class: center, middle, inverse, title-slide <div class="title-logo"></div> <br> # Análisis de Datos ## Tema 2 - Análisis Exploratorio de los Datos ### 2.2 Transformación <br> .pull-left[ ### Roi Naveiro ] --- ## Análisis Exploratioro de los Datos * El arte de observar los datos, generar hipótesis y testearlas. * **Objetivo**: generar preguntas prometedoras para, posteriormente, explorarlas en mayor profunidad <img src="img/data-science-explore.png" width="80%" style="display: block; margin: auto;" /> --- class: center, middle, inverse ## Transformación de datos --- ## Transformación de datos La visualización es clave para un buen entendimiento de los datos... ... no obstante, rara vez encontramos los datos en el formato necesario. En general, **necesitamos** - Crear nuevas variables - Resumir variables - Renombrar - Reordenar observaciones - Agrupar - ... --- ## Graḿatica de transformación de datos Aprenderemos cómo hacer esto de forma **reproducible** con el paquete `dplyr` <img src="img/dplyr-part-of-tidyverse.png" width="30%" style="display: block; margin: auto;" /> Similar a `ggplot2`, `dplyr` introduce una grámatica para la transformación de datos --- ## Graḿatica de transformación de datos Algunas de las funciones (verbos) que aprenderemos .small[ - `select`: seleccionar columnas por nombre - `rename`: renombrar variables - `arrange`: ordenar filas según criterio - `slice`: escoger filas con índices - `filter`: escoger filas que cumplan cierta condición - `distinct`: filtrar por filas únicas - `mutate`: añadir nuevas variables - `summarise`: resumir variables según ciertos estadísticos - `group_by`: para realizar operaciones por grupos - ... ] --- ## Reglas de `dplyr` Todos los verbos funcionan de manera similar: - Primer argumento es el data frame - Lo siguientes argumentos especifican qué hacer con el data frame, usando los nombres de las variables (sin comillas) - La salida es otro data frame Los verbos pueden **concatenarse** --- ## Datos Para aprender las diferentes transformaciones que podemos hacer sobre los datos, usaremos de nuevo **gapminder** (más información en `?gapminder`) ```r library(tidyverse) library(gapminder) glimpse(gapminder) ``` ``` ## Rows: 1,704 ## Columns: 6 ## $ country <fct> "Afghanistan", "Afghanistan", "Afghanist… ## $ continent <fct> Asia, Asia, Asia, Asia, Asia, Asia, Asia… ## $ year <int> 1952, 1957, 1962, 1967, 1972, 1977, 1982… ## $ lifeExp <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, … ## $ pop <int> 8425333, 9240934, 10267083, 11537966, 13… ## $ gdpPercap <dbl> 779.4453, 820.8530, 853.1007, 836.1971, … ``` --- class: center, middle, inverse ## Transformación de datos: `select` --- ## Verbo `select` * En múltiples ocasiones tenemos conjutos de datos con miles de variables * Nos puede interesar un subconjunto de las mismas * Para esto utilizamos `select` --- ## Seleccionar una columna Observar únicamente la variable referente a esperanza de vida (`lifeExp`) .pull-left[ ```r gapminder %>% * select(lifeExp) ``` ``` ## # A tibble: 1,704 × 1 ## lifeExp ## <dbl> ## 1 28.8 ## 2 30.3 ## 3 32.0 ## 4 34.0 ## 5 36.1 ## 6 38.4 ## 7 39.9 ## 8 40.8 ## 9 41.7 ## 10 41.8 ## # … with 1,694 more rows ``` ] -- .pull-right[ - Pasamos el data frame a través del pipe (`%>%`) a la función `select()` - El argumento es nombre de variable (sin comillas): `lifeExp` - Esto de lugar a un dataframe de 1704 filas y 1 columna ] --- ## Seleccionar múltiples columnas .pull-left[ ```r gapminder %>% * select(lifeExp, country) ``` ``` ## # A tibble: 1,704 × 2 ## lifeExp country ## <dbl> <fct> ## 1 28.8 Afghanistan ## 2 30.3 Afghanistan ## 3 32.0 Afghanistan ## 4 34.0 Afghanistan ## 5 36.1 Afghanistan ## 6 38.4 Afghanistan ## 7 39.9 Afghanistan ## 8 40.8 Afghanistan ## 9 41.7 Afghanistan ## 10 41.8 Afghanistan ## # … with 1,694 more rows ``` ] -- .pull-right[ ```r gapminder %>% * select(lifeExp:gdpPercap) ``` ``` ## # A tibble: 1,704 × 3 ## lifeExp pop gdpPercap ## <dbl> <int> <dbl> ## 1 28.8 8425333 779. ## 2 30.3 9240934 821. ## 3 32.0 10267083 853. ## 4 34.0 11537966 836. ## 5 36.1 13079460 740. ## 6 38.4 14880372 786. ## 7 39.9 12881816 978. ## 8 40.8 13867957 852. ## 9 41.7 16317921 649. ## 10 41.8 22227415 635. ## # … with 1,694 more rows ``` ] **NOTA**: los verbos no modifican el data frames. Para guardar el output como un nuevo dataframe ```r esperanza_vida <- gapminder %>% select(lifeExp) ``` --- ## Selección inversa .pull-left[ ```r gapminder %>% * select(-lifeExp, -pop, -year ) ``` ``` ## # A tibble: 1,704 × 3 ## country continent gdpPercap ## <fct> <fct> <dbl> ## 1 Afghanistan Asia 779. ## 2 Afghanistan Asia 821. ## 3 Afghanistan Asia 853. ## 4 Afghanistan Asia 836. ## 5 Afghanistan Asia 740. ## 6 Afghanistan Asia 786. ## 7 Afghanistan Asia 978. ## 8 Afghanistan Asia 852. ## 9 Afghanistan Asia 649. ## 10 Afghanistan Asia 635. ## # … with 1,694 more rows ``` ] -- .pull-right[ ```r gapminder %>% * select(-(continent:gdpPercap) ) ``` ``` ## # A tibble: 1,704 × 1 ## country ## <fct> ## 1 Afghanistan ## 2 Afghanistan ## 3 Afghanistan ## 4 Afghanistan ## 5 Afghanistan ## 6 Afghanistan ## 7 Afghanistan ## 8 Afghanistan ## 9 Afghanistan ## 10 Afghanistan ## # … with 1,694 more rows ``` ] --- ## Otras formas de selección Las siguientes funciones son útiles - `starts_with("abc")`: nombres que empiezan con "abc" - `ends_with("abc")`: nombres que terminan con "abc" - `contains("abc")`: nombres que contienen "abc" - `matches("(.)//1"`) : selecciona según expresiones regulares - `num_range("x", 1:3)`: selecciona x1, x2 y x3 --- ## Ejemplo ```r gapminder %>% * select( starts_with("co")) ``` ``` ## # A tibble: 1,704 × 2 ## country continent ## <fct> <fct> ## 1 Afghanistan Asia ## 2 Afghanistan Asia ## 3 Afghanistan Asia ## 4 Afghanistan Asia ## 5 Afghanistan Asia ## 6 Afghanistan Asia ## 7 Afghanistan Asia ## 8 Afghanistan Asia ## 9 Afghanistan Asia ## 10 Afghanistan Asia ## # … with 1,694 more rows ``` --- ## Seleccionar todas `everything()` es útil para colocar ciertas variables al inicio del data frame ```r gapminder %>% * select( year, everything() ) ``` ``` ## # A tibble: 1,704 × 6 ## year country continent lifeExp pop gdpPercap ## <int> <fct> <fct> <dbl> <int> <dbl> ## 1 1952 Afghanistan Asia 28.8 8425333 779. ## 2 1957 Afghanistan Asia 30.3 9240934 821. ## 3 1962 Afghanistan Asia 32.0 10267083 853. ## 4 1967 Afghanistan Asia 34.0 11537966 836. ## 5 1972 Afghanistan Asia 36.1 13079460 740. ## 6 1977 Afghanistan Asia 38.4 14880372 786. ## 7 1982 Afghanistan Asia 39.9 12881816 978. ## 8 1987 Afghanistan Asia 40.8 13867957 852. ## 9 1992 Afghanistan Asia 41.7 16317921 649. ## 10 1997 Afghanistan Asia 41.8 22227415 635. ## # … with 1,694 more rows ``` --- class: center, middle, inverse ## Transformación de datos: `rename` --- ## Renombrar Para renombrar variables, utilizar `rename` ```r gapminder %>% * rename( pais = country ) ``` ``` ## # A tibble: 1,704 × 6 ## pais continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. ## 2 Afghanistan Asia 1957 30.3 9240934 821. ## 3 Afghanistan Asia 1962 32.0 10267083 853. ## 4 Afghanistan Asia 1967 34.0 11537966 836. ## 5 Afghanistan Asia 1972 36.1 13079460 740. ## 6 Afghanistan Asia 1977 38.4 14880372 786. ## 7 Afghanistan Asia 1982 39.9 12881816 978. ## 8 Afghanistan Asia 1987 40.8 13867957 852. ## 9 Afghanistan Asia 1992 41.7 16317921 649. ## 10 Afghanistan Asia 1997 41.8 22227415 635. ## # … with 1,694 more rows ``` --- class: center, middle, inverse ## Transformación de datos: `arrange` --- ## Ordenar datos Seleccionemos país, año y esperanza de vida y ordenemos en orden **creciente** de esperanzada de vida ```r gapminder %>% * select( country, year, lifeExp ) %>% * arrange(lifeExp) ``` ``` ## # A tibble: 1,704 × 3 ## country year lifeExp ## <fct> <int> <dbl> ## 1 Rwanda 1992 23.6 ## 2 Afghanistan 1952 28.8 ## 3 Gambia 1952 30 ## 4 Angola 1952 30.0 ## 5 Sierra Leone 1952 30.3 ## 6 Afghanistan 1957 30.3 ## 7 Cambodia 1977 31.2 ## 8 Mozambique 1952 31.3 ## 9 Sierra Leone 1957 31.6 ## 10 Burkina Faso 1952 32.0 ## # … with 1,694 more rows ``` --- ## Ordenar datos Seleccionemos país, año y esperanza de vida y ordenemos en orden **decreciente** de esperanzada de vida ```r gapminder %>% * select( country, year, lifeExp ) %>% * arrange(desc(lifeExp)) ``` ``` ## # A tibble: 1,704 × 3 ## country year lifeExp ## <fct> <int> <dbl> ## 1 Japan 2007 82.6 ## 2 Hong Kong, China 2007 82.2 ## 3 Japan 2002 82 ## 4 Iceland 2007 81.8 ## 5 Switzerland 2007 81.7 ## 6 Hong Kong, China 2002 81.5 ## 7 Australia 2007 81.2 ## 8 Spain 2007 80.9 ## 9 Sweden 2007 80.9 ## 10 Israel 2007 80.7 ## # … with 1,694 more rows ``` --- ## Ordenar datos ¿Qué sucede? ```r gapminder %>% * select( country, year, lifeExp ) %>% * arrange(desc(country)) ``` ``` ## # A tibble: 1,704 × 3 ## country year lifeExp ## <fct> <int> <dbl> ## 1 Zimbabwe 1952 48.5 ## 2 Zimbabwe 1957 50.5 ## 3 Zimbabwe 1962 52.4 ## 4 Zimbabwe 1967 54.0 ## 5 Zimbabwe 1972 55.6 ## 6 Zimbabwe 1977 57.7 ## 7 Zimbabwe 1982 60.4 ## 8 Zimbabwe 1987 62.4 ## 9 Zimbabwe 1992 60.4 ## 10 Zimbabwe 1997 46.8 ## # … with 1,694 more rows ``` --- ## Ordenar datos * `arrange` por defecto ordena de manera ascendente (si son números) * Ante strings, `arrange` ordena por defecto de manera alfabética * `desc()` cambia el orden * Si se pasa más de una variable, se ordena en función de la primera. Las siguientes se utilizan, secuencialmente, para romper empates * Los valores ausentes pasan al final --- class: center, middle, inverse ## Transformación de datos: pipes --- ## Los pipes * Un pipe es una técnica para pasar información de un proceso a otro * La estructura pipe está implementada en el paquete `magrittr` (que se carga con `tidyverse`) 1. Empezamos con todo el dataset ```r *gapminder %>% select( country, year, lifeExp ) %>% arrange(desc(country)) ``` --- ## Los pipes * Un pipe es una técnica para pasar información de un proceso a otro * La estructura pipe está implementada en el paquete `magrittr` (que se carga con `tidyverse`) 2. Este entra en `select`, que selecciona country, year, lifeExp ```r gapminder %>% * select( country, year, lifeExp ) %>% arrange(desc(country)) ``` --- ## Los pipes * Un pipe es una técnica para pasar información de un proceso a otro * La estructura pipe está implementada en el paquete `magrittr` (que se carga con `tidyverse`) 3. Por útimo, el resultado del select pasa a `arrange` ```r gapminder %>% select( country, year, lifeExp ) %>% * arrange(desc(country)) ``` --- ## Los pipes Pasando la respuesta a `ggplot2` ```r gapminder %>% filter(year == 2007) %>% * ggplot(., aes(x = lifeExp, fill = continent)) + geom_histogram(bins = 100) ``` <img src="tema2-2_files/figure-html/unnamed-chunk-18-1.png" style="display: block; margin: auto;" /> --- class: center, middle, inverse ## Transformación de datos: `slice` --- ## Seleccionar filas ```r gapminder %>% select(country) %>% * slice(1:3) ``` ``` ## # A tibble: 3 × 1 ## country ## <fct> ## 1 Afghanistan ## 2 Afghanistan ## 3 Afghanistan ``` --- ## Ejercicio 1 Usando `slice` selecciona las tres últimas filas del dataset `gapminder` --- class: center, middle, inverse ## Transformación de datos: `filter` --- ## Filtrado * Seleccionar filas en función de sus valores * Los argumentos reflejan las condiciones del filtrado ```r gapminder %>% * filter(country == "Spain", lifeExp > 80) ``` ``` ## # A tibble: 1 × 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Spain Europe 2007 80.9 40448191 28821. ``` --- ## Filtrado Para construír filtros complejos, hay que manejar los operadores lógicos <br> Operador | Definición || Operador | Definición ------------|------------------------------||--------------|---------------- `<` | Menor que ||`x`&nbsp;&#124;&nbsp;`y` | `x` OR `y` `<=` | Menor o igual que ||`is.na(x)` | ¿es `x` is `NA`? `>` | Mayor que ||`!is.na(x)` | ¿ `x` no es `NA`? `>=` | Mayor o igual que ||`x %in% y` | `x` pertenece a `y` `==` | Igual a ||`!(x %in% y)` |`x` no pertenece `y` `!=` | Distinto a ||`!x` | negación `x` `x & y` | `x` AND `y` || | --- ## Filtrado ¿Qué está pasando? ```r sqrt(2)^2 == 2 ``` ``` ## [1] FALSE ``` -- ```r near(sqrt(2)^2, 2) ``` ``` ## [1] TRUE ``` --- ## Filtrado <br> <br> <img src="img/logical_operators.png" width="80%" style="display: block; margin: auto;" /> --- ## Filtrado Por defecto, los múltiples argumentos de `filter` se combinan con el operador ? Ejemplo: seleccionar países de América que en el 2007 tuvieran esperanza de vida superior a 75 o un PIB per cápita inferior a 6000 ```r gapminder %>% * filter(year == 2007, continent == "Americas", (lifeExp > 77 | gdpPercap < 4000) ) ``` ``` ## # A tibble: 10 × 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Bolivia Americas 2007 65.6 9119152 3822. ## 2 Canada Americas 2007 80.7 33390141 36319. ## 3 Chile Americas 2007 78.6 16284741 13172. ## 4 Costa Rica Americas 2007 78.8 4133884 9645. ## 5 Cuba Americas 2007 78.3 11416987 8948. ## 6 Haiti Americas 2007 60.9 8502814 1202. ## 7 Honduras Americas 2007 70.2 7483763 3548. ## 8 Nicaragua Americas 2007 72.9 5675356 2749. ## 9 Puerto Rico Americas 2007 78.7 3942491 19329. ## 10 United States Americas 2007 78.2 301139947 42952. ``` --- class: center, middle, inverse ## Transformación de datos: valores ausentes --- ## Valores ausentes * Muy comunes en ciencia de datos * Casi todas las operaciones con NA devuelven NA ```r NA == 2 ``` ``` ## [1] NA ``` ```r NA + 3 ``` ``` ## [1] NA ``` ```r NA == NA ``` ``` ## [1] NA ``` --- ## Valores ausentes * En el filtrado, solo se incluyen filas con valores `TRUE` de la condición (se excluyen pues los `FALSE` y los `NA`). * Es fácil preservarlos ```r df <- tibble(x = c(1, NA, 3)) filter(df, x > 1) ``` ``` ## # A tibble: 1 × 1 ## x ## <dbl> ## 1 3 ``` ```r filter(df, is.na(x) | x > 1) ``` ``` ## # A tibble: 2 × 1 ## x ## <dbl> ## 1 NA ## 2 3 ``` --- class: center, middle, inverse ## Transformación de datos: `distinct` --- ## Valores únicos Filtrar valores únicos de filas ```r gapminder %>% * distinct(continent, year) %>% arrange(continent, desc(year) ) ``` ``` ## # A tibble: 60 × 2 ## continent year ## <fct> <int> ## 1 Africa 2007 ## 2 Africa 2002 ## 3 Africa 1997 ## 4 Africa 1992 ## 5 Africa 1987 ## 6 Africa 1982 ## 7 Africa 1977 ## 8 Africa 1972 ## 9 Africa 1967 ## 10 Africa 1962 ## # … with 50 more rows ``` --- class: center, middle, inverse ## Transformación de datos: `count` --- ## Crear tablas de frecuencias .pull-left[ ```r gapminder %>% filter(year == 1967) %>% * count(continent) ``` ``` ## # A tibble: 5 × 2 ## continent n ## <fct> <int> ## 1 Africa 52 ## 2 Americas 25 ## 3 Asia 33 ## 4 Europe 30 ## 5 Oceania 2 ``` ] .pull-right[ ```r gapminder %>% filter(year == 1967) %>% * count(continent, sort=TRUE) ``` ``` ## # A tibble: 5 × 2 ## continent n ## <fct> <int> ## 1 Africa 52 ## 2 Asia 33 ## 3 Europe 30 ## 4 Americas 25 ## 5 Oceania 2 ``` ] --- ## Contar y ordenar ```r gapminder %>% filter(year == 1967) %>% count(continent) %>% * arrange(n) ``` ``` ## # A tibble: 5 × 2 ## continent n ## <fct> <int> ## 1 Oceania 2 ## 2 Americas 25 ## 3 Europe 30 ## 4 Asia 33 ## 5 Africa 52 ``` --- ## Contar más de una variable ```r gapminder %>% * count(continent, year) ``` ``` ## # A tibble: 60 × 3 ## continent year n ## <fct> <int> <int> ## 1 Africa 1952 52 ## 2 Africa 1957 52 ## 3 Africa 1962 52 ## 4 Africa 1967 52 ## 5 Africa 1972 52 ## 6 Africa 1977 52 ## 7 Africa 1982 52 ## 8 Africa 1987 52 ## 9 Africa 1992 52 ## 10 Africa 1997 52 ## # … with 50 more rows ``` --- class: center, middle, inverse ## Transformación de datos: `mutate` --- ## Añadir nuevas columnas ```r gapminder %>% mutate(gdp = gdpPercap * pop) %>% filter(year == 2007) %>% arrange( desc(gdp) ) ``` ``` ## # A tibble: 142 × 7 ## country continent year lifeExp pop gdpPercap gdp ## <fct> <fct> <int> <dbl> <int> <dbl> <dbl> ## 1 United … Americas 2007 78.2 3.01e8 42952. 1.29e13 ## 2 China Asia 2007 73.0 1.32e9 4959. 6.54e12 ## 3 Japan Asia 2007 82.6 1.27e8 31656. 4.04e12 ## 4 India Asia 2007 64.7 1.11e9 2452. 2.72e12 ## 5 Germany Europe 2007 79.4 8.24e7 32170. 2.65e12 ## 6 United … Europe 2007 79.4 6.08e7 33203. 2.02e12 ## 7 France Europe 2007 80.7 6.11e7 30470. 1.86e12 ## 8 Brazil Americas 2007 72.4 1.90e8 9066. 1.72e12 ## 9 Italy Europe 2007 80.5 5.81e7 28570. 1.66e12 ## 10 Mexico Americas 2007 76.2 1.09e8 11978. 1.30e12 ## # … with 132 more rows ``` **NOTA 1**: se puede definir más de una variable **NOTA 2**: en la definición, se puede usar variable recién definida --- ## Añadir nuevas columnas Múltiples funciones útiles para añadir columnas * Operadores aritméticos * Aritmética modular: división entera `%/%`, resto `%%` * Logaritmos * Agregaciones acumulativas `cumsum()`, `cumprod()`, `cummin()`, `cummax()` * Comparaciones lógicas * Rankings: `minrank()` --- ## Ejemplos ```r x = c(1,3,2,7,6) min_rank(x) ``` ``` ## [1] 1 3 2 5 4 ``` ```r 33 %% 10 ``` ``` ## [1] 3 ``` ```r cumsum(x) ``` ``` ## [1] 1 4 6 13 19 ``` --- ## Reto Calcula la proporción de países en cada continente, que en el año 1967 tenía esperanza de vida entre 0-10, 10-20, 20-30, etc. -- ```r gapminder %>% mutate(lifeExpDecade = lifeExp - lifeExp%%10) %>% filter(year == 1967) %>% count(continent, lifeExpDecade) %>% group_by(continent) %>% mutate(prop = n / sum(n)) ``` ``` ## # A tibble: 17 × 4 ## # Groups: continent [5] ## continent lifeExpDecade n prop ## <fct> <dbl> <int> <dbl> ## 1 Africa 30 10 0.192 ## 2 Africa 40 29 0.558 ## 3 Africa 50 11 0.212 ## 4 Africa 60 2 0.0385 ## 5 Americas 40 2 0.08 ## 6 Americas 50 9 0.36 ## 7 Americas 60 11 0.44 ## 8 Americas 70 3 0.12 ## 9 Asia 30 2 0.0606 ## 10 Asia 40 10 0.303 ## 11 Asia 50 13 0.394 ## 12 Asia 60 5 0.152 ## 13 Asia 70 3 0.0909 ## 14 Europe 50 1 0.0333 ## 15 Europe 60 11 0.367 ## 16 Europe 70 18 0.6 ## 17 Oceania 70 2 1 ``` --- ## Reto Calcula la proporción de gente en cada continente, que en el año 1967 tenía esperanza de vida entre 0-10, 10-20, 20-30, etc. -- ```r gapminder %>% mutate(lifeExpDecade = case_when(lifeExp >= 20 & lifeExp< 30 ~ '20', lifeExp >= 30 & lifeExp< 40 ~ '30', lifeExp >= 40 & lifeExp< 50 ~ '40', lifeExp >= 50 & lifeExp< 60 ~ '50', lifeExp >= 60 & lifeExp< 70 ~ '60', lifeExp >= 70 & lifeExp< 80 ~ '70', lifeExp >= 80 & lifeExp< 90 ~ '80', lifeExp >= 90 & lifeExp< 100 ~ '90', TRUE ~ '>100' )) %>% filter(year == 1967) %>% count(continent, lifeExpDecade) %>% group_by(continent) %>% mutate(prop = n / sum(n)) ``` ``` ## # A tibble: 17 × 4 ## # Groups: continent [5] ## continent lifeExpDecade n prop ## <fct> <chr> <int> <dbl> ## 1 Africa 30 10 0.192 ## 2 Africa 40 29 0.558 ## 3 Africa 50 11 0.212 ## 4 Africa 60 2 0.0385 ## 5 Americas 40 2 0.08 ## 6 Americas 50 9 0.36 ## 7 Americas 60 11 0.44 ## 8 Americas 70 3 0.12 ## 9 Asia 30 2 0.0606 ## 10 Asia 40 10 0.303 ## 11 Asia 50 13 0.394 ## 12 Asia 60 5 0.152 ## 13 Asia 70 3 0.0909 ## 14 Europe 50 1 0.0333 ## 15 Europe 60 11 0.367 ## 16 Europe 70 18 0.6 ## 17 Oceania 70 2 1 ``` --- class: center, middle, inverse ## Transformación de datos: `summarise` --- ## Creación de estadísticos de resumen ```r gapminder %>% filter(year == 1967) %>% summarise(mean_gdpPerCapita = mean(gdpPercap)) ``` ``` ## # A tibble: 1 × 1 ## mean_gdpPerCapita ## <dbl> ## 1 5484. ``` `summarise()` colapsa todas las filas en un único estadístico de resumen y elimina las columnas no necesarias para el cálculo --- ## Resúmenes más útiles * Localización: `mean()` y `median()` * Dispersión: `sd()`, `IQR()` * Rango: `min()`, `quantile(x, 0.25)`, `max()` * Cuenta: `n()`, `n_distinct()` --- ## Resúmenes más útiles ¿Recuerdas que és la mediana? ¿Y el percentil 25? --- class: center, middle, inverse ## Transformación de datos: `group_by` --- class: center, middle, inverse ## Transformación de datos: `group_by` --- ## Agrupaciones `summarise()` es tremendamente útil cuando se utiliza conjuntamente con `group_by()`. Esto permite obtener estadísticos de resumen para diferentes grupos ```r gapminder %>% filter(year == 1967) %>% group_by(continent) %>% summarise(mean_gdpPerCapita = mean(gdpPercap)) ``` ``` ## # A tibble: 5 × 2 ## continent mean_gdpPerCapita ## <fct> <dbl> ## 1 Africa 2050. ## 2 Americas 5668. ## 3 Asia 5971. ## 4 Europe 10144. ## 5 Oceania 14495. ``` --- ## Agrupaciones ```r gapminder %>% filter(year == 1967) %>% group_by(continent) %>% summarise(n = n(), mean_gdpPerCapita = mean(gdpPercap), median_gdpPercapita = median(gdpPercap), ) ``` ``` ## # A tibble: 5 × 4 ## continent n mean_gdpPerCapita median_gdpPercapita ## <fct> <int> <dbl> <dbl> ## 1 Africa 52 2050. 1210. ## 2 Americas 25 5668. 4643. ## 3 Asia 33 5971. 2029. ## 4 Europe 30 10144. 9366. ## 5 Oceania 2 14495. 14495. ``` **NOTA**: si hay valores ausentes, añadir `na.rm = TRUE`, e.g. `mean(x, na.rm = TRUE)` --- ## Agrupaciones por varias variables ```r gapminder %>% group_by(continent, year) %>% summarise( max_gdpPercapita = max(gdpPercap), min_gdpPercapita = min(gdpPercap) ) %>% filter(year %in% c(1967, 2007)) ``` ``` ## # A tibble: 10 × 4 ## # Groups: continent [5] ## continent year max_gdpPercapita min_gdpPercapita ## <fct> <int> <dbl> <dbl> ## 1 Africa 1967 18773. 413. ## 2 Africa 2007 13206. 278. ## 3 Americas 1967 19530. 1452. ## 4 Americas 2007 42952. 1202. ## 5 Asia 1967 80895. 349 ## 6 Asia 2007 47307. 944 ## 7 Europe 1967 22966. 2172. ## 8 Europe 2007 49357. 5937. ## 9 Oceania 1967 14526. 14464. ## 10 Oceania 2007 34435. 25185. ``` --- ## Bibliografía * [R for Data Science](https://r4ds.had.co.nz/), Wickham and Grolemund (2016)