Tidyverse es un conjunto de paquetes para la ciencia de datos, todos los paquetes que lo componen comparten la misma filosofía de diseño, gramática y estructuras de datos.

Instalación

install.packages("tidyverse")
library(tidyverse)

Si de detectan conflictos podemos deshabilitar un paquete con detach("package:magrittr",unload = T). Otra forma para “desambiguar” una función es hacer referencia al paquete que contiene la función de forma explicita, por ejemplo dplyr::mutate().

Compruebo si hay paquetes desactualizados: tidyverse_update() Actualizo algunos paquetes pasando sus nombres como un vector de entrada en una línea install.packages(c("httr", "xml2")).

Más sobre paquetes

En cualquier momento podemos consultar los paquetes instalados en nuestra computadora: installed.packages().

Consultar datos sobre un paquete:

packageDescription("tidyverse")
packageVersion("tidyverse")
help(package = "tidyverse")

Para desinstalar un paquete:

remove.packages("vioplot")

Para obtener los paquetes que requieren actualizarse:

old.packages()

Para actualizar todos los paquetes:

update.packages()

Análisis exploratorio de los datos

View(mpg) # Invoca un visor de datos en una nueva pestaña de RStudio
?mpg # help(mpg)

Muestra los primeros 10 registros del dataset (por defecto muestra 6):

head(mpg,10)

Dimensiones del objeto

> dim(mpg) 
[1] 234  11
> nrow(mpg)
[1] 234
> ncol(mpg)
[1] 11

La función glimpse del paquete dplyr:

> glimpse(mpg)
Observations: 234
Variables: 11
$ manufacturer <chr> "audi", "audi", "audi", "audi", "audi", "audi", "audi", "audi", "…
$ model        <chr> "a4", "a4", "a4", "a4", "a4", "a4", "a4", "a4 quattro", "a4 quatt…
$ displ        <dbl> 1.8, 1.8, 2.0, 2.0, 2.8, 2.8, 3.1, 1.8, 1.8, 2.0, 2.0, 2.8, 2.8, …
$ year         <int> 1999, 1999, 2008, 2008, 1999, 1999, 2008, 1999, 1999, 2008, 2008,…
$ cyl          <int> 4, 4, 4, 4, 6, 6, 6, 4, 4, 4, 4, 6, 6, 6, 6, 6, 6, 8, 8, 8, 8, 8,…
$ trans        <chr> "auto(l5)", "manual(m5)", "manual(m6)", "auto(av)", "auto(l5)", "…
$ drv          <chr> "f", "f", "f", "f", "f", "f", "f", "4", "4", "4", "4", "4", "4", …
$ cty          <int> 18, 21, 20, 21, 16, 18, 18, 18, 16, 20, 19, 15, 17, 17, 15, 15, 1…
$ hwy          <int> 29, 29, 31, 30, 26, 26, 27, 26, 25, 28, 27, 25, 25, 25, 25, 24, 2…
$ fl           <chr> "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", …
$ class        <chr> "compact", "compact", "compact", "compact", "compact", "compact",…

La función summary es muy útil para analizar cada variable y algunos datos calculados si son numéricas:

> summary(mpg)
 manufacturer          model               displ            year           cyl       
 Length:234         Length:234         Min.   :1.600   Min.   :1999   Min.   :4.000  
 Class :character   Class :character   1st Qu.:2.400   1st Qu.:1999   1st Qu.:4.000  
 Mode  :character   Mode  :character   Median :3.300   Median :2004   Median :6.000  
                                       Mean   :3.472   Mean   :2004   Mean   :5.889  
                                       3rd Qu.:4.600   3rd Qu.:2008   3rd Qu.:8.000  
                                       Max.   :7.000   Max.   :2008   Max.   :8.000  
    trans               drv                 cty             hwy       
 Length:234         Length:234         Min.   : 9.00   Min.   :12.00  
 Class :character   Class :character   1st Qu.:14.00   1st Qu.:18.00  
 Mode  :character   Mode  :character   Median :17.00   Median :24.00  
                                       Mean   :16.86   Mean   :23.44  
                                       3rd Qu.:19.00   3rd Qu.:27.00  
                                       Max.   :35.00   Max.   :44.00  
      fl               class          
 Length:234         Length:234        
 Class :character   Class :character  
 Mode  :character   Mode  :character

Para generar un resumen automático en HTML DataExplorer hace un excelente trabajo aplicando varias observaciones estadísticas y diagramas.

install.packages("DataExplorer")
library(DataExplorer)
DataExplorer::create_report(mpg)

Visualización de datos con ggplot2

Genero un diagrama de dispersión de puntos (scatter plot) que muestra la relación negativa entre el tamaño del depósito y la eficiencia (millas que recorren por un galón) del combustible (a mayor tamaño menor eficiencia).

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ,y = hwy))

La función geom_point no es la única que podemos crear con ggplot2, si introducimos “geom_” RStudio despliega un montón de funciones geométricas para crear representaciones gráficas. El argumento mapping indica como los datos del dataset van a ser traducidos o mapeados a elementos visuales, el argumento mapping siempre ira relacionado con la función aes (aesthetic o estética) para indicar en este caso en que eje se representa cada variable. A partir de aquí es muy util definir unos templates o recetas para generar nuestros gráficos.

Siguiendo con el ejemplo anterior voy a introducir una tercera vari able con el tipo de vehículo (class) que se representará como el color del punto en el scatter plot:

ggplot(data = mpg)+
  geom_point(mapping = aes(x=displ,y=hwy,colour=class))

Podemos crear otras visualizaciones, en vez de representar con un color cada tipo de coche podemos usar el tamaño del punto para diferenciarlos:

ggplot(data = mpg)+
  geom_point(mapping = aes(x=displ,y=hwy,size=class))

Se produce una advertencia o warning porque estamos usando valores no discretos para una variable size que espera sea numérica.

Podemos jugar con la transparencia o opacidad de los puntos usando el parámetro alpha:

ggplot(data = mpg)+
  geom_point(mapping = aes(x=displ,y=hwy,alpha=class))

Podemos jugar con la forma de los puntos con el parámetro shape:

ggplot(data = mpg)+
  geom_point(mapping = aes(x=displ,y=hwy,shape=class))

Produce un warning porque gglot sólo puede usar 6 tipos de puntos.

Selección manual de estéticas

Fuera del mapeo de la estética defino el color de los puntos:

ggplot(data = mpg)+
  geom_point(mapping = aes(x=displ,y=hwy),color="red")

Lo mismo que el color podemos jugar con el tamaño size o la forma de los puntos con shape representable con números del 1 al 24.

Ahora si mezclamos todo lo aprendido:

ggplot(data = mpg)+
  geom_point(mapping = aes(x=displ,y=hwy),shape=23,color="red",size=10,fill="yellow")

Los facets de ggplot

Otro modo adicional del uso de las estéticas es añadir facets o subconjuntos de diagramas. La variable que usamos para segmentar debe ser discreta (no acepta cualquier valor, únicamente aquellos que pertenecen al conjunto), en el siguiente ejemplo creo un diagrama para cada tipo de coche:

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy)) +
  facet_wrap(~class,nrow=2)

facet_grid forma una matriz de paneles formada en este caso por las combinaciones de las variables drv (tracción delantera ‘f’, trasera ‘r’ o 4x4 ‘4’) y cyl (número de cilindros).

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy)) +
  facet_grid(drv~cyl)

Distribuido por una única variable como .~cyl:

ggplot(data = mpg) +
  geom_point(mapping = aes(x = displ, y = hwy)) +
  facet_grid(.~cyl)

Geometrías con ggplot

Hasta ahora hemos visto la geometría de puntos con geom_point pero ggplot ofrece otras formas de representación, por ejemplo geom_bar, geom_line o geom_boxplot.

Un ejemplo, geom_smooth ayuda de identificar el patrón de forma visual:

ggplot(data=mpg) +
  geom_smooth(mapping = aes(x=displ,y=hwy))

Resultado:

Si queremos dividir las rectas por cada tipo de coche:

ggplot(data=mpg) +
  geom_smooth(mapping = aes(x=displ,y=hwy,linetype = drv))


ggplot(data=mpg) +
  geom_smooth(mapping = aes(x=displ,y=hwy,linetype = drv,color =drv))

Combinando puntos y líneas:

ggplot(data=mpg) +
  geom_point(mapping = aes(x=displ,y=hwy,color=drv)) + 
  geom_smooth(mapping = aes(x=displ,y=hwy,linetype = drv,color =drv))

Esta guia rápida ggplot2-cheatsheet-2.1-Spanish.pdf ofrece una visión del potencial de ggplot para crear diagramas.

Código fuente

Enlaces internos

Enlaces externos