Capítulo 2: Manipulación de Datos en R

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

---

# Contenido del Capítulo 2

- Transformación de datos con `dplyr`
   * Operador pipe `%>%`
   * Ordenar los datos de una variable
   * Seleccionar o descartar variables
   * Modificar el nombre de las variables
   * Filtrar observaciones
   * Agregar o editar variables
   * Resumir información
   * Agrupar o segmentar datos

- Ordenar datos con `tidyr`
   * Reemplazar NAs
   * Separar una columna en varias columnas

---

---

## Operador `pipe` `%>%`

`magrittr` ofrece un conjunto de operadores que hacen que su código sea más legible.

```r
library(magrittr)
```

]

* Estructura secuencias de operaciones de datos de izquierda a derecha (a diferencia de desde adentro hacia afuera).

* Minimiza la necesidad de variables locales y definiciones de funciones, y

* Facilita la adición de pasos en cualquier lugar de la secuencia de operaciones.

Puede utilizar el atajo de teclado `Ctrl+Shift+M` para generar el operador `%>%`.

```r
dataset %>% 
    funcion1() %>% 
    funcion2() %>%
    funcion3()
```

]

<br>

---

---

# Funciones del paquete `dplyr`

| Función        |  Acción                                    |
|:---------------|-------------------------------------------:|
| `select()`     | *Selecciona o descarta variables (columnas) de un conjunto de datos* |
| `rename()`     | *Modifica el nombre de las variables* |
| `arrange()`     | *Ordena los datos de variables* |
| `filter()`     | *Filtra las observaciones (filas) de interés* |
| `mutate()`     | *Agrega o edita variables (columnas)* |
| `summarise()`  | *Resume los datos en tablas* |
| `group_by()`   | *Agrupa o segmenta los datos en función de una variable (columna)* |

---

# Seleccionar o descartar variables

**`select()`** permite seleccionar rápidamente un subconjunto útil utilizando operaciones basadas en los nombres de las variables. La función tiene el siguiente esquema:

```r
select(data, columnas... )
```

Selecciono las variables que deseo del conjunto de datos `ranking_2022`, mantendrá el orden que yo indique en la selección:

```r
ranking_2022 %>% 
    select(Nombre, Provincia, Sector, Patrimonio.2022, Ingreso.Total.2022) %>% 
    view()

```

Otra forma de seleccionar es _deseleccionando_ las variables que no deseo del conjunto de datos.

---

# Modificar el nombre de las variables

**`rename()`** se utiliza para cambiar el nombre de las variables. La función tiene el siguiente esquema:

```r
rename(data, columnas... )
```

Cambiando el nombre de las variables:

```r
ranking_2022 <- ranking_2022 %>% rename(tipo_compania = Tipo.Compania,
                                        act_economica = Actividad.economica,
                                        empleados = Cant..Empleados,
                                        activos = Activio.2022, 
                                        patrimonio = Patrimonio.2022,
                                        ingreso_ventas = Ingreso.por.ventas.2022,
                                        utilidad_antes_impuesto = Utilidad.antes.del.impuesto.2022,
                                        IR_causado = IR.causado.2022,
                                        ingreso_total = Ingreso.Total.2022)
```

---

# Filtrar observaciones

En esta parte te serán de mucha utilidad los operadores relacionales y operadores lógicos que aprendimos al inicio del curso.

Vamos a delimitar a las empresas de AZUAY que tuvieron que pagar más de \$10,000 de impuesto a la renta.

```r
ranking_2022 %>% 
    filter(provincia == "AZUAY" & IR_causado > 10000) %>% 
    view()
```

---

# Agregar o editar variables

Con **`mutate()`** agregaremos variables al conjunto de datos `ranking_2022`. El objetivo es evaluar la eficiencia con la que una empresa usa su patrimonio para generar ingresos y utilidades.

```r
## Calcular el retorno sobre patrimonio (ROE)
ranking_2022 <- ranking_2022 %>%
    mutate(ROE = utilidad_antes_impuesto / patrimonio)

ranking_2022 <- ranking_2022 %>%
    mutate(ROE = ifelse(is.finite(utilidad_antes_impuesto / patrimonio), ROE, 0))
```

---

# Resumir información

**`summarise()`** se encarga de colapsar un data.frame en una sola fila. Es mucho más útil si lo enlazamos con `group_by()`.

#### Calcular el número promedio de empleados

```r
ranking_2022 %>% 
    summarise(media_empleados = mean(empleados))

```

#### Calcular el valor más alto de impuesto a la renta causado en el 2022

```r
ranking_2022 %>% 
    summarise(max_impuesto_causado = max(IR_causado))
```

---

# Agrupar o segmentar datos

**`group_by()`** realiza operaciones en grupos definidos por variables que por sí sola no dará ningún resultado, por lo que debe ir seguido de la función `summarise()` con una acción apropiada para realizar.

#### Calcular el promedio de empleados, el máximo de impuesto a la renta causado, la media de impuesto a la renta causado y el número total de empresas por provincias y sectores.

```r
ranking_2022 %>% 
    group_by(provincia, sector) %>% 
    summarise(media_empleados = mean(empleados),
              max_impuesto_causado = max(IR_causado),
              media_impuesto_causado = mean(IR_causado),
              empresas = n()) %>% 
    view()
```

---

# Manipulación de Datos en R
## **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)
]