11 dplyr: gramática para manipulación de datos
11.1 Trabajo previo
11.1.1 Lecturas
Wickham, H., & Grolemund, G. (2017). R for Data Science: Import, Tidy, Transform, Visualize, and Model Data. O’Reilly Media. https://r4ds.had.co.nz/
11.3 Características generales
El paquete dplyr de Tidyverse es descrito como una “gramática para la manipulación de datos, la cual proporciona un conjunto consistente de verbos que ayuda a solucionar los retos de manipulación de datos más comunes”. Los principales “verbos” (i.e. funciones) de esta gramática son:
select(): selecciona columnas con base en sus nombres.
filter(): selecciona filas con base en sus valores.
arrange(): cambia el orden de las filas.
mutate(): crea nuevas columnas, las cuales se expresan como funciones de columnas existentes.
summarise(): agrupa y resume valores.
Todas estas operaciones pueden combinarse con la función group_by(), la cual ejecuta cualquiera de las operaciones anteriores “en grupo”. Además, dplyr proporciona funciones adicionales para tareas más específicas.
Todas las funciones de dplyr trabajan de manera similar:
- El primer argumento es un data frame. Puede omitirse si la función recibe el data frame a través del operador pipe.
- Los argumentos siguientes describen que hacer con el data frame, utilizando los nombres de las columnas (sin comillas).
- El resultado es un nuevo data frame.
Las funciones de dplyr pueden encadenarse a través del operador pipe (%>%) (tubo), para formar pipelines (tuberías).
11.4 Instalación y carga
El paquete dplyr pueden instalarse junto con todos los demás paquete de Tidyverse o de manera individual:
# Instalación conjunta de Tidyverse
install.packages("tidyverse")
# Instalación individual
install.packages("dplyr")Una vez instalado, dplyr puede cargarse con la función library():
11.5 Conjuntos de datos de ejemplo
Para los ejemplos de este capítulo, se utiliza el paquete de datos palmerpenguins.
# Carga del paquete de datos palmerpenguins
library(palmerpenguins)Estructura del conjunto de datos penguins:
# Carga del paquete de datos palmerpenguins
glimpse(penguins)
#> Rows: 344
#> Columns: 8
#> $ species <fct> Adelie, Adelie, Adelie, Adelie, …
#> $ island <fct> Torgersen, Torgersen, Torgersen,…
#> $ bill_length_mm <dbl> 39.1, 39.5, 40.3, NA, 36.7, 39.3…
#> $ bill_depth_mm <dbl> 18.7, 17.4, 18.0, NA, 19.3, 20.6…
#> $ flipper_length_mm <int> 181, 186, 195, NA, 193, 190, 181…
#> $ body_mass_g <int> 3750, 3800, 3250, NA, 3450, 3650…
#> $ sex <fct> male, female, female, NA, female…
#> $ year <int> 2007, 2007, 2007, 2007, 2007, 20…Vista del conjunto de datos penguins:
# Vista del paquete de datos palmerpenguins
View(penguins)11.6 Funciones
11.6.1 select()
La función select() selecciona (y opcionalmente renombra) columnas de un data frame con base en sus nombres.
# Selección de las columnas de especie, longitud del pico y sexo
penguins %>%
select(species, bill_length_mm, sex)
#> # A tibble: 344 × 3
#> species bill_length_mm sex
#> <fct> <dbl> <fct>
#> 1 Adelie 39.1 male
#> 2 Adelie 39.5 female
#> 3 Adelie 40.3 female
#> 4 Adelie NA <NA>
#> 5 Adelie 36.7 female
#> 6 Adelie 39.3 male
#> 7 Adelie 38.9 female
#> 8 Adelie 39.2 male
#> 9 Adelie 34.1 <NA>
#> 10 Adelie 42 <NA>
#> # … with 334 more rowsCambio de nombres de columnas:
# Selección y cambio de nombre de las columnas de especie, longitud del pico y sexo
penguins %>%
select(especie = species,
longitud_pico_mm = bill_length_mm,
sexo = sex)
#> # A tibble: 344 × 3
#> especie longitud_pico_mm sexo
#> <fct> <dbl> <fct>
#> 1 Adelie 39.1 male
#> 2 Adelie 39.5 female
#> 3 Adelie 40.3 female
#> 4 Adelie NA <NA>
#> 5 Adelie 36.7 female
#> 6 Adelie 39.3 male
#> 7 Adelie 38.9 female
#> 8 Adelie 39.2 male
#> 9 Adelie 34.1 <NA>
#> 10 Adelie 42 <NA>
#> # … with 334 more rowsEl operador : permite seleccionar un rango de columnas continuas:
# Selección de las columnas en el rango de species a flipper_length_mm
penguins %>%
select(species:flipper_length_mm)
#> # A tibble: 344 × 5
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Torgersen 39.1 18.7
#> 2 Adelie Torgersen 39.5 17.4
#> 3 Adelie Torgersen 40.3 18
#> 4 Adelie Torgersen NA NA
#> 5 Adelie Torgersen 36.7 19.3
#> 6 Adelie Torgersen 39.3 20.6
#> 7 Adelie Torgersen 38.9 17.8
#> 8 Adelie Torgersen 39.2 19.6
#> 9 Adelie Torgersen 34.1 18.1
#> 10 Adelie Torgersen 42 20.2
#> # … with 334 more rows, and 1 more variable:
#> # flipper_length_mm <int>Selección de todas las columnas que cumplen una condición:
# Selección de las columnas numéricas
penguins %>%
select(where(is.numeric))
#> # A tibble: 344 × 5
#> bill_length_mm bill_depth_mm flipper_length_… body_mass_g
#> <dbl> <dbl> <int> <int>
#> 1 39.1 18.7 181 3750
#> 2 39.5 17.4 186 3800
#> 3 40.3 18 195 3250
#> 4 NA NA NA NA
#> 5 36.7 19.3 193 3450
#> 6 39.3 20.6 190 3650
#> 7 38.9 17.8 181 3625
#> 8 39.2 19.6 195 4675
#> 9 34.1 18.1 193 3475
#> 10 42 20.2 190 4250
#> # … with 334 more rows, and 1 more variable: year <int>11.6.2 filter()
La función filter() retorna un subconjunto de un data frame con todas las filas que satisfacen una condición (i.e. expresión lógica).
Ejemplos de uso de expresiones y operadores lógicos:
# Filas de la especie 'Adelie' con longitud del pico mayor o igual a 45 mm
penguins %>%
filter(species == 'Adelie' & bill_length_mm >= 45)
#> # A tibble: 3 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Torgersen 46 21.5
#> 2 Adelie Torgersen 45.8 18.9
#> 3 Adelie Biscoe 45.6 20.3
#> # … with 4 more variables: flipper_length_mm <int>,
#> # body_mass_g <int>, sex <fct>, year <int>
# Filas de las especie 'Adelie' o 'Gentoo'
penguins %>%
filter(species == 'Adelie' | species == 'Gentoo')
#> # A tibble: 276 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Torgersen 39.1 18.7
#> 2 Adelie Torgersen 39.5 17.4
#> 3 Adelie Torgersen 40.3 18
#> 4 Adelie Torgersen NA NA
#> 5 Adelie Torgersen 36.7 19.3
#> 6 Adelie Torgersen 39.3 20.6
#> 7 Adelie Torgersen 38.9 17.8
#> 8 Adelie Torgersen 39.2 19.6
#> 9 Adelie Torgersen 34.1 18.1
#> 10 Adelie Torgersen 42 20.2
#> # … with 266 more rows, and 4 more variables:
#> # flipper_length_mm <int>, body_mass_g <int>, sex <fct>,
#> # year <int>
# Filas de especies diferentes a 'Chinstrap'
penguins %>%
filter(!(species == 'Chinstrap'))
#> # A tibble: 276 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Torgersen 39.1 18.7
#> 2 Adelie Torgersen 39.5 17.4
#> 3 Adelie Torgersen 40.3 18
#> 4 Adelie Torgersen NA NA
#> 5 Adelie Torgersen 36.7 19.3
#> 6 Adelie Torgersen 39.3 20.6
#> 7 Adelie Torgersen 38.9 17.8
#> 8 Adelie Torgersen 39.2 19.6
#> 9 Adelie Torgersen 34.1 18.1
#> 10 Adelie Torgersen 42 20.2
#> # … with 266 more rows, and 4 more variables:
#> # flipper_length_mm <int>, body_mass_g <int>, sex <fct>,
#> # year <int>
# Filas con longitud del pico mayor o igual al promedio
penguins %>%
filter(bill_length_mm >= mean(bill_length_mm, na.rm = TRUE))
#> # A tibble: 175 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Torgersen 46 21.5
#> 2 Adelie Dream 44.1 19.7
#> 3 Adelie Torgersen 45.8 18.9
#> 4 Adelie Biscoe 45.6 20.3
#> 5 Adelie Torgersen 44.1 18
#> 6 Gentoo Biscoe 46.1 13.2
#> 7 Gentoo Biscoe 50 16.3
#> 8 Gentoo Biscoe 48.7 14.1
#> 9 Gentoo Biscoe 50 15.2
#> 10 Gentoo Biscoe 47.6 14.5
#> # … with 165 more rows, and 4 more variables:
#> # flipper_length_mm <int>, body_mass_g <int>, sex <fct>,
#> # year <int>
# Filas con longitud del pico mayor o igual al promedio
# El argumento lógico na.rm de mean() indica si los valores NA ("not available")
# deben ser removidos antes del cálculo
penguins %>%
filter(bill_length_mm >= mean(bill_length_mm, na.rm = TRUE))
#> # A tibble: 175 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Torgersen 46 21.5
#> 2 Adelie Dream 44.1 19.7
#> 3 Adelie Torgersen 45.8 18.9
#> 4 Adelie Biscoe 45.6 20.3
#> 5 Adelie Torgersen 44.1 18
#> 6 Gentoo Biscoe 46.1 13.2
#> 7 Gentoo Biscoe 50 16.3
#> 8 Gentoo Biscoe 48.7 14.1
#> 9 Gentoo Biscoe 50 15.2
#> 10 Gentoo Biscoe 47.6 14.5
#> # … with 165 more rows, and 4 more variables:
#> # flipper_length_mm <int>, body_mass_g <int>, sex <fct>,
#> # year <int>Condiciones relacionadas con valores NA:
# Filas con valor NA en la columna sex
penguins %>%
select(species, island, sex) %>%
filter(is.na(sex))
#> # A tibble: 11 × 3
#> species island sex
#> <fct> <fct> <fct>
#> 1 Adelie Torgersen <NA>
#> 2 Adelie Torgersen <NA>
#> 3 Adelie Torgersen <NA>
#> 4 Adelie Torgersen <NA>
#> 5 Adelie Torgersen <NA>
#> 6 Adelie Dream <NA>
#> 7 Gentoo Biscoe <NA>
#> 8 Gentoo Biscoe <NA>
#> 9 Gentoo Biscoe <NA>
#> 10 Gentoo Biscoe <NA>
#> 11 Gentoo Biscoe <NA>La función drop_na() remueve las filas con valores NA en una o varias columnas.
# Filas con valor diferente a NA en la columna sex
penguins %>%
select(species,
bill_length_mm,
bill_depth_mm,
flipper_length_mm,
body_mass_g,
sex) %>%
drop_na(sex)
#> # A tibble: 333 × 6
#> species bill_length_mm bill_depth_mm flipper_length_mm
#> <fct> <dbl> <dbl> <int>
#> 1 Adelie 39.1 18.7 181
#> 2 Adelie 39.5 17.4 186
#> 3 Adelie 40.3 18 195
#> 4 Adelie 36.7 19.3 193
#> 5 Adelie 39.3 20.6 190
#> 6 Adelie 38.9 17.8 181
#> 7 Adelie 39.2 19.6 195
#> 8 Adelie 41.1 17.6 182
#> 9 Adelie 38.6 21.2 191
#> 10 Adelie 34.6 21.1 198
#> # … with 323 more rows, and 2 more variables:
#> # body_mass_g <int>, sex <fct>
# Filas con valor diferente a NA en cualquier columna
penguins %>%
select(species,
bill_length_mm,
bill_depth_mm,
flipper_length_mm,
body_mass_g,
sex) %>%
drop_na()
#> # A tibble: 333 × 6
#> species bill_length_mm bill_depth_mm flipper_length_mm
#> <fct> <dbl> <dbl> <int>
#> 1 Adelie 39.1 18.7 181
#> 2 Adelie 39.5 17.4 186
#> 3 Adelie 40.3 18 195
#> 4 Adelie 36.7 19.3 193
#> 5 Adelie 39.3 20.6 190
#> 6 Adelie 38.9 17.8 181
#> 7 Adelie 39.2 19.6 195
#> 8 Adelie 41.1 17.6 182
#> 9 Adelie 38.6 21.2 191
#> 10 Adelie 34.6 21.1 198
#> # … with 323 more rows, and 2 more variables:
#> # body_mass_g <int>, sex <fct>11.6.3 arrange()
La función arrange() cambia el orden de las filas de un data frame de acuerdo con los valores de las columnas seleccionadas.
# Ordenamiento ascendente por las columnas 'bill_lenght_mm' y 'bill_depth_mm'
penguins %>%
arrange(bill_length_mm, bill_depth_mm)
#> # A tibble: 344 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Dream 32.1 15.5
#> 2 Adelie Dream 33.1 16.1
#> 3 Adelie Torgersen 33.5 19
#> 4 Adelie Dream 34 17.1
#> 5 Adelie Torgersen 34.1 18.1
#> 6 Adelie Torgersen 34.4 18.4
#> 7 Adelie Biscoe 34.5 18.1
#> 8 Adelie Torgersen 34.6 17.2
#> 9 Adelie Torgersen 34.6 21.1
#> 10 Adelie Biscoe 35 17.9
#> # … with 334 more rows, and 4 more variables:
#> # flipper_length_mm <int>, body_mass_g <int>, sex <fct>,
#> # year <int>Por defecto, las columnas se ordenan de manera acendente. Si se desea un orden descendente, puede utilizarse la función desc().
# Ordenamiento descendente por las columnas 'bill_lenght_mm' y 'bill_depth_mm'
penguins %>%
arrange(desc(bill_length_mm), desc(bill_depth_mm))
#> # A tibble: 344 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Gentoo Biscoe 59.6 17
#> 2 Chinstrap Dream 58 17.8
#> 3 Gentoo Biscoe 55.9 17
#> 4 Chinstrap Dream 55.8 19.8
#> 5 Gentoo Biscoe 55.1 16
#> 6 Gentoo Biscoe 54.3 15.7
#> 7 Chinstrap Dream 54.2 20.8
#> 8 Chinstrap Dream 53.5 19.9
#> 9 Gentoo Biscoe 53.4 15.8
#> 10 Chinstrap Dream 52.8 20
#> # … with 334 more rows, and 4 more variables:
#> # flipper_length_mm <int>, body_mass_g <int>, sex <fct>,
#> # year <int>Nótese que los valores NA se ubican al final de cualquier ordenamiento.
La función across() aplica una función en múltiples columnas.
# Ordenamiento ascendente por las columnas que empiezan con 'bill'
penguins %>%
arrange(across(starts_with('bill')))
#> # A tibble: 344 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Dream 32.1 15.5
#> 2 Adelie Dream 33.1 16.1
#> 3 Adelie Torgersen 33.5 19
#> 4 Adelie Dream 34 17.1
#> 5 Adelie Torgersen 34.1 18.1
#> 6 Adelie Torgersen 34.4 18.4
#> 7 Adelie Biscoe 34.5 18.1
#> 8 Adelie Torgersen 34.6 17.2
#> 9 Adelie Torgersen 34.6 21.1
#> 10 Adelie Biscoe 35 17.9
#> # … with 334 more rows, and 4 more variables:
#> # flipper_length_mm <int>, body_mass_g <int>, sex <fct>,
#> # year <int>
# Ordenamiento ascendente por las columnas que contienen la hilera 'lenght'
penguins %>%
arrange(across(contains('length')))
#> # A tibble: 344 × 8
#> species island bill_length_mm bill_depth_mm
#> <fct> <fct> <dbl> <dbl>
#> 1 Adelie Dream 32.1 15.5
#> 2 Adelie Dream 33.1 16.1
#> 3 Adelie Torgersen 33.5 19
#> 4 Adelie Dream 34 17.1
#> 5 Adelie Torgersen 34.1 18.1
#> 6 Adelie Torgersen 34.4 18.4
#> 7 Adelie Biscoe 34.5 18.1
#> 8 Adelie Torgersen 34.6 17.2
#> 9 Adelie Torgersen 34.6 21.1
#> 10 Adelie Biscoe 35 17.9
#> # … with 334 more rows, and 4 more variables:
#> # flipper_length_mm <int>, body_mass_g <int>, sex <fct>,
#> # year <int>11.6.4 mutate()
La función mutate() crea o modifica columnas en un data frame.
# Creación de la columna 'body_mass_kg' con el valor de 'body_mass_g' expresado en kg
penguins %>%
select(species, body_mass_g) %>%
mutate(body_mass_kg = body_mass_g/1000)
#> # A tibble: 344 × 3
#> species body_mass_g body_mass_kg
#> <fct> <int> <dbl>
#> 1 Adelie 3750 3.75
#> 2 Adelie 3800 3.8
#> 3 Adelie 3250 3.25
#> 4 Adelie NA NA
#> 5 Adelie 3450 3.45
#> 6 Adelie 3650 3.65
#> 7 Adelie 3625 3.62
#> 8 Adelie 4675 4.68
#> 9 Adelie 3475 3.48
#> 10 Adelie 4250 4.25
#> # … with 334 more rows
# Creación de la columnas 'body_mass_g_mean' (promedio de masa)
# y 'body_mass_g_normalized' (proporción con respecto al promedio)
penguins %>%
select(species, body_mass_g) %>%
mutate(body_mass_g_mean = mean(body_mass_g, na.rm = TRUE)) %>%
mutate(body_mass_g_normalized = body_mass_g / body_mass_g_mean)
#> # A tibble: 344 × 4
#> species body_mass_g body_mass_g_mean body_mass_g_normali…
#> <fct> <int> <dbl> <dbl>
#> 1 Adelie 3750 4202. 0.892
#> 2 Adelie 3800 4202. 0.904
#> 3 Adelie 3250 4202. 0.773
#> 4 Adelie NA 4202. NA
#> 5 Adelie 3450 4202. 0.821
#> 6 Adelie 3650 4202. 0.869
#> 7 Adelie 3625 4202. 0.863
#> 8 Adelie 4675 4202. 1.11
#> 9 Adelie 3475 4202. 0.827
#> 10 Adelie 4250 4202. 1.01
#> # … with 334 more rowsLa función group_by() agrupa una o más columnas.
# Creación de la columnas 'body_mass_g_mean_species' (promedio de masa de la especie)
# y 'body_mass_g_species_normalized' (proporción con respecto al promedio de masa de la especie)
penguins %>%
select(species, body_mass_g) %>%
group_by(species) %>%
mutate(body_mass_g_mean_species = mean(body_mass_g, na.rm = TRUE)) %>%
mutate(body_mass_g_species_normalized = body_mass_g / body_mass_g_mean_species)
#> # A tibble: 344 × 4
#> # Groups: species [3]
#> species body_mass_g body_mass_g_mean_sp… body_mass_g_spe…
#> <fct> <int> <dbl> <dbl>
#> 1 Adelie 3750 3701. 1.01
#> 2 Adelie 3800 3701. 1.03
#> 3 Adelie 3250 3701. 0.878
#> 4 Adelie NA 3701. NA
#> 5 Adelie 3450 3701. 0.932
#> 6 Adelie 3650 3701. 0.986
#> 7 Adelie 3625 3701. 0.980
#> 8 Adelie 4675 3701. 1.26
#> 9 Adelie 3475 3701. 0.939
#> 10 Adelie 4250 3701. 1.15
#> # … with 334 more rows11.6.5 summarise()
La función summarise() crea un nuevo data frame con una (o más filas), correspondientes a combinaciones de las columnas usadas en una agrupación. Esta función frecuentemente se usa en combinación con group_by(). Si no hay agrupación, se retorna una sola fila que sumariza todas las observaciones de la entrada.
Sumarización sin agrupamiento:
# Creación de un data frame con las columnas sumarizadas 'body_mass_g_mean' (promedio de masa)
# y 'n' (cantidad de individuos)
penguins %>%
summarise(body_mass_g_mean = mean(body_mass_g, na.rm = TRUE),
n = n())
#> # A tibble: 1 × 2
#> body_mass_g_mean n
#> <dbl> <int>
#> 1 4202. 344La función n() cuenta la cantidad de filas en un grupo.
Sumarización con agrupamiento:
# Creación de un data frame con las columnas sumarizadas de mínimo, máximo y promedio de masa,
# y cantidad de individuos para cada especie
penguins %>%
group_by(species) %>%
summarise(
body_mass_g_min = min(body_mass_g, na.rm = TRUE),
body_mass_g_max = max(body_mass_g, na.rm = TRUE),
body_mass_g_mean = mean(body_mass_g, na.rm = TRUE),
n = n()
)
#> # A tibble: 3 × 5
#> species body_mass_g_min body_mass_g_max body_mass_g_mean
#> <fct> <int> <int> <dbl>
#> 1 Adelie 2850 4775 3701.
#> 2 Chinstrap 2700 4800 3733.
#> 3 Gentoo 3950 6300 5076.
#> # … with 1 more variable: n <int>11.6.6 Otras
11.6.6.1 count()
Una forma alternativa (a summarise()) de realizar un conteo es con la función count():
11.7 Ejercicios
- En el data frame
penguins, cree:- Una columna llamada “body_mass_g_mean_species_sex” con el promedio de masa para la especie y el sexo a los que pertenece cada individuo.
- Una columna llamada “body_mass_g_species_sex_normalized” con la proporción de la masa de cada individuo con respecto al promedio de masa para la especie y el sexo a los que pertenece.
- Agrupe el data frame
penguinspor especie y sexo y obtenga el promedio de masa y la cantidad de individuos para cada grupo.
11.8 Recursos de interés
Canelón, S. (2020). An Antarctic Tour of the Tidyverse. https://spcanelon.github.io/tour-of-the-tidyverse/
R- Ladies Global. (2020). R-Ladies Chicago (English)—An Antarctic Tour of the Tidyverse—Silvia Canelón. https://www.youtube.com/watch?v=m_ZoMmAIx-o
RStudio. (2017). Data transformation with dplyr::Cheat Sheet. https://github.com/rstudio/cheatsheets/blob/45c1e642468695830fd8b724587ccfe8901e2185/data-transformation.pdf
Wickham, H., & Grolemund, G. (s. f.). R para Ciencia de Datos. Recuperado 14 de mayo de 2022, de https://es.r4ds.hadley.nz/