# Calcular resúmenes de datos con dplyr::summarize() > En este tutorial veremos cómo calcular resúmenes de datos con la función summarize(), que nos permite tomar las filas de una tabla de datos, y aplicarles algún cálculo para reducir todas las filas a un solo dato; por ejemplo, para calcular la suma o el promedio de una columna. - URL: https://bastianolea.rbind.io/blog/r_introduccion/dplyr_summarize/ - Fecha: 2025-12-14 - Autor: Bastián Olea Herrera - Etiquetas: dplyr, básico - Recursos: [Código scraping](https://gist.github.com/bastianolea/c9898df9994cdba32bd6702697498ee589) --- En el [tutorial de introducción a `{dplyr}`](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_intro/) aprendimos a ordenar, seleccionar, y filtrar datos tabulares. Con estas operaciones básicas deberíamos poder desenvolvernos con tablas de datos. Luego aprendimos a **crear y modificar variables** con [la función `mutate()` de `{dplyr}`](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_mutate/). Ahora veremos cómo **calcular resúmenes de datos**. Con esto nos referimos a tomar todas las observaciones o filas de una tabla, y aplicar algún cálculo para **reducir todas las filas a un solo dato**. Esto sirve, por ejemplo, para calcular la suma o el promedio de una columna, y para calcular [estadísticos descriptivos](https://bastianolea.rbind.io/blog/estadisticos_descriptivos/). ``` r library(dplyr) options(scipen = 999) # desactivar notación científica ``` > **Aviso:** Si necesitas aprender `{dplyr}` desde el principio, revisa el [tutorial de introducción a `{dplyr}`](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_intro/). ## Introducción Para este tutorial vamos a trabajar con datos de **población de países de América del Sur**, obtenidas desde [una tabla de Wikipedia](https://es.wikipedia.org/wiki/América_del_Sur#Geografía_política) usando \[web scraping\](https://bastianolea.rbind.io/tags/web-scraping/\]. Puedes ver el [código del web scraping aquí](https://gist.github.com/bastianolea/c9898df9994cdba32bd6702697498ee5). Para cargar los datos en tu entorno de R, ejecuta el siguiente código: ``` r datos <- tribble( ~pais, ~superficie, ~poblacion, ~idh, "Brasil", 8515767, 2.08e+08, 0.765, "Argentina", 2780400, 44500000, 0.845, "Perú", 1286216, 32200000, 0.777, "Colombia", 1141748, 5e+07, 0.767, "Bolivia", 1098581, 11200000, 0.718, "Venezuela", 916445, 31800000, 0.711, "Chile", 756102, 17800000, 0.851, "Paraguay", 406752, 7100000, 0.728, "Ecuador", 256370, 16900000, 0.759, "Guyana", 214970, 8e+05, 0.682, "Uruguay", 176215, 3500000, 0.817, "Surinam", 163820, 5e+05, 0.738, "Guayana Francesa", 83846, 3e+05, 0.901, "Trinidad y Tobago", 5128, 1300000, 0.796 ) ``` Como hemos visto en el [tutorial introductorio de R](https://bastianolea.rbind.io/blog/r_introduccion/r_basico/#funciones), para **calcular una suma** usamos la función `sum()`: ``` r total <- sum(datos$poblacion) format(total, big.mark = ".", scientific = FALSE) ``` [1] "425.900.000" Mientras que para **calcular un promedio** usamos la función `mean()`: ``` r promedio <- mean(datos$idh) round(promedio, 2) ``` [1] 0.78 Cualquier función como las anteriores, que **reciba varios datos y entregue uno solo**, será una función que podemos usar dentro de `summarize()` para obtener resúmenes de datos. ## Resumir datos con `summarize()` La función `summarize()` calcula **resúmenes** de las tablas de datos, a partir de una o varias funciones que van a *resumir* los datos a una sola fila. ![](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_summarize/featured.png) _Esquema de un resumen de datos: se pasa de varias filas a una sola_ Para calcular el resumen de los valores de una variable, dentro de `summarize()` ubicamos la **función** necesaria, aplicada a la **columna** que nos interesa resumir. Calculemos la suma (`sum()`) de la columna `poblacion`: ``` r datos |> summarize( suma = sum(poblacion) ) ``` # A tibble: 1 × 1 suma 1 425900000 Redujimos las 14 filas de nuestra tabla de datos y obtuvimos una sola fila, que resume todos los valores de la `poblacion` a partir de una suma. Dentro de `summarize()` podemos calcular varios resúmenes al mismo tiempo. Agreguemos una segunda línea para calcular el **promedio** del índice de desarrollo humano (`idh`): ``` r datos |> summarize( suma = sum(poblacion), promedio = mean(idh) ) ``` # A tibble: 1 × 2 suma promedio 1 425900000 0.775 ### Estadísticos descriptivos De este modo podemos calcular datos que resumen las observaciones, por ejemplo, [calcular estadísticas descriptivos](https://bastianolea.rbind.io/blog/estadisticos_descriptivos/) relevantes a los datos que estamos trabajando: ``` r datos |> # calcular estadísticos descriptivos summarize( poblacion_total = sum(poblacion), poblacion_promedio = mean(poblacion), poblacion_minima = min(poblacion), poblacion_maxima = max(poblacion) ) |> # agregar puntos de miles mutate( across( where(is.numeric), ~format(.x, big.mark = ".") ) ) ``` # A tibble: 1 × 4 poblacion_total poblacion_promedio poblacion_minima poblacion_maxima 1 425.900.000 30.421.429 300.000 208.000.000 > **Nota:** Agregamos un `mutate(across())` para aplicar una función a todas las columnas al mismo tiempo. Para más información, [revisa este tutorial](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_mutate/#crear-varias-columnas-al-mismo-tiempo-con-across). ### Resúmenes por grupos [Tal que como vimos con `mutate()`](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_mutate/#calcular-variables-por-grupos-con-group_by), podemos anteponer la función de **agrupación** `group_by()` para que los resúmenes de datos se calculen por grupos. Esto significa que, en vez de obtener una sola fila de resumen, obtendremos **una fila por cada grupo** de la variable que elijamos para agrupar los datos. Primero creemos una variable que nos permita agrupar los datos: ``` r datos_2 <- datos |> # crear grupos por índice de desarrollo humano mutate(grupo = case_when(poblacion >= 20000000 ~ "Alta", poblacion >= 5000000 ~ "Media", poblacion < 5000000 ~ "Baja")) |> # ordenar factor mutate(grupo = factor(grupo, levels = c("Baja", "Media", "Alta"))) datos_2 |> count(grupo) ``` # A tibble: 3 × 2 grupo n 1 Baja 5 2 Media 4 3 Alta 5 Ahora, usando `group_by()`, podemos calcular los resúmenes por cada grupo de población: ``` r datos_2 |> group_by(grupo) |> summarize( poblacion_total = sum(poblacion), poblacion_promedio = mean(poblacion), idh_promedio = mean(idh), idh_maximo = max(idh) ) ``` # A tibble: 3 × 5 grupo poblacion_total poblacion_promedio idh_promedio idh_maximo 1 Baja 6400000 1280000 0.787 0.901 2 Media 53000000 13250000 0.764 0.851 3 Alta 366500000 73300000 0.773 0.845 El uso de `group_by()` es muy conveniente, porque podemos tener un mismo código para calcular resúmenes estadísticos, y con tan solo cambiar la variable de agrupación obtendremos resultados actualizados. ### Resúmenes de varias variables con `across()` En lugar de tener que estar especificando las columnas que queremos resumir, podemos calcular un resumen para varias columnas al mismo tiempo. [Igual que con `mutate()`](https://bastianolea.rbind.io/blog/r_introduccion/dplyr_mutate/#crear-varias-columnas-al-mismo-tiempo-con-across), esto lo logramos usando `across()` dentro de `summarize()`, que permite aplicar las operaciones a varias columnas a la vez. Por ejemplo, para calcular un resumen de todas las **columnas numéricas**, indicamos dentro de `across()` que queremos aplicar la operación *donde* (`where()`) las variables *sean numéricas* (`is.numeric`): ``` r datos_2 |> summarize( # resumir los datos across( # donde las columnas where(is.numeric), # sean numéricas ~mean(.x) # calculando el promedio ) ) ``` # A tibble: 1 × 3 superficie poblacion idh 1 1271597. 30421429. 0.775 Para controlar el **nombre** que tendrán las columnas resultantes se puede usar el argumento `.names`: ``` r datos_2 |> summarise( across(where(is.numeric), ~mean(.x), .names = "resumen_{.col}_promedio" # cambiar el nombre de columnas ) ) ``` # A tibble: 1 × 3 resumen_superficie_promedio resumen_poblacion_promedio resumen_idh_promedio 1 1271597. 30421429. 0.775 O bien, se pueden poner las funciones de resumen dentro de una lista, donde puedes entregarle el nombre que tendrá el resultado: ``` r datos_2 |> summarise( across(where(is.numeric), list( "promedio" = ~mean(.x) ) ) ) ``` # A tibble: 1 × 3 superficie_promedio poblacion_promedio idh_promedio 1 1271597. 30421429. 0.775 ### Múltiples resúmenes a la vez También es posible calcular resúmenes usando más de una función, por ejemplo para **calcular los promedios y las sumas al mismo tiempo**, entregando las funciones dentro de una lista: ``` r datos_2 |> summarise( across(where(is.numeric), list( "promedio" = ~mean(.x), "suma" = ~sum(.x) ) ) ) |> glimpse() ``` Rows: 1 Columns: 6 $ superficie_promedio 1271597 $ superficie_suma 17802360 $ poblacion_promedio 30421429 $ poblacion_suma 425900000 $ idh_promedio 0.7753571 $ idh_suma 10.855 O bien, podemos aprovechar `across()` para reducir el código que escribimos en combinación con resúmenes individuales: ``` r datos_2 |> summarize( "idh_prom" = mean(idh), across(c(superficie, poblacion), list("suma" = ~sum(.x)) ) ) ``` # A tibble: 1 × 3 idh_prom superficie_suma poblacion_suma 1 0.775 17802360 425900000 Obviamente podemos combinar lo anterior con la agrupación para obtener un completo resumen de datos de la tabla: ``` r datos_2 |> group_by(grupo) |> summarise( across(where(is.numeric), list( "promedio" = ~mean(.x), "suma" = ~sum(.x) ) ) ) ``` # A tibble: 3 × 7 grupo superficie_promedio superficie_suma poblacion_promedio poblacion_suma 1 Baja 128796. 643979 1280000 6400000 2 Media 629451. 2517805 13250000 53000000 3 Alta 2928115. 14640576 73300000 366500000 # ℹ 2 more variables: idh_promedio , idh_suma