Capítulo 2: Datos Relacionales con dplyr

<img style="border-radius: 50%;" src="img/masapp.jpg" width="250px"/>
# Capítulo 2: Datos Relacionales con `dplyr` 
## **CAPACITACIÓN**
#### LINDA CABRERA ORELLANA
#### Mayo, 2023

---

- Datos relacionales con `dplyr`
   * Mutating joins
   * Filtering joins
   * Set operations

- Práctica 4
]

# Paquetes a utilizar

* <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M470.6 105.4c12.5 12.5 12.5 32.8 0 45.3l-256 256c-12.5 12.5-32.8 12.5-45.3 0l-128-128c-12.5-12.5-12.5-32.8 0-45.3s32.8-12.5 45.3 0L192 338.7 425.4 105.4c12.5-12.5 32.8-12.5 45.3 0z"/></svg> `library(dplyr)`
   
   * <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M470.6 105.4c12.5 12.5 12.5 32.8 0 45.3l-256 256c-12.5 12.5-32.8 12.5-45.3 0l-128-128c-12.5-12.5-12.5-32.8 0-45.3s32.8-12.5 45.3 0L192 338.7 425.4 105.4c12.5-12.5 32.8-12.5 45.3 0z"/></svg> `library(readr)`

]

---

---

## Datos relacionales con `dplyr`

.pull-left[La mayor parte del tiempo, nos vienen muchas tablas de información que debemos combinar para responder a nuestras preguntas de interés, a esto se le llama **datos relacionales**.

Para trabajar con datos relacionales necesitas verbos que funcionen con pares de tablas y para esto existen tres familias de verbos diseñadas para trabajar con datos relacionales que son las 1) **uniones de transformación** (_mutating joins_), 2) **uniones de filtro** (_filtering joins_) y 3) **operaciones de conjuntos** (_set operations_).

El lugar más común para encontrar datos relacionales es en un **sistema relacional de administración de bases de datos** (_Relational Data Base Management System_ en inglés), un concepto que abarca casi todas las bases de datos modernas. 
]

.pull-right[Una de las formas de mostrar las relaciones entre las diferentes tablas es mediante un diagrama:

]

---

## Mutating joins

Las **uniones de transformación** (del inglés _mutating joins_) agregan nuevas variables a un data frame a partir de las observaciones coincidentes en otra tabla.

En las uniones de transformación tenemos algunos tipos de uniones:

<div class="figure" style="text-align: center">
<img src="img/mutating.png" alt="Figura 3. Tipos de mutating joins" width="100%" />
<p class="caption">Figura 3. Tipos de mutating joins</p>
</div>

---

## Mutating joins

Para entender el `inner_join`, `left_join()`, `right_join()` y `full_join()`, vamos a crear los siguientes data frames:

```r
df_1 <- data.frame(Nombre= c('Belén', 'Noé', 'Salvador', 'Anne', 'Pablo', 'Rafaela', 'Victoria'),
                   Edad = c(22,18,21,26,25,23,21),
                   Ciudad= factor(c('Gye', 'Uio', 'Cue', 'Gye', 'Cue', 'Uio', 'Cue')) )

df_1
##     Nombre Edad Ciudad
## 1    Belén   22    Gye
## 2      Noé   18    Uio
## 3 Salvador   21    Cue
## 4     Anne   26    Gye
## 5    Pablo   25    Cue
## 6  Rafaela   23    Uio
## 7 Victoria   21    Cue
```
]

```r
df_2 <- data.frame(
    A= c('Ana', 'Belén','Jose', 'Anne', 'Luis'), 
    B= c(100,200,300,200,250),
    C= c('Soltera','Soltera','Casado','Divorciada','Soltero'))

df_2
##       A   B          C
## 1   Ana 100    Soltera
## 2 Belén 200    Soltera
## 3  Jose 300     Casado
## 4  Anne 200 Divorciada
## 5  Luis 250    Soltero
```

]

---

## Mutating joins

Muestra las observaciones cuyas claves coinciden en ambos conjuntos de datos:

```r
inner_join(df_1, df_2, by = c("Nombre"="A"))
##   Nombre Edad Ciudad   B          C
## 1  Belén   22    Gye 200    Soltera
## 2   Anne   26    Gye 200 Divorciada
```
]

Muestra las observaciones del conjunto de la izquierda pero añade los datos del conjunto de la derecha, coincidan o no coincidan. Si no coinciden, se agregan con NA.

```r
left_join(df_1, df_2, by = c("Nombre"="A"))
##     Nombre Edad Ciudad   B          C
## 1    Belén   22    Gye 200    Soltera
## 2      Noé   18    Uio  NA       <NA>
## 3 Salvador   21    Cue  NA       <NA>
## 4     Anne   26    Gye 200 Divorciada
## 5    Pablo   25    Cue  NA       <NA>
## 6  Rafaela   23    Uio  NA       <NA>
## 7 Victoria   21    Cue  NA       <NA>
```
]

---

## Mutating joins

Muestra las observaciones del conjunto de la derecha pero añade los datos del conjunto de la izquierda, coincidan o no coincidan. Si no coinciden, se agregan con NA.

```r
right_join(df_1, df_2, by = c("Nombre"="A"))
##   Nombre Edad Ciudad   B          C
## 1  Belén   22    Gye 200    Soltera
## 2   Anne   26    Gye 200 Divorciada
## 3    Ana   NA   <NA> 100    Soltera
## 4   Jose   NA   <NA> 300     Casado
## 5   Luis   NA   <NA> 250    Soltero
```

]

Muestra las observaciones de ambos conjuntos de datos, cuando los datos no coinciden, se agregan con NA.

```r
full_join(df_1, df_2, by = c("Nombre"="A"))
##      Nombre Edad Ciudad   B          C
## 1     Belén   22    Gye 200    Soltera
## 2       Noé   18    Uio  NA       <NA>
## 3  Salvador   21    Cue  NA       <NA>
## 4      Anne   26    Gye 200 Divorciada
## 5     Pablo   25    Cue  NA       <NA>
## 6   Rafaela   23    Uio  NA       <NA>
## 7  Victoria   21    Cue  NA       <NA>
## 8       Ana   NA   <NA> 100    Soltera
## 9      Jose   NA   <NA> 300     Casado
## 10     Luis   NA   <NA> 250    Soltero
```
]

---

## Filtering joins

Las **uniones de filtro** (del inglés _filtering joins_) filtran observaciones en un data frame con base en si coinciden o no con una observación de otra tabla.

Muestra las observaciones del conjunto de la izquierda que tiene coincidencias con el conjunto de la derecha:

```r
semi_join(df_1, df_2, by = c("Nombre"="A"))
##   Nombre Edad Ciudad
## 1  Belén   22    Gye
## 2   Anne   26    Gye
```
]

Muestra las observaciones del conjunto de la izquierda que no tiene coincidencias con el conjunto de la derecha:

```r
anti_join(df_1, df_2, by = c("Nombre"="A"))
##     Nombre Edad Ciudad
## 1      Noé   18    Uio
## 2 Salvador   21    Cue
## 3    Pablo   25    Cue
## 4  Rafaela   23    Uio
## 5 Victoria   21    Cue
```
]

---

## Set operations

Las **operaciones de conjuntos** (del inglés _set operations_) tratan las observaciones como elementos de un conjunto. Las comparaciones se realizan entre conjuntos que contengan las mismas columnas, pues se revisa cómo difieren las observaciones entre los conjuntos, para esto, revisaremos las funciones `intersect()`, `union()` y `setdiff()`. Para ejemplificar esta parte crearemos el data.frame `df3`.

```r
df_3 <- data.frame(Nombre= c('Belén', 'Noé', 'María', 'Anne', 'Pablo'),
                   Edad = c(22,18,21,26,25),
                   Ciudad= factor(c('Cue', 'Uio', 'Cue', 'Gye', 'Cue')))

df_3
##   Nombre Edad Ciudad
## 1  Belén   22    Cue
## 2    Noé   18    Uio
## 3  María   21    Cue
## 4   Anne   26    Gye
## 5  Pablo   25    Cue
```

]

Devuelve las observaciones comunes entre ambos conjuntos.

```r
intersect(df_1, df_3)
##   Nombre Edad Ciudad
## 1    Noé   18    Uio
## 2   Anne   26    Gye
## 3  Pablo   25    Cue
```

]

---

## Set operations

Devuelve las observaciones únicas en ambos conjuntos, es decir que no see repiten en ningun de los dos conjuntos.

```r
union(df_1, df_3)
##     Nombre Edad Ciudad
## 1    Belén   22    Gye
## 2      Noé   18    Uio
## 3 Salvador   21    Cue
## 4     Anne   26    Gye
## 5    Pablo   25    Cue
## 6  Rafaela   23    Uio
## 7 Victoria   21    Cue
## 8    Belén   22    Cue
## 9    María   21    Cue
```
]

Devuelve las observaciones en el primer conjunto pero que son diferentes del segundo conjunto.

```r
setdiff(df_1, df_3)
##     Nombre Edad Ciudad
## 1    Belén   22    Gye
## 2 Salvador   21    Cue
## 3  Rafaela   23    Uio
## 4 Victoria   21    Cue
```
]

---

background-color: var(--azul-claro)
class: middle, center, inverse

---

# <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M362.7 19.3L314.3 67.7 444.3 197.7l48.4-48.4c25-25 25-65.5 0-90.5L453.3 19.3c-25-25-65.5-25-90.5 0zm-71 71L58.6 323.5c-10.4 10.4-18 23.3-22.2 37.4L1 481.2C-1.5 489.7 .8 498.8 7 505s15.3 8.5 23.7 6.1l120.3-35.4c14.1-4.2 27-11.8 37.4-22.2L421.7 220.3 291.7 90.3z"/></svg> Práctica: ¡10 minutos!

]

.pull-right[
1. Cargue a R, la hoja `ciiu_1level` del archivo denominado `CIIU.xls`. _CIIU_ es la Clasificación Nacional de Actividades Económicas.

2. ¿Qué join necesitamos realizar en nuestros datos `ventas` para que aparezca el nombre del tipo de actividad? Efectúelo.
]

---

# Datos Relacionales con `dplyr`
## **CAPÍTULO 2**

.center[
### [@MasappEC <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M504 256C504 119 393 8 256 8S8 119 8 256c0 123.78 90.69 226.38 209.25 245V327.69h-63V256h63v-54.64c0-62.15 37-96.48 93.67-96.48 27.14 0 55.52 4.84 55.52 4.84v61h-31.28c-30.8 0-40.41 19.12-40.41 38.73V256h68.78l-11 71.69h-57.78V501C413.31 482.38 504 379.78 504 256z"/></svg>](https://www.facebook.com/MasappEC/)

### [@Masappdata <svg aria-hidden="true" role="img" viewBox="0 0 512 512" style="height:1em;width:1em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg>](https://twitter.com/Masappdata)
]