Calcula estadísticos descriptivos básicos en R

Calcular estadísticos descriptivos en R es tan simple como usar la función summary() sobre cualquier tabla de datos o dataframe.

Estadísticos descriptivos iniciales

Usaremos como ejemplo el conjunto de datos iris, que viene incorporado en R, para aplicarle summary() y así obtener sus estadísticos descriptivos.

summary(iris)

  Sepal.Length    Sepal.Width     Petal.Length    Petal.Width   
 Min.   :4.300   Min.   :2.000   Min.   :1.000   Min.   :0.100  
 1st Qu.:5.100   1st Qu.:2.800   1st Qu.:1.600   1st Qu.:0.300  
 Median :5.800   Median :3.000   Median :4.350   Median :1.300  
 Mean   :5.843   Mean   :3.057   Mean   :3.758   Mean   :1.199  
 3rd Qu.:6.400   3rd Qu.:3.300   3rd Qu.:5.100   3rd Qu.:1.800  
 Max.   :7.900   Max.   :4.400   Max.   :6.900   Max.   :2.500  
       Species  
 setosa    :50  
 versicolor:50  
 virginica :50  

La función summary() calcula estadísticos descriptivos básicos para cada variable numérica del conjunto de datos, incluyendo:

• Mínimo y máximo
• Mediana: el valor central, si los datos se ordenaran de menor a mayor
• Promedio
• Primer y tercer cuartil: si se ordenan los datos de menor a mayor, el primer cuartil indica el valor que corta la distrución de manera que el 25% de los datos son menores o iguales a él, y el tercer cuartil lo mismo pero cortando el 75% de los datos son menores o iguales a él.

Estadísticos descriptivos con {dplyr}

Si queremos tener más control sobre los cálculos de estadísticos descriptivos, podemos usar {dplyr}.

Vamos a partir viendo cómo se hace un sólo estadístico descriptivo promedio para una sola variable, y vamos a ir avanzando desde ahí hasta poder aplicar múltiples estadísticos descriptivos a todas las variables.

Calcular promedio con summarize()

Si bien {dplyr} no tiene una función que lo haga automáticamente como summary(), podemos usar la función summarize() para calcular resúmenes estadísticos. A summarize() le damos una función que usaremos para resumir los datos a una sola fila.

Por ejemplo, calculemos el promedio de una variable:

library(dplyr)

iris |> 
  summarize(
    promedio = mean(Sepal.Length)
  )

  promedio
1 5.843333

Calcular promedio de varias variables con summarize(across())

Para hacerlo más útil, en vez de calcular para una sola variable, podemos pedirle que calcule el promedio para todas las variables numéricas. Esto lo logramos usando across(), que permite aplicar las operaciones a varias columnas a la vez, indicando que queremos aplicar la operación donde (where()) las variables sean numéricas (is.numeric).

Entonces, este código calculará el promedio para todas las columnas numéricas del dataframe:

iris |> 
  summarize(             # resumir los datos
    across(              # donde las columnas
      where(is.numeric), # sean numéricas
      ~mean(.x),         # calculando el promedio
      .names = "{col}_promedio") # cambiar el nombre de columnas
  )

  Sepal.Length_promedio Sepal.Width_promedio Petal.Length_promedio
1              5.843333             3.057333                 3.758
  Petal.Width_promedio
1             1.199333

Estadísticos descriptivos con summarize()

Siguiendo los mismos principios, ahora podemos calcular varios estadísticos descriptivos a la vez agregándolos a summarize().

Primero calculemos los descriptivos para una sola variable:

iris |>
  # definir variable
  rename(var = Petal.Width) |> 
  # omitir datos perdidos
  filter(!is.na(var)) |>
  # calcular
  summarize(
    "minimo" = min(var),
    "primer" = quantile(var, probs = 0.25),
    "promedio" = mean(var),
    "mediana" = median(var),
    "tercer" = quantile(var, probs = 0.75),
    "maximo" = max(var),
    "desviacion" = sd(var)
  )

  minimo primer promedio mediana tercer maximo desviacion
1    0.1    0.3 1.199333     1.3    1.8    2.5  0.7622377

Estadísticos descriptivos por grupo

La gracia de {dplyr} es que al código anterior podemos agregarle una agrupación (group_by()) para calcular los mismos estadísticos descriptivos por grupos:

iris |>
  # definir variable
  rename(var = Petal.Width) |> 
  # omitir datos perdidos
  filter(!is.na(var)) |>
  # grupo
  group_by(Species) |> 
  # calcular
  summarize(
    "minimo" = min(var),
    "primer" = quantile(var, probs = 0.25),
    "promedio" = mean(var),
    "mediana" = median(var),
    "tercer" = quantile(var, probs = 0.75),
    "maximo" = max(var),
    "desviacion" = sd(var)
  )

# A tibble: 3 × 8
  Species    minimo primer promedio mediana tercer maximo desviacion
  <fct>       <dbl>  <dbl>    <dbl>   <dbl>  <dbl>  <dbl>      <dbl>
1 setosa        0.1    0.2    0.246     0.2    0.3    0.6      0.105
2 versicolor    1      1.2    1.33      1.3    1.5    1.8      0.198
3 virginica     1.4    1.8    2.03      2      2.3    2.5      0.275

Estadísticos descriptivos para todas las variables

Podemos automatizar el cálculo de todos los estadísticos descriptivos para todas las variables numéricas usando across() dentro de summarize(). El resultado lo podemos transformar a formato largo con {tidyr} para facilitar su lectura:

library(tidyr)

iris |> 
  summarise(
    across(where(is.numeric),
           list("minimo" = ~min(.x),
                "primer" = ~quantile(.x, probs = 0.25),
                "promedio" = ~mean(.x),
                "mediana" = ~median(.x),
                "tercer" = ~quantile(.x, probs = 0.75),
                "maximo" = ~max(.x),
                "desviacion" = ~sd(.x))
    )
  ) |> 
  pivot_longer(everything(), 
               names_sep = "_", 
               names_to = c("variable", ".value"))

# A tibble: 4 × 8
  variable     minimo primer promedio mediana tercer maximo desviacion
  <chr>         <dbl>  <dbl>    <dbl>   <dbl>  <dbl>  <dbl>      <dbl>
1 Sepal.Length    4.3    5.1     5.84    5.8     6.4    7.9      0.828
2 Sepal.Width     2      2.8     3.06    3       3.3    4.4      0.436
3 Petal.Length    1      1.6     3.76    4.35    5.1    6.9      1.77 
4 Petal.Width     0.1    0.3     1.20    1.3     1.8    2.5      0.762

Estadísticos descriptivos para todas las variables, por grupos

Finalmente, el mismo proceso anterior de calcular todos los descriptivos para todas las variables, pero ahora por grupos, simplemente agregándole group_by() al código y cambiando las columnas a pivotar para que no incluya la variable de grupo:

iris |> 
  rename(grupo = Species) |> 
  group_by(grupo) |> 
  summarise(
    across(where(is.numeric),
           list("minimo" = ~min(.x),
                "primer" = ~quantile(.x, probs = 0.25),
                "promedio" = ~mean(.x),
                "mediana" = ~median(.x),
                "tercer" = ~quantile(.x, probs = 0.75),
                "maximo" = ~max(.x),
                "desviacion" = ~sd(.x))
    )
  ) |> 
  pivot_longer(c(everything(), -grupo), # todas menos la variable de agrupación
               names_sep = "_", 
               names_to = c("variable", ".value"))

# A tibble: 12 × 9
   grupo      variable   minimo primer promedio mediana tercer maximo desviacion
   <fct>      <chr>       <dbl>  <dbl>    <dbl>   <dbl>  <dbl>  <dbl>      <dbl>
 1 setosa     Sepal.Len…    4.3   4.8     5.01     5      5.2     5.8      0.352
 2 setosa     Sepal.Wid…    2.3   3.2     3.43     3.4    3.68    4.4      0.379
 3 setosa     Petal.Len…    1     1.4     1.46     1.5    1.58    1.9      0.174
 4 setosa     Petal.Wid…    0.1   0.2     0.246    0.2    0.3     0.6      0.105
 5 versicolor Sepal.Len…    4.9   5.6     5.94     5.9    6.3     7        0.516
 6 versicolor Sepal.Wid…    2     2.52    2.77     2.8    3       3.4      0.314
 7 versicolor Petal.Len…    3     4       4.26     4.35   4.6     5.1      0.470
 8 versicolor Petal.Wid…    1     1.2     1.33     1.3    1.5     1.8      0.198
 9 virginica  Sepal.Len…    4.9   6.22    6.59     6.5    6.9     7.9      0.636
10 virginica  Sepal.Wid…    2.2   2.8     2.97     3      3.18    3.8      0.322
11 virginica  Petal.Len…    4.5   5.1     5.55     5.55   5.88    6.9      0.552
12 virginica  Petal.Wid…    1.4   1.8     2.03     2      2.3     2.5      0.275

Si bien R base trae herramientas útiles como summary(), metiéndole un poco de {dplyr} podemos tener formas más flexibles y personalizables para calcular estadísticos descriptivos.

Estadísticos descriptivos con {skimr}

Otra alternativa a summary() es la función skim() del paquete {skimr}, que nos entrega resúmenes estadísticos permite obtener un resumen estadístico más completo y visualmente atractivo.

Instalamos el paquete:

install.packages("skimr")

Luego lo probamos con nuestros datos:

library(skimr)

skim(iris)

La función entregará tablas con resúmenes de cantidad de observaciones, tipo de las columnas, y estadísticas descriptivas específicas para variables categóricas y numéricas.

── Data Summary ────────────────────────
                           Values
Name                       iris  
Number of rows             150   
Number of columns          5     
_______________________          
Column type frequency:           
  factor                   1     
  numeric                  4     
________________________         
Group variables            None  

── Variable type: factor ───────────────────────────────────────────────────────────────────────────
  skim_variable n_missing complete_rate ordered n_unique top_counts               
1 Species               0             1 FALSE          3 set: 50, ver: 50, vir: 50

── Variable type: numeric ──────────────────────────────────────────────────────────────────────────
  skim_variable n_missing complete_rate mean    sd  p0 p25  p50 p75 p100 hist 
1 Sepal.Length          0             1 5.84 0.828 4.3 5.1 5.8  6.4  7.9 ▆▇▇▅▂
2 Sepal.Width           0             1 3.06 0.436 2   2.8 3    3.3  4.4 ▁▆▇▂▁
3 Petal.Length          0             1 3.76 1.77  1   1.6 4.35 5.1  6.9 ▇▁▆▇▂
4 Petal.Width           0             1 1.20 0.762 0.1 0.3 1.3  1.8  2.5 ▇▁▇▅▃