Capítulo 2 Intro

R (R Core Team 2013) es un lenguaje de programación estadística open source, versátil y potente. Puede descargarse desde la web del proyecto R-project https://www.r-project.org.

Una vez instalado uno puede ya empezar a usarlo directamente desde su consola, pero la opción más conveniente para trabajar con R es instalarse acto seguido el Interfaz o entorno de desarrollo integrado (IDE) desarrollado por RStudio https://www.rstudio.com (también gratuito), que facilita mucho trabajar con distintos archivos, descargarse paquetes que permiten la realización de todo tipo de funciones, generar visualizaciones y tenerlo todo ordenado y a mano.

2.1 Manejarse en el entorno de R

¿Te lo descargaste ya? ¡fantástico! ábrelo pues y una vez en la consola puedes escribir líneas de código después del símbolo > o command prompt y ejecutarlas una a una dándole a Enter.

Si pruebas a escribir una operación sencilla como 3 + 4 y lo ejecutas obtienes el resultado.

## [1] 7

¡Bien! También es conveniente usar la flecha hacia arriba del teclado para ir a comandos escritos previamente (y así poder recuperar cosas para no tenerlas que volver a escribir).

Luego puedes guardar las líneas de código que hayas escrito en un archivo con extension .R para abrirlo en otra ocasión desde el mismo R -o para enviarle a un amig@ y que lo abra en el suyo- y así poder ejecutarlas todas a la vez. Del mismo modo puedes buscar en internet código que otros hayan escrito y reusarlo. ¿no es mágico?

Desde un archivo puedes poner el cursor delante de una línea y ejecutarla con ctrl + Enter o bien seleccionar unas cuantas líneas de código con el cursor y hacer lo mismo ctrl + Enter (o desde el menú hacer clic en Run).

Con Ctrl + A puedes seleccionarlo todo y con Ctrl + R ejecutarlo todo.

R distingue mayúsculas y minúsculas (algo que no conviene olvidar).

2.2 Variables

En R puedo crear todo tipo de variables asignando algo a un nombre mediante <-.

Por ejemplo puedo crear una variable numérica escribiendo x <- 1 u otro tipo de variable que puede ser, por ejemplo de caracteres textuales (strings) escribiendo z <- "pepito" Nótese que en este caso la pongo entrecomillada. Nótese, asimismo, que el nombre de las variables que creo lo asigno yo (les he llamado X y Z como podría haberles llamado numerito o palabrita).

Ojo: los hay, no tan puristas con la gramática de R, que usan para asignar objetos = en vez de <-. En ambos casos funciona igual.

2.3 Vectores

Un vector es un objeto de un solo tipo de datos (puede ser númerico o de caracteres o de otras variables categóricas tales como factores, pero todos los elementos deben ser del mismo tipo).

Puedo crear un vector usando c() (combine).

## [1] 1 2

O también puedo crear un vector de números entre 10 y 20 usando :

##  [1] 10 11 12 13 14 15 16 17 18 19 20

O un vector de nombres:

## [1] "pepito"  "grillo"  "ternera"

Como he hecho antes, puedo asignar un vector a una variable x <- (213:221) y preguntar por sus propiedades: por ejemplo ¿qué clase de vector es? con la función class()

## [1] "integer"

X es un vector de números enteros (integers).

Nota: en R es importante tener en cuenta qué tipo de objetos manejamos, porque según qué tipo tenemos podemos hacer unas cosas u otras. Lo iremos viendo. Sigamos. 

## [1] 9

Contiene 9 elementos.

Nota: La almohadilla # se usa para comentar cosas que no queremos que se ejecuten en el código (todo lo que pongamos después de ella no se ejecutará). Comentar nuestros scripts de código es útil para que otros -¡incluidos nosotros mismos en el futuro!- entiendan al leerlo qué pretendíamos hacer.

Va, pongamos otra cita aquí; esta que me gusta:


“Cualquier tonto puede escribir código que un ordenador entienda. Sólo los buenos programadores escriben código que los humanos entienden.”

— Martin Fowler



Sigamos preguntando cosas a una variable; por ejemplo si es numérica:

## [1] TRUE

Verdadero, sí es numérico.

La expresión x[2] me dará el segundo elemento del vector x.

## [1] 214

Incluso puedo crear una variable nueva (y) que tenga los elementos del cuarto al octavo de x:

## [1] 216 217 218 219 220

2.4 Tablas

También puedo crear tablas mediante data.frame y luego ir listando las columnas de la tabla separadas por comas. Una columna sería: nombre_variable=c(caso1, caso2, etc.). Una tabla con varias columnas se armaría del siguiente modo:

##   ID   Nombre Cromos Edad   Deporte
## 1  1   Pepito     35   12 Waterpolo
## 2  2  Juanito     15   13    Futbol
## 3  3 Carlitos      3    9 Waterpolo
## 4  4  Pedrito     21   10   Petanca

Entonces puedo preguntar a una tabla:

##   ID Nombre Cromos Edad   Deporte
## 1  1 Pepito     35   12 Waterpolo
## [1] 35 15  3 21

que también puedo expresar como df[[3]].

Para ver una columna de una tabla también puedo usar el nombre de la tabla, seguido del símbolo del dólar $, seguido del nombre de la columna que me interesa:

## [1] 12 13  9 10

Ahora quiero fijarme sólo en los cromos y la edad de Pepito y Juanito:

##   Cromos Edad
## 1     35   12
## 2     15   13

O si sólo me interesan unas filas determinadas:

##   ID   Nombre Cromos Edad   Deporte
## 1  1   Pepito     35   12 Waterpolo
## 3  3 Carlitos      3    9 Waterpolo

Estas opciones de filtrado son útiles porque me permiten por ejemplo crear una nueva tabla limpia -llamémosle df2- con sólo las filas que quiero de df (lo haria con la expresión df2 <- df[c(1,3),]).

También puedo usar operadores:

  • == igual que;
  • >= igual o mayor que;
  • > mayor que;
  • & AND;
  • | OR;
  • ! NOT.

A ver ¿quién tiene más de 20 cromos?

## [1] Pepito  Pedrito
## Levels: Carlitos Juanito Pedrito Pepito

(nótese que abajo del resultado me indica que estos nombres son considerados como 4 valores distintos o niveles (levels); se trata, por tanto, de variables categóricas, también llamadas Factores)

Vemos pues que los data frames son tablas formadas por vectores y/o factores de la misma longitud. Tan sólo mencionar, por ahora, que en R, existen otros tipos de tablas; por ejemplo arrays (tablas con K dimensiones) o matrices (array de 2 dimensiones). Otros objetos interesantes son las listas (que pueden contener cualquier objeto, por ejemplo, varios vectores diferentes). Dejemoslo aquí de momento.

2.5 Funciones

Hemos visto cómo usar funciones tales como por ejemplo length() para calcular el número de elementos que contiene una variable.

Si quisiera cambiar el tipo de variable usaria funciones como as.numeric() para cambiar a variable numérica o as.character() para cambiar a variable de carácteres.

Como vemos, una función se expresa con el nombre de la función seguida de los datos y las variables dónde queremos aplicar la función (los argumentos) que ponemos dentro de un paréntesis.

Otras funciones útiles son:

nrow(df) me dice el numero de filas de la tabla df.

ncol(df) me dice el numero de columnas de la tabla df.

Alternativamente, puedo usar la función dim() para preguntar por ambas dimensiones (filas y columnas):

## [1] 4 5

Con dim nos hemos informado de que la tabla df tiene 4 filas y 5 columnas.

summary(df) me sirve para obtener un descripción de los principales parámetros estadisticos de df:

##        ID            Nombre      Cromos          Edad            Deporte 
##  Min.   :1.00   Carlitos:1   Min.   : 3.0   Min.   : 9.00   Futbol   :1  
##  1st Qu.:1.75   Juanito :1   1st Qu.:12.0   1st Qu.: 9.75   Petanca  :1  
##  Median :2.50   Pedrito :1   Median :18.0   Median :11.00   Waterpolo:2  
##  Mean   :2.50   Pepito  :1   Mean   :18.5   Mean   :11.00                
##  3rd Qu.:3.25                3rd Qu.:24.5   3rd Qu.:12.25                
##  Max.   :4.00                Max.   :35.0   Max.   :13.00

head() me permite ver las primeras 6 filas de una tabla.

tail() las 6 últimas.

Para obtener la mediana de Edad (cuarta columna en este caso) de df podriamos hacer:

## [1] 11

Para repetir algo un número de veces, uso rep():

## [1] "algo" "algo" "algo"

Nota: Por defecto R transforma los carácteres de una tabla en factores (categorias) al leerla; esto puede causar cierta confusión porque hay casos, por ejemplo, en que el texto de una columna sí queremos que se entienda como una categoria (p.ej. hombre/mujer, región, tipología, etc.), pero otras veces podemos querer importar el texto como tal sin categorizarlo. Esto lo podemos controlar con el argumento stringsAsFactors; si queremos que nuestros valores sigan siendo carácteres y no queremos que se nos cambien a factores, lo debemos indicar específicamente con stringsAsFactors = False. (muchos errores en R se deben a no tener claro qué tipo datos tratamos).



IMPORTANTE:
Para obtener Ayuda sobre una función -por ejemplo sobre lm- puedo hacer ?lm, help(lm) o help("lm") y me aparecerá la ayuda en el visor del entorno de R.

También puede ser conveniente buscar ejemplos de esa función con example (lm).

(En el capítulo 6 se muestran varios recursos y se explica un poco más en detalle cómo obtener ayuda en R).

2.6 Paquetes

Cuando uno crea en R una serie de funciones para hacer algo, lo puede guardar como un paquete para que otros puedan reusarlo. Los conceptos de reutilización y reproducibilidad en un lenguaje de acceso abierto como R son sumamente importantes. Hay infinidad de paquetes disponibles que podemos utilizar para un sinfín de aplicaciones. Ante un problema analítico específico que debamos resolver, es muy probable que exista ya un paquete que resuelva ese mismo problema en el repositorio oficial de R, llamado CRAN o bien en otro repositorio importante de paquetes -más dedicado a tratamientos bioestadísticos- llamado Bioconductor.

Para usar un paquete en R, debo primero tenerlo instalado. Lo hago escribiendo:

install.packages("nombre_del_paquete")

y luego puedo cargarlo en cada sesión con:

library(nombre_del_paquete)

Referencias

R Core Team. 2013. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing. https://www.R-project.org/.