Resumen Funciones para Manejo de Datos

dplyr y tidyr

Author

Affiliation

Mtro. Santiago Ríos

Introducción

Antes de continuar con el análisis estadístico de datos, es importante tener una comprensión sólida de cómo manipular y limpiar los datos. En R, las funciones de dplyr y tidyr son esenciales para este propósito. dplyr proporciona una gramática de manipulación de datos que facilita la selección, filtrado, ordenación, agrupación y resumen de datos. tidyr proporciona herramientas para cambiar la forma de los datos para que se ajusten a la estructura de datos “tidy” (ordenada). En este resumen, revisaremos las funciones más comunes de dplyr y tidyr para manipular y limpiar datos en R.

dplyr

Para este resumen, utilizaremos el conjunto de datos iris, que contiene medidas de flores. Este conjunto de datos viene incorporado en R y se puede cargar con el comando data("iris"). Los datos provienen de un estudio sobre la variabilidad de las flores de iris (Ronald Fisher, 1936) y contienen cuatro medidas (longitud y ancho del sépalo y pétalo) de tres especies de iris (setosa, versicolor y virginica).

Primero, cargaremos la librería dplyr y el conjunto de datos iris.

Sintáxis básica en dplyr

El primer argumento siempre es un dataframe. Sin embargo, si utiliza el operador%>% (pipe), se puede omitir el primer argumento ya que se detecta automáticamente. Ejemplo:

Inspeccionar Datos

glimpse()

La función glimpse() de dplyr proporciona una descripción concisa de un conjunto de datos.
Muestra el tipo de datos de cada columna y las primeras observaciones.

Tip

Si estás en RStudio, puedes ver los datos en un formato de hoja de cálculo (tipo Excel) con View(iris).

View(iris)

arrange()

La función arrange() de dplyr ordena las filas de un data frame por los valores de una columna.
Por ejemplo, para ordenar las filas de iris por la columna Sepal.Length de menor a mayor, se puede usar arrange(iris, Sepal.Length).

Limpiar Datos

janitor::clean_names()

La función clean_names() de janitor limpia los nombres de las columnas de un data frame.
Esto es muy útil cuando tienes nombres de columnas con espacios, mayúsculas, caracteres especiales (‘ñ’), etc. Esto puede causar errores en R, por lo que es recomendable limpiar los nombres de las columnas.
Esta función convierte los nombres de las columnas a minúsculas, elimina espacios y caracteres especiales, y reemplaza los espacios con guiones bajos.

rename()

La función rename() de dplyr cambia el nombre de las columnas de un data frame.
Por ejemplo, para cambiar el nombre de la columna Species a especie, se puede usar rename(iris, especie = Species).

Filtrar Datos

seleccionar columnas

La función select() de dplyr selecciona columnas de un data frame.

Por ejemplo, para seleccionar las columnas Sepal.Width, Petal.Length y Species de iris, se puede usar select(iris, Sepal.Width, Petal.Length, Species).

Para quitar una columna, se puede usar el signo - antes del nombre de la columna. Por ejemplo, para quitar la columna Species de iris, se puede usar select(iris, -Species).

Funciones de ayuda

starts_with(): selecciona columnas cuyos nombres comienzan con una cadena de caracteres.

ends_with(): selecciona columnas cuyos nombres terminan con una cadena de caracteres.

Otras funciones similares:

select(iris, contains(".")): Selecciona columnas cuyos nombres contienen una cadena de caracteres.
select(iris, everything()): Selecciona todas las columnas.
select(iris, num_range("x", 1:5)): Selecciona columna con nombres x1, x2, x3, x4, x5.
select(iris, one_of(c("Species", "Genus"))): Selecciona columnas cuyos nombres están en un grupo de nombres.

seleccionar filas u observaciones

La función filter() de dplyr filtra filas de un data frame que cumplen ciertos criterios.
Por ejemplo, para filtrar las filas de iris donde Sepal.Length es mayor que 7, se puede usar filter(iris, Sepal.Length > 7).

Recuerda los Operadores lógicos que podemos usar en R:

==: igual a

!=: no igual a

>: mayor que, <: menor que, >=: mayor o igual que, <=: menor o igual que

%in%: pertenece a un conjunto

&: y lógico, |: o lógico
En nuestro ejemplo, ninguna fila cumple con la condición de Sepal.Length > 7 y Species == “setosa”.

is.na(): es NA
En nuestro ejemplo, no hay filas donde Sepal.Length es NA.

Otras funciones útiles para filtrar datos:

distinct(): Remueve filas duplicadas.
en nuestro ejemplo, no hay filas duplicadas en iris.

sample_frac(): Selecciona una fracción de filas al azar.
Observa como cada vez que ejecutas el código, obtienes un subconjunto diferente de filas.

sample_n(): Selecciona n filas al azar.

top_n(): Selecciona y ordena las n entradas más altas (por grupo si los datos están agrupados).

Resumiendo Datos

La función summarise() de dplyr resume datos a una sola fila de valores.
Por ejemplo, para calcular el promedio de Sepal.Length en iris, se puede usar summarise(iris, avg = mean(Sepal.Length)).

Podemos resumir varias columnas con varias funciones estadísticas a la vez:

count(): Cuenta el número de valores únicos para cada variable.

n(): Número de observaciones en un grupo.

n_distinct(): Número de valores distintos en un vector.

pull(): Extrae una columna como un vector.

Agrupando Datos

group_by(): Agrupa datos en filas por los valores en una o más columnas.

Crear Nuevas Variables

mutate(): Calcula y añade una o más columnas nuevas.

case_when(): Reemplaza valores basados en condiciones.
En el siguiente ejemplo, reemplazamos los valores de Species por el nombre científico completo.
Piensalo como un if-else en R. Es decir, si Species es “setosa”, reemplazarlo con “Iris setosa”, si es “versicolor”, reemplazarlo con “Iris versicolor”, y si es “virginica”, reemplazarlo con “Iris virginica”.

Cambiar tipo de datos

Podemos usar mutate() para cambiar el tipo de datos de una columna:
as.factor(): Convierte una columna a un factor.
as.character(): Convierte una columna a un carácter.
as.numeric(): Convierte una columna a un número.
as.integer(): Convierte una columna a un entero.
En el siguiente ejemplo, vamos a convertir la columna Sepal.Length a un factor (esto no tiene sentido real, solo es para ilustrar).

tidyr

Cambiar la Forma de los Datos

La forma de los datos es fundamental para el análisis de datos. Los datos “ordenados” o “tidy” tienen una observación por fila y una variable por columna, como en la siguiente figura:

Sin embargo, los datos reales a menudo no están en esta forma ordenada. tidyr proporciona herramientas para cambiar la forma de los datos para que se ajusten a la estructura de datos “tidy”.
Ve el siguiente ejemplo, donde los datos están en una forma “ancha” y se convierten en una forma “larga” o “tidy” con pivot_longer().
Ancho (wide) se refiere a tener muchas columnas para una misma variable, mientras que en el formato largo (long) se tiene una columna para cada variable.
ve la siguiente imagen, donde se muestra la diferencia entre los formatos ancho y largo. En la forma ancha (derecha), la variable de año está en dos columnas: 1999 y 2000. En la forma larga (izquierda), la variable de año está en una sola columna llamada “año” y los valores correspondientes están en una columna llamada “valor”.

lo que queremos hacer es convertir los datos de la forma ancha a la forma larga. Para hacer esto, usamos la función pivot_longer() de tidyr. Su funcionamiento se ejemplifica en la siguiente imagen:

Para usar pivot_longer(), se especifican las columnas que se quieren convertir en filas y en qué columnas se quieren mantener. Por ejemplo, para convertir las columnas 1999 y 2000 en filas y mantener la columna pais, se puede usar pivot_longer(datos, cols = c(1999, 2000), names_to = "año", values_to = "valor").
En este ejemplo, cols especifica las columnas que se convertirán en filas, names_to especifica el nombre de la columna que contendrá los nombres de las columnas convertidas en filas, y values_to especifica el nombre de la columna que contendrá los valores correspondientes.

ahora convertimos los datos de la forma ancha a la forma larga con pivot_longer().

pivot_wider(): Convierte los datos de la forma larga a la forma ancha.
pivot_wider() es el opuesto de pivot_longer(). Convierte los datos de la forma larga a la forma ancha. Por ejemplo, para convertir los datos de la forma larga a la forma ancha, se puede usar pivot_wider(datos, names_from = año, values_from = valor). Este formato es útil para algunos casos que se verán más adelante.
En este ejemplo, names_from especifica la columna que contiene los nombres de las nuevas columnas, y values_from especifica la columna que contiene los valores correspondientes.
Ve el siguiente ejemplo, donde los datos están en una forma “larga” y se convierten en una forma “ancha” con pivot_wider().

ahora convertimos los datos de la forma larga a la forma ancha con pivot_wider().