Tutorial: introducción a {dplyr} usando datos de campamentos
Por Bastián Olea Herrera en Tutoriales
9/11/2024
Este post es una introducción al paquete {dplyr} para la exploración y análisis de datos con R. Está dirigido a principiantes de R. Si es primera vez que usas R, te recomiendo revisar primero
este breve tutorial inicial de R..
En este tutorial veremos:
- carga de datos de Excel
- revisar los datos
- seleccionar columnas
- ordenar tablas de datos
- contar frecuencias
- filtrar datos
- crear variables dicotómicas
- crear variables complejas
Los datos usados en este tutorial corresponden al catastro de campamentos de Chile 2024, del Centro de Estudios del Ministerio de Vivienda y Urbanismo.. El código para obtener, procesar y visualizar los datos se encuentra en este repositorio de GitHub.
Para empezar, instalamos los paquetes que usaremos en este tutorial (solo se necesita hacer una vez, y sólo si es que no los tienes instalados).
install.packages("readxl") # cargar datos desde Excel
install.packages("dplyr") # manipulación de datos
Cargar datos
Puedes
descargar el archivo campamentos_chile_2024.xlsx que usaremos en este tutorial desde este enlace. Los datos se obtuvieron desde
este repositorio.
Cargamos los datos desde Excel usando el nombre del archivo como argumento a la función read_excel():
library(readxl)
datos <- read_excel("campamentos_chile_2024.xlsx")
datos
# A tibble: 1,432 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Bellavista Valpa… Valparaí… Valpa… 05 051 5101 29 1.51 10617.
2 Buena Vis… Valpa… Valparaí… Valpa… 05 051 5101 32 1.67 11707.
3 Los Flete… Valpa… Valparaí… Valpa… 05 051 5101 56 2.49 17465.
4 Pueblo Hu… Valpa… Valparaí… Valpa… 05 051 5101 65 4.60 32261.
5 Villa Ita… Valpa… Valparaí… Valpa… 05 051 5101 33 0.867 6081.
6 Nueva Esp… Valpa… Valparaí… Valpa… 05 051 5101 17 0.399 2802.
7 Francisco… Valpa… Valparaí… Valpa… 05 051 5101 24 2.85 19955.
8 Manuel Ro… Valpa… Valparaí… Valpa… 05 051 5101 21 0.443 3103.
9 Sofia 35 Valpa… Valparaí… Valpa… 05 051 5101 69 2.68 18819.
10 Las Viñas… Valpa… Marga Ma… Villa… 05 058 5804 32 1.24 8704.
# ℹ 1,422 more rows
# ℹ 2 more variables: observaciones <chr>, año <chr>
Este tipo de objetos tabulares se llaman dataframes, específicamente tibble, que es un tipo de tabla. Los dataframes son tablas de datos hechas a partir de vectores, donde cada columna es un vector del mismo largo (misma cantidad de elementos). Los dataframes se caracterizan por tener distintas columnas que pueden de distinto tipo: numéricas, caracter (texto), lógico (TRUE/FALSE), fechas, entre otras. Todas las columnas tienen el mismo largo, que es equivalente a la cantidad de filas de la tabla.
Para explorar los datos, usaremos el paquete {dplyr}, que nos permite manejar datos con mayor facilidad. {dplyr} sirve para manipular datos a partir de funciones que emulan instrucciones sencillas, como seleccionar, filtrar, etc.
library(dplyr)
Una particularidad del uso de {dplyr} es el uso del operador |>, que es operador que nos permite conectar un objeto con una o múltiples operaciones que deseamos realizarle al objeto.
Ejemplo de dos operaciones encadenadas:
datos |>
select(nombre, hogares, hectareas) |>
filter(hogares > 60)
# A tibble: 352 × 3
nombre hogares hectareas
<chr> <dbl> <dbl>
1 Pueblo Hundido 65 4.60
2 Sofia 35 69 2.68
3 Ampliación Prat-Lomas De Peñablanca 146 15.1
4 Violeta Parra 123 10.7
5 Mesana Alto 128 14.5
6 Pampa Ilusión (Sector Las Torres) 195 7.04
7 Parcela 11 520 44.0
8 Parcela 15 257 15.4
9 Campanillas 98 6.19
10 La Isla 116 4.51
# ℹ 342 more rows
El conector significa que a este objeto le hago esto otro; es decir, se lee como si dijera “luego” o “entonces”. En este caso: a datos le selecciono columnas y le aplico un filtro.
Revisar
Ejecutar el nombre del objeto nos permite que sus contenidos aparezcan en la consola de R.
datos
# A tibble: 1,432 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Bellavista Valpa… Valparaí… Valpa… 05 051 5101 29 1.51 10617.
2 Buena Vis… Valpa… Valparaí… Valpa… 05 051 5101 32 1.67 11707.
3 Los Flete… Valpa… Valparaí… Valpa… 05 051 5101 56 2.49 17465.
4 Pueblo Hu… Valpa… Valparaí… Valpa… 05 051 5101 65 4.60 32261.
5 Villa Ita… Valpa… Valparaí… Valpa… 05 051 5101 33 0.867 6081.
6 Nueva Esp… Valpa… Valparaí… Valpa… 05 051 5101 17 0.399 2802.
7 Francisco… Valpa… Valparaí… Valpa… 05 051 5101 24 2.85 19955.
8 Manuel Ro… Valpa… Valparaí… Valpa… 05 051 5101 21 0.443 3103.
9 Sofia 35 Valpa… Valparaí… Valpa… 05 051 5101 69 2.68 18819.
10 Las Viñas… Valpa… Marga Ma… Villa… 05 058 5804 32 1.24 8704.
# ℹ 1,422 more rows
# ℹ 2 more variables: observaciones <chr>, año <chr>
Por defecto, la consola nos muestra 10 filas de la tabla. Si queremos ver más filas podemos usar la función print()
datos |>
print(n = 20)
# A tibble: 1,432 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Bellavista Valpa… Valparaí… Valpa… 05 051 5101 29 1.51 1.06e4
2 Buena Vis… Valpa… Valparaí… Valpa… 05 051 5101 32 1.67 1.17e4
3 Los Flete… Valpa… Valparaí… Valpa… 05 051 5101 56 2.49 1.75e4
4 Pueblo Hu… Valpa… Valparaí… Valpa… 05 051 5101 65 4.60 3.23e4
5 Villa Ita… Valpa… Valparaí… Valpa… 05 051 5101 33 0.867 6.08e3
6 Nueva Esp… Valpa… Valparaí… Valpa… 05 051 5101 17 0.399 2.80e3
7 Francisco… Valpa… Valparaí… Valpa… 05 051 5101 24 2.85 2.00e4
8 Manuel Ro… Valpa… Valparaí… Valpa… 05 051 5101 21 0.443 3.10e3
9 Sofia 35 Valpa… Valparaí… Valpa… 05 051 5101 69 2.68 1.88e4
10 Las Viñas… Valpa… Marga Ma… Villa… 05 058 5804 32 1.24 8.70e3
11 Lomas De … Valpa… Marga Ma… Villa… 05 058 5804 42 3.97 2.78e4
12 Manzana 33 Valpa… Marga Ma… Villa… 05 058 5804 37 2.19 1.53e4
13 Ampliació… Valpa… Marga Ma… Villa… 05 058 5804 146 15.1 1.06e5
14 Los Artes… Valpa… Valparaí… Viña … 05 051 5109 35 2.00 1.40e4
15 La Unión … Valpa… Valparaí… Viña … 05 051 5109 20 1.33 9.30e3
16 John Kenn… Valpa… Valparaí… Valpa… 05 051 5101 48 0.858 6.01e3
17 Pezoa Vel… Valpa… Valparaí… Valpa… 05 051 5101 22 0.194 1.36e3
18 Violeta P… Valpa… Valparaí… Valpa… 05 051 5101 123 10.7 7.50e4
19 Cristo Re… Valpa… Valparaí… Valpa… 05 051 5101 53 0.862 6.04e3
20 Loma Vist… Valpa… Valparaí… Viña … 05 051 5109 47 1.19 8.34e3
# ℹ 1,412 more rows
# ℹ 2 more variables: observaciones <chr>, año <chr>
Las funciones head() y tails() te muestran las primeras o últimas filas de la tabla, respectivamente. Si la combinas con print(), puedes consultar la cantidad que quieras de filas al principio o final de tu tabla.
# ver últimas 20 filas
datos |>
tail(20) |>
print(n=Inf)
# A tibble: 20 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Longitudi… Valpa… Marga Ma… Villa… 05 058 5804 14 0.681 4.78e3
2 Comunidad… Valpa… Marga Ma… Villa… 05 058 5804 36 1.28 8.97e3
3 Nueva Tol… Valpa… Marga Ma… Villa… 05 058 5804 10 0.305 2.14e3
4 Toma Nuev… Metro… Cordille… Puent… 13 132 13201 0 0 0
5 Villa Res… Valpa… San Anto… Carta… 05 056 5601 48 6.15 4.26e4
6 Sector Lí… La Ar… Malleco Traig… 09 092 9210 15 2.56 1.58e4
7 Licantatay Antof… El Loa Calama 02 022 2201 41 6.27 5.33e4
8 Nuevo Ama… Antof… El Loa Calama 02 022 2201 41 47.4 4.03e5
9 Barrio Tr… Antof… El Loa Calama 02 022 2201 0 55.3 4.69e5
10 Calameños… Antof… El Loa Calama 02 022 2201 91 4.41 3.74e4
11 Tres Band… Antof… Antofaga… Taltal 02 021 2104 0 2.39 1.94e4
12 Sauce 3 Valpa… Valparaí… Viña … 05 051 5109 0 3.35 2.35e4
13 Campament… Antof… Antofaga… Antof… 02 021 2101 0 0.450 3.76e3
14 Campament… Antof… Tocopilla Tocop… 02 023 2301 27 5.52 4.72e4
15 Luz Divin… Antof… Antofaga… Antof… 02 021 2101 0 0.934 7.81e3
16 Villa Esp… Antof… Antofaga… Antof… 02 021 2101 0 0.623 5.20e3
17 Valle Her… Biobío Arauco Los A… 08 082 8206 71 8.18 5.14e4
18 Rucamanque Biobío Concepci… Talca… 08 081 8110 119 5.24 3.37e4
19 Caleta Co… Antof… Tocopilla Tocop… 02 023 2301 0 5.38 4.56e4
20 Caleta Co… Antof… Tocopilla Tocop… 02 023 2301 0 1.00 8.52e3
# ℹ 2 more variables: observaciones <chr>, año <chr>
Una función útil para poder revisar los datos rápidamente de una forma distinta es glimpse(), que nos muestra la tabla pero con las columnas hacia abajo y los valores hacia el lado. Es como ver la tabla girada, permitiéndonos ver todas sus columnas, sus formatos, y un ejemplo de las primeras observaciones de cada variable.
datos |>
glimpse()
Rows: 1,432
Columns: 12
$ nombre <chr> "Bellavista", "Buena Vista", "Los Fleteros", "Pueblo Hun…
$ region <chr> "Valparaíso", "Valparaíso", "Valparaíso", "Valparaíso", …
$ provincia <chr> "Valparaíso", "Valparaíso", "Valparaíso", "Valparaíso", …
$ comuna <chr> "Valparaíso", "Valparaíso", "Valparaíso", "Valparaíso", …
$ cut_r <chr> "05", "05", "05", "05", "05", "05", "05", "05", "05", "0…
$ cut_p <chr> "051", "051", "051", "051", "051", "051", "051", "051", …
$ cut <dbl> 5101, 5101, 5101, 5101, 5101, 5101, 5101, 5101, 5101, 58…
$ hogares <dbl> 29, 32, 56, 65, 33, 17, 24, 21, 69, 32, 42, 37, 146, 35,…
$ hectareas <dbl> 1.5138015, 1.6700459, 2.4914854, 4.6023230, 0.8673470, 0…
$ area <dbl> 10617.233, 11707.446, 17465.450, 32261.178, 6080.654, 28…
$ observaciones <chr> "CAMPAMENTO EN CATASTRO NACIONAL 2022. EXTENSIÓN DE LÍMI…
$ año <chr> "CATASTRO_2011", "CATASTRO_2011", "CATASTRO_2011", "CATA…
La función slice() permite extraer filas específicas de la tabla, según su posición. Por ejemplo, aquí extraeremos las filas número 1000 al 1010:
datos |>
slice(1000:1010)
# A tibble: 11 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Batuco Metro… Chacabuco Lampa 13 133 13302 84 11.5 7.99e4
2 Jerusalén Metro… Chacabuco Lampa 13 133 13302 565 32.1 2.24e5
3 Borde Rio… Liber… Cachapoal Doñih… 06 061 6105 0 10.5 7.15e4
4 Toma Vist… Metro… Chacabuco Lampa 13 133 13302 539 14.5 1.01e5
5 Medialuna… Metro… Chacabuco Lampa 13 133 13302 104 2.23 1.56e4
6 Puente Li… Liber… Cachapoal Malloa 06 061 6109 0 1.75 1.18e4
7 Mirador Metro… Chacabuco Lampa 13 133 13302 117 5.37 3.74e4
8 Esperando… Liber… Cachapoal Rengo 06 061 6115 0 1.15 7.84e3
9 Central L… Metro… Chacabuco Lampa 13 133 13302 14 1.79 1.25e4
10 Los Tronc… Liber… Cachapoal Rengo 06 061 6115 0 0.970 6.59e3
11 Los Tubos Metro… Maipo Buin 13 134 13402 27 0.864 5.95e3
# ℹ 2 more variables: observaciones <chr>, año <chr>
Ordenar
Ordenar observaciones en base a una o varias columnas
datos |>
arrange(nombre)
# A tibble: 1,432 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 05 De Abr… Ataca… Copiapó Copia… 03 031 3101 27 1.11 8.71e3
2 10 De Ago… Tarap… Iquique Alto … 01 011 1107 104 1.63 1.43e4
3 12 De Feb… Liber… Cachapoal Macha… 06 061 6108 47 12.7 8.64e4
4 12 De May… Metro… Chacabuco Colina 13 133 13301 148 2.16 1.51e4
5 12 De Oct… Ataca… Copiapó Copia… 03 031 3101 12 0.791 6.22e3
6 13 De Jun… Tarap… Tamarugal Pozo … 01 014 1401 0 0.224 1.96e3
7 14 de feb… La Ar… Cautín Temuco 09 091 9101 0 0.635 3.86e3
8 15 De Feb… Ataca… Copiapó Copia… 03 031 3101 16 0.499 3.92e3
9 17 De Mayo Metro… Santiago Cerro… 13 131 13103 158 15.7 1.09e5
10 18 De Oct… Valpa… Marga Ma… Villa… 05 058 5804 18 1.15 8.04e3
# ℹ 1,422 more rows
# ℹ 2 more variables: observaciones <chr>, año <chr>
datos |>
arrange(desc(hogares))
# A tibble: 1,432 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Alto Molle Tarap… Iquique Alto … 01 011 1107 3390 130. 1.14e6
2 Manuel Bu… Valpa… Valparaí… Viña … 05 051 5109 1647 90.2 6.33e5
3 América I… Metro… Santiago Cerri… 13 131 13102 1550 29.8 2.07e5
4 Dignidad Metro… Chacabuco Colina 13 133 13301 1004 15.8 1.10e5
5 Milla Ant… Metro… Cordille… Puent… 13 132 13201 1001 23.0 1.59e5
6 Comité de… Antof… Antofaga… Antof… 02 021 2101 1000 14.8 1.24e5
7 Centinela… Valpa… San Anto… San A… 05 056 5601 833 111. 7.69e5
8 Vista Her… Valpa… San Anto… Carta… 05 056 5603 789 64.6 4.48e5
9 Aguas Sal… Valpa… San Anto… San A… 05 056 5601 688 45.1 3.12e5
10 Felipe Ca… Valpa… Valparaí… Viña … 05 051 5109 669 37.0 2.59e5
# ℹ 1,422 more rows
# ℹ 2 more variables: observaciones <chr>, año <chr>
datos |>
arrange(comuna, desc(hogares)) |>
select(nombre, comuna, hogares)
# A tibble: 1,432 × 3
nombre comuna hogares
<chr> <chr> <dbl>
1 Las Quilas II Aisén 83
2 Las Avutardas Aisén 16
3 CAMINO CEMENTERIO Aisén 8
4 Almirante Simpson Aisén 0
5 Pueblo Hundido Alto Biobío 30
6 Pueblo Hundido Alto Biobío 13
7 Sector Pangue Alto Biobío 10
8 Alto Molle Alto Hospicio 3390
9 Ex Vertedero Norte Alto Hospicio 394
10 La Pampa 2 Alto Hospicio 347
# ℹ 1,422 more rows
datos |> glimpse()
Rows: 1,432
Columns: 12
$ nombre <chr> "Bellavista", "Buena Vista", "Los Fleteros", "Pueblo Hun…
$ region <chr> "Valparaíso", "Valparaíso", "Valparaíso", "Valparaíso", …
$ provincia <chr> "Valparaíso", "Valparaíso", "Valparaíso", "Valparaíso", …
$ comuna <chr> "Valparaíso", "Valparaíso", "Valparaíso", "Valparaíso", …
$ cut_r <chr> "05", "05", "05", "05", "05", "05", "05", "05", "05", "0…
$ cut_p <chr> "051", "051", "051", "051", "051", "051", "051", "051", …
$ cut <dbl> 5101, 5101, 5101, 5101, 5101, 5101, 5101, 5101, 5101, 58…
$ hogares <dbl> 29, 32, 56, 65, 33, 17, 24, 21, 69, 32, 42, 37, 146, 35,…
$ hectareas <dbl> 1.5138015, 1.6700459, 2.4914854, 4.6023230, 0.8673470, 0…
$ area <dbl> 10617.233, 11707.446, 17465.450, 32261.178, 6080.654, 28…
$ observaciones <chr> "CAMPAMENTO EN CATASTRO NACIONAL 2022. EXTENSIÓN DE LÍMI…
$ año <chr> "CATASTRO_2011", "CATASTRO_2011", "CATASTRO_2011", "CATA…
datos2 <- datos |>
select(1:4) |>
slice_sample(n = 10)
Seleccionar
Podemos reducir la cantidad de columnas de nuestra tabla usando select(). Esto puede servirnos para acotar la exploración de los datos, cuando no necesitamos ver todas las columnas al mismo tiempo.
datos |>
select(nombre, hectareas)
# A tibble: 1,432 × 2
nombre hectareas
<chr> <dbl>
1 Bellavista 1.51
2 Buena Vista 1.67
3 Los Fleteros 2.49
4 Pueblo Hundido 4.60
5 Villa Italia Turín 0.867
6 Nueva Esperanza 0.399
7 Francisco Vergara 2.85
8 Manuel Rodríguez 0.443
9 Sofia 35 2.68
10 Las Viñas De Irene Frei 1.24
# ℹ 1,422 more rows
Ante poniendo un signo menos antes del nombre de una columna podemos excluirla de nuestra tabla.
datos |>
select(-cut, -cut_r, -cut_p)
# A tibble: 1,432 × 9
nombre region provincia comuna hogares hectareas area observaciones año
<chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <chr> <chr>
1 Bellavi… Valpa… Valparaí… Valpa… 29 1.51 10617. CAMPAMENTO E… CATA…
2 Buena V… Valpa… Valparaí… Valpa… 32 1.67 11707. CAMPAMENTO E… CATA…
3 Los Fle… Valpa… Valparaí… Valpa… 56 2.49 17465. CAMPAMENTO E… CATA…
4 Pueblo … Valpa… Valparaí… Valpa… 65 4.60 32261. CAMPAMENTO E… CATA…
5 Villa I… Valpa… Valparaí… Valpa… 33 0.867 6081. CAMPAMENTO E… CATA…
6 Nueva E… Valpa… Valparaí… Valpa… 17 0.399 2802. CAMPAMENTO E… CATA…
7 Francis… Valpa… Valparaí… Valpa… 24 2.85 19955. CAMPAMENTO E… CATA…
8 Manuel … Valpa… Valparaí… Valpa… 21 0.443 3103. CAMPAMENTO E… CATA…
9 Sofia 35 Valpa… Valparaí… Valpa… 69 2.68 18819. CAMPAMENTO E… CATA…
10 Las Viñ… Valpa… Marga Ma… Villa… 32 1.24 8704. CAMPAMENTO E… CATA…
# ℹ 1,422 more rows
Recordemos que, hasta que no asignemos estas operaciones a un nuevo objeto, no estamos modificando nuestros datos realmente, sino que solamente estamos aplicando operaciones sobre los datos de una forma no destructiva, como exploración o a modo de prueba.
La función selecta acepta diversas formas de poder seleccionar o de seleccionar variables en base a sus nombres.
Excluir columnas que incluyan cierto texto dentro de sus nombres:
datos |>
select(-contains("cut"))
# A tibble: 1,432 × 9
nombre region provincia comuna hogares hectareas area observaciones año
<chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <chr> <chr>
1 Bellavi… Valpa… Valparaí… Valpa… 29 1.51 10617. CAMPAMENTO E… CATA…
2 Buena V… Valpa… Valparaí… Valpa… 32 1.67 11707. CAMPAMENTO E… CATA…
3 Los Fle… Valpa… Valparaí… Valpa… 56 2.49 17465. CAMPAMENTO E… CATA…
4 Pueblo … Valpa… Valparaí… Valpa… 65 4.60 32261. CAMPAMENTO E… CATA…
5 Villa I… Valpa… Valparaí… Valpa… 33 0.867 6081. CAMPAMENTO E… CATA…
6 Nueva E… Valpa… Valparaí… Valpa… 17 0.399 2802. CAMPAMENTO E… CATA…
7 Francis… Valpa… Valparaí… Valpa… 24 2.85 19955. CAMPAMENTO E… CATA…
8 Manuel … Valpa… Valparaí… Valpa… 21 0.443 3103. CAMPAMENTO E… CATA…
9 Sofia 35 Valpa… Valparaí… Valpa… 69 2.68 18819. CAMPAMENTO E… CATA…
10 Las Viñ… Valpa… Marga Ma… Villa… 32 1.24 8704. CAMPAMENTO E… CATA…
# ℹ 1,422 more rows
Seleccionar columnas que empiecen con cierto texto:
datos |>
select(starts_with("com"))
# A tibble: 1,432 × 1
comuna
<chr>
1 Valparaíso
2 Valparaíso
3 Valparaíso
4 Valparaíso
5 Valparaíso
6 Valparaíso
7 Valparaíso
8 Valparaíso
9 Valparaíso
10 Villa Alemana
# ℹ 1,422 more rows
Seleccionar comunas que terminen con un texto determinado:
datos |>
select(ends_with("a"))
# A tibble: 1,432 × 3
provincia comuna area
<chr> <chr> <dbl>
1 Valparaíso Valparaíso 10617.
2 Valparaíso Valparaíso 11707.
3 Valparaíso Valparaíso 17465.
4 Valparaíso Valparaíso 32261.
5 Valparaíso Valparaíso 6081.
6 Valparaíso Valparaíso 2802.
7 Valparaíso Valparaíso 19955.
8 Valparaíso Valparaíso 3103.
9 Valparaíso Valparaíso 18819.
10 Marga Marga Villa Alemana 8704.
# ℹ 1,422 more rows
También podemos seleccionar columnas de un determinado tipo. En este caso, seleccionamos solamente las variables que sean numéricas:
datos |>
select(where(is.numeric))
# A tibble: 1,432 × 4
cut hogares hectareas area
<dbl> <dbl> <dbl> <dbl>
1 5101 29 1.51 10617.
2 5101 32 1.67 11707.
3 5101 56 2.49 17465.
4 5101 65 4.60 32261.
5 5101 33 0.867 6081.
6 5101 17 0.399 2802.
7 5101 24 2.85 19955.
8 5101 21 0.443 3103.
9 5101 69 2.68 18819.
10 5804 32 1.24 8704.
# ℹ 1,422 more rows
Conteos
La función Count se aplica a una de las variables de nuestros datos, y cuenta la cantidad de observaciones que se corresponden con cada uno de los valores o niveles posibles de la variable. En otras palabras, cuenta la frecuencia de cada categoría de respuesta de la variable.
datos |>
count(region)
# A tibble: 16 × 2
region n
<chr> <int>
1 Antofagasta 116
2 Arica y Parinacota 14
3 Atacama 121
4 Aysén del General Carlos Ibáñez del Campo 10
5 Biobío 225
6 Coquimbo 52
7 La Araucanía 70
8 Libertador General Bernardo O'Higgins 59
9 Los Lagos 67
10 Los Ríos 40
11 Magallanes y de la Antártica Chilena 3
12 Maule 25
13 Metropolitana 168
14 Tarapacá 64
15 Valparaíso 374
16 Ñuble 24
Podemos combinar un conteo de una variable con el ordenamiento de las filas en base al conteo realizado, resultando una tabla ordenada de mayor a menor según las observaciones contadas:
datos |>
count(region) |>
arrange(desc(n))
# A tibble: 16 × 2
region n
<chr> <int>
1 Valparaíso 374
2 Biobío 225
3 Metropolitana 168
4 Atacama 121
5 Antofagasta 116
6 La Araucanía 70
7 Los Lagos 67
8 Tarapacá 64
9 Libertador General Bernardo O'Higgins 59
10 Coquimbo 52
11 Los Ríos 40
12 Maule 25
13 Ñuble 24
14 Arica y Parinacota 14
15 Aysén del General Carlos Ibáñez del Campo 10
16 Magallanes y de la Antártica Chilena 3
Naturalmente, es posible realizar conteos por más de una variable, mostrando las combinaciones entre ambas:
datos |>
count(region, comuna) |>
arrange(desc(n))
# A tibble: 195 × 3
region comuna n
<chr> <chr> <int>
1 Valparaíso Viña del Mar 114
2 Valparaíso Valparaíso 99
3 Antofagasta Antofagasta 87
4 Atacama Copiapó 82
5 Tarapacá Alto Hospicio 45
6 La Araucanía Temuco 41
7 Biobío Talcahuano 32
8 Valparaíso Quilpué 32
9 Biobío Lota 30
10 Valparaíso San Antonio 27
# ℹ 185 more rows
Filtros
Podemos realizar una comparación sobre una columna del dataframe para filtrar las observaciones (filas), dejando solamente las filas que cumplen con la condición.
Por ejemplo, filtrar solamente los casos donde la cantidad de hogares sea mayor a 80:
datos |>
filter(hogares > 80)
# A tibble: 239 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Ampliació… Valpa… Marga Ma… Villa… 05 058 5804 146 15.1 1.06e5
2 Violeta P… Valpa… Valparaí… Valpa… 05 051 5101 123 10.7 7.50e4
3 Mesana Al… Valpa… Valparaí… Valpa… 05 051 5101 128 14.5 1.02e5
4 Pampa Ilu… Valpa… Valparaí… Valpa… 05 051 5101 195 7.04 4.93e4
5 Parcela 11 Valpa… Valparaí… Viña … 05 051 5109 520 44.0 3.08e5
6 Parcela 15 Valpa… Valparaí… Viña … 05 051 5109 257 15.4 1.08e5
7 Campanill… Valpa… Valparaí… Valpa… 05 051 5101 98 6.19 4.34e4
8 La Isla Valpa… Valparaí… Valpa… 05 051 5101 116 4.51 3.16e4
9 Nueva Aur… Valpa… Valparaí… Viña … 05 051 5109 91 7.47 5.24e4
10 Valle El … Valpa… Valparaí… Viña … 05 051 5109 107 4.04 2.84e4
# ℹ 229 more rows
# ℹ 2 more variables: observaciones <chr>, año <chr>
datos |>
filter(region == "Ñuble")
# A tibble: 24 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Los Corre… Ñuble Diguillín Chill… 16 161 16101 13 0.250 1.61e3
2 Línea Fér… Ñuble Diguillín Chill… 16 161 16101 35 3.21 2.07e4
3 Litral Co… Ñuble Diguillín Chill… 16 161 16101 26 5.33 3.43e4
4 Los Monte… Ñuble Diguillín Chill… 16 161 16101 47 5.57 3.59e4
5 Orilla It… Ñuble Itata Porte… 16 162 16205 11 1.41 9.07e3
6 Pablo Ner… Ñuble Itata Quiri… 16 162 16201 39 22.7 1.47e5
7 Esmeralda… Ñuble Punilla San N… 16 163 16305 13 0.232 1.50e3
8 Santa Lau… Ñuble Punilla San N… 16 163 16305 22 8.28 5.34e4
9 El Esfuer… Ñuble Diguillín Bulnes 16 161 16102 11 0.632 4.05e3
10 El Refugio Ñuble Diguillín Bulnes 16 161 16102 16 1.11 7.10e3
# ℹ 14 more rows
# ℹ 2 more variables: observaciones <chr>, año <chr>
Es posible realizar dos o más filtros de forma consecutiva:
datos |>
filter(hogares > 90,
hectareas > 30)
# A tibble: 18 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Parcela 11 Valpa… Valparaí… Viña … 05 051 5109 520 44.0 3.08e5
2 Manuel Bu… Valpa… Valparaí… Viña … 05 051 5109 1647 90.2 6.33e5
3 Reñaca Al… Valpa… Valparaí… Viña … 05 051 5109 663 39.1 2.75e5
4 Felipe Ca… Valpa… Valparaí… Viña … 05 051 5109 669 37.0 2.59e5
5 Aguas Sal… Valpa… San Anto… San A… 05 056 5601 688 45.1 3.12e5
6 Alto Mira… Valpa… San Anto… San A… 05 056 5601 560 47.7 3.30e5
7 Centinela… Valpa… San Anto… San A… 05 056 5601 833 111. 7.69e5
8 Rol 9034-1 Valpa… San Anto… San A… 05 056 5601 227 32.1 2.22e5
9 Vista Her… Valpa… San Anto… Carta… 05 056 5603 789 64.6 4.48e5
10 El Colora… Valpa… Marga Ma… Limac… 05 058 5802 235 59.1 4.15e5
11 Mirando l… Tarap… Iquique Alto … 01 011 1107 164 114. 9.96e5
12 Alto Molle Tarap… Iquique Alto … 01 011 1107 3390 130. 1.14e6
13 El Castaño Biobío Arauco Curan… 08 082 8205 92 56.2 3.55e5
14 Ribera De… Metro… Talagante Talag… 13 136 13601 115 37.8 2.61e5
15 Jerusalén Metro… Chacabuco Lampa 13 133 13302 565 32.1 2.24e5
16 Las Minas… Biobío Arauco Curan… 08 082 8205 100 88.3 5.58e5
17 Villa El … Biobío Arauco Curan… 08 082 8205 135 129. 8.16e5
18 Ex Inia Coqui… Choapa Los V… 04 042 4203 315 36.6 2.63e5
# ℹ 2 more variables: observaciones <chr>, año <chr>
También es posible usar otros operadores dentro de las comparaciones, Tales como el operador o |, que en este caso nos va a permitir filtrar las observaciones que cumplan con una o con otra condición:
datos |>
filter(hogares > 300 | hectareas > 100)
# A tibble: 33 × 12
nombre region provincia comuna cut_r cut_p cut hogares hectareas area
<chr> <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Parcela 11 Valpa… Valparaí… Viña … 05 051 5109 520 44.0 3.08e5
2 Manuel Bu… Valpa… Valparaí… Viña … 05 051 5109 1647 90.2 6.33e5
3 Reñaca Al… Valpa… Valparaí… Viña … 05 051 5109 663 39.1 2.75e5
4 Felipe Ca… Valpa… Valparaí… Viña … 05 051 5109 669 37.0 2.59e5
5 Yevide Valpa… San Feli… San F… 05 057 5701 306 13.4 9.45e4
6 Aguas Sal… Valpa… San Anto… San A… 05 056 5601 688 45.1 3.12e5
7 Alto Mira… Valpa… San Anto… San A… 05 056 5601 560 47.7 3.30e5
8 Centinela… Valpa… San Anto… San A… 05 056 5601 833 111. 7.69e5
9 Fuerza Gu… Valpa… San Anto… Carta… 05 056 5603 342 16.5 1.14e5
10 Vista Her… Valpa… San Anto… Carta… 05 056 5603 789 64.6 4.48e5
# ℹ 23 more rows
# ℹ 2 more variables: observaciones <chr>, año <chr>
El filtro anterior deja las filas donde los hogares sean mayores a 300, o bien, las hectáreas sean mayores a 100, pudiendo darse el caso de que hayan filas con hogares mayores 300 pero hectáreas menores de 100, o con menos de 300 hogares pero con más de 100 hectáreas.
Aplicando lo aprendido hasta el momento, podemos combinar un filtro con un conteo y un orden, así obtenemos un conteo de campamentos por comuna bajo un primer criterio de filtro, ordenados de mayor a menor:
datos |>
filter(hogares > 10) |>
count(comuna) |>
arrange(desc(n))
# A tibble: 177 × 2
comuna n
<chr> <int>
1 Viña del Mar 101
2 Valparaíso 89
3 Antofagasta 80
4 Copiapó 70
5 Alto Hospicio 42
6 Temuco 35
7 Lota 30
8 Talcahuano 26
9 San Antonio 22
10 Lampa 21
# ℹ 167 more rows
Crear variables
Hasta ahora, hemos explorado solamente con los datos que vienen directamente desde el archivo que cargamos. A continuación, crearemos nuevas variables a partir de los datos existentes, para potenciar nuestro análisis.
La función mutate() crea nuevas variables. Lo primero que se indica dentro de mutate() es el nombre de la nueva variable que vamos a crear, después de un signo igual (=), y después la operación que creará esta nueva variable.
En este primer ejemplo, crearemos la variable prueba, que contendrá un texto en todas las filas.
datos |>
select(1:4, hogares) |>
mutate(prueba = "hola")
# A tibble: 1,432 × 6
nombre region provincia comuna hogares prueba
<chr> <chr> <chr> <chr> <dbl> <chr>
1 Bellavista Valparaíso Valparaíso Valparaíso 29 hola
2 Buena Vista Valparaíso Valparaíso Valparaíso 32 hola
3 Los Fleteros Valparaíso Valparaíso Valparaíso 56 hola
4 Pueblo Hundido Valparaíso Valparaíso Valparaíso 65 hola
5 Villa Italia Turín Valparaíso Valparaíso Valparaíso 33 hola
6 Nueva Esperanza Valparaíso Valparaíso Valparaíso 17 hola
7 Francisco Vergara Valparaíso Valparaíso Valparaíso 24 hola
8 Manuel Rodríguez Valparaíso Valparaíso Valparaíso 21 hola
9 Sofia 35 Valparaíso Valparaíso Valparaíso 69 hola
10 Las Viñas De Irene Frei Valparaíso Marga Marga Villa Alemana 32 hola
# ℹ 1,422 more rows
Usamos la función paste() para crear una nueva variable que contenga un texto, al cual le agregamos la cifra de otra variable. La operación se realizará para cada una de las filas de nuestra tabla, utilizando las cifras que corresponda a la fila en cuestión:
datos |>
select(nombre, hogares) |>
mutate(texto = paste("Numero de hogares:", hogares))
# A tibble: 1,432 × 3
nombre hogares texto
<chr> <dbl> <chr>
1 Bellavista 29 Numero de hogares: 29
2 Buena Vista 32 Numero de hogares: 32
3 Los Fleteros 56 Numero de hogares: 56
4 Pueblo Hundido 65 Numero de hogares: 65
5 Villa Italia Turín 33 Numero de hogares: 33
6 Nueva Esperanza 17 Numero de hogares: 17
7 Francisco Vergara 24 Numero de hogares: 24
8 Manuel Rodríguez 21 Numero de hogares: 21
9 Sofia 35 69 Numero de hogares: 69
10 Las Viñas De Irene Frei 32 Numero de hogares: 32
# ℹ 1,422 more rows
Es posible usar cualquier función que opere sobre una variable del tipo que corresponda. Por ejemplo, podemos redondear los valores de una variable numérica, y si a esta nueva variable creada le asignamos al mismo nombre de la variable original, la variable original será reemplazada por la versión nueva, con sus datos redondeados.
datos |>
select(nombre, where(is.numeric), -cut) |>
mutate(hectareas = round(hectareas, digits = 1),
area = round(area, digits = 0))
# A tibble: 1,432 × 4
nombre hogares hectareas area
<chr> <dbl> <dbl> <dbl>
1 Bellavista 29 1.5 10617
2 Buena Vista 32 1.7 11707
3 Los Fleteros 56 2.5 17465
4 Pueblo Hundido 65 4.6 32261
5 Villa Italia Turín 33 0.9 6081
6 Nueva Esperanza 17 0.4 2802
7 Francisco Vergara 24 2.8 19955
8 Manuel Rodríguez 21 0.4 3103
9 Sofia 35 69 2.7 18819
10 Las Viñas De Irene Frei 32 1.2 8704
# ℹ 1,422 more rows
También podemos crear una nueva variable a partir de un cálculo matemático:
datos |>
select(nombre, where(is.numeric), -cut) |>
mutate(densidad = hectareas/hogares)
# A tibble: 1,432 × 5
nombre hogares hectareas area densidad
<chr> <dbl> <dbl> <dbl> <dbl>
1 Bellavista 29 1.51 10617. 0.0522
2 Buena Vista 32 1.67 11707. 0.0522
3 Los Fleteros 56 2.49 17465. 0.0445
4 Pueblo Hundido 65 4.60 32261. 0.0708
5 Villa Italia Turín 33 0.867 6081. 0.0263
6 Nueva Esperanza 17 0.399 2802. 0.0235
7 Francisco Vergara 24 2.85 19955. 0.119
8 Manuel Rodríguez 21 0.443 3103. 0.0211
9 Sofia 35 69 2.68 18819. 0.0389
10 Las Viñas De Irene Frei 32 1.24 8704. 0.0388
# ℹ 1,422 more rows
Si creamos una nueva variable en base a una comparación (en este caso, que las hectáreas sean mayores a 2), entonces la nueva variable será de tipo lógico, indicando las observaciones que cumplen con la comparación con TRUE, y las que no con FALSE.
datos |>
select(nombre, hectareas) |>
mutate(prioridad = hectareas > 2)
# A tibble: 1,432 × 3
nombre hectareas prioridad
<chr> <dbl> <lgl>
1 Bellavista 1.51 FALSE
2 Buena Vista 1.67 FALSE
3 Los Fleteros 2.49 TRUE
4 Pueblo Hundido 4.60 TRUE
5 Villa Italia Turín 0.867 FALSE
6 Nueva Esperanza 0.399 FALSE
7 Francisco Vergara 2.85 TRUE
8 Manuel Rodríguez 0.443 FALSE
9 Sofia 35 2.68 TRUE
10 Las Viñas De Irene Frei 1.24 FALSE
# ℹ 1,422 more rows
Si lo pensamos, ésta es la misma forma mediante la cual funciona la función filter(): se establece una comparación, se evalúa si cada una de las filas cumple con la comparación, y finalmente se eliminan las que no cumplen (FALSE).
Variables dicotómicas con if_else()
Siguiendo la lógica del ejemplo anterior, podemos usar una función que nos ayude a crear variables en base a si las filas cumplen o no con una o varias condiciones que definamos. A esta operación se llama if else, que en español sería si se cumple, entonces esto, y si no, esto otro.
Entonces, podemos usar if_else() para crear nuevas variables en base a una comparación, pero en vez de retornar verdadero o falso, puede retornar los valores que nosotros le pidamos.
Ejemplo:
plata <- 1000000
plata < 300000
[1] FALSE
# una comparación normal retorna TRUE o FALSE
# pero en el ifelse, le especificamos primero la comparación,
# luego lo que queremos que retorne si la comparación es TRUE,
# y finalmente lo que queremos que retorne si es false
if_else(plata < 300000, true = "poca", false = "mucha")
[1] "mucha"
# también se puede escribir obviando el "yes" y "no"
if_else(plata < 300000, "poca", "mucha")
[1] "mucha"
Siguiendo el ejemplo, podemos usar la función dentro de mutate para crear nuestra nueva variable dicotómica:
datos |>
select(nombre, hogares) |>
mutate(tipo = if_else(hogares > 40,
true = "grande",
false = "chico")
)
# A tibble: 1,432 × 3
nombre hogares tipo
<chr> <dbl> <chr>
1 Bellavista 29 chico
2 Buena Vista 32 chico
3 Los Fleteros 56 grande
4 Pueblo Hundido 65 grande
5 Villa Italia Turín 33 chico
6 Nueva Esperanza 17 chico
7 Francisco Vergara 24 chico
8 Manuel Rodríguez 21 chico
9 Sofia 35 69 grande
10 Las Viñas De Irene Frei 32 chico
# ℹ 1,422 more rows
Otro ejemplo:
datos |>
select(nombre, region, hectareas) |>
mutate(prioridad = if_else(hectareas > 2, "alta", "normal")) |>
count(region, prioridad)
# A tibble: 31 × 3
region prioridad n
<chr> <chr> <int>
1 Antofagasta alta 45
2 Antofagasta normal 71
3 Arica y Parinacota alta 8
4 Arica y Parinacota normal 6
5 Atacama alta 45
6 Atacama normal 76
7 Aysén del General Carlos Ibáñez del Campo alta 3
8 Aysén del General Carlos Ibáñez del Campo normal 7
9 Biobío alta 128
10 Biobío normal 97
# ℹ 21 more rows
Para los siguientes ejemplos, crearemos un nuevo dataframe en base al anterior, pero que contenga nuevas variables creadas mediante operaciones matemáticas:
datos_2 <- datos |>
mutate(densidad_ha = hectareas / hogares,
area_km = area/1000,
densidad_km = area_km / hogares)
Variables más complejas con case_when()
La función case_when() es equivalente a usar varios if_else() seguidos, y por lo tanto nos permite crear variables más complejas, que tengan más de dos categorías. Se utiliza poniendo todas las evaluaciones junto al valor que queremos que adopten si es que estas comparaciones son TRUE.
Como prueba, vamos a incluir una sola comparación, para ver que le otorga el valor solo a las observaciones correspondientes, y las demás las deja vacías:
datos_2 |>
select(nombre, densidad_km) |>
mutate(categoria = case_when(densidad_km < 0.3 ~ "baja"))
# A tibble: 1,432 × 3
nombre densidad_km categoria
<chr> <dbl> <chr>
1 Bellavista 0.366 <NA>
2 Buena Vista 0.366 <NA>
3 Los Fleteros 0.312 <NA>
4 Pueblo Hundido 0.496 <NA>
5 Villa Italia Turín 0.184 baja
6 Nueva Esperanza 0.165 baja
7 Francisco Vergara 0.831 <NA>
8 Manuel Rodríguez 0.148 baja
9 Sofia 35 0.273 baja
10 Las Viñas De Irene Frei 0.272 baja
# ℹ 1,422 more rows
El orden en que ponemos las comparaciones será importante, porque se ejecutan en el orden que las escribas, así que una vez que una fila adquiere un valor, la fila deja de ser evaluada en las siguientes comparaciones.
El siguiente ejemplo usa tres comparaciones para abarcar todo el rango de números de la variable hogares:
datos_2 |>
select(nombre, hogares) |>
mutate(tamaño = case_when(hogares > 60 ~ "grande",
hogares > 30 ~ "mediano",
hogares <= 30 ~ "chico"))
# A tibble: 1,432 × 3
nombre hogares tamaño
<chr> <dbl> <chr>
1 Bellavista 29 chico
2 Buena Vista 32 mediano
3 Los Fleteros 56 mediano
4 Pueblo Hundido 65 grande
5 Villa Italia Turín 33 mediano
6 Nueva Esperanza 17 chico
7 Francisco Vergara 24 chico
8 Manuel Rodríguez 21 chico
9 Sofia 35 69 grande
10 Las Viñas De Irene Frei 32 mediano
# ℹ 1,422 more rows
Otro ejemplo:
datos_2 |>
select(nombre, densidad_km) |>
mutate(categoria = case_when(densidad_km < 0.3 ~ "baja",
densidad_km < 0.6 ~ "media",
densidad_km < 0.9 ~ "alta",
densidad_km >= 0.9 ~ "muy alta"
))
# A tibble: 1,432 × 3
nombre densidad_km categoria
<chr> <dbl> <chr>
1 Bellavista 0.366 media
2 Buena Vista 0.366 media
3 Los Fleteros 0.312 media
4 Pueblo Hundido 0.496 media
5 Villa Italia Turín 0.184 baja
6 Nueva Esperanza 0.165 baja
7 Francisco Vergara 0.831 alta
8 Manuel Rodríguez 0.148 baja
9 Sofia 35 0.273 baja
10 Las Viñas De Irene Frei 0.272 baja
# ℹ 1,422 more rows
En el ejemplo anterior, usamos comparaciones que proponen un valor numérico, y coinciden con los valores inferiores al valor que pusimos. Entonces, el orden de asignación de los valores para la nueva variable va de menor a mayor: de 0.3 para abajo, de 0.6 para abajo, de 0.9 para abajo. Lo importante es entender que, una vez que una observación adquiere su etiqueta, las demás comparaciones no la van a sobreescribir. Por ejemplo, si tenemos el valor 0.2, va a ser etiquetado por la comparación “valores menores a 0.3”, porque es menor a 0.3. Pero cuando se aplique la siguiente comparación, que es “valores menores a 0.6”, a pesar de que 0.2 también es menor a 0.6, no va a recibir una nueva etiqueta, porque ya obtuvo una en la comparación anterior (menores a 0.3).
Las comparaciones también pueden combinarse para volverse más específicas. En el siguiente ejemplo definiremos no solamente si son menores a un valor, sino que definimos un rango de valores:
- mayores a 0 y menores a 3
- mayores o iguales a 0.3 y menores a 0.6
- etc
Podemos especificar el argumento .default para que le otorgue a un valor a “todos los demás”; es decir, a los valores que no coincidieron con ninguna de las condiciones dadas.
datos_2 |>
mutate(categoria = case_when(densidad_km > 0 & densidad_km < 0.3 ~ "baja",
densidad_km >= 0.3 & densidad_km < 0.6 ~ "media",
densidad_km >= 0.6 & densidad_km < 0.9 ~ "alta",
.default = "desconocido")) |>
select(nombre, densidad_km, categoria) |>
filter(categoria != "desconocido") |>
print(n = 15)
# A tibble: 1,066 × 3
nombre densidad_km categoria
<chr> <dbl> <chr>
1 Bellavista 0.366 media
2 Buena Vista 0.366 media
3 Los Fleteros 0.312 media
4 Pueblo Hundido 0.496 media
5 Villa Italia Turín 0.184 baja
6 Nueva Esperanza 0.165 baja
7 Francisco Vergara 0.831 alta
8 Manuel Rodríguez 0.148 baja
9 Sofia 35 0.273 baja
10 Las Viñas De Irene Frei 0.272 baja
11 Lomas De Bellavista 0.662 alta
12 Manzana 33 0.414 media
13 Ampliación Prat-Lomas De Peñablanca 0.723 alta
14 Los Artesanos 0.401 media
15 La Unión - Elías Lafferte 0.465 media
# ℹ 1,051 more rows
Finalmente, case_when() nos permite crear cualquier tipo de comparación arbitraria, usando cualquier columna de nuestro dataframe; por ejemplo, en este caso vamos a etiquetar una variable sobre densidad, pero podemos condicionar cierta densidad con una región. En este ejemplo (solo con fines ilustrativos), las observaciones que son de Valparaíso no pueden ser categorizadas como altas:
datos_2 |>
mutate(categoria = case_when(densidad_km > 0 & densidad_km < 0.3 ~ "baja",
densidad_km >= 0.3 & densidad_km < 0.6 ~ "media",
region != "Valparaíso" & densidad_km >= 0.6 & densidad_km < 0.9 ~ "alta")) |>
select(nombre, region, densidad_km, categoria)
# A tibble: 1,432 × 4
nombre region densidad_km categoria
<chr> <chr> <dbl> <chr>
1 Bellavista Valparaíso 0.366 media
2 Buena Vista Valparaíso 0.366 media
3 Los Fleteros Valparaíso 0.312 media
4 Pueblo Hundido Valparaíso 0.496 media
5 Villa Italia Turín Valparaíso 0.184 baja
6 Nueva Esperanza Valparaíso 0.165 baja
7 Francisco Vergara Valparaíso 0.831 <NA>
8 Manuel Rodríguez Valparaíso 0.148 baja
9 Sofia 35 Valparaíso 0.273 baja
10 Las Viñas De Irene Frei Valparaíso 0.272 baja
# ℹ 1,422 more rows
Pivotar
Creamos una pequeña tabla de conteo de casos a partir de dos variables de agrupación: la región y el tamaño.
tabla <- datos_2 |>
mutate(tamaño = case_when(hogares > 60 ~ "grande",
hogares > 30 ~ "mediano",
.default = "chico")) |>
count(region, tamaño)
tabla
# A tibble: 47 × 3
region tamaño n
<chr> <chr> <int>
1 Antofagasta chico 42
2 Antofagasta grande 52
3 Antofagasta mediano 22
4 Arica y Parinacota chico 4
5 Arica y Parinacota grande 6
6 Arica y Parinacota mediano 4
7 Atacama chico 62
8 Atacama grande 29
9 Atacama mediano 30
10 Aysén del General Carlos Ibáñez del Campo chico 7
# ℹ 37 more rows
En esta tabla, cada fila corresponde a una observación distinta; es decir, cada fila adquiere exactamente sólo un valor posible de cada una de las variables. Al mismo tiempo, cada columna solamente corresponde a una variable específica, y cada celda de la tabla solamente aloja un valor. Por ejemplo, en la primera fila, la región es “Antofagasta”, el tamaño es “chico”, y n es 42. A esto se le denomina formato largo o Tidy, y
es un principio básico de mantener para el análisis de datos.
Sin embargo, al momento de compartir o publicar los datos, estas convenciones sobre ordenamiento de los datos dejan de ser prioridad. Usualmente, en las tablas destinadas para revisar o entregar resultados, las variables numéricas que están agrupadas por otras variables (región y tamaño, en nuestro ejemplo) suelen presentarse con cada una de las categorías de agrupación en una columna distinta. Entonces, Antofagasta ya no usaría tres filas, sino una sola fila, pero habrían tres columnas que correspondían al tamaño, chico mediano y grande, cada una de esas celdas es conteniendo el valor numérico correspondiente. Entonces, terminaríamos con un DataFramed donde cada región corresponda a una fila, y en cada fila habrán tres valores, cada uno correspondiendo a la categoría de la variable tamaño correspondiente.
Para realizar esta
transformación de la estructura de los datos, cargaremos el paquete {tidyr}:
library(tidyr)
La operación que necesitamos realizar es pivotar la tabla a un formato ancho. Para esto, definimos que variable nos entregará los nombres de las nuevas columnas (en este ejemplo, el tamaño), y desde qué variable se sacarán los valores que se ubicarán en cada una de las columnas nuevas:
tabla_ancha <- tabla |>
pivot_wider(names_from = tamaño,
values_from = n,
values_fill = 0) |>
relocate(mediano, .after = chico)
tabla_ancha
# A tibble: 16 × 4
region chico mediano grande
<chr> <int> <int> <int>
1 Antofagasta 42 22 52
2 Arica y Parinacota 4 4 6
3 Atacama 62 30 29
4 Aysén del General Carlos Ibáñez del Campo 7 2 1
5 Biobío 116 61 48
6 Coquimbo 30 12 10
7 La Araucanía 48 19 3
8 Libertador General Bernardo O'Higgins 49 6 4
9 Los Lagos 35 17 15
10 Los Ríos 27 6 7
11 Magallanes y de la Antártica Chilena 0 2 1
12 Maule 22 2 1
13 Metropolitana 89 28 51
14 Tarapacá 13 14 37
15 Valparaíso 209 79 86
16 Ñuble 20 3 1
De esta forma, obtenemos una tabla más compacta, que nos permite visualizar los datos de una forma más sencilla.
library(gt)
gt(tabla_ancha) |>
gt::tab_header(title = "Campamentos según tamaño") |>
cols_label(region = "Región") |>
tab_style(locations = cells_body(region),
style = cell_text(style = "italic"))
| Campamentos según tamaño | |||
|---|---|---|---|
| Región | chico | mediano | grande |
| Antofagasta | 42 | 22 | 52 |
| Arica y Parinacota | 4 | 4 | 6 |
| Atacama | 62 | 30 | 29 |
| Aysén del General Carlos Ibáñez del Campo | 7 | 2 | 1 |
| Biobío | 116 | 61 | 48 |
| Coquimbo | 30 | 12 | 10 |
| La Araucanía | 48 | 19 | 3 |
| Libertador General Bernardo O'Higgins | 49 | 6 | 4 |
| Los Lagos | 35 | 17 | 15 |
| Los Ríos | 27 | 6 | 7 |
| Magallanes y de la Antártica Chilena | 0 | 2 | 1 |
| Maule | 22 | 2 | 1 |
| Metropolitana | 89 | 28 | 51 |
| Tarapacá | 13 | 14 | 37 |
| Valparaíso | 209 | 79 | 86 |
| Ñuble | 20 | 3 | 1 |
Guardar en Excel
Guardar una tabla o dataframe de R en formato Excel es tan sencillo como utilizar la función write_xlsx() y entregarle el objeto y el nombre del archivo que queremos crear.
library(writexl)
write_xlsx(tabla_ancha, "tabla_campamentos.xlsx")
Con esto concluye este tutorial inicial para manipular datos con el paquete {dplyr}. En siguientes tutoriales iremos usando funciones más complejas y avanzadas! 🫣
Si este tutorial te sirvió, por favor considera hacerme una donación! Cualquier monto me ayuda al menos a poder tomarme un cafecito 🥺