Capítulo 2: Estructuras y Tipos de Datos

<img style="border-radius: 50%;" src="img/logofundapi.jpg" width="250px"/>
# Capítulo 2: Estructuras y Tipos de Datos 
## **CAPACITACIÓN**
#### LINDA CABRERA ORELLANA
#### Mayo, 2024

---

# Contenido del Capítulo 2

- Estructuras de datos
   * Vectores
   * Data.frames (Tibbles)
   * Funciones básicas

- Tipos de datos
   * Numéricos
   * Cadena de caracteres
   * Factores
   * Fechas y Horas

---

---

## Estructuras de datos - Objetos

Las estructuras de datos más usadas son: Vector, Matriz, Data.frame o Tibble, Listas, Series de tiempo, Data.table

---

## Vectores

.pull-left[
El tipo de dato fundamental en R es el vector. Un vector es una secuencia de elementos de datos todos del mismo tipo.

Creamos un vector de dimensión 1:

```r
x <- 4
is.vector(x)        #¿es vector?
## [1] TRUE
```

Hay varias formas de crear vectores, pero una de las más comunes es el operador de concatenación `c()`.

A continuación creamos un vector de 4 elementos de tipo numérico:

```r
y <- c(11, 13, 15, 20)
```
]

```r
is.vector(y)
## [1] TRUE
y      # imprimir el contenido del objeto
## [1] 11 13 15 20
```

También podemos crear un vector de tipo caracter de 4 elementos:

```r
z <- c("1", "5", "11", "14")
z
## [1] "1"  "5"  "11" "14"
is.vector(z)
## [1] TRUE
```
]

---

## Vectores

```r
w <- c(2, 5, 6, 8)
w
## [1] 2 5 6 8

y + 2*w - 3
## [1] 12 20 24 33
```

Para conocer la longitud de un vector usamos `length()`.

```r
length(y)
## [1] 4
```

]

Podemos llamar elementos específicos de un vector usando la **indexación**. Por ejemplo:

* `x[]` es una forma de llamar a un elemento específico de un vector.
* `x[3]` es el tercer elemento.
* `x[-3]` es un vector con todo menos el tercer elemento.

Vamos a intentar indexar los vectores que tenemos:

```r
# extraigo el segundo elemento del vector w
w[2]    
## [1] 5

# imprimo el vector w, excepto su tercer elemento
w[-3]   
## [1] 2 5 8
```

]

---

## Data.frames

- Las componentes son **vectores**
- Cada vector puede ser de un **tipo de dato** distinto
- Cada columna es una **variable**
- Las columnas tienen la misma **longitud**

Las _filas_ se denominan **observaciones** y las _columnas_ se denominan **variables**.
]

---

## Data.frames

`data.frame()` crea data.frames a partir de la unión de vectores creados previamente.

```r
nombres <- c("Marcela Cox", "Luis Vargas", "David Mieles")
edades <- c(24,32,27)
seguro <- factor(c("IESS", "BMI", "IESS"))

pacientes <- data.frame(nombres, edades, seguro)
pacientes
##        nombres edades seguro
## 1  Marcela Cox     24   IESS
## 2  Luis Vargas     32    BMI
## 3 David Mieles     27   IESS
```

Ver objeto creado en el panel `Environment`.
]

* Desde la creación del data.frame:

```r
pacientes2 <- data.frame(N1=nombres, N2=edades, seguro)
pacientes2
##             N1 N2 seguro
## 1  Marcela Cox 24   IESS
## 2  Luis Vargas 32    BMI
## 3 David Mieles 27   IESS
```

* En un data.frame existente con `names()`:

```r
names(pacientes2) <- c("Name", "Age", "Insurance")
pacientes2
##           Name Age Insurance
## 1  Marcela Cox  24      IESS
## 2  Luis Vargas  32       BMI
## 3 David Mieles  27      IESS
```
]

---

## Data.frames

Al igual que los vectores podemos seleccionar elementos de un data.frame con la ayuda de corchetes `[]`. Al usar una coma, puede indicar qué seleccionar de las filas y las columnas respectivamente. Por ejemplo, supongamos que queremos extraer la edad de David Mieles:

]

```r
pacientes[3,2]
## [1] 27
```

### Otros usos

- `nombre_dataframe[1,2]` selecciona el valor en la primera fila y la segunda columna en `nombre_dataframe`.

- `nombre_dataframe[1:3,2:4]` selecciona las filas 1, 2, 3 y las columnas 2, 3, 4 en `nombre_dataframe`.

- A veces desea seleccionar todos los elementos de una fila o columna. Por ejemplo, `nombre_dataframe[1, ]` selecciona todos los elementos de la primera fila.

]

---

## Data.frames

También podemos consultar a R por los valores de una columna entera de nuestro data set con el símbolo `$`.

```r
pacientes$nombres
## [1] "Marcela Cox"  "Luis Vargas"  "David Mieles"
```

Y aplicar una función a esa columna:

```r
mean(pacientes$edades)
## [1] 27.66667
```
]

En el análisis de datos, puede ordenar sus datos de acuerdo con una determinada variable en el conjunto de datos. `order()` es una función que le da la posición clasificada de cada elemento cuando se aplica a una variable, como un vector, por ejemplo:

```r
## podemos ordenar los elementos de vectores
order(pacientes$edades)
## [1] 1 3 2

## podemos ordenar los elementos de la columna de un data.frame
pacientes[order(edades),]
##        nombres edades seguro
## 1  Marcela Cox     24   IESS
## 3 David Mieles     27   IESS
## 2  Luis Vargas     32    BMI
```

]

---

## Funciones básicas para explorar data.frames

* **`colnames():`** muestra el nombre de las variables de un data.frame.

* **`head():`** muestra las 10 primeras obervaciones del conjunto de datos.

* **`tail():`** muestra las 4 últimas observaciones del conjunto de datos.
]

.pull-right[
* **`summary():`** produce resúmenes de resultados de varias variables. Los resultados dependen de la clase de datos.

* **`sum():`** devuelve la suma de todos los valores presentes en sus argumentos.

* **`min():`** devuelve el valor mínimo de un vector numérico.

* **`max():`** devuelve el valor máximo de un vector numérico.
]

---

---

<div class="figure" style="text-align: center">
<img src="img/tiposdatos.png" alt="Figura 2. Tipos de datos en R" width="100%" />
<p class="caption">Figura 2. Tipos de datos en R</p>
</div>

---

## Datos Numéricos

```r
# clase de un vector de 1 elemento
class(5)
## [1] "numeric"

# clase de la columna edades del dataset pacientes
class(pacientes$edades)
## [1] "numeric"
```

Ahora, el vector `$z$` de tipo caracter lo convertiremos en tipo numérico.

```r
z
## [1] "1"  "5"  "11" "14"
class(z)
## [1] "character"
```
]

```r
# cambio de clase caracter a numérico con as.numeric()
class(as.numeric(z))
## [1] "numeric"
```

### Con `parse_number()`.

```r
library(readr)
# cambio de clase caracter a numérico con parse_number()
class(parse_number(z))
## [1] "numeric"
```

]

---

## Datos Numéricos

.pull-left[
**`parse_number()`** es muy útil para resolver problemas de decimales, caracteres que acompañan a números y caracteres de agrupación.

En R, por default, el decimal es el punto. A continuación, tiene dos argumentos que le pueden servir de ayuda:

- `grouping_mark` para especificar el signo de agrupación; 
- `decimal_mark` para especificar el decimal a cambiar.

```r
parse_number("6'789,56", 
             locale = locale(grouping_mark = "'",
                             decimal_mark = ","))
## [1] 6789.56
```

]

```r
parse_number("$100")
## [1] 100

parse_number("20%")
## [1] 20

parse_number("It cost $123.45")
## [1] 123.45

parse_number("$123.456.789", 
             locale = locale(grouping_mark = "."))
## [1] 123456789
```

]

---

<!--

## Cadena de Caracteres

`charToRaw():` realiza una representación subyacente de una cadena de texto.

```r
charToRaw("Linda")
## [1] 4c 69 6e 64 61
```

¿Qué sucede cuando tus datos producidos no entienden UTF-8?

```r
library(readr)
x1 <- "El Ni\xf1o was particularly bad this year"
```

]

Para corregir el problema necesitas especificar la codificación en **`parse_character()`**:

```r
parse_character(x1, locale = locale(encoding = "Latin1"))
## [1] "El Niño was particularly bad this year"
```

¿Cómo encontrar la codificación correcta? Con `guess_encoding()`

```r
guess_encoding(charToRaw(x1))
## # A tibble: 2 × 2
##   encoding   confidence
##   <chr>           <dbl>
## 1 ISO-8859-1       0.46
## 2 ISO-8859-9       0.23
```

]

## Cadena de Caracteres

`stringr` proporciona un conjunto cohesivo de funciones diseñadas para trabajar de forma más fácil con cadenas de caracteres.

```r
library(stringr)
```

]

```r
frase <- "Esta es una cadena de caracteres"
class(frase)
## [1] "character"
```

`str_length()` indica el número de caracteres de una cadena.

```r
str_length(frase)
## [1] 32
```

`str_c()` combina dos o más cadenas:

```r
str_c(frase, " y esto también")
## [1] "Esta es una cadena de caracteres y esto también"
```

]

-->

## Cadena de Caracteres

Para convertir datos a tipo caracter usamos la función `as.character()`:

```r
pacientes
##        nombres edades seguro
## 1  Marcela Cox     24   IESS
## 2  Luis Vargas     32    BMI
## 3 David Mieles     27   IESS

class(pacientes$seguro)
## [1] "factor"

## convertir de factor a tipo caracter
pacientes$seguro <- as.character(pacientes$seguro)
class(pacientes$seguro)
## [1] "character"
```

.footnote[ [stringr.tidyverse.org](https://stringr.tidyverse.org/) || [tidyverse/reprex](https://github.com/tidyverse/reprex)]

---

## Factores

<!--

`forcats` proporciona un conjunto de herramientas que resuelven problemas comunes con factores.

```r
library(forcats)
```

]

-->

```r
fc1 <- c("Dic", "Abr", "Ene", "Mar")
class(fc1)
## [1] "character"
```

Si trabajamos esta variable en tipo caracter, tendremos 2 problemas:
1. Errores de tipeo,
2. No se ordena de una forma útil.

Estos problemas se solucionan trabajando con factores.
]

1. Definir una lista de niveles válidos.

```r
niveles_meses <- c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")
```

2. Ahorar puedes crear un factor.

```r
y1 <- factor(fc1, levels = niveles_meses)
class(y1)
## [1] "factor"

# para acceder a los niveles del factor
levels(y1)
##  [1] "Ene" "Feb" "Mar" "Abr" "May" "Jun" "Jul" "Ago" "Sep" "Oct" "Nov" "Dic"
```
]

<br>

.footnote[ [forcats.tidyverse.org](https://forcats.tidyverse.org/) || [Wrangling categorical data in R](https://peerj.com/preprints/3163/) || [stringsAsFactors = <sigh>](https://notstatschat.tumblr.com/post/124987394001/stringsasfactors-sigh) ]

---

## Fechas y Horas

**`parse_datetime()`** asume una fecha-hora ISO8601, estándar internacional en el que los componentes de una fecha están organizados de mayor a menor: año, mes, día, hora, minuto, segundo.

```r
# Dato de fecha-hora
fecha1 <- "2010-10-01T2010"
parse_datetime(fecha1)
## [1] "2010-10-01 20:10:00 UTC"

# Si se omite la hora, será determinada como medianoche.
fecha2 <- "20101010"
parse_datetime(fecha2)
## [1] "2010-10-10 UTC"
```

]

**`parse_date()`** asume aaaa-mm-dd o aaaa/mm/dd.

```r
fecha3 <- "2010-10-01"
parse_date(fecha3)
## [1] "2010-10-01"
```

**`parse_time()`** espera la hh:mm:ss, los segundos y el especificador am/pm son opcionales.

```r
library(hms)
parse_time("01:10 am")
## 01:10:00
parse_time("20:10:01")
## 20:10:01
```
]

.footnote[ [ISO 8601](https://en.wikipedia.org/wiki/ISO_8601) || [hms.tidyverse.org](https://hms.tidyverse.org/)]

---

## Fechas y Horas

`lubridate` hace que sea más fácil hacer las cosas que hace R con fecha y hora y hace posible hacer las cosas que R base no hace.

```r
library(lubridate)
```

]

* Una fecha o `date`.
* Una hora o `time` dentro de un día.
* Una fecha-hora o date-time `dttm` (llamado también `POSIXct`).

Para obtener la fecha o fecha-hora actual utiliza `today()` o `now()`:

```r
today()
## [1] "2024-05-13"
now()
## [1] "2024-05-13 20:48:28 CEST"
```
]

<br>

.footnote[ [lubridate.tidyverse.org](https://lubridate.tidyverse.org/) || [hms.tidyverse.org](https://hms.tidyverse.org/) ]

---

## Fechas y Horas

Hay tres modos en los que puedes crear una fecha/hora:

* Desde una cadena de caracteres (o string, en inglés).
* Desde componentes de fecha-hora individuales.
* Desde un objeto fecha-hora existente.

### Desde cadenas de caracteres

```r
ymd("2017-01-31")
## [1] "2017-01-31"
ymd("20170131")
## [1] "2017-01-31"
```
]

```r
mdy("01-31-2017")
## [1] "2017-01-31"
mdy("01312017")
## [1] "2017-01-31"

dmy("31-01-2017")
## [1] "2017-01-31"
dmy("31012017")
## [1] "2017-01-31"

mdy_hm("01/31/2017 08:01")
## [1] "2017-01-31 08:01:00 UTC"
ymd_hms("2017-01-31 20:11:59")
## [1] "2017-01-31 20:11:59 UTC"
```

]

---

# Estructuras y Tipos de Datos
## **CAPÍTULO 2**

.center[
### [@lindateachtech <svg aria-hidden="true" role="img" viewBox="0 0 448 512" style="height:1em;width:0.88em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M416 32H31.9C14.3 32 0 46.5 0 64.3v383.4C0 465.5 14.3 480 31.9 480H416c17.6 0 32-14.5 32-32.3V64.3c0-17.8-14.4-32.3-32-32.3zM135.4 416H69V202.2h66.5V416zm-33.2-243c-21.3 0-38.5-17.3-38.5-38.5S80.9 96 102.2 96c21.2 0 38.5 17.3 38.5 38.5 0 21.3-17.2 38.5-38.5 38.5zm282.1 243h-66.4V312c0-24.8-.5-56.7-34.5-56.7-34.6 0-39.9 27-39.9 54.9V416h-66.4V202.2h63.7v29.2h.9c8.9-16.8 30.6-34.5 62.9-34.5 67.2 0 79.7 44.3 79.7 101.9V416z"/></svg>](https://www.linkedin.com/in/lindateachtech/)

### [@lindateachtech <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/lindateachtech)
]