library(tidyverse)
library(viridis)
Simula la lectura de un conjunto de datos escritos en csv que contenga cuatro variables: nombre, edad, gĆ©nero y fumador (con valores posibles si/no), y dos observaciones la tuya y la de un amigo/a. Incluye una lĆnea de metadatos al principio con un comentario que describa los datos. Por ejemplo:
datos <- "# Datos de Becky y Roi
nombre,edad,genero,fuma
Roi,29,hombre,no
Becky,26,mujer,si"
Lee los datos en un tibble. A continuación, guÔrdalos en formato csv
dentro de una carpeta que se llama data
. Una vez guardados,
vuelve a leerlos (esta vez desde el fichero). Finalmente, guƔrdalos de
nuevo en formato excell.
Federal Reserve Economic Data (FRED) es una base de datos mantenida por la Reserva Federal de St. Louis (USA). Contiene casi un millón de series de datos en el tiempo que muestran la evolución de diferentes medidas económicas.
Accede a la web de FRED https://fred.stlouisfed.org/. Exporta los datos sobre la evolución del IPC Mediano en csv (en inglés Median Consumer Price Index). CÔrgalos en R y haz lo siguiente:
Representa grÔficamente la evolución del IPC Mediano desde el año 2000.
ĀæEn quĆ© fecha se alcanzó el mĆ”ximo IPC Mediano? ĀæY el mĆnimo?
Our World in Data es una inicitiva de la Universidad de Oxford que pretende liberar datos acerca de mĆŗltiples fenómenos sociales. En particular ofrece resultados empĆricos acerca del cambio de condiciones de vida en el planeta a lo largo del tiempo. Los datos son de diversos Ć”mbitos: económico, social, judicial, ecológico, etc.
ĀæCuĆ”ntas veces has escuchado, en la cena de nochevieja, a un familiar decir: āen mis tiempos se vivĆa mejor, no habĆa tanto paro!ā? Bien, en esta prĆ”ctica haremos uso de Our World in Data junto con R para que puedas rebatir esos comentarios con datos empĆricos.
Lo primero que has de hacer es acceder a la pĆ”gina https://ourworldindata.org/. VerĆ”s una pestaƱa que dice āArticles by Topicā. Busca en esa pestaƱa un tópico de interĆ©s. Al seleccionarlo, llegarĆ”s a un artĆculo que, seguramente, contendrĆ” alguna grĆ”fica. En el grĆ”fico aparecerĆ” una pestaƱa Download, pĆŗlsala y descarga los datos en csv.
Una vez descargados, cĆ”rgalos en R e intenta reproducir el grĆ”fico que aparece en el artĆculo.
Aquà os pongo un ejemplo con datos sobre la evolución del precio del gas en diferentes regiones. La grÔfica es esta: https://ourworldindata.org/grapher/natural-gas-prices.
gp <- read_csv("data/natural-gas-prices.csv")
ggplot(gp, aes(x=Year, y=`Gas - Prices`, color=Entity)) +
geom_line() + geom_point(size=0.4) + theme_bw() +
labs(title="Natural gas prices",
subtitle="Natural gas prices, measured in current US dollars per cubic meter.") +
scale_color_viridis_d()
Busca en FRED algún dato de tu interés. DescÔrgalo en excell, impórtalo en R, construye una grÔfica y extrae alguna conclusión.
Parsea cada una de estas fechas/horas
d1 <- "January 01, 2010"
d2 <- "2015-Mar-07"
d3 <- "06-Jun-2017"
d4 <- c("August 19 (2015)", "July 1 (2015)")
d5 <- "12/30/14" # Dec 30, 2014
t1 <- "1705"
t2 <- "11:15:10.12 PM"
¿Qué hace cada uno de estos códigos?
read_csv("a,b\n1,2,3\n4,5,6")
read_csv("a,b,c\n1,2\n1,2,3,4")
read_csv("a,b\n\"1")
read_csv("a,b\n1,2\na,b")
read_csv("a;b\n1;3")