--- language: R contributors: - ["e99n09", "http://github.com/e99n09"] - ["isomorphismes", "http://twitter.com/isomorphisms"] translators: - ["David Hsieh", "http://github.com/deivuh"] filename: learnr-es.r --- R es un lenguaje de computación estadística. Tiene muchas librerías para cargar y limpiar sets de datos, ejecutar procedimientos estadísticos y generar gráficas. También puedes ejecutar comandos `R` dentro de un documento de LaTeX. ```r # Los comentarios inician con símbolos numéricos. # No puedes hacer comentarios de múltiples líneas # pero puedes agrupar múltiples comentarios de esta manera. # En Windows puedes utilizar CTRL-ENTER para ejecutar una línea. # En Mac utilizas COMMAND-ENTER ############################################################################# # Cosas que puedes hacer sin entender nada acerca de programación ############################################################################# # En esta sección, mostramos algunas cosas chileras / cool que puedes hacer en # R sin entender nada de programación. No te preocupes en entender nada # de lo que hace este código. Solo disfruta! data() # Examinar sets de datos pre-cargados data(rivers) # Obtiene este: Lengths of Major North American Rivers" ls() # Fijarse que "rivers" ahora aparece en el workspace head(rivers) # Echarle un ojo al set de datos # 735 320 325 392 524 450 length(rivers) # ¿Cuántos ríos fueron medidos? # 141 summary(rivers) # ¿Cuáles son algunas estadísticas generales? # Min. 1st Qu. Median Mean 3rd Qu. Max. # 135.0 310.0 425.0 591.2 680.0 3710.0 # Generar una gráfica tallo-y-hoja (Visualización de datos tipo histograma) stem(rivers) # El punto decimal son 2 dígitos a la derecha de | # # 0 | 4 # 2 | 011223334555566667778888899900001111223333344455555666688888999 # 4 | 111222333445566779001233344567 # 6 | 000112233578012234468 # 8 | 045790018 # 10 | 04507 # 12 | 1471 # 14 | 56 # 16 | 7 # 18 | 9 # 20 | # 22 | 25 # 24 | 3 # 26 | # 28 | # 30 | # 32 | # 34 | # 36 | 1 stem(log(rivers)) # Fijarse que la data no es normal ni log-normal! # Toma eso, fundamentalistas de la curva de campana! # El punto decimal está a 1 dígito a la izquierda del | # # 48 | 1 # 50 | # 52 | 15578 # 54 | 44571222466689 # 56 | 023334677000124455789 # 58 | 00122366666999933445777 # 60 | 122445567800133459 # 62 | 112666799035 # 64 | 00011334581257889 # 66 | 003683579 # 68 | 0019156 # 70 | 079357 # 72 | 89 # 74 | 84 # 76 | 56 # 78 | 4 # 80 | # 82 | 2 # Generar un histograma: hist(rivers, col="#333333", border="white", breaks=25) # Juega con los estos parámetros hist(log(rivers), col="#333333", border="white", breaks=25) # Generarás más gráficas después # Aquí hay otro set de datos pre-cargado. R tiene bastantes de éstos. data(discoveries) plot(discoveries, col="#333333", lwd=3, xlab="Year", main="Number of important discoveries per year") plot(discoveries, col="#333333", lwd=3, type = "h", xlab="Year", main="Number of important discoveries per year") # En lugar de dejar el orden por defecto (por año), # podemos ordenar de tal manera que muestre qué es típico: sort(discoveries) # [1] 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2 # [26] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3 # [51] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4 # [76] 4 4 4 4 5 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 8 9 10 12 stem(discoveries, scale=2) # # El punto decimal se encuentra en | # # 0 | 000000000 # 1 | 000000000000 # 2 | 00000000000000000000000000 # 3 | 00000000000000000000 # 4 | 000000000000 # 5 | 0000000 # 6 | 000000 # 7 | 0000 # 8 | 0 # 9 | 0 # 10 | 0 # 11 | # 12 | 0 max(discoveries) # 12 summary(discoveries) # Min. 1st Qu. Median Mean 3rd Qu. Max. # 0.0 2.0 3.0 3.1 4.0 12.0 # Tirar los dados varias veces round(runif(7, min=.5, max=6.5)) # 1 4 6 1 4 6 4 # Tus números será diferente de los míos, a menos que tengamos el mismo valor # de random.seed(31337) # Dibuja de un Gaussian 9 veces rnorm(9) # [1] 0.07528471 1.03499859 1.34809556 -0.82356087 0.61638975 -1.88757271 # [7] -0.59975593 0.57629164 1.08455362 ################################################## # Tipos de datos y aritmética básica ################################################## # Ahora para la parte de programación orientada a objetos del tutorial. # En esta sección conocerás los tipos de datos importantes de R: # Enteros, numéricos, caracteres, lógicos, y factores. # Hay otros, pero esos son los que menos necesitas para empezar. # ENTEROS # Enteros de almacenamiento largo son escritos con L 5L # 5 class(5L) # "integer" # (Try ?class para más información en la función class().) # En R, cada valor único, como 5L, es considerado un vector de logitud 1 length(5L) # 1 # También puedes tener un vector de enteros con longitud > 1: c(4L, 5L, 8L, 3L) # 4 5 8 3 length(c(4L, 5L, 8L, 3L)) # 4 class(c(4L, 5L, 8L, 3L)) # "integer" # NUMÉRICOS # Un "numérico" es un número de punto flotante de doble precisión. 5 # 5 class(5) # "numeric" # Nuevamente, todo en R es un vector; # puedes hacer un vector numérico con más de un elemento c(3,3,3,2,2,1) # 3 3 3 2 2 1 # También puedes utilizar el notación científica 5e4 # 50000 6.02e23 # Número de Avogadro 1.6e-35 # Logintud Planck # También puedes tener números infinitamente grandes o pequeños class(Inf) # "numeric" class(-Inf) # "numeric" # Puede que uses "Inf", por ejemplo, en integrate(dnorm, 3, Inf); # esto obvia las tablas de puntos Z. # ARITMÉTICA BÁSICA # Puedes hacer aritmética con números # Haciendo aritmética en un mix de enteros y numéricos, te da otro numérico 10L + 66L # 76 # entero mas entero da entero 53.2 - 4 # 49.2 # entero menos entero da numérico 2.0 * 2L # 4 # numérico veces entero da numérico 3L / 4 # 0.75 # entero sobre numérico da numérico 3 %% 2 # 1 # el residuo de dos numéricos es otro numérico # La aritmética ilegal rinde un "not-a-number" 0 / 0 # NaN class(NaN) # "numeric" # Puedes hacer aritmética con dos vectores con longitud mayor a 1, # siempre que la longitud del vector mayor es un entero múltiplo del menor. c(1,2,3) + c(1,2,3) # 2 4 6 # CARACTERES # No hay diferencia entre strings y caracteres en R "Horatio" # "Horatio" class("Horatio") # "character" class('H') # "character" # Ambos eran vectores de caracteres de longitud 1 # Aquí hay uno más largo: c('alef', 'bet', 'gimmel', 'dalet', 'he') # => # "alef" "bet" "gimmel" "dalet" "he" length(c("Call","me","Ishmael")) # 3 # Puedes hacer operaciones regex en vectores de caracteres: substr("Fortuna multis dat nimis, nulli satis.", 9, 15) # "multis " gsub('u', 'ø', "Fortuna multis dat nimis, nulli satis.") # "Fortøna møltis dat nimis, nølli satis." # R tiene varios vectores predefinidos de caracteres letters # => # [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s" # [20] "t" "u" "v" "w" "x" "y" "z" month.abb # "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "Dec" # LÓGICOS # En R, un "logical" es un boolean class(TRUE) # "logical" class(FALSE) # "logical" # Ese comportamiento es normal TRUE == TRUE # TRUE TRUE == FALSE # FALSE FALSE != FALSE # FALSE FALSE != TRUE # TRUE # El dato faltante (NA) es lógico también class(NA) # "logical" # Utiliza | y & para operaciones lógicas # OR TRUE | FALSE # TRUE # AND TRUE & FALSE # FALSE # Puedes probar si x es TRUE (verdadero) isTRUE(TRUE) # TRUE # Aquí tenemos un vector lógico con varios elementos: c('Z', 'o', 'r', 'r', 'o') == "Zorro" # FALSE FALSE FALSE FALSE FALSE c('Z', 'o', 'r', 'r', 'o') == "Z" # TRUE FALSE FALSE FALSE FALSE # FACTORES # La clase factor es para datos de categoría # Los factores pueden ser ordenados (como las calificaciones de los niños) # o sin orden (como el género) factor(c("female", "female", "male", NA, "female")) # female female male female # Levels: female male # Los "levels" son los valores que los datos categóricos pueden tener # Tomar nota que los datos faltantes no entran a los niveles levels(factor(c("male", "male", "female", NA, "female"))) # "female" "male" # Si un vector de factores tiene longitud 1, sus niveles también tendrán # una longitud de 1 también length(factor("male")) # 1 length(levels(factor("male"))) # 1 # Los factores son comúnmente vistos en marcos de dato, y una estructura de # datos que cubriremos después data(infert) # "Infertility after Spontaneous and Induced Abortion" levels(infert$education) # "0-5yrs" "6-11yrs" "12+ yrs" # NULL # "NULL" es uno raro; utilízalo para "limpiar" un vector class(NULL) # NULL parakeet = c("beak", "feathers", "wings", "eyes") parakeet # => # [1] "beak" "feathers" "wings" "eyes" parakeet <- NULL parakeet # => # NULL # COERCIÓN DE TIPO # La coerción de tipos es cuando forzas un valor diferente tipo al que puede tomar. as.character(c(6, 8)) # "6" "8" as.logical(c(1,0,1,1)) # TRUE FALSE TRUE TRUE # Si pones elementos de diferentes tipos en un vector, coerciones raras pasan: c(TRUE, 4) # 1 4 c("dog", TRUE, 4) # "dog" "TRUE" "4" as.numeric("Bilbo") # => # [1] NA # Warning message: # NAs introduced by coercion # También tomar nota: Esos solo eran datos de tipos básicos # Hay mucho más tipos de datos, como las fechas, series de tiempo, etc. ################################################## # Variables, ciclos, condiciones (if/else) ################################################## # A variable is like a box you store a value in for later use. # We call this "assigning" the value to the variable. # Having variables lets us write loops, functions, and if/else statements # VARIABLES # Muchas maneras de asignar valores: x = 5 # esto es posible y <- "1" # esto es preferido TRUE -> z # estos funciona pero es raro # CICLOS # Tenemos ciclos 'for' for (i in 1:4) { print(i) } # Tenemos ciclos 'while' a <- 10 while (a > 4) { cat(a, "...", sep = "") a <- a - 1 } # Ten en mente que los ciclos 'for' y 'while' son lentos en R # Operaciones con vectores enteros (i.e. una fila o columna completa) # o tipos de función apply() (que discutiremos después) son preferidos # CONDICIONES (IF/ELSE) # De nuevo, bastante normal if (4 > 3) { print("4 is greater than 3") } else { print("4 is not greater than 3") } # => # [1] "4 is greater than 3" # FUNCIONES # Definidos de la siguiente manera: jiggle <- function(x) { x = x + rnorm(1, sd=.1) #agregar un poco de ruido (controlado) return(x) } # Llamados como cualquier otra función de R jiggle(5) # 5±ε. luego de set.seed(2716057), jiggle(5)==5.005043 ########################################################################### # Estructura de datos: Vectores, matrices, marcos da datos y arreglos ########################################################################### # UNIDIMENSIONAL # Empecemos desde el principio, y con algo que ya conoces: vectores. vec <- c(8, 9, 10, 11) vec # 8 9 10 11 # Preguntamos por elementos específicos poniendo un subconjunto en corchetes # (Toma nota de que R empieza los conteos desde 1) vec[1] # 8 letters[18] # "r" LETTERS[13] # "M" month.name[9] # "September" c(6, 8, 7, 5, 3, 0, 9)[3] # 7 # También podes buscar por los índices de componentes específicos, which(vec %% 2 == 0) # 1 3 # obtener la primera o las últimas entradas de un vector, head(vec, 1) # 8 tail(vec, 2) # 10 11 # o averiguar si cierto valor se encuentra dentro de un vector any(vec == 10) # TRUE # Si un índice "se pasa", obtendrás un NA: vec[6] # NA # Puedes encontrar la longitud de un vector con length() length(vec) # 4 # Puedes realizar operaciones con vectores enteros o con subconjuntos de vectores vec * 4 # 16 20 24 28 vec[2:3] * 5 # 25 30 any(vec[2:3] == 8) # FALSE # y R tiene muchas funciones pre-definidas para resumir vectores mean(vec) # 9.5 var(vec) # 1.666667 sd(vec) # 1.290994 max(vec) # 11 min(vec) # 8 sum(vec) # 38 # Otras funciones pre-definidas: 5:15 # 5 6 7 8 9 10 11 12 13 14 15 seq(from=0, to=31337, by=1337) # => # [1] 0 1337 2674 4011 5348 6685 8022 9359 10696 12033 13370 14707 # [13] 16044 17381 18718 20055 21392 22729 24066 25403 26740 28077 29414 30751 # BIDIMENCIONAL (TODO EN UNA CLASE) # Puedes hacer una matriz de las entradas todos de un mismo tipo como: mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6)) mat # => # [,1] [,2] # [1,] 1 4 # [2,] 2 5 # [3,] 3 6 # A diferencia de un vector, una clase matriz es una 'matriz', # sin importar qué contiene class(mat) # => "matrix" # Consulta la primera fila mat[1,] # 1 4 # Realiza una operación en la primera columna 3 * mat[,1] # 3 6 9 # Consulta por una celda específica mat[3,2] # 6 # Transpone una matriz entera t(mat) # => # [,1] [,2] [,3] # [1,] 1 2 3 # [2,] 4 5 6 # Multiplicación de matrices mat %*% t(mat) # => # [,1] [,2] [,3] # [1,] 17 22 27 # [2,] 22 29 36 # [3,] 27 36 45 # cbind() une vectores como columnas para hacer una matriz mat2 <- cbind(1:4, c("dog", "cat", "bird", "dog")) mat2 # => # [,1] [,2] # [1,] "1" "dog" # [2,] "2" "cat" # [3,] "3" "bird" # [4,] "4" "dog" class(mat2) # matrix # De nuevo, ten en cuenta lo que sucedió # Debido a que las matrices deben de contener todas las entradas del mismo tipo, # todo fue convertido a la clase caracter c(class(mat2[,1]), class(mat2[,2])) # rbind() une vectores como filas para hacer una matriz mat3 <- rbind(c(1,2,4,5), c(6,7,0,4)) mat3 # => # [,1] [,2] [,3] [,4] # [1,] 1 2 4 5 # [2,] 6 7 0 4 # Ah, todo es de la misma clase. No hay coerciones. Mucho mejor. # BIDIMENSIONAL (DIFERENTES CLASES) # Para columnas de tipos diferentes, utiliza un data frame # Esta estructura de datos es muy útil para programación estadística, # una versión de ésta fue agregada a Python en el paquete "pandas". students <- data.frame(c("Cedric","Fred","George","Cho","Draco","Ginny"), c(3,2,2,1,0,-1), c("H", "G", "G", "R", "S", "G")) names(students) <- c("name", "year", "house") # name the columns class(students) # "data.frame" students # => # name year house # 1 Cedric 3 H # 2 Fred 2 G # 3 George 2 G # 4 Cho 1 R # 5 Draco 0 S # 6 Ginny -1 G class(students$year) # "numeric" class(students[,3]) # "factor" # encontrar las dimensiones nrow(students) # 6 ncol(students) # 3 dim(students) # 6 3 # La función data.frame() convierte vectores de caracteres en vectores # de factores por defecto; deshabilita este atributo # stringsAsFactors = FALSE cuando vayas a crear el data.frame ?data.frame # Hay otras formas de hacer subconjuntos de data frames students$year # 3 2 2 1 0 -1 students[,2] # 3 2 2 1 0 -1 students[,"year"] # 3 2 2 1 0 -1 # Una versión aumentada de la estructura data.frame es el data.table # Si estás trabajando huge o panel data, o necesitas unificar algunos # subconjuntos de datos, data.table puede ser una buena elección. # Aquí un tour: install.packages("data.table") # Descarga el paquete de CRAN require(data.table) # Cárgalo students <- as.data.table(students) students # Tomar en cuenta la diferencia de la impresión # => # name year house # 1: Cedric 3 H # 2: Fred 2 G # 3: George 2 G # 4: Cho 1 R # 5: Draco 0 S # 6: Ginny -1 G students[name=="Ginny"] # obtener filas con name == "Ginny" # => # name year house # 1: Ginny -1 G students[year==2] # obtener filas con year == 2 # => # name year house # 1: Fred 2 G # 2: George 2 G # data.table hace que la unificación de dos sets de datos sea fácil # Hagamos otro data.table para unifiar a los estudiantes founders <- data.table(house=c("G","H","R","S"), founder=c("Godric","Helga","Rowena","Salazar")) founders # => # house founder # 1: G Godric # 2: H Helga # 3: R Rowena # 4: S Salazar setkey(students, house) setkey(founders, house) students <- founders[students] # Unifica los dos sets de datos comparando "house" setnames(students, c("house","houseFounderName","studentName","year")) students[,order(c("name","year","house","houseFounderName")), with=F] # => # studentName year house houseFounderName # 1: Fred 2 G Godric # 2: George 2 G Godric # 3: Ginny -1 G Godric # 4: Cedric 3 H Helga # 5: Cho 1 R Rowena # 6: Draco 0 S Salazar # data.table hace que sea fácil obtener resúmenes de las tablas students[,sum(year),by=house] # => # house V1 # 1: G 3 # 2: H 3 # 3: R 1 # 4: S 0 # Para eliminar una columna de un data.frame o data.table, # asignarle el valor NULL. students$houseFounderName <- NULL students # => # studentName year house # 1: Fred 2 G # 2: George 2 G # 3: Ginny -1 G # 4: Cedric 3 H # 5: Cho 1 R # 6: Draco 0 S # Elimina una fila poniendo un subconjunto # Usando data.table: students[studentName != "Draco"] # => # house studentName year # 1: G Fred 2 # 2: G George 2 # 3: G Ginny -1 # 4: H Cedric 3 # 5: R Cho 1 # Usando data.frame: students <- as.data.frame(students) students[students$house != "G",] # => # house houseFounderName studentName year # 4 H Helga Cedric 3 # 5 R Rowena Cho 1 # 6 S Salazar Draco 0 # MULTI-DIMENSIONAL (TODOS LOS ELEMENTOS DE UN TIPO) # Arreglos crean una tabla de dimensión n # Todos los elementos deben de ser del mismo tipo # Puedes hacer una tabla bi-dimensional (como una matriz) array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4)) # => # [,1] [,2] [,3] [,4] # [1,] 1 4 8 3 # [2,] 2 5 9 6 # Puedes utilizar un arreglo para hacer una matriz tri-dimensional también array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2)) # => # , , 1 # # [,1] [,2] # [1,] 2 8 # [2,] 300 9 # [3,] 4 0 # # , , 2 # # [,1] [,2] # [1,] 5 66 # [2,] 60 7 # [3,] 0 847 # LISTAS (MULTI-DIMENSIONAL, POSIBLEMENTE DESIGUALES, DE DIFERENTES TIPOS) # Finalmente, R tiene listas (de vectores) list1 <- list(time = 1:40) list1$price = c(rnorm(40,.5*list1$time,4)) # aleatorio list1 # Puedes obtener elementos de una lista de la siguiente manera list1$time # Una manera list1[["time"]] # Otra manera list1[[1]] # Y otra manera # => # [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 # [34] 34 35 36 37 38 39 40 # Puedes crear una lista de subconjuntos como cualquier otro vector list1$price[4] # Las listas no son la estructura de datos más eficiente para trabajar en R; # a menos de que tengas una buena razón, deberías de quedarte con data.frames # Las listas son usualmente devueltas por funciones que realizan regresiones # lineales ################################################## # La familia de funciones apply() ################################################## # Te recuerdas de mat? mat # => # [,1] [,2] # [1,] 1 4 # [2,] 2 5 # [3,] 3 6 # Utiliza apply(X, MARGIN, FUN) paraaplicar una función FUN a la matriz X # sobre las filas (MAR = 1) o las columnas (MAR = 2) # Eso es, R aplica FUN sobre cada fila (o columna) de X, mucho más rápido que # lo que haría un ciclo 'for' o 'loop' apply(mat, MAR = 2, jiggle) # => # [,1] [,2] # [1,] 3 15 # [2,] 7 19 # [3,] 11 23 # Otras funciones: ?lapply, ?sapply # No te sientas muy intimidado; todos están de acuerdo que son confusas # El paquete plyr busca reemplazar (y mejorar) la familiar *apply() install.packages("plyr") require(plyr) ?plyr ######################### # Carga de datos ######################### # "pets.csv" es un archivo en internet # (pero puede ser tan fácil como tener el archivo en tu computadora) pets <- read.csv("http://learnxinyminutes.com/docs/pets.csv") pets head(pets, 2) # primeras dos filas tail(pets, 1) # última fila # Para guardar un data frame o una matriz como un archivo .csv write.csv(pets, "pets2.csv") # para hacer un nuevo archivo .csv # definir el directorio de trabajo con setwd(), búscalo con getwd() # Prueba ?read.csv ?write.csv para más información ######################### # Gráficas ######################### # FUNCIONES PREDEFINIDAS DE GRAFICACIÓN # Gráficos de dispersión! plot(list1$time, list1$price, main = "fake data") # Regresiones! linearModel <- lm(price ~ time, data = list1) linearModel # Muestra el resultado de la regresión # Grafica la línea de regresión abline(linearModel, col = "red") # Obtiene una veridad de diagnósticos plot(linearModel) # Histogramas! hist(rpois(n = 10000, lambda = 5), col = "thistle") # Barras! barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow")) # GGPLOT2 # Pero éstas no son las gráficas más bonitas de R # Prueba el paquete ggplot2 para mayor variedad y mejores gráficas install.packages("ggplot2") require(ggplot2) ?ggplot2 pp <- ggplot(students, aes(x=house)) pp + geom_histogram() ll <- as.data.table(list1) pp <- ggplot(ll, aes(x=time,price)) pp + geom_point() # ggplot2 tiene una excelente documentación # (disponible en http://docs.ggplot2.org/current/) ``` ## ¿Cómo obtengo R? * Obtén R y R GUI de [http://www.r-project.org/](http://www.r-project.org/) * [RStudio](http://www.rstudio.com/ide/) es otro GUI