# Echa un vistazo preliminar a tus datos con {visdat}

> El paquete {visdat} tiene funciones para visualizar tus conjuntos de datos completos, para poder entenderlos de manera visual antes de proseguir con la limpieza o análisis. El paquete entrega varias funciones vis_x() para visualzar la tabla de datos entera, destacando distintos aspectos de la misma. En este post muestro ejemplos de uso de este paquete para encontrar datos perdidos, explorar datos, y más.

- URL: https://bastianolea.rbind.io/blog/visdat/
- Fecha: 2025-08-08
- Autor: Bastián Olea Herrera
- Etiquetas: visualización de datos, datos perdidos, limpieza de datos, consejos

---

En una clase reciente me preguntaron [cómo saber de una dónde hay datos perdidos o *missing*](https://bastianolea.rbind.io/blog/2025-10-21/) en un conjunto de datos. La respuesta que di fue usar `summarize()` para contar la cantidad de datos perdidos en todas las columnas de un dataframe:

``` r
library(dplyr) # manipulación de datos
library(messy) # ensuciar datos

# agregar datos perdidos al azar
iris_m <- iris |> 
  messy::make_missing(cols = names(iris))

iris_m |> 
  # resumir los datos
  summarize(
    # en todas las columnas
    across(everything(),
           # contar la cantidad de missing
           ~sum(is.na(.x))
           )
    )
```

      Sepal.Length Sepal.Width Petal.Length Petal.Width Species
    1           12          21           16          21      11

Pero hay formas más convenientes de hacerlo!

------------------------------------------------------------------------

[El paquete `{visdat}`](https://github.com/ropensci/visdat) tiene funciones para visualizar tus conjuntos de datos completos, para poder entenderlos de manera visual antes de proseguir con la limpieza o análisis. El paquete entrega varias funciones `vis_x()` para visualzar la tabla de datos entera, destacando distintos aspectos de la misma.

``` r
install.packages("visdat")
library(visdat)
```

En [este post de ROpenSci](https://ropensci.org/blog/2017/08/22/visdat/) hay una reseña más completa del paquete, pero te dejo ejemplos útiles a continuación:

## Visualizar datos perdidos

Para visualizar si es que hay datos perdidos en nuestro dataframe, y además saber *dónde* están esos datos perdidos, usamos la función `vis_miss()`:

``` r
vis_miss(iris_m)
```

![](https://bastianolea.rbind.io/blog/visdat/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-4-1.png)

`{visdat}` nos muestra visualmente toda la tabla de datos como un rectángulo, destacando los datos perdidos. ¡Súper útil!

Con el argumento `cluster` podemos agrupar los datos perdidos para tener una mejor noción de la proporción en cada columna.

``` r
vis_miss(iris_m, cluster = TRUE)
```

![](https://bastianolea.rbind.io/blog/visdat/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-5-1.png)

## Visualizar el tipo de las columnas

Con `vis_dat()` vemos con colores distintos las columnas que corresponden a tipos distintos (numérico, caracter, factor, etc.)

``` r
vis_dat(iris)
```

![](https://bastianolea.rbind.io/blog/visdat/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-6-1.png)

## Visualizar los valores de las variables numéricas

Para explorar los datos de tipo numérico, podemos usar `vis_value()` para visualizar con una escala de colores los valores de cada columna, dándonos una noción sobre las cifras dentro de nuestra tabla:

``` r
iris |> 
  select(where(is.numeric)) |> 
  vis_value()
```

![](https://bastianolea.rbind.io/blog/visdat/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-7-1.png)

## Visualizar valores numéricos que cumplan una condición

Para indagar en los datos numéricos, podemos entregar una condición dentro de una función lambda para aplicarla a todas las columnas y visualizar los resultados:

``` r
vis_expect(iris, ~.x >= 5)
```

    Warning in Ops.factor(.x, 5): '>=' not meaningful for factors

![](https://bastianolea.rbind.io/blog/visdat/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-8-1.png)