¡Descarga Funciones Básicas de R para Análisis de Datos y más Guías, Proyectos, Investigaciones en PDF de Programación Informática solo en Docsity!
Funci´on aggregate() en R
La funci´on aggregate() en R se utiliza para aplicar una funci´on a subconjuntos de datos definidos por una o m´as variables categ´oricas. Es especialmente ´util para resumir datos agrupados en an´alisis exploratorios o en la generaci´on de reportes.
Sintaxis
aggregate(x, by, FUN, ...)
- x: Un data frame o una f´ormula. Cuando es un data frame, especifica la variable a agregar. Cuando es una f´ormula, se usa para definir la relaci´on entre la variable de respuesta y los factores.
- by: Una lista de variables (normalmente factores) por las cuales se agru- par´an los datos.
- FUN: La funci´on que se aplicar´a a los datos agrupados (por ejemplo, mean, sum, length, etc.).
- ...: Argumentos adicionales que se pasan a la funci´on FUN.
Ejemplos
- Calcular la media de una variable num´erica agrupada por una variable categ´orica
Supongamos que tienes un data frame con la altura de diferentes personas junto con su g´enero: 1 # Crear un data frame de ejemplo 2 datos <- data. frame ( 3 altura = c (160 , 170 , 165 , 180 , 175 , 160 , 170) , 4 genero = c ( " Mujer " , " Mujer " , " Hombre " , " Hombre " , " Hombre " , " Mujer " , " Mujer " ) 5 ) 6 7 # Calcular la media de la altura por genero 8 resultado <- aggregate ( altura ~ genero , data = datos , FUN = mean ) 9 10 print ( resultado )
El resultado ser´a:
genero altura 1 Hombre 173. 2 Mujer 165.
Explicaci´on de la expresi´on valor ~ grupo
En R, la expresi´on valor ~ grupo es una f´ormula que se utiliza para definir relaciones entre variables dentro de una funci´on, como aggregate. Esta ex- presi´on se interpreta de la siguiente manera:
- valor: Es la variable dependiente o respuesta, que es la variable que queremos agrupar y sobre la cual aplicaremos una funci´on de resumen, como la media o la suma.
- grupo: Es la variable independiente o factor, que define los grupos o categor´ıas seg´un los cuales se agrupar´an los datos.
El s´ımbolo ~ (tilde) se lee como ”en funci´on de” o ”dependiendo de”. Por lo tanto, la f´ormula valor ~ grupo significa que queremos aplicar una operaci´on a la variable valor, agrupando los datos seg´un los niveles de la variable grupo. En resumen, valor ~ grupo indica que la variable valor se debe agrupar de acuerdo con los niveles de grupo, y luego aplicar la funci´on especificada a los valores de valor dentro de cada grupo.
- Sumar las ventas por mes y region Imagina que tienes un data frame con datos de ventas, donde las ventas se registran por mes y por regi´on: 1 # Crear un data frame de ejemplo 2 ventas <- data. frame ( 3 mes = rep ( c ( " Enero " , " Febrero " , " Marzo " ) , times = 2) , 4 region = rep ( c ( " Norte " , " Sur " ) , each = 3) , 5 ventas = c (100 , 150 , 200 , 120 , 180 , 220) 6 ) 7 8 # Sumar las ventas por mes y region 9 resultado <- aggregate ( ventas ~ mes + region , data = ventas , FUN = sum ) 10 11 print ( resultado )
El resultado ser´a:
mes region ventas 1 Enero Norte 100 2 Febrero Norte 150 3 Marzo Norte 200 4 Enero Sur 120 5 Febrero Sur 180 6 Marzo Sur 220
- Contar la cantidad de observaciones por grupo
Otra aplicaci´on com´un es contar cu´antas observaciones caen en cada grupo. Para esto, puedes usar la funci´on length.
C´odigo en R
1 # otra forma de agregar una columna en un data. frame 2 3 cal <- data. frame ( Nombre = c ( " Suleika " ," Camila " ," Sandra " ) , 4 parcial1 = c (9 ,9 ,7) , 5 parcial2 = c (9 ,7 ,6) , 6 parcial3 = c (10 ,8 ,7) , 7 tareas = c (10 ,10 ,10) , 8 proyecto = c (8 ,6 ,7) ) 9 10 cal 11 12 cal _ final = ((( cal $ parcial1 + cal $ parcial2 + cal $ parcial3 ) / 3.0) * 0.7) + 13 ( cal $ tareas * 0.1) + ( cal $ proyecto * 0.2) 14 cal _ final 15 16 calificaciones $ calfinal <- cal _ final 17 18 calificaciones
C´odigo en R
1 # Como agregar una registro en un data. frame 2 3 cal <- data. frame ( Nombre = c ( " Suleika " ," Camila " ," Andrea " ) , 4 parcial1 = c (9 ,9 ,7) , 5 parcial2 = c (9 ,7 ,6) , 6 parcial3 = c (10 ,8 ,7) , 7 tareas = c (10 ,10 ,10) , 8 proyecto = c (8 ,6 ,7) ) 9 10 registronuevo = data. frame ( Nombre = " Javier " , 11 parcial1 =7 , parcial2 =8 , 12 parcial3 =9 , tareas =8 , 13 proyecto =7) 14 15 registronuevo 16 17 new = rbind ( cal , registronuevo ) 18 new
- quantile(): Calcula los cuantiles de un conjunto de datos. cuantiles <- quantile ( c (3 , 5 , 1 , 8 , 7) , probs = c ,→ (0.25 , 0.5 , 0.75) )
Resultado : 25% 50% 75%
3.0 5.0 7.
- cumsum(): Devuelve la suma acumulativa de los elementos de un vector.
suma _ acumulativa <- cumsum ( c (3 , 5 , 1 , 8 , 7) )
Resultado : 3 8 9 17 24
Estas funciones son herramientas comunes y ´utiles para realizar an´alisis de datos y c´alculos en R.
La funci´on complete.cases en R
La funci´on complete.cases en R se utiliza para identificar las filas en un data frame o matriz que no contienen valores faltantes (NA). Devuelve un vector l´ogico que indica cu´ales filas tienen datos completos (sin valores faltantes) y cu´ales no.
Sintaxis b´asica
complete.cases(data)
- data: Puede ser un data frame, una matriz o un vector.
Funcionamiento
complete.cases revisa cada fila en el data frame o matriz y devuelve TRUE si la fila no tiene valores faltantes (NA) y FALSE si la fila tiene uno o m´as NA. Esto es ´util para filtrar filas completas de datos cuando se trabaja con conjuntos incompletos.
Ejemplos
- Uso b´asico con un data frame
Crear un data frame con algunos valores NA
df <- data. frame ( Nombre = c ( " Ana " , " Beto " , NA , " Diana " ) , Edad = c (23 , 34 , 28 , NA ) , Ciudad = c ( " Madrid " , NA , " Barcelona " , " Sevilla " ) )
Identificar las filas completas ( sin NA )
completas <- complete. cases ( df ) print ( completas )
Resultado:
[1] TRUE FALSE FALSE FALSE
En este caso, s´olo la primera fila est´a completa.
- Filtrar filas completas
Podemos usar complete.cases para filtrar las filas que no tienen valores fal- tantes:
Filtrar las filas completas
df _ completo <- df [ complete. cases ( df ) , ] print ( df _ completo )
Generaci´on de Datos Aleatorios con sample en R
La funci´on sample en R se utiliza para seleccionar elementos al azar de un conjunto de datos, con o sin reemplazo. Es ´util para realizar un muestreo aleatorio de un conjunto finito de valores, como una lista de n´umeros o una secuencia de enteros.
Sintaxis de sample
sample(x, size, replace = FALSE, prob = NULL)
Los par´ametros de la funci´on son los siguientes:
- x: El vector o conjunto de datos del cual se van a tomar las muestras.
- size: El n´umero de elementos que se quieren muestrear.
- replace: Un valor l´ogico. Si es TRUE, se permite el reemplazo (los elemen- tos pueden ser seleccionados m´as de una vez). Si es FALSE (por defecto), no se permite el reemplazo.
- prob: Un vector de probabilidades para cada uno de los elementos de x. Si no se especifica, se asume que todos los elementos tienen la misma probabilidad de ser seleccionados.
Funcionamiento
- sample(x, size) selecciona al azar size elementos del conjunto x sin reemplazo (por defecto).
- Si se establece replace = TRUE, los elementos pueden ser seleccionados m´as de una vez.
- Si se proporcionan probabilidades en el argumento prob, se seleccionan los elementos con las probabilidades especificadas.
Ejemplo 1: Selecci´on sin reemplazo
Supongamos que queremos seleccionar 5 n´umeros aleatorios del conjunto de enteros del 1 al 10:
set.seed(123) # Para reproducir los resultados muestra <- sample(1:10, size = 5) print(muestra)
En este ejemplo, sample seleccionar´a 5 n´umeros diferentes sin repetici´on, ya que el reemplazo no est´a permitido.
Ejemplo 2: Selecci´on con reemplazo
Si permitimos el reemplazo, algunos n´umeros pueden repetirse:
set.seed(123) muestra_reemplazo <- sample(1:10, size = 5, replace = TRUE) print(muestra_reemplazo)
Aqu´ı, los n´umeros pueden aparecer m´as de una vez, ya que cada vez que se selecciona un n´umero, vuelve a estar disponible para la siguiente selecci´on.
Ejemplo 3: Uso de probabilidades
Podemos asignar probabilidades diferentes a cada n´umero. Por ejemplo, si quer- emos que los n´umeros m´as grandes tengan m´as probabilidad de ser seleccionados:
set.seed(123) muestra_prob <- sample(1:10, size = 5, prob = c(1,1,1,1,1,2,2,2,2,2)) print(muestra_prob)
En este caso, los n´umeros 6 a 10 tienen el doble de probabilidad de ser seleccionados en comparaci´on con los n´umeros 1 a 5.
Explicaci´on del Resultado
- Muestreo sin reemplazo: Cada elemento del conjunto puede ser selec- cionado solo una vez, lo que asegura que todos los elementos seleccionados sean ´unicos.
- Muestreo con reemplazo: Los elementos pueden ser seleccionados m´as de una vez, lo que permite que los resultados tengan valores repetidos.
- Probabilidades: Se puede influir en el proceso de selecci´on asignando probabilidades, lo que permite controlar la frecuencia con la que se selec- cionan ciertos elementos.
Resumen
- La funci´on sample genera una muestra aleatoria a partir de un conjunto de datos.
- Se puede realizar la selecci´on con o sin reemplazo.
- Las probabilidades pueden ajustarse para favorecer ciertos elementos en el muestreo.
- Aproximadamente el 95% estar´a dentro de dos desviaciones est´andar (en- tre 30 y 70).
Ejemplo Gr´afico
Podemos visualizar los datos generados con un histograma:
hist(valores, main="Distribuci´on normal de los datos", xlab="Valores")
Este gr´afico mostrar´a c´omo los valores aleatorios se distribuyen en torno a la media de 50 con una dispersi´on determinada por la desviaci´on est´andar de
Resumen
- La funci´on rnorm genera valores aleatorios de una distribuci´on normal.
- Los par´ametros mean y sd determinan la posici´on y la dispersi´on de la distribuci´on.
- Se puede ajustar la cantidad de valores generados y la forma de la dis- tribuci´on cambiando estos par´ametros.
Generaci´on de Datos Aleatorios con runif en R
La funci´on runif en R se utiliza para generar n´umeros aleatorios que siguen una distribuci´on uniforme. En una distribuci´on uniforme, todos los valores dentro de un intervalo tienen la misma probabilidad de ser seleccionados. Esto contrasta con otras distribuciones, como la normal, en la que los valores cercanos a la media son m´as probables.
Sintaxis de runif
runif(n, min = 0, max = 1)
Los par´ametros de la funci´on son los siguientes:
- n: N´umero de valores aleatorios a generar.
- min: L´ımite inferior del intervalo. Por defecto, es 0.
- max: L´ımite superior del intervalo. Por defecto, es 1.
Funcionamiento
- runif(n) genera n n´umeros aleatorios entre 0 y 1 (el intervalo por defecto).
- Si se especifican un min y un max, los n´umeros generados estar´an dentro de ese intervalo.
Ejemplo
Supongamos que queremos generar 10 n´umeros aleatorios entre 5 y 10:
set.seed(123) # Para reproducir los resultados valores <- runif(10, min = 5, max = 10) print(valores)
En este caso, runif generar´a 10 n´umeros que estar´an uniformemente dis- tribuidos en el intervalo [5, 10]. Cada n´umero dentro de este rango tiene la misma probabilidad de ser seleccionado.
Explicaci´on del Resultado
Los valores generados por runif estar´an distribuidos de manera uniforme en el intervalo especificado. Esto significa que no habr´a una mayor concentraci´on de n´umeros en ninguna parte del intervalo: cualquier subintervalo del mismo tama˜no contendr´a aproximadamente la misma cantidad de n´umeros aleatorios.
La funci´on duplicated en R
1 Introducci´on
La funci´on duplicated en R se utiliza para identificar elementos duplicados en un vector, data.frame o matriz. Retorna un vector l´ogico que indica si un elemento es una duplicaci´on de uno que aparece anteriormente en el objeto.
2 Sintaxis
duplicated(x, fromLast = FALSE)
Donde:
- x: El vector, data.frame o matriz en el que se desea identificar duplicados.
- fromLast: Un valor l´ogico que indica si se deben considerar los duplicados desde el final hacia el principio. Por defecto es FALSE.
3 Ejemplos
3.1 Ejemplo 1: Identificar duplicados en un vector
Supongamos que tenemos un vector con algunos elementos repetidos y queremos identificar cu´ales son duplicados.
Crear un vector con duplicados
vector <- c (1 , 2 , 3 , 2 , 4 , 5 , 3)
Identificar duplicados
duplicados <- duplicated ( vector ) print ( duplicados )
Resultado:
[1] FALSE FALSE FALSE TRUE FALSE FALSE TRUE
En este ejemplo, los elementos en las posiciones 4 y 7 son duplicados de los elementos que aparecen anteriormente en el vector.
3.2 Ejemplo 2: Identificar duplicados en un data.frame
Supongamos que tenemos un data.frame con algunas filas duplicadas y quere- mos identificarlas.
Crear un data frame con filas duplicadas
datos <- data. frame ( ID = c (1 , 2 , 3 , 2 , 4 , 5 , 3) , Nombre = c ( " Juan " , " Ana " , " Carlos " , " Ana " , " Lucia " , " Juan " ,→ , " Carlos " ) )
Imprimir el data frame original
print ( datos )
Identificar filas duplicadas
duplicados <- duplicated ( datos ) print ( duplicados )
Resultado:
[1] FALSE FALSE FALSE TRUE FALSE TRUE TRUE
Aqu´ı, las filas 4, 6 y 7 son duplicadas de filas anteriores en el data.frame.
3.3 Ejemplo 3: Identificar duplicados desde el final hacia
el principio
Podemos usar el argumento fromLast = TRUE para identificar duplicados desde el final hacia el principio.
Identificar duplicados desde el final hacia el principio
duplicados _ desde _ final <- duplicated ( vector , fromLast = TRUE ,→ ) print ( duplicados _ desde _ final )
Resultado:
[1] FALSE TRUE TRUE FALSE FALSE FALSE FALSE
En este caso, los elementos en las posiciones 1 y 4 son duplicados de elementos que aparecen despu´es de ellos en el vector.
3.4 Ejemplo 4: Eliminar filas duplicadas en un data.frame
Para eliminar filas duplicadas en un data.frame, podemos usar la funci´on unique combinada con duplicated.
Eliminar filas duplicadas
datos _ sin _ duplicados <- datos [! duplicated ( datos ) , ] print ( datos _ sin _ duplicados )
Ejercicio 0
DataFrame
September 2024
1 Ejercicio 0
Imagina que trabajas en una empresa que vende productos en diferentes regiones y deseas realizar un an´alisis de las ventas trimestrales de tus productos. Tienes un conjunto de datos que contiene la siguiente informaci´on en un data frame o tabla, llamado ventas:
Columna Producto: El nombre del producto vendido. ”Martillos”, ”Serruchos”, ”Clavos”, ”Mangueras”, ”Pinzas” Columna Region: La regi´on donde se realiz´o la venta. Hay 6 regiones: (1, 2, 3, 4, 5 y 6). Columna Trimestre: El trimestre en que se realiz´o la venta (1, 2, 3 o 4). Columna Ventas: El monto de las ventas en esa transacci´on. De 0 a 1000 pesos.
Nota: Genere de manera aleatoria la tabla ventas con 200 registros.
Realizar las siguientes operaciones auxili´andose de las funciones estudiadas anteriormente.
- Calcular el total de ventas por trimestre.
- Encontrar el producto m´as vendido en cada trimestre.
- Calcular el promedio de ventas por regi´on para todo el a˜no.
Soluci´on
2 Formar el data frame de ventas
Genera datos aleatorios para la siguiente tabla o data.frame de 200 datos
con las siguientes caracteristicas:
Columnas:
Producto: nombre del producto vendido ("Martillos", "Serruchos",
"Clavos", "Mangueras", "Pinzas")
Region: la region en que se realizo la venta (1, 2, 3, 4, 5, 6)
Trimestre: el trimestre en que se realizo la venta (1, 2, 3 o 4)
Ventas: El monto de las ventas en esa transaccion (0 a 1000 pesos).
vproducto = sample(c("Martillos", "Serruchos", "Clavos", "Mangueras", "Pinzas"), size = 200, replace = TRUE)
vregion = sample(1:6, size = 200, replace = TRUE)
vtrimestre = sample(1:4, size = 200, replace = TRUE)
vventas = runif(200, min = 0, max = 1000)
ventas <- data.frame(Producto = vproducto, Region = vregion, Trimestre = vtrimestre, Ventas = vventas)
ventas
Producto Region Trimestre Ventas
1 Martillos 6 3 922.
2 Mangueras 5 3 156.
3 Clavos 5 3 851.
4 Martillos 3 4 765.
5 Mangueras 2 4 894.
6 Mangueras 3 1 932.
7 Martillos 3 4 879.
8 Serruchos 1 2 987.
9 Clavos 5 1 791.
10 Serruchos 3 4 588.
11 Mangueras 4 2 189.
12 Martillos 1 1 504.
13 Mangueras 5 2 186.
14 Clavos 1 3 660.
15 Martillos 5 4 391.
16 Mangueras 2 2 847.
17 Pinzas 5 3 31.
18 Martillos 1 3 765.
