Sección 5: Manipulación de Datos con R

<img src="img/see.png" width="250px"/>
# Sección 5: Manipulación de Datos con R 
## **PROGRAMA INTERNACIONAL DE ESTADÍSTICA APLICADA A LA INVESTIGACIÓN CIENTÍFICA**
#### MÓDULO: SOFTWARES PARA EL MANEJO DE DATOS <br> <br> Linda Cabrera Orellana
#### Marzo, 2023

---

<img src="img/dplyr.png" width="150px">
# Transformación de datos con `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="M352 320c88.4 0 160-71.6 160-160c0-15.3-2.2-30.1-6.2-44.2c-3.1-10.8-16.4-13.2-24.3-5.3l-76.8 76.8c-3 3-7.1 4.7-11.3 4.7H336c-8.8 0-16-7.2-16-16V118.6c0-4.2 1.7-8.3 4.7-11.3l76.8-76.8c7.9-7.9 5.4-21.2-5.3-24.3C382.1 2.2 367.3 0 352 0C263.6 0 192 71.6 192 160c0 19.1 3.4 37.5 9.5 54.5L19.9 396.1C7.2 408.8 0 426.1 0 444.1C0 481.6 30.4 512 67.9 512c18 0 35.3-7.2 48-19.9L297.5 310.5c17 6.2 35.4 9.5 54.5 9.5zM80 456c-13.3 0-24-10.7-24-24s10.7-24 24-24s24 10.7 24 24s-10.7 24-24 24z"/></svg> Funciones del paquete `dplyr`

| Función        |  Acción                                    |
|:---------------|-------------------------------------------:|
| `rename()`     | *Modifica el nombre de las variables* |
| `select()`     | *Selecciona o descarta variables (columnas) de un conjunto de datos* |
| `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)* |

<br>

---

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

```r
rename(data, nombre_nuevo = nombre_columna_existente,... )
```

Cambiando el nombre de las variables:

```r
colnames(profesores)        # verifico nombre de variables
##  [1] "fecha"       "id"          "sexo"        "edad"        "nivel"      
##  [6] "tiempo"      "alumnos"     "alumnos_NEE" "asignatura"  "asistente"  
## [11] "instrucción" "material"
```

```r
profesores <- rename(profesores,
                     instruccion=instrucción, cod=id)

colnames(profesores)
##  [1] "fecha"       "cod"         "sexo"        "edad"        "nivel"      
##  [6] "tiempo"      "alumnos"     "alumnos_NEE" "asignatura"  "asistente"  
## [11] "instruccion" "material"
```

---

.pull-left[
**`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, columna1, columna2, ... )
```

Selecciono las variables `cod`, `asignatura`, `asistente` e `instruccion` del conjunto de datos `profesores`:

```r
seleccion1 <- select(profesores, cod, asignatura, asistente, instruccion)
colnames(seleccion1)
## [1] "cod"         "asignatura"  "asistente"   "instruccion"
```
]

```r
seleccion2 <- select(profesores, 2, 9:11)
colnames(seleccion2)
## [1] "cod"         "asignatura"  "asistente"   "instruccion"
```

Otra forma de seleccionar variables:

```r
seleccion3 <- select(profesores, -fecha, -cod, -sexo, -edad, -tiempo, -nivel, -alumnos, -alumnos_NEE, -material)
colnames(seleccion3)
## [1] "asignatura"  "asistente"   "instruccion"
```

**Ejercicio 5.1.** ¿Qué variables necesito seleccionar para calcular el número promedio de estudiantes por sexo del profesor y nivel de educación?

]

---

# <svg aria-hidden="true" role="img" viewBox="0 0 640 512" style="height:1em;width:1.25em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M392.8 1.2c-17-4.9-34.7 5-39.6 22l-128 448c-4.9 17 5 34.7 22 39.6s34.7-5 39.6-22l128-448c4.9-17-5-34.7-22-39.6zm80.6 120.1c-12.5 12.5-12.5 32.8 0 45.3L562.7 256l-89.4 89.4c-12.5 12.5-12.5 32.8 0 45.3s32.8 12.5 45.3 0l112-112c12.5-12.5 12.5-32.8 0-45.3l-112-112c-12.5-12.5-32.8-12.5-45.3 0zm-306.7 0c-12.5-12.5-32.8-12.5-45.3 0l-112 112c-12.5 12.5-12.5 32.8 0 45.3l112 112c12.5 12.5 32.8 12.5 45.3 0s12.5-32.8 0-45.3L77.3 256l89.4-89.4c12.5-12.5 12.5-32.8 0-45.3z"/></svg> 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()
```

]

---

![](https://erikgahner.dk/img/2022/R_pipe.gif)

---

```r
select(profesores, cod, asignatura, asistente, instruccion)
## # A tibble: 175 × 4
##      cod asignatura                     asistente                      instruc…¹
##    <dbl> <chr>                          <chr>                          <chr>    
##  1     1 Totalmente de acuerdo          Totalmente de acuerdo          Totalmen…
##  2     2 De acuerdo                     Totalmente de acuerdo          Ni de ac…
##  3     3 De acuerdo                     Ni de acuerdo ni en desacuerdo En desac…
##  4     4 Ni de acuerdo ni en desacuerdo Totalmente de acuerdo          Ni de ac…
##  5     5 De acuerdo                     Ni de acuerdo ni en desacuerdo En desac…
##  6     6 Totalmente de acuerdo          En desacuerdo                  De acuer…
##  7     7 Totalmente de acuerdo          Totalmente de acuerdo          Totalmen…
##  8     8 De acuerdo                     Ni de acuerdo ni en desacuerdo De acuer…
##  9     9 De acuerdo                     De acuerdo                     En desac…
## 10    10 Ni de acuerdo ni en desacuerdo Ni de acuerdo ni en desacuerdo Ni de ac…
## # … with 165 more rows, and abbreviated variable name ¹instruccion
```
]

```r
profesores %>% select(cod, asignatura, asistente, instruccion)
## # A tibble: 175 × 4
##      cod asignatura                     asistente                      instruc…¹
##    <dbl> <chr>                          <chr>                          <chr>    
##  1     1 Totalmente de acuerdo          Totalmente de acuerdo          Totalmen…
##  2     2 De acuerdo                     Totalmente de acuerdo          Ni de ac…
##  3     3 De acuerdo                     Ni de acuerdo ni en desacuerdo En desac…
##  4     4 Ni de acuerdo ni en desacuerdo Totalmente de acuerdo          Ni de ac…
##  5     5 De acuerdo                     Ni de acuerdo ni en desacuerdo En desac…
##  6     6 Totalmente de acuerdo          En desacuerdo                  De acuer…
##  7     7 Totalmente de acuerdo          Totalmente de acuerdo          Totalmen…
##  8     8 De acuerdo                     Ni de acuerdo ni en desacuerdo De acuer…
##  9     9 De acuerdo                     De acuerdo                     En desac…
## 10    10 Ni de acuerdo ni en desacuerdo Ni de acuerdo ni en desacuerdo Ni de ac…
## # … with 165 more rows, and abbreviated variable name ¹instruccion
```
]

**Ejercicio 5.2.** ¿Cómo sería el código del Ejercicio 5.1 utilizando el operador `pipe`? Agrega la función `view()` al flujo del código, ¿qué hace la función `view()`?

---

**`filter()`** te permite filtrar un subconjunto de observaciones según sus valores. La función tiene el siguiente esquema:

```r
filter(data, criterio1, criterio2, ... )
```

Filtre los encuestados de 40 años o más, muestre las 5 primeras filas:

```r
profesores %>% 
    filter(edad >= 40) %>% 
    head(5)
## # A tibble: 5 × 12
##   fecha                 cod sexo       edad nivel tiempo alumnos alumn…¹ asign…²
##   <dttm>              <dbl> <chr>     <dbl> <chr>  <dbl>   <dbl>   <dbl> <chr>  
## 1 2020-06-24 00:00:00     8 Masculino    45 SUPE…      3      24       1 De acu…
## 2 2020-06-24 00:00:00    11 Masculino    47 BASI…     10      33       0 En des…
## 3 2020-06-24 00:00:00    12 Masculino    47 SUPE…     12      19       0 Ni de …
## 4 2020-06-24 00:00:00    15 Femenino     44 INTE…     14      28       2 Ni de …
## 5 2020-06-25 00:00:00    30 Femenino     44 SUPE…      3      33       0 Ni de …
## # … with 3 more variables: asistente <chr>, instruccion <chr>, material <chr>,
## #   and abbreviated variable names ¹alumnos_NEE, ²asignatura
```

---

---

Vamos a delimitar nuestros datos a la población femenina que no tiene estudiantes con NEE, mostrando solo las variables de edad, alumnos, nivel que imparte docencia y material utilizado.

```r
profesores %>% 
    filter(sexo=="Femenino" & alumnos_NEE==0) %>% 
    select(edad, alumnos, nivel, material)
## # A tibble: 47 × 4
##     edad alumnos nivel      material      
##    <dbl>   <dbl> <chr>      <chr>         
##  1    30      24 INTERMEDIO Diapositivas  
##  2    29      35 BASICO     Pizarra       
##  3    29      42 BASICO     Videos        
##  4    44      33 SUPERIOR   Diapositivas  
##  5    34      26 BASICO     Pizarra       
##  6    50      26 BASICO     Videos        
##  7    31      34 BASICO     Diapositivas  
##  8    36      26 BASICO     Pizarra       
##  9    31      43 BASICO     Libro de texto
## 10    26      37 BASICO     Videos        
## # … with 37 more rows
```

---

Vamos a delimitar nuestros datos a la población masculina que tiene 30, 31 y 32 años de edad, mostrando solo las variables de edad, alumnos, nivel que imparte docencia y material utilizado.

```r
profesores %>% 
    filter(sexo=="Masculino" & (edad %in% c(30,31,32))) %>% 
    select(edad, alumnos, nivel, material)
## # A tibble: 7 × 4
##    edad alumnos nivel    material            
##   <dbl>   <dbl> <chr>    <chr>               
## 1    32      38 SUPERIOR Videos              
## 2    31      32 BASICO   Pizarra             
## 3    30      28 BASICO   Pizarra             
## 4    30      21 BASICO   Videos              
## 5    32      19 SUPERIOR Otro: Estoy indeciso
## 6    31      42 BASICO   Diapositivas        
## 7    32      19 BASICO   Diapositivas
```

**Ejercicio 5.2.** Identifique el código, sexo y nivel de los profesores encuestados mayores a 40 años que estén totalmente de acuerdo que las clases serían mejor con un asistente en clase a tiempo completo.

---

Mostrar los encuestados el día 2 de julio.

```r
library(lubridate)

# extrae el mes de la columna
months(profesores$fecha) %>% head(5)
## [1] "junio" "junio" "junio" "junio" "junio"

# extrae el día de la columna
day(profesores$fecha) %>% head(5)
## [1] 24 24 24 24 24

# filtra encuestados del 2 de julio.
profesores %>% 
    filter(months(fecha)=="julio" & day(fecha)==2)
## # A tibble: 2 × 12
##   fecha                 cod sexo       edad nivel tiempo alumnos alumn…¹ asign…²
##   <dttm>              <dbl> <chr>     <dbl> <chr>  <dbl>   <dbl>   <dbl> <chr>  
## 1 2020-07-02 00:00:00   169 Femenino     54 INTE…     14      33       2 De acu…
## 2 2020-07-02 00:00:00   170 Masculino    26 BASI…      6      25       0 Totalm…
## # … with 3 more variables: asistente <chr>, instruccion <chr>, material <chr>,
## #   and abbreviated variable names ¹alumnos_NEE, ²asignatura
```

---

---

**`mutate()`** te permite agregar nuevas columnas a partir de otras ya existentes. La función tiene el siguiente esquema:

```r
mutate(data, nombre_nueva_columna = formula, ... )
```

Agregaremos una columna que contenga el número de estudiantes que no tienen NEE. Mostrar las columnas de la 3 a la 8 y la última. Vamos a delimitar nuestros datos a la población masculina que tiene 30, 31 y 32 años de edad.

```r
profesores %>% 
    mutate(sinNEE=alumnos-alumnos_NEE) %>% 
    filter(sexo=="Masculino" & (edad %in% c(30,31,32))) %>% 
    select(c(3:8, sinNEE, 12))
## # A tibble: 7 × 8
##   sexo       edad nivel    tiempo alumnos alumnos_NEE sinNEE material           
##   <chr>     <dbl> <chr>     <dbl>   <dbl>       <dbl>  <dbl> <chr>              
## 1 Masculino    32 SUPERIOR      9      38           0     38 Videos             
## 2 Masculino    31 BASICO        2      32           1     31 Pizarra            
## 3 Masculino    30 BASICO        2      28           0     28 Pizarra            
## 4 Masculino    30 BASICO        7      21           0     21 Videos             
## 5 Masculino    32 SUPERIOR      8      19           1     18 Otro: Estoy indeci…
## 6 Masculino    31 BASICO        2      42           2     40 Diapositivas       
## 7 Masculino    32 BASICO        1      19           0     19 Diapositivas
```

---

**`summarise()`** se encarga de colapsar un data frame en una sola fila. Es mucho más útil si lo enlazamos con `group_by()`. Para calcular el número promedio de estudiantes:

```r
profesores %>% 
    summarise(EstudiantesPromedio = sum(alumnos)/n())
## # A tibble: 1 × 1
##   EstudiantesPromedio
##                 <dbl>
## 1                32.5
```

Para calcular en una misma tabla el número de profesores encuestados, la edad promedio de profesores encuestados y el máximo de tiempo en docencia.

```r
profesores %>% 
    summarise(TotalProfesores = n(),
              EdadPromedioProf = mean(edad),
              MaxDocencia = max(tiempo)) 
## # A tibble: 1 × 3
##   TotalProfesores EdadPromedioProf MaxDocencia
##             <int>            <dbl>       <dbl>
## 1             175             37.5          35
```

---

**`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.

Ahora calculemos el número promedio de estudiantes por sexo y nivel de educación:

```r
profesores %>% 
    group_by(sexo, nivel) %>% 
    summarise(EstudiantesPromedio = sum(alumnos)/n())
## `summarise()` has grouped output by 'sexo'. You can override using the
## `.groups` argument.
## # A tibble: 6 × 3
## # Groups:   sexo [2]
##   sexo      nivel      EstudiantesPromedio
##   <chr>     <chr>                    <dbl>
## 1 Femenino  BASICO                    32.4
## 2 Femenino  INTERMEDIO                33.1
## 3 Femenino  SUPERIOR                  33.3
## 4 Masculino BASICO                    30.9
## 5 Masculino INTERMEDIO                33.5
## 6 Masculino SUPERIOR                  31.9
```

---

Para calcular en una misma tabla el número de profesores encuestados, la edad promedio de profesores encuestados, el máximo de tiempo en docencia y el mínimo de tiempo en docencia, por sexo y nivel de educación:

```r
profesores %>% 
    group_by(nivel, sexo) %>% 
    summarise(TotalProfesores = n(),
              EdadPromedioProfesores = mean(edad),
              EstudiantesNEE = sum(alumnos_NEE))
## `summarise()` has grouped output by 'nivel'. You can override using the
## `.groups` argument.
## # A tibble: 6 × 5
## # Groups:   nivel [3]
##   nivel      sexo      TotalProfesores EdadPromedioProfesores EstudiantesNEE
##   <chr>      <chr>               <int>                  <dbl>          <dbl>
## 1 BASICO     Femenino               79                   36.4             71
## 2 BASICO     Masculino              19                   35.1             11
## 3 INTERMEDIO Femenino               25                   43.3             20
## 4 INTERMEDIO Masculino              17                   40.1             12
## 5 SUPERIOR   Femenino               15                   33.8             20
## 6 SUPERIOR   Masculino              20                   37.7             15
```

---

---

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

---

1. Construir la siguiente tabla.

<table>
 <thead>
  <tr>
   <th style="text-align:left;"> Nivel que imparte docencia </th>
   <th style="text-align:right;"> Profesores </th>
   <th style="text-align:right;"> Estudiantes </th>
   <th style="text-align:right;"> Tiempo docencia Promedio </th>
   <th style="text-align:right;"> Edad Promedio </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> BASICO </td>
   <td style="text-align:right;"> 98 </td>
   <td style="text-align:right;"> 3148 </td>
   <td style="text-align:right;"> 8 </td>
   <td style="text-align:right;"> 36 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> INTERMEDIO </td>
   <td style="text-align:right;"> 42 </td>
   <td style="text-align:right;"> 1398 </td>
   <td style="text-align:right;"> 11 </td>
   <td style="text-align:right;"> 42 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> SUPERIOR </td>
   <td style="text-align:right;"> 35 </td>
   <td style="text-align:right;"> 1138 </td>
   <td style="text-align:right;"> 7 </td>
   <td style="text-align:right;"> 36 </td>
  </tr>
</tbody>
</table>

---

# Manipulación de Datos con R
### Linda Cabrera Orellana

.pull-left[
.center[
### [@socecuest <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/socecuest)

### [@see_estadistica <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="M224.1 141c-63.6 0-114.9 51.3-114.9 114.9s51.3 114.9 114.9 114.9S339 319.5 339 255.9 287.7 141 224.1 141zm0 189.6c-41.1 0-74.7-33.5-74.7-74.7s33.5-74.7 74.7-74.7 74.7 33.5 74.7 74.7-33.6 74.7-74.7 74.7zm146.4-194.3c0 14.9-12 26.8-26.8 26.8-14.9 0-26.8-12-26.8-26.8s12-26.8 26.8-26.8 26.8 12 26.8 26.8zm76.1 27.2c-1.7-35.9-9.9-67.7-36.2-93.9-26.2-26.2-58-34.4-93.9-36.2-37-2.1-147.9-2.1-184.9 0-35.8 1.7-67.6 9.9-93.9 36.1s-34.4 58-36.2 93.9c-2.1 37-2.1 147.9 0 184.9 1.7 35.9 9.9 67.7 36.2 93.9s58 34.4 93.9 36.2c37 2.1 147.9 2.1 184.9 0 35.9-1.7 67.7-9.9 93.9-36.2 26.2-26.2 34.4-58 36.2-93.9 2.1-37 2.1-147.8 0-184.8zM398.8 388c-7.8 19.6-22.9 34.7-42.6 42.6-29.5 11.7-99.5 9-132.1 9s-102.7 2.6-132.1-9c-19.6-7.8-34.7-22.9-42.6-42.6-11.7-29.5-9-99.5-9-132.1s-2.6-102.7 9-132.1c7.8-19.6 22.9-34.7 42.6-42.6 29.5-11.7 99.5-9 132.1-9s102.7-2.6 132.1 9c19.6 7.8 34.7 22.9 42.6 42.6 11.7 29.5 9 99.5 9 132.1s2.7 102.7-9 132.1z"/></svg>](https://www.instagram.com/see_estadistica/)
]]

.pull-right[
.center[
### [@see_estadistica <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/see_estadistica)

### [@sosecuest <svg aria-hidden="true" role="img" viewBox="0 0 496 512" style="height:1em;width:0.97em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M248,8C111.033,8,0,119.033,0,256S111.033,504,248,504,496,392.967,496,256,384.967,8,248,8ZM362.952,176.66c-3.732,39.215-19.881,134.378-28.1,178.3-3.476,18.584-10.322,24.816-16.948,25.425-14.4,1.326-25.338-9.517-39.287-18.661-21.827-14.308-34.158-23.215-55.346-37.177-24.485-16.135-8.612-25,5.342-39.5,3.652-3.793,67.107-61.51,68.335-66.746.153-.655.3-3.1-1.154-4.384s-3.59-.849-5.135-.5q-3.283.746-104.608,69.142-14.845,10.194-26.894,9.934c-8.855-.191-25.888-5.006-38.551-9.123-15.531-5.048-27.875-7.717-26.8-16.291q.84-6.7,18.45-13.7,108.446-47.248,144.628-62.3c68.872-28.647,83.183-33.623,92.511-33.789,2.052-.034,6.639.474,9.61,2.885a10.452,10.452,0,0,1,3.53,6.716A43.765,43.765,0,0,1,362.952,176.66Z"/></svg>](https://t.me/sosecuest)
]]