library(tidyverse)
library(viridis)

Ejercicio 1

Simula la lectura de un conjunto de datos escritos en csv que contenga cuatro variables: nombre, edad, gƩnero y fumador (con valores posibles si/no), y dos observaciones la tuya y la de un amigo/a. Incluye una lƭnea 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, guÔrdalos de nuevo en formato excell.

Ejercicio 2

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 grĆ”ficamente la evolución del IPC Mediano desde el aƱo 2000.

  • ĀæEn quĆ© fecha se alcanzó el mĆ”ximo IPC Mediano? ĀæY el mĆ­nimo?

Ejercicio 3

Our World in Data es una inicitiva de la Universidad de Oxford que pretende liberar datos acerca de múltiples fenómenos sociales. En particular ofrece resultados empíricos acerca del cambio de condiciones de vida en el planeta a lo largo del tiempo. Los datos son de diversos Ômbitos: económico, social, judicial, ecológico, etc.

ĀæCuĆ”ntas veces has escuchado, en la cena de nochevieja, a un familiar decir: ā€œen 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 ā€œArticles 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, cƔrgalos en R e intenta reproducir el grƔfico que aparece en el artƭculo.

Aquí 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.

Solución

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()

Ejercicio 4

Busca en FRED algún dato de tu interés. DescÔrgalo en excell, impórtalo en R, construye una grÔfica y extrae alguna conclusión.

Ejercicio 5

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"

Ejercicio 6

¿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")