Análisis de datos con Tidyverse

Roger M. López

Tidyverse: una introducción

Uno de los marcos para el análisis de datos más importantes del ecosistema de R es Tidyverse, que incluye una serie de paquetes diseñados para la manipulación y visualización de datos. En esta presentación, exploraremos cómo utilizar Tidyverse para realizar análisis de datos de manera eficiente y efectiva.

Flujo de trabajo

Tidyverse es un conjunto de paquetes o librerías de R diseñados para la ciencia de datos. Proporciona herramientas para todo el flujo de trabajo.

En este curso vamos a concentrarnos en readr para importar datos, dplyr para manipular datos, y ggplot2 para visualizarlos.

Instalación de librerías

Una librería es un conjunto de funciones y datos que se pueden utilizar en R. Al ser un lenguaje de código abierto, R cuenta con una amplia variedad de librerías desarrolladas por la comunidad. Estas librerías se pueden instalar y cargar en el entorno de trabajo para utilizar sus funciones.

Para instalar una librería, se utiliza la función install.packages(). Por ejemplo, para instalar el paquete tidyverse, se puede ejecutar:

install.packages("tidyverse")


Nota

Es importante destacar que la instalación de paquetes es necesaria una sola vez. Una vez instalado, el paquete estará disponible para su uso en futuras sesiones de R. Por lo tanto, no es necesario volver a instalarlo cada vez que se inicie R.

Cargado de librerías

Para utilizar las funciones de un paquete, es necesario cargarlo en el entorno de trabajo con la función library(), por ejemplo:

library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.2     ✔ tibble    3.2.1
✔ lubridate 1.9.4     ✔ tidyr     1.3.1
✔ purrr     1.0.4     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
  • Versiones. tidyverse carga varios paquetes, entre ellos dplyr en su versión 1.1.4 o forcats versión 1.0.0, etc.
  • Conflictos. Algunos paquetes tienen funciones que se llaman igual que las de otros paquetes ya cargados. Por ejemplo, dplyr y stats tienen una función llamada filter(). En este caso, dplyr se carga por encima de stats. Si queremos utilizar la de stats, debemos especificar el paquete con stats::filter().

Nota

Siempre es posible cargar un paquete específico sin cargar todo tidyverse utilizando la función library() con el nombre del paquete deseado, por ejemplo, library(dplyr). Esto es útil si solo necesitas funciones de un paquete específico para evitar el consumo de memoria y posibles conflictos con otras funciones de paquetes cargados.

Importación de datos con readr

El primer paso en el análisis de datos es importar los datos a R y representarlos a través de un dataframe. El paquete readr proporciona funciones para leer datos de diferentes formatos, como .csv o .txt, entre otros.

Leyendo archivos .csv

El formato .csv es un formato de archivo plano que se utiliza comúnmente. Existen varias librerías en R que permiten leerlos. En este curso, utilizaremos la librería readr (al menos para .csv y .txt).

En la carpeta /Data del repositorio se tiene un archivo llamado Data_FMI.xlsx que contiene datos económicos para varios países:

¿Cómo leer este archivo en R? Para ello, primero debemos cargar el paquete readr:

library(readr)

Luego, podemos leer el archivo .csv utilizando la función read_csv(). Antes de leerlo, debemos asegurarnos de que el archivo está en la carpeta correcta y se utiliza la ruta adecuada:

data <- readr::read_csv("Data/Data_FMI.csv")
Rows: 15054 Columns: 10
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): Pais, ISO_Code, Continent
dbl (7): Año, Deuda, Inflacion, Deficit_Fiscal, rgrowth, GDPpc_usd, GDPpc_ppp

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.


En este caso, la función me devuelve información sobre el archivo. Sin embargo, no podemos ver los datos directamente en la consola. Para ello, tenemos varias alternativas.

Las alternativas son:

  1. Click en el nombre del objeto data en la pestaña de Environment.
  2. Utilizar la función View(data) para abrir una ventana de visualización de datos
  3. Utilizar la función head(data) para ver las primeras filas del dataframe en la consola o tail(data) para ver las últimas filas.

Utilizando la 3ra opción, podemos ver las primeras filas del dataframe:

head(data)
# A tibble: 6 × 10
  Pais        ISO_Code Continent   Año Deuda Inflacion Deficit_Fiscal rgrowth
  <chr>       <chr>    <chr>     <dbl> <dbl>     <dbl>          <dbl>   <dbl>
1 Afghanistan AFG      Asia       1950    NA        NA             NA      NA
2 Afghanistan AFG      Asia       1951    NA        NA             NA      NA
3 Afghanistan AFG      Asia       1952    NA        NA             NA      NA
4 Afghanistan AFG      Asia       1953    NA        NA             NA      NA
5 Afghanistan AFG      Asia       1954    NA        NA             NA      NA
6 Afghanistan AFG      Asia       1955    NA        NA             NA      NA
# ℹ 2 more variables: GDPpc_usd <dbl>, GDPpc_ppp <dbl>
tail(data)
# A tibble: 6 × 10
  Pais     ISO_Code Continent   Año Deuda Inflacion Deficit_Fiscal rgrowth
  <chr>    <chr>    <chr>     <dbl> <dbl>     <dbl>          <dbl>   <dbl>
1 Zimbabwe ZWE      Africa     2025    NA      92.2           -0.5     6  
2 Zimbabwe ZWE      Africa     2026    NA       9.6            0.4     4.6
3 Zimbabwe ZWE      Africa     2027    NA       8              0.9     3.6
4 Zimbabwe ZWE      Africa     2028    NA       8              1       3.5
5 Zimbabwe ZWE      Africa     2029    NA       8              1.1     3.5
6 Zimbabwe ZWE      Africa     2030    NA       8              1.2     3.5
# ℹ 2 more variables: GDPpc_usd <dbl>, GDPpc_ppp <dbl>






Nota

Cuando se utilizaron las funciones head() o tail(), se imprimieron las primeras o últimas filas del dataframe pero, en lugar de decir “a data.frame: 6 x 10”, indicó “a tibble: 6 x 10”. tibble es una estructura casi idéntica a un dataframe. Para fines prácticos vamos a decir que es como un dataframe pero que imprime la información algo más ordenada. Para mayor detalle, escribir vignette(tibble) en la consola.

Leyendo archivos .xlsx

Otro tipo de archivos común son los archivos de Excel con extensión .xlsx. Para leer estos archivos, utilizamos el paquete readxl, que también forma parte del tidyverse, aunque no se carga automáticamente al cargar tidyverse.

Lo primero que se debe hacer es instalar el paquete readxl si no se ha hecho previamente:

install.packages("readxl")


Luego, se carga el paquete:

library(readxl)

En la carpeta /Data se tiene un archivo llamado Data_FMI.xlsx, igual que el anterior. Para leer este archivo, utilizamos la función read_excel() del paquete readxl:

data_xlsx <- readxl::read_excel("Data/Data_FMI.xlsx")

Al igual que con los archivos .csv, podemos ver los datos utilizando las funciones View(), head() o tail():

head(data_xlsx)
# A tibble: 6 × 10
  Pais        ISO_Code Continent   Año Deuda Inflacion Deficit_Fiscal rgrowth
  <chr>       <chr>    <chr>     <dbl> <dbl>     <dbl>          <dbl>   <dbl>
1 Afghanistan AFG      Asia       1950    NA        NA             NA      NA
2 Afghanistan AFG      Asia       1951    NA        NA             NA      NA
3 Afghanistan AFG      Asia       1952    NA        NA             NA      NA
4 Afghanistan AFG      Asia       1953    NA        NA             NA      NA
5 Afghanistan AFG      Asia       1954    NA        NA             NA      NA
6 Afghanistan AFG      Asia       1955    NA        NA             NA      NA
# ℹ 2 more variables: GDPpc_usd <dbl>, GDPpc_ppp <dbl>






Nota

Nótese que se ha usado la notación readxl::read_excel() para especificar que estamos utilizando la función read_excel() del paquete readxl, aunque no era estrictamente necesario si ya se ha cargado el paquete con library(readxl).

Manipulación de datos con dplyr

La manipulación de datos es un proceso clave en el análisis de datos. Consiste en preparar y transformar conjuntos de datos para realizar análisis efectivos. El paquete dplyr del ecosistema Tidyverse proporciona herramientas simples pero poderosas para lograr esto.

Objetivos

Esta sección es relativamente larga, pero quizás de las más importantes del curso.

El objetivo es aprender a manipular datos en R, de tal manera que nos sintamos cómodos navegando y transformando conjuntos de datos. Se estudiará:

Función Descripción breve
filter() Filtra observaciones
select() Seleccionar columnas
mutate() Añadir o modificar variables
arrange() Ordenar observaciones
group_by() Agrupar observaciones
summarise() Resumir datos por grupos

Nota

En esta clase vamos a llamar observación a una fila individual dentro de un conjunto de datos y variable a una columna que representa una característica o atributo del conjunto de datos.

El operador %>% o |> (pipe)

El operador |> (Ctrl + Shift + M en Windows o Cmd + Shift + M en Mac) permite encadenar operaciones de manera más legible y eficiente. Este operador toma el resultado de una operación y lo pasa como primer argumento a la siguiente función:

resultado <- datos |>
  paso1() |>
  paso2() |>
  paso3()

Cuando se requieren muchos cálculos, mejora considerablemente la legibilidad del código y reduce la necesidad de variables intermedias. Por ejemplo:

data |> 
  head()
# A tibble: 6 × 10
  Pais        ISO_Code Continent   Año Deuda Inflacion Deficit_Fiscal rgrowth
  <chr>       <chr>    <chr>     <dbl> <dbl>     <dbl>          <dbl>   <dbl>
1 Afghanistan AFG      Asia       1950    NA        NA             NA      NA
2 Afghanistan AFG      Asia       1951    NA        NA             NA      NA
3 Afghanistan AFG      Asia       1952    NA        NA             NA      NA
4 Afghanistan AFG      Asia       1953    NA        NA             NA      NA
5 Afghanistan AFG      Asia       1954    NA        NA             NA      NA
6 Afghanistan AFG      Asia       1955    NA        NA             NA      NA
# ℹ 2 more variables: GDPpc_usd <dbl>, GDPpc_ppp <dbl>

Seleccionar filas con filter()

El verbo filter() se utiliza para seleccionar filas específicas de un dataframe según condiciones lógicas.

  • Supongamos que se tiene el siguiente dataset, y se desea obtener solo las observaciones del año 2012.
País Año Valor
Bolivia 2011 40.0
Bolivia 2012 44.0
España 2011 60.0
España 2012 35.0
  • El dataset resultante sería:


País Año Valor
Bolivia 2012 44.0
España 2012 35.0


  • ¿Cómo se haría esto en R?
  • En el caso tradicional, se utilizaría:
data[data$Año == 2012, ]
  • En el caso de dplyr, se utilizaría:
data |> 
  filter(Año == 2012)

Como ya se ha visto antes, se pueden filtrar observaciones basadas en una o más condiciones. Por ejemplo, si se desea filtrar por el país “España” y el año 2012:

  • El dataset original es:
País Año Valor
Bolivia 2011 40.0
Bolivia 2012 44.0
España 2011 60.0
España 2012 35.0
  • El dataset resultante sería:


País Año Valor
España 2012 35.0


  • ¿Cómo se haría esto en R?
  • En el caso tradicional, se utilizaría:
data[data$País == "España" & data$Año == 2012, ]
  • En el caso de dplyr, se utilizaría:
data |> 
  filter(País == "España", Año == 2012)

Operadores lógicos en filter()

El verbo filter() permite utilizar varios operadores lógicos para filtrar datos. A continuación, se presentan los operadores más comunes que se pueden utilizar dentro de filter():

Descripción Operador Ejemplo (dentro de filter())
Mayor que > filter(x > 10)
Mayor o igual que >= filter(x >= 10)
Menor que < filter(x < 10)
Menor o igual que <= filter(x <= 10)
Igual a == filter(x == 10)
Distinto de != filter(x != 10)
Pertenencia %in% filter(x %in% c(1, 2, 3))
No pertenece ! %in% filter(!(x %in% c(1, 2, 3)))
Es NA (faltante) is.na() filter(is.na(x))
No es NA !is.na() filter(!is.na(x))
Negación general ! filter(!(x > 10))
Y lógico & filter(x > 10 & y < 5)
O lógico | filter(x > 10 | y < 5)

Ejercicios de filtrado

Ahora vamos a practicar el uso de filter() con algunos ejercicios, utilizando el dataset data que hemos importado anteriormente. En concreto:

  1. Crear un dataset llamado data_23 que contenga solo las observaciones del año 2023.
  2. Crear un dataset llamado data_bolivia que contenga solo las observaciones de “Bolivia”.
  3. Crear un dataset llamado data_bol_2000 que contenga solo las observaciones de “Bolivia” del año 2000 en adelante.
  4. Crear un dataset llamado data_bol_deficit que contenga los datos de “Bolivia” donde el déficit fiscal sea mayor a 10%.
  5. Crear un dataset llamado data_bol que contenga las observaciones de “Bolivia” del año 1981 a 2023.

El siguiente dataset se utilizará para los ejercicios:

data_bol <- data |> 
  filter(Pais == "Bolivia", Año >= 1981, Año <= 2023)

tail(data_bol)
# A tibble: 6 × 10
  Pais    ISO_Code Continent   Año Deuda Inflacion Deficit_Fiscal rgrowth
  <chr>   <chr>    <chr>     <dbl> <dbl>     <dbl>          <dbl>   <dbl>
1 Bolivia BOL      Americas   2018  35.9       2.3           -8.2     4.2
2 Bolivia BOL      Americas   2019  40.2       1.8           -7.2     2.2
3 Bolivia BOL      Americas   2020  57.8       0.9          -12.7    -8.7
4 Bolivia BOL      Americas   2021  62.7       0.7           -9.3     6.1
5 Bolivia BOL      Americas   2022  65.4       1.7           -7.1     3.6
6 Bolivia BOL      Americas   2023  73.8       2.6          -10.9     3.1
# ℹ 2 more variables: GDPpc_usd <dbl>, GDPpc_ppp <dbl>


Recordar

De ahora en adelante para ilustrar la mayoría de los ejemplos, se utilizará el dataset data_bol que hemos definido anteriormente, el cual contiene las observaciones de “Bolivia” del año 1981 a 2023.

Seleccionar columnas con select()

El verbo select() se utiliza para seleccionar columnas en un dataframe. Permite trabajar con un subconjunto de las columnas disponibles.

Por ejemplo, si se desea seleccionar las columnas Pais, Año y GDPpc_usd del dataset data_bol, se puede hacer de la siguiente manera:

data_bol |> 
  select(Pais, Año, GDPpc_usd)
# A tibble: 43 × 3
   Pais      Año GDPpc_usd
   <chr>   <dbl>     <dbl>
 1 Bolivia  1981      616.
 2 Bolivia  1982      669.
 3 Bolivia  1983      620.
 4 Bolivia  1984      631.
 5 Bolivia  1985      669.
 6 Bolivia  1986      641.
 7 Bolivia  1987      684.
 8 Bolivia  1988      712.
 9 Bolivia  1989      716.
10 Bolivia  1990      723.
# ℹ 33 more rows

El verbo select() también permite seleccionar columnas por rango, por ejemplo, si se desea seleccionar las columnas de Año a Inflacion, se puede hacer de la siguiente manera:

data_bol |> 
  select(Año:Inflacion)
# A tibble: 43 × 3
     Año Deuda Inflacion
   <dbl> <dbl>     <dbl>
 1  1981  112.      32.1
 2  1982  144.     124. 
 3  1983  151.     276. 
 4  1984  160.    1281. 
 5  1985  192.   11750. 
 6  1986  140.     273. 
 7  1987  136.      14.6
 8  1988  118.      16  
 9  1989  100.      15.2
10  1990  105.      17.1
# ℹ 33 more rows

También se pueden excluir columnas específicas utilizando el operador -. Por ejemplo, si se desea excluir la columna GDPpc_usd y ISO_Code, se puede hacer de la siguiente manera:

data_bol |> 
  select(-GDPpc_usd, -ISO_Code)
# A tibble: 43 × 8
   Pais    Continent   Año Deuda Inflacion Deficit_Fiscal rgrowth GDPpc_ppp
   <chr>   <chr>     <dbl> <dbl>     <dbl>          <dbl>   <dbl>     <dbl>
 1 Bolivia Americas   1981  112.      32.1           -9.6     0.3     2465 
 2 Bolivia Americas   1982  144.     124.           -15.9    -3.9     2463.
 3 Bolivia Americas   1983  151.     276.           -19.8    -4       2406.
 4 Bolivia Americas   1984  160.    1281.           -25.4    -0.2     2437.
 5 Bolivia Americas   1985  192.   11750.            -9.8    -1.7     2421.
 6 Bolivia Americas   1986  140.     273.            -2.7    -2.6     2357.
 7 Bolivia Americas   1987  136.      14.6           -7.7     2.5     2424.
 8 Bolivia Americas   1988  118.      16             -6.5     2.9     2530.
 9 Bolivia Americas   1989  100.      15.2           -5.5     3.8     2673.
10 Bolivia Americas   1990  105.      17.1           -4.4     4.6     2842.
# ℹ 33 more rows

Uso de “helpers” en select()

select() también permite el uso de “helpers” para seleccionar columnas de manera más flexible. Algunos de los más comunes son:

Helper Descripción
starts_with() Selecciona columnas que comienzan con un prefijo
ends_with() Selecciona columnas que terminan con un sufijo
contains() Selecciona columnas que contienen una cadena
everything() Selecciona todas las columnas
where() Selecciona columnas según una condición lógica

Estos “helpers” también forman parte de dplyr y permiten una selección más dinámica de columnas.

Así, supongamos que se desea:

  • Seleccionar la columna Año y todas las columnas que comienzan con “GDP”:
data_bol |> 
  select(Año, starts_with("GDP"))
# A tibble: 43 × 3
     Año GDPpc_usd GDPpc_ppp
   <dbl>     <dbl>     <dbl>
 1  1981      616.     2465 
 2  1982      669.     2463.
 3  1983      620.     2406.
 4  1984      631.     2437.
 5  1985      669.     2421.
 6  1986      641.     2357.
 7  1987      684.     2424.
 8  1988      712.     2530.
 9  1989      716.     2673.
10  1990      723.     2842.
# ℹ 33 more rows
  • Seleccionar solo aquellas columnas que son de texto:
data_bol |> 
  select(where(is.character))
# A tibble: 43 × 3
   Pais    ISO_Code Continent
   <chr>   <chr>    <chr>    
 1 Bolivia BOL      Americas 
 2 Bolivia BOL      Americas 
 3 Bolivia BOL      Americas 
 4 Bolivia BOL      Americas 
 5 Bolivia BOL      Americas 
 6 Bolivia BOL      Americas 
 7 Bolivia BOL      Americas 
 8 Bolivia BOL      Americas 
 9 Bolivia BOL      Americas 
10 Bolivia BOL      Americas 
# ℹ 33 more rows

Crear y modificar variables con mutate()

Un verbo clave de dplyr es mutate(), que se utiliza para crear nuevas variables o modificar las existentes en un dataframe.

Por ejemplo, si se desea crear una nueva variable llamada GDPpc_milesUSD que sea el PIB per cápita en miles de dólares:

data_tmp <- data_bol |> 
  mutate(GDPpc_milesUSD = GDPpc_usd / 1000)

data_tmp |> 
  select(Pais, Año, GDPpc_usd, GDPpc_milesUSD)
# A tibble: 43 × 4
   Pais      Año GDPpc_usd GDPpc_milesUSD
   <chr>   <dbl>     <dbl>          <dbl>
 1 Bolivia  1981      616.          0.616
 2 Bolivia  1982      669.          0.669
 3 Bolivia  1983      620.          0.620
 4 Bolivia  1984      631.          0.631
 5 Bolivia  1985      669.          0.669
 6 Bolivia  1986      641.          0.641
 7 Bolivia  1987      684.          0.684
 8 Bolivia  1988      712.          0.712
 9 Bolivia  1989      716.          0.716
10 Bolivia  1990      723.          0.723
# ℹ 33 more rows

Otro uso común de mutate() es para crear variables de forma condicional. Es decir, que se tome un valor si se cumple una condición y otro valor si no se cumple. Para esto, se suele utilizar la función if_else, también parte de dplyr.

Por ejemplo, supongamos que se desea crear una nueva variable llamada cuentas_en que tome el valor de deficit si la variable Deficit_Fiscal es menor a 0 y superavit si es mayor o igual a 0:

data_tmp <- data_bol |> 
  mutate(cuentas_en = if_else(Deficit_Fiscal < 0, "deficit", "superavit"))

data_tmp |>
  select(Pais, Año, Deficit_Fiscal, cuentas_en)
# A tibble: 43 × 4
   Pais      Año Deficit_Fiscal cuentas_en
   <chr>   <dbl>          <dbl> <chr>     
 1 Bolivia  1981           -9.6 deficit   
 2 Bolivia  1982          -15.9 deficit   
 3 Bolivia  1983          -19.8 deficit   
 4 Bolivia  1984          -25.4 deficit   
 5 Bolivia  1985           -9.8 deficit   
 6 Bolivia  1986           -2.7 deficit   
 7 Bolivia  1987           -7.7 deficit   
 8 Bolivia  1988           -6.5 deficit   
 9 Bolivia  1989           -5.5 deficit   
10 Bolivia  1990           -4.4 deficit   
# ℹ 33 more rows

Finalmente, muchas veces se quieren crear nuevas categorías en base a valores numéricos. Por ejemplo, si se desea crear una nueva variable llamada Inflacion_Categoria que tome el valor de baja si la inflación es menor a 5%, media si está entre 5% y 10%, y alta si es mayor a 10%:

data_tmp <- data_bol |> 
  mutate(Inflacion_Categoria = case_when(
    Inflacion < 5 ~ "Baja",
    Inflacion >= 5 & Inflacion < 10 ~ "Media",
    Inflacion >= 10 & Inflacion < 50 ~ "Alta",
    Inflacion >= 50 ~ "Muy alta"
  ))

data_tmp |>
  select(Pais, Año, Inflacion, Inflacion_Categoria)
# A tibble: 43 × 4
   Pais      Año Inflacion Inflacion_Categoria
   <chr>   <dbl>     <dbl> <chr>              
 1 Bolivia  1981      32.1 Alta               
 2 Bolivia  1982     124.  Muy alta           
 3 Bolivia  1983     276.  Muy alta           
 4 Bolivia  1984    1281.  Muy alta           
 5 Bolivia  1985   11750.  Muy alta           
 6 Bolivia  1986     273.  Muy alta           
 7 Bolivia  1987      14.6 Alta               
 8 Bolivia  1988      16   Alta               
 9 Bolivia  1989      15.2 Alta               
10 Bolivia  1990      17.1 Alta               
# ℹ 33 more rows

Combinar verbos con pipe

Anteriormente, se indicó que era posible utilizar el operador %>% o |> para encadenar operaciones. Esto es especialmente útil cuando se combinan varios verbos de dplyr.


Por ejemplo, en el caso anterior, se creó una nueva variable cuentas_en para indicar si el país tenía un déficit o superávit fiscal. El resultado fue un nuevo dataframe data_tmp que contenía la nueva variable. Sobre este se aplico el vebo select() para mostrar solo las columnas de interés.


Aunque funcionó, no es la manera más eficiente de hacerlo. En lugar de crear un dataframe intermedio, se puede encadenar las operaciones directamente utilizando el operador %>% o |>.

Por ejemplo, supongamos que se desea crear la variable cuentas_en y luego seleccionar las columnas Pais, Año, Deficit_Fiscal y cuentas_en en un solo paso:

data_bol |> 
  mutate(cuentas_en = if_else(Deficit_Fiscal < 0, "deficit", "superavit")) |>
  select(Pais, Año, Deficit_Fiscal, cuentas_en)
# A tibble: 43 × 4
   Pais      Año Deficit_Fiscal cuentas_en
   <chr>   <dbl>          <dbl> <chr>     
 1 Bolivia  1981           -9.6 deficit   
 2 Bolivia  1982          -15.9 deficit   
 3 Bolivia  1983          -19.8 deficit   
 4 Bolivia  1984          -25.4 deficit   
 5 Bolivia  1985           -9.8 deficit   
 6 Bolivia  1986           -2.7 deficit   
 7 Bolivia  1987           -7.7 deficit   
 8 Bolivia  1988           -6.5 deficit   
 9 Bolivia  1989           -5.5 deficit   
10 Bolivia  1990           -4.4 deficit   
# ℹ 33 more rows

Nótese que el encadenamiento de operaciones no tiene porqué quedar ahí. Supongamos que ahora solo queremos ver las observaciones donde cuentas_en es “superavit”. Podemos agregar otro verbo filter() al final de la cadena:

data_bol |> 
  mutate(cuentas_en = if_else(Deficit_Fiscal < 0, "deficit", "superavit")) |>
  select(Pais, Año, Deficit_Fiscal, cuentas_en) |>
  filter(cuentas_en == "superavit")
# A tibble: 7 × 4
  Pais      Año Deficit_Fiscal cuentas_en
  <chr>   <dbl>          <dbl> <chr>     
1 Bolivia  2006            4.5 superavit 
2 Bolivia  2008            3.5 superavit 
3 Bolivia  2009            2.6 superavit 
4 Bolivia  2010            1.6 superavit 
5 Bolivia  2011            0.8 superavit 
6 Bolivia  2012            1.7 superavit 
7 Bolivia  2013            0.6 superavit


Esto es lo que hace el ecosistema Tidyverse tan poderoso: la capacidad de combinar múltiples operaciones de manera fluida, legible y secuencial, tal como se haría en un flujo de trabajo natural.






Recordar

De ahora en adelante, vamos a utilizar el operador |> para encadenar operaciones de dplyr, aunque también se puede utilizar el operador %>%.

Ordenar datos con arrange()

Otro verbo que suele ser muy útil es arrange(), que se utiliza para ordenar las observaciones de un dataframe según una o más variables. Por ejemplo,

  • Ordenar el dataset de acuerdo a los años de mayor a menor inflación:
data_bol |> 
  select(Pais, Año, Inflacion) |>
  arrange(desc(Inflacion))
# A tibble: 43 × 3
   Pais      Año Inflacion
   <chr>   <dbl>     <dbl>
 1 Bolivia  1985   11750. 
 2 Bolivia  1984    1281. 
 3 Bolivia  1983     276. 
 4 Bolivia  1986     273. 
 5 Bolivia  1982     124. 
 6 Bolivia  1981      32.1
 7 Bolivia  1991      21.4
 8 Bolivia  1990      17.1
 9 Bolivia  1988      16  
10 Bolivia  1989      15.2
# ℹ 33 more rows
  • Ordenar de acuerdo a los años de menor a mayor inflación:
data_bol |> 
  select(Pais, Año, Inflacion) |>
  arrange(Inflacion)
# A tibble: 43 × 3
   Pais      Año Inflacion
   <chr>   <dbl>     <dbl>
 1 Bolivia  2021       0.7
 2 Bolivia  2002       0.9
 3 Bolivia  2020       0.9
 4 Bolivia  2001       1.6
 5 Bolivia  2022       1.7
 6 Bolivia  2019       1.8
 7 Bolivia  1999       2.2
 8 Bolivia  2018       2.3
 9 Bolivia  2004       2.5
10 Bolivia  2010       2.5
# ℹ 33 more rows

Operaciones agrupadas con group_by()

Uno de los verbos más poderosos de dplyr es group_by(), que permite agrupar datos por una o más variables.

Para demostrar su uso, vamos a crear un nuevo conjunto de datos, tomando en cuenta algunos paises vecinos para los años 2022 y 2023:

data_vecinos <- data |> 
  filter(Pais %in% c("Bolivia", "Peru", "Chile", "Paraguay"), 
         Año %in% c(2022, 2023)) |> 
  select(Pais, Año, Inflacion)

data_vecinos 
# A tibble: 8 × 3
  Pais       Año Inflacion
  <chr>    <dbl>     <dbl>
1 Bolivia   2022       1.7
2 Bolivia   2023       2.6
3 Chile     2022      11.6
4 Chile     2023       7.6
5 Paraguay  2022       9.8
6 Paraguay  2023       4.6
7 Peru      2022       7.9
8 Peru      2023       6.3

Conceptualmente, ¿qué es lo que hace group_by()?

  • Añade una especie de identificador (interno) a cada observación del dataframe, de acuerdo a la o las variables que se le indiquen.
data_vecinos |> 
  group_by(Pais)
# A tibble: 8 × 3
# Groups:   Pais [4]
  Pais       Año Inflacion
  <chr>    <dbl>     <dbl>
1 Bolivia   2022       1.7
2 Bolivia   2023       2.6
3 Chile     2022      11.6
4 Chile     2023       7.6
5 Paraguay  2022       9.8
6 Paraguay  2023       4.6
7 Peru      2022       7.9
8 Peru      2023       6.3
  • Visto gráficamente, es como si se separara el dataframe en varios subconjuntos, uno por cada grupo definido por la o las variables indicadas.
Pais Año Inflacion
Bolivia 2022 1.7
Bolivia 2023 2.6
Chile 2022 11.6
Chile 2023 7.6
Paraguay 2022 9.8
Paraguay 2023 4.6
Peru 2022 7.9
Peru 2023 6.3

Operaciones con group_by(): summarise()

group_by() es especialmente útil cuando se combina con summarise(), que permite calcular estadísticas resumidas para cada grupo. Por ejemplo, si se desea calcular la inflación promedio por país.

data_vecinos |> 
  group_by(Pais)
Pais Año Inflacion
Bolivia 2022 1.7
Bolivia 2023 2.6
Chile 2022 11.6
Chile 2023 7.6
Paraguay 2022 9.8
Paraguay 2023 4.6
Peru 2022 7.9
Peru 2023 6.3 
data_vecinos |> 
  group_by(Pais) |> 
  summarise(Inflacion_Promedio = mean(Inflacion))
Pais Inflacion_Promedio
Bolivia 2.15
Chile 9.60
Paraguay 7.20
Peru 7.10

Más sobre summarise()

summarise() no se limita a calcular promedios, sino que también permite calcular otras estadísticas como sumas, medianas, máximos, mínimos, etc. Por ejemplo:

Basado en el país, calcular el número de observaciones, la inflación promedio y la inflación máxima. Los resultados desplegarlos ordenando los países en orden alfabético, pero iniciando en la “Z”.

data_vecinos |> 
  group_by(Pais)
# A tibble: 8 × 3
# Groups:   Pais [4]
  Pais       Año Inflacion
  <chr>    <dbl>     <dbl>
1 Bolivia   2022       1.7
2 Bolivia   2023       2.6
3 Chile     2022      11.6
4 Chile     2023       7.6
5 Paraguay  2022       9.8
6 Paraguay  2023       4.6
7 Peru      2022       7.9
8 Peru      2023       6.3

Más sobre summarise()

summarise() no se limita a calcular promedios, sino que también permite calcular otras estadísticas como sumas, medianas, máximos, mínimos, etc. Por ejemplo:

Basado en el país, calcular el número de observaciones, la inflación promedio y la inflación máxima. Los resultados desplegarlos ordenando los países en orden alfabético, pero iniciando en la “Z”.

data_vecinos |> 
  group_by(Pais) |> 
  summarise(
    Obs = n()
    )
# A tibble: 4 × 2
  Pais       Obs
  <chr>    <int>
1 Bolivia      2
2 Chile        2
3 Paraguay     2
4 Peru         2

Más sobre summarise()

summarise() no se limita a calcular promedios, sino que también permite calcular otras estadísticas como sumas, medianas, máximos, mínimos, etc. Por ejemplo:

Basado en el país, calcular el número de observaciones, la inflación promedio y la inflación máxima. Los resultados desplegarlos ordenando los países en orden alfabético, pero iniciando en la “Z”.

data_vecinos |> 
  group_by(Pais) |> 
  summarise(
    Obs = n(),
    Inf_prom = mean(Inflacion)
    )
# A tibble: 4 × 3
  Pais       Obs Inf_prom
  <chr>    <int>    <dbl>
1 Bolivia      2     2.15
2 Chile        2     9.6 
3 Paraguay     2     7.2 
4 Peru         2     7.1

Más sobre summarise()

summarise() no se limita a calcular promedios, sino que también permite calcular otras estadísticas como sumas, medianas, máximos, mínimos, etc. Por ejemplo:

Basado en el país, calcular el número de observaciones, la inflación promedio y la inflación máxima. Los resultados desplegarlos ordenando los países en orden alfabético, pero iniciando en la “Z”.

data_vecinos |> 
  group_by(Pais) |> 
  summarise(
    Obs = n(),
    Inf_prom = mean(Inflacion),
    Inf_max = max(Inflacion)
    )
# A tibble: 4 × 4
  Pais       Obs Inf_prom Inf_max
  <chr>    <int>    <dbl>   <dbl>
1 Bolivia      2     2.15     2.6
2 Chile        2     9.6     11.6
3 Paraguay     2     7.2      9.8
4 Peru         2     7.1      7.9

Más sobre summarise()

summarise() no se limita a calcular promedios, sino que también permite calcular otras estadísticas como sumas, medianas, máximos, mínimos, etc. Por ejemplo:

Basado en el país, calcular el número de observaciones, la inflación promedio y la inflación máxima. Los resultados desplegarlos ordenando los países en orden alfabético, pero iniciando en la “Z”.

data_vecinos |> 
  group_by(Pais) |> 
  summarise(
    Obs = n(),
    Inf_prom = mean(Inflacion),
    Inf_max = max(Inflacion),
    ) |> 
  arrange(desc(Pais))
# A tibble: 4 × 4
  Pais       Obs Inf_prom Inf_max
  <chr>    <int>    <dbl>   <dbl>
1 Peru         2     7.1      7.9
2 Paraguay     2     7.2      9.8
3 Chile        2     9.6     11.6
4 Bolivia      2     2.15     2.6

Nótese cómo, utilizando la sintaxis de dplyr es posible combinar múltiples operaciones de manera fluida y realizar la mayoría de las operaciones con pocas líneas de código.

Ejercicios

Ahora vamos a practicar el uso de las distintos verbos de dplyr con algunos ejercicios, utilizando el dataset original, data, que hemos importado anteriormente. En particular, se pide responder:

  1. ¿Cuál es el crecimiento promedio del PIB mundial para los años 2022 y 2023?
  2. ¿Cuál es el crecimiento promedio del PIB para cada continente en el año 2023? Mostrar los resultados en orden descendente.
  3. ¿Cuál es el promedio del déficit fiscal y la deuda para los países del continente americano?
  4. ¿Qué países tuvieron más de 15% de inflación en el año 2023?
  5. ¿Existe alguna relación entre el nivel de deuda y la inflación? Para esto, clasificar la deuda en tres grupos: baja (menos de 40%), media (entre 50% y 80%) y alta (más de 80%). Luego, calcular la inflación promedio para cada grupo de deuda.

Resumen

En esta clase hemos aprendido a importar y manipular datos en R utilizando el ecosistema Tidyverse, específicamente los paquetes readr y dplyr. En particular, hemos visto cómo:

Función Descripción breve
readr::read_csv() Importa archivos CSV
readxl::read_excel() Importa archivos Excel
filter() Filtra observaciones
select() Selecciona o renombra columnas
mutate() Añade o modifica variables
arrange() Ordena observaciones
group_by() Agrupa datos por variables
summarise() Calcula estadísticas resumidas

Próximos pasos

En la siguiente clase exploraremos visualizaciones con ggplot2, utilizando los datos transformados en esta sesión.

De todas maneras, para ver el potencial de esta herramienta, páginas como the The R Graph Gallery proveen algunos ejemplos e inspiración de gráficos que se pueden hacer con ggplot2.