercano	0-10 inflorescencias	10-20 inflorescencias
76	2 cm	6.26508, -75.56890	460	Sí	No
6.2	3.1 cm	6.26508, -75.56890	460	Sí	No
51 mm	3.7 cm	6° 15’ 53.424” N, 75° 34’ 5.772” W	100	No	Sí
7.4	4.1 cm	6° 15’ 53.424” N, 75° 34’ 5.772” W	100	No	Sí
5.8	2.9 cm	6.26513, -75.56926	320	No	Sí
81	3.3 cm	6.26513, -75.56926	320	No	Sí

¿Qué problemas tienen estos datos?

Datos bien ordenados

Existen tres reglas interrelacionadas que hacen que un conjunto de datos sea ordenado¹:

1. Cada variable debe tener su propia columna.
2. Cada observación debe tener su propia fila.
3. Cada valor debe tener su propia celda.

Artículo de Hadley Wickam sobre datos ordenados

1. R Para Ciencia de Datos

Los formatos TSV, CSV, ODS y… xlsx

Formatos abiertos:

• TSV: Tab Separated Values (Valores separados por tabulación)
• CSV: Comma Separated Values (Valores separados por coma)
• ODS: OpenDocument Spreadsheet (Hoja de cálculo de OpenDocument)

Formato propietario:

• xlsx: Excel Spreadsheet XML

¿Por qué usar formatos abiertos y software libre de análisis de datos?

¿Se están cambiando los nombres de genes humanos por culpa de Excel?

R

Interfaz de RStudio

Ejecutar código

Ejecutar código es muy sencillo:

1 + 2

[1] 3

2 * 4

[1] 8

27 / 3

[1] 9

3**2

[1] 9

Si copiamos código en el Editor de RStudio, lo podemos ejecutar poniendo el cursor sobre la línea que queramos ejecutar y apretamos Ctrl + Enter para ejecutarlo.

Podemos crear nuevos objetos con el operador de asignación <-:

x <- 3 * 4

Se pueden combinar varios elementos en un vector con c():

primos <- c(2, 3, 5, 7, 11, 13)

Y se pueden aplicar operaciones a estos vectores:

primos * 2

[1]  4  6 10 14 22 26

primos - 1

[1]  1  2  4  6 10 12

Usar funciones

Las funciones se usan con la siguiente sintaxis:

nombre_de_la_funcion(argumento1 = valor1, argumento2 = valor2, ...)

Por ejemplo:

seq(from = 1, to = 10)

 [1]  1  2  3  4  5  6  7  8  9 10

Esto es lo mismo que:

seq(1, 10)

 [1]  1  2  3  4  5  6  7  8  9 10

El Tidyverse

Para instalar el Tidyverse ejecutar el siguiente comando en la consola de R:

# Install from CRAN
install.packages("tidyverse")

Cargar paquetes en R

Al instalar un paquete ya lo tendremos en nuestro computador, pero siempre que queramos usarlo tendremos que cargarlo con la función library():

library(tidyverse)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.0     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

¿Qué creen que sea eso de Conflicts?

Para usar una función especificando el paquete de procedencia usamos el formato paquete::funcion().

Obtener ayuda

En la consola de R podemos usar el símbolo ? para obtener ayuda sobre las cosas. Por ejemplo, si queremos saber qué hace la función mean, ejecutamos:

?mean

Muchos paquetes tienen documentación adicional o tutoriales llamados vignettes (viñetas), para ver esta documentación ejecutamos, por ejemplo:

vignette("dplyr") # Ver la viñeta del paquete dplyr

Diagnóstico de problemas

El editor resalta los errores de sintaxis con una línea roja serpenteante bajo el código y una cruz en la barra lateral¹:

Para ver el problema ponemos el mouse sobre la cruz:

1. R Para Ciencia de Datos

La importancia de crear un Proyecto

Un Proyecto es simplemente una carpeta para mantener todos los archivos asociados con un proyecto dado (datos, scripts, resultados, figuras) en el mismo lugar. Ventajas de hacer esto:

• Reproducibilidad
• Portabilidad
• Organización
• Se puede realizar fácilmente Control de Versiones

Reproducibilidad

Solo con los scripts y los datos iniciales, cualquier persona debería ser capaz de reproducir tus análisis. Para fomentar el uso de scripts y que RStudio no recuerde información adicional sobre el ambiente de trabajo, es útil ajustar la configuración:

Los principios FAIR

Importando datos

hojas <- read_tsv("../datos/hojas.tsv")

Observen que usamos la ruta relativa. ¿Por qué esto es importante?

Renombremos las columnas

hojas <- hojas |>
  rename(
    id_planta = 'ID planta',
    longitud = 'Longitud hoja (cm)',
    ancho = 'Ancho hoja (cm)'
    )

Visualización de datos con ggplot2

Capas de ggplot2

Histogramas

ggplot(hojas) +
  geom_histogram(mapping = aes(x = longitud))

Boxplot o diagrama de caja

ggplot(hojas) +
  geom_boxplot(mapping = aes(x = longitud))

Filtrar datos

filtrados <- filter(hojas, longitud < 20 & ancho < 10)

Ejercicio

¿Cuántas hojas tenían menos de 5 centímetros de largo?

Density plot

ggplot(filtrados) +
  geom_density(aes(x = longitud, y = after_stat(density)), fill = "#9999ff",
               color = "#9999ff") +
  annotate("text", x = 5, y = .1, label = "Longitud") +
  geom_density(aes(x = ancho, y = -after_stat(density)), fill = "#77eeaa",
               color = "#77eeaa") +
  annotate("text", x = 2.5, y = -.2, label = "Ancho") + xlab('Medida en cm')

Gráficos de dispersión

ggplot(data = hojas) +
  geom_point(mapping = aes(x = longitud, y = ancho, color = Científico))

# Facetas
ggplot(data = hojas) +
  geom_point(mapping = aes(x = longitud, y = ancho)) +
  facet_wrap(~ Científico) +
  xlim(NA, 12) +
  ylim(NA, 5)

ggplot(data = hojas) +
  geom_point(mapping = aes(x = longitud, y = ancho, color = Herbivoría))

Limpieza de datos

# Unificar los datos inconsistentes
hojas <- hojas |> mutate(across('Herbivoría', str_replace, 'Si|si|Sì', 'Sí'))

# Generar nueva columna 'ra' (relación de aspecto)
hojas <- hojas |> mutate(ra = longitud/ancho)

Todavía más gráficos

The R Graph Gallery

Manipulación de los datos

Seleccionar columnas

hojas |> select(longitud)

# A tibble: 300 × 1
   longitud
      <dbl>
 1     8.11
 2     8.61
 3     7.11
 4     7.2 
 5     6.40
 6     7.94
 7     7.32
 8     6.9 
 9     7.06
10     7.97
# ℹ 290 more rows

Agrupar datos

hojas |> group_by(Herbivoría)

# A tibble: 300 × 6
# Groups:   Herbivoría [3]
   id_planta longitud ancho Herbivoría Científico    ra
   <chr>        <dbl> <dbl> <chr>      <chr>      <dbl>
 1 JAJT1         8.11  3.15 <NA>       Jose Tobón 2.57 
 2 JAJT1         8.61  2.13 <NA>       Jose Tobón 4.04 
 3 JAJT1         7.11  2.5  <NA>       Jose Tobón 2.84 
 4 JAJT1         7.2   2.88 <NA>       Jose Tobón 2.5  
 5 JAJT1         6.40  2.88 <NA>       Jose Tobón 2.22 
 6 JAJT1         7.94 24.6  <NA>       Jose Tobón 0.323
 7 JAJT1         7.32  2.24 <NA>       Jose Tobón 3.27 
 8 JAJT1         6.9   2.93 <NA>       Jose Tobón 2.35 
 9 JAJT1         7.06  2.96 <NA>       Jose Tobón 2.38 
10 JAJT1         7.97  2.64 <NA>       Jose Tobón 3.02 
# ℹ 290 more rows

Usar la función group_by por sí sola no hace mucho, es útil porque las operaciones subsecuentes se realizarán por grupo.

Agrupar datos

hojas |>
  group_by(Herbivoría) |>
  summarize(
    lon_promedio = mean(longitud),
    sd_lon = sd(longitud),
    n = n() # Número de filas en cada grupo
  )

# A tibble: 3 × 4
  Herbivoría lon_promedio sd_lon     n
  <chr>             <dbl>  <dbl> <int>
1 No                 5.94  5.83    186
2 Sí                 5.80  1.73    104
3 <NA>               7.46  0.671    10

Ejercicio

¿Cuál es el ancho promedio de las hojas para cada persona?

Desagrupar datos

hojas |>
  ungroup()

# A tibble: 300 × 6
   id_planta longitud ancho Herbivoría Científico    ra
   <chr>        <dbl> <dbl> <chr>      <chr>      <dbl>
 1 JAJT1         8.11  3.15 <NA>       Jose Tobón 2.57 
 2 JAJT1         8.61  2.13 <NA>       Jose Tobón 4.04 
 3 JAJT1         7.11  2.5  <NA>       Jose Tobón 2.84 
 4 JAJT1         7.2   2.88 <NA>       Jose Tobón 2.5  
 5 JAJT1         6.40  2.88 <NA>       Jose Tobón 2.22 
 6 JAJT1         7.94 24.6  <NA>       Jose Tobón 0.323
 7 JAJT1         7.32  2.24 <NA>       Jose Tobón 3.27 
 8 JAJT1         6.9   2.93 <NA>       Jose Tobón 2.35 
 9 JAJT1         7.06  2.96 <NA>       Jose Tobón 2.38 
10 JAJT1         7.97  2.64 <NA>       Jose Tobón 3.02 
# ℹ 290 more rows