R - Conceptos básicos

Tipos de datos

R puede trabajar con varios tipos de datos básicos, entre los que están números, caracteres (i.e. textos) y lógicos. También puede trabajar con tipos compuestos, como factores y data frames.

R proporciona acceso a los datos a través de objetos. Un objeto es una entidad que tiene asociadas propiedades (i.e. datos) y métodos (i.e. funciones) para manipular esas propiedades. Un objeto puede ser, por ejemplo, un número, una hilera de texto, un vector o una matriz.

Hay muchas formas de crear objetos en R. Una de las más sencillas es con los operadores de asignación. Estos son = y <- (o ->). Por ejemplo, las siguientes sentencias crean un número, un texto y un vector.

# Número
x <- 10
x

[1] 10

# Otro número
20 -> y
y

[1] 20

# Hilera de caracteres
nombre <- 'Manuel'
nombre

[1] "Manuel"

# Vector de hileras de caracteres
dias <- c('Domingo', 'Lunes', 'Martes', 'Miércoles', 'Jueves', 'Viernes', 'Sábado')
dias

[1] "Domingo"   "Lunes"     "Martes"    "Miércoles" "Jueves"   
[6] "Viernes"   "Sábado"   

Tanto x, como nombre como dias son variables. Una variable es una etiqueta que se le asigna a un objeto. Una variable debe comenzar con una letra.

El tipo de una variable puede consultarse con la función typeof(). Por ejemplo:

typeof(x)

[1] "double"

typeof(y)

[1] "double"

typeof(nombre)

[1] "character"

typeof(dias)

[1] "character"

A continuación, se describen con más detalle algunos de los tipos de datos utilizados en el lenguaje R.

Tipos básicos

R define seis tipos de datos básicos. En esta sección, se describen los más utilizados durante este curso.

Números

Pueden ser enteros (integer) o decimales (double). Se utilizan en diversos tipos de operaciones, incluyendo las aritméticas (ej. suma, resta, multiplicación, división).

# Declaración de variables numéricas
x <- 5
y <- 0.5

# Suma
x + y

[1] 5.5

# Tipos de datos numéricos
typeof(x)

[1] "double"

typeof(y)

[1] "double"

typeof(x + y)

[1] "double"

Para declarar números enteros puede usarse el sufijo L o la función as.integer().

# Números enteros
x <- 10L
y <- as.integer(15)

# Multiplicación
x * y

[1] 150

# Tipos de datos enteros
typeof(x)

[1] "integer"

typeof(y)

[1] "integer"

typeof(x * y)

[1] "integer"

Nótese que al declararse una variable numérica, ya sea que tenga o no punto decimal, R la considera por defecto de tipo double. Para que se considere de tipo integer, debe utilizarse el sufijo L o la función as.integer().

Caracteres

Se utilizan para representar textos. Deben estar encerrados entre comillas simples ('') o dobles ("").

# Hileras de caracteres
nombre <- "María"
apellido <- "Pérez"

# Concatenación mediante la función paste()
paste(nombre, apellido)

[1] "María Pérez"

Lógicos

Los objetos lógicos (también llamados booleanos) tienen dos posibles valores: verdadero (TRUE) o falso (FALSE).

# Variable lógica
a <- 1 < 2
a

[1] TRUE

# Variable lógica
b <- 1 > 2
b

[1] FALSE

Las expresiones lógicas pueden combinarse con operadores como:

• & (Y, en inglés AND)
• | (O, en inglés OR)
• ! (NO, en inglés NOT)

# Operador lógico AND
(1 < 2) & (3 < 4)

[1] TRUE

# Operador lógico OR
(2 + 2 == 5) | (20 <= 10)

[1] FALSE

# Operador lógico NOT
!(2 + 2 == 5)

[1] TRUE

Vectores

Un vector es una estructura unidimensional que combina objetos del mismo tipo.

Definición

Los vectores pueden definirse de varias formas como, por ejemplo, con la función c() (del inglés combine):

# Definición de un vector de números
vector_numeros <- c(1, 7, 32, 45, 57)
vector_numeros

[1]  1  7 32 45 57

# Definición de un vector de hileras de caracteres
vector_nombres <- c("Álvaro", "Ana", "Berta", "Bernardo")
vector_nombres

[1] "Álvaro"   "Ana"      "Berta"    "Bernardo"

Los vectores también pueden crearse con el operador :, el cual especifica una secuencia:

# Definición de un vector de números con la secuencia de 1 a 10
vector_secuencia <- 1:10
vector_secuencia

 [1]  1  2  3  4  5  6  7  8  9 10

# Definición de un vector de números con la secuencia de -5 a 5
vector_secuencia <- -5:5
vector_secuencia

 [1] -5 -4 -3 -2 -1  0  1  2  3  4  5

# Definición de un vector de números con la secuencia de -0.5 a 3.7
vector_secuencia <- -0.5:3.7
vector_secuencia

[1] -0.5  0.5  1.5  2.5  3.5

La función seq() también crea un vector con base en una secuencia y permite especificar argumentos como un valor de incremento y la longitud de la secuencia.

# Definición de un vector de números con la secuencia de 1 a 10
vector_secuencia <- seq(1, 10)
vector_secuencia

 [1]  1  2  3  4  5  6  7  8  9 10

# Definición de un vector de números con la secuencia de 0.5 a 15.3, con incremento de 2
vector_secuencia <- seq(from=0.5, to=15.3, by=2)
vector_secuencia

[1]  0.5  2.5  4.5  6.5  8.5 10.5 12.5 14.5

# Definición de un vector de números con la secuencia de 1.5 a 9.4, con longitud de 4
vector_secuencia <- seq(from=1.5, to=9.4, length.out=4)
vector_secuencia

[1] 1.500000 4.133333 6.766667 9.400000

Indexación

Los elementos de un vector se acceden a través de sus índices (i.e. posiciones). La primera posición corresponde al índice 1, la segunda al índice 2 y así sucesivamente. Los índices se especifican entre paréntesis cuadrados ([]), ya sea para una posición específica o para un rango de posiciones. También es posible especificar los índices que se desea excluir.

# Vector de nombres de países
paises <- c("Argentina", "Francia", "China", "Australia", "México")
paises

[1] "Argentina" "Francia"   "China"     "Australia" "México"   

# Elemento en el índice 3
paises[3]

[1] "China"

El operador : puede utilizarse para especificar un rango de índices:

# Elementos entre los índices 2 y 4 (2, 3 y 4)
paises[2:4]

[1] "Francia"   "China"     "Australia"

Con la función c(), es posible especificar un conjunto de índices específicos:

# Elementos entre los índices 1, 4 y 5
paises[c(1, 4, 5)]

[1] "Argentina" "Australia" "México"   

Los números negativos pueden usarse para excluir índices:

# Exclusión de los índices 3 y 4
paises[c(-3, -4)]

[1] "Argentina" "Francia"   "México"   

Los valores lógicos TRUE y FALSE también pueden usarse para incluir y excluir índices de un vector:

# Se incluyen los índices 1, 2 y 4; y se excluyen los índices 3 y 5
paises[c(TRUE, TRUE, FALSE, TRUE, FALSE)]

[1] "Argentina" "Francia"   "Australia"

Operaciones

En los vectores pueden aplicarse operaciones aritméticas:

a <- c(1, 3, 5, 7)
b <- c(2, 4, 6, 8)

# Suma de vectores
a + b

[1]  3  7 11 15

# Multiplicación de vectores
a * b

[1]  2 12 30 56

Y también pueden realizarse operaciones relacionales:

# Comparación con el operador <
a < b

[1] TRUE TRUE TRUE TRUE

Matrices

Una matriz es una estructura bidimensional de filas y columnas.

Definición

Las matrices se definen mediante la función matrix().

# Definición de una matriz de 3 x 3 con elementos de la secuencia 1:9 distribuidos en las columnas
m <- matrix(1:9, nrow=3, ncol=3)
m

     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9

# Definición de una matriz de 3 x 3 con elementos de la secuencia 1:9 distribuidos en las filas
m <- matrix(1:9, nrow=3, ncol=3, byrow=TRUE)
m

     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9

# Definición de una matriz de 3 x 2 con nombres para las filas y las columnas
datos <- c(18, 500, 25, 1000, 30, 2000)
filas <- c("Ana", "Mario", "Laura")
columnas <- c("Edad", "Salario")

m <- matrix(datos, nrow=3, ncol=2, byrow=TRUE, dimnames=list(filas, columnas))
m

      Edad Salario
Ana     18     500
Mario   25    1000
Laura   30    2000

La función list() se utiliza, en este caso, para combinar vectores. En general, se usa para combinar datos de cualquier tipo.

Indexación

La indexación de matrices es similar a la de vectores, pero deben especificarse índices tanto para filas como para columnas.

# Elemento en la posición [2,2] (segunda fila, segunda columna)
m[2, 2]

[1] 1000

# Elementos de la primera fila
m[1,]

   Edad Salario 
     18     500 

# Elementos de la segunda columna
m[, 2]

  Ana Mario Laura 
  500  1000  2000 

# Elementos de las filas 1 y 2
m[1:2, ]

      Edad Salario
Ana     18     500
Mario   25    1000

# Elementos de la fila "Mario"
m["Mario", ]

   Edad Salario 
     25    1000 

# Elementos de la columna "Salario"
m[, "Salario"]

  Ana Mario Laura 
  500  1000  2000 

Operaciones

De manera similar a los vectores, en las matrices pueden realizarse operaciones aritméticas y relacionales.

a <- matrix(1:4, nrow=2, ncol=2)
a

     [,1] [,2]
[1,]    1    3
[2,]    2    4

b <- matrix(5:8, nrow=2, ncol=2)
b

     [,1] [,2]
[1,]    5    7
[2,]    6    8

# Suma de matrices
a + b

     [,1] [,2]
[1,]    6   10
[2,]    8   12

# Multiplicación de matrices
a * b

     [,1] [,2]
[1,]    5   21
[2,]   12   32

# Comparación de matrices con el operador >
a > b

      [,1]  [,2]
[1,] FALSE FALSE
[2,] FALSE FALSE

Tipos compuestos

Factores

Los factores se utilizan para representar datos categóricos. Un factor corresponde a un conjunto de categorías correspondientes a un concepto (ej. [“Sí”, “No”], [“Casado”, “Soltero”], [“Alto”, “Medio”, “Bajo”]).

Internamente, los factores se representan en R como números enteros con etiquetas asociadas. A pesar de que los factores parecen (y pueden funcionar como) hileras de caracteres, en realidad son números y debe tenerse cuidado de no manejarlos como caracteres.

Los elementos de un factor se denominan niveles (levels) y, por defecto, se almacenan en orden alfabético.

Definición

Un factor se crea con la función factor().

# Factor de valores de sexo
sexo <- factor(c("Masculino", "Femenino", "Femenino", "Masculino"))

Operaciones

R proporciona una gran variedad de funciones para manejar factores. Seguidamente, se ejemplifican algunas de estas.

# Etiquetas de los niveles
levels(sexo)

[1] "Femenino"  "Masculino"

# Cantidad de niveles
nlevels(sexo)

[1] 2

# Conteo de elementos de cada uno de los niveles del factor
table(sexo)

sexo
 Femenino Masculino 
        2         2 

Data Frames

Los data frames son estructuras bidimensionales compuestas por varios vectores, de manera similar a una matriz. Por lo general, las filas de la matriz corresponden a observaciones (o cases) y las columnas a variables. La definición de un data frame puede incluir nombres para cada observación y para cada variable. Los data frames implementan un conjunto de funciones similares a las de una hoja electrónica o la tabla de una base de datos relacional. Son fundamentales para el manejo de datos en R.

Definición

La función data.frame() crea un data frame a partir de vectores que serán las columnas del data frame.

# Vector de nombres de países
paises <- c("PAN", "CRI", "NIC", "SLV", "HND", "GTM", "BLZ", "DOM")

# Vector de cantidades de habitantes de cada país (en millones)
poblaciones <- c(4.1, 5.0, 6.2, 6.4, 9.2, 16.9, 0.3, 10.6)

# Creación de un data frame a partir de los dos vectores
poblaciones_paises <- 
  data.frame(
    pais = paises, 
    poblacion = poblaciones
  )

# Impresión del data frame
poblaciones_paises

  pais poblacion
1  PAN       4.1
2  CRI       5.0
3  NIC       6.2
4  SLV       6.4
5  HND       9.2
6  GTM      16.9
7  BLZ       0.3
8  DOM      10.6

Indexación

Los datos de un data frame pueden accederse principalmente de dos formas. La primera es mediante la misma sintaxis [fila, columna] que se utiliza en las matrices.

# Fila 1
poblaciones_paises[1, ]

  pais poblacion
1  PAN       4.1

# Filas 1, 5 y 7
poblaciones_paises[c(1, 5, 7), ]

  pais poblacion
1  PAN       4.1
5  HND       9.2
7  BLZ       0.3

# Columna 2
poblaciones_paises[, 2]

[1]  4.1  5.0  6.2  6.4  9.2 16.9  0.3 10.6

# Fila 1, columna 2
poblaciones_paises[1, 2]

[1] 4.1

# Filas 1:4, columna 2
poblaciones_paises[1:4, 2]

[1] 4.1 5.0 6.2 6.4

Además, mediante el operador $, es posible acceder a las columnas (i.e. variables) del data frame.

# Columna de nombres de países
poblaciones_paises$pais

[1] "PAN" "CRI" "NIC" "SLV" "HND" "GTM" "BLZ" "DOM"

# Modificación de los valores de toda una columna
poblaciones_paises$poblacion = poblaciones_paises$poblacion*2
poblaciones_paises

  pais poblacion
1  PAN       8.2
2  CRI      10.0
3  NIC      12.4
4  SLV      12.8
5  HND      18.4
6  GTM      33.8
7  BLZ       0.6
8  DOM      21.2

Operaciones

R proporciona una gran variedad de funciones para manejar data frames. Las siguientes son algunas de las más utilizadas.

La función read.table() lee los datos contenidos en un archivo de texto y los retorna en un data frame. read.csv() es una función derivada, con valores por defecto orientados a los archivos de valores separados por comas (CSV, Comma Separated Values). Como argumento principal, read.csv() recibe la ruta del archivo CSV, el cual puede encontrarse en un disco local, en la Web o en otra ubicación.

# Lectura de archivo CSV ubicado en la Web
covid <- 
  read.csv("https://raw.githubusercontent.com/gf0604-procesamientodatosgeograficos/2021i-datos/main/cepredenac/covid/04_22_21_CSV_GENERAL_CENTROAMERICA.csv")

covid

  pais fallecidos recuperados activos positivos
1  PAN       6198      351949    3845    361992
2  CRI       3125      199779   32370    235274
3  GTM       7345      194075   16725    218145
4  HND       4981       77020  121358    203359
5  SLV       2089       64208    1864     68161
6  BLZ        318       12164     114     12596
7  NIC        181        5212      57      5450

Ejercicio 01:
a. Descargue el archivo del ejemplo anterior (https://raw.githubusercontent.com/gf0604-procesamientodatosgeograficos/2021i-datos/main/cepredenac/covid/04_22_21_CSV_GENERAL_CENTROAMERICA.csv) en su computadora y cárguelo en otro data frame mediante read.csv().

La función str() despliega la estructura de un objeto R.

# Estructura del data frame
str(poblaciones_paises)

'data.frame':   8 obs. of  2 variables:
 $ pais     : chr  "PAN" "CRI" "NIC" "SLV" ...
 $ poblacion: num  8.2 10 12.4 12.8 18.4 33.8 0.6 21.2

La función summary() proporciona un resumen de los contenidos de un data frame:

# Resumen de los contenidos del data frame
summary(poblaciones_paises)

     pais             poblacion    
 Length:8           Min.   : 0.60  
 Class :character   1st Qu.: 9.55  
 Mode  :character   Median :12.60  
                    Mean   :14.68  
                    3rd Qu.:19.10  
                    Max.   :33.80  

La función View() invoca un visor de datos que permite visualizar un objeto R en un formato de tabla en una hoja de cálculo. Ejecute en su computadora la siguiente línea de código para apreciar el funcionamiento de View().

# Vista de los casos de COVID-19
View(covid, "Casos de COVID-19 en Centramérica")

Otros

Fechas

Las fecha se manejan en R mediante un tipo especial que permite realizar operaciones como diferencias, agrupamientos y otras. Internamente, las fechas en R se almacenan como un número que representa la cantidad de días transcurridos desde el 1 de enero de 1970 (1970-01-01).

Operaciones

La función Sys.Date() retorna la fecha actual.

# Fecha actual
fecha_actual <- Sys.Date()
fecha_actual

[1] "2021-05-08"

# Tipo de datos
typeof(fecha_actual)

[1] "double"

# Clase
class(fecha_actual)

[1] "Date"

La función as.Date() convierte datos entre los tipos fecha y carácter, de acuerdo con un formato.

# Conversión de fecha en formato año-mes-día
fecha_caracter_01 <- "2020-01-01"
fecha_01 <- as.Date(fecha_caracter_01, format="%Y-%m-%d")
fecha_01

[1] "2020-01-01"

# Conversión de fecha en formato día/mes/año
fecha_caracter_02 <- "31/01/2020"
fecha_02 <- as.Date(fecha_caracter_02, format="%d/%m/%Y")
fecha_02

[1] "2020-01-31"

# Diferencia entre fechas
fecha_02 - fecha_01

Time difference of 30 days

Hay una lista de formatos de fechas en Date Formats in R - R-bloggers.