A menudo me dicen que R es difícil. ¡No lo es! El comentario tiene su raíz en que Excel y R son muy distintos entre si. Lo mismo en el caso de SPSS.

R es un lenguaje de programación que otorga una amplia variedad de técnicas estadísticas y gráficas y además es altamente extendible. R se creó con la finalidad de ser flexible más que ser fácil de usar, pero eso ha ido cambiando en las últimas versiones.

Excel

• Limitado a tablas
• Compatible con XLSX, XLSC y CSV/TSV

R

• Múltiples estructuras de datos (vector, matriz, lista, unión)
• Nos centraremos en las uniones, en particular en las tablas
• Compatible con los formatos de Excel, SPSS, Stata y Bases de Datos

¿Qué significa en la práctica?

• Cada variable forma una columna
• Cada observación forma una fila
• Cada unidad observacional forma una tabla

Tldr; esta es la 3era forma normal de Codd.

Funciones básicas que deberían manejar:

• SUM()
• SUMIF()
• VLOOKUP()

SUM()

SUM(RANGO)
=SUM(A2:A100)
=SUM(1,2,3,4,5)
=SUM(1,2,A2:A50)

SUMIF()

SUMIF(RANGO, CRITERIO, RANGO SUMA)
SUMIF(A1:A10,">20")
SUMIF(A1:A10,"Santiago Centro",B1:B10)

VLOOPKUP()

VLOOPKUP(VALOR BUSCADO, RANGO, INDICE, ORDENADO)
VLOOKUP(10003, A2:B26, 2, FALSE)

Actividad de repaso

Veamos el archivo lecture1_officesupplies

1. Crea una copia de la tabla en tu cuenta de Google Drive
2. En una nueva hoja lleva la tabla a formato tidy
3. Crea una columna que muestre el ingreso correspondiente a cada registro
4. En una nueva hoja para cada tabla muestra Las unidades vendidas totales por:
   1. Región
   2. Item
   3. Por región e item

El problema para los usuarios nuevos es que si descargas R desde CRAN, The Comprehensive R Archive Network, el sitio oficial, obtienes una terminal y una interfaz gráfica muy limitada.

Un entorno de desarrollo integrado (IDE) como RStudio entrega una ventana con paneles organizados como en SPSS. Esto es como comprar el motor (R) y el resto del automóvil (RStudio) por separado.

R contempla muchas funciones, desde la media y la desviación estándar a funciones específicas para quienes se dedican a literatura o finanzas.

En lugar de proveer un instalador de varios GB con todas las funciones, la instalación de R provee un conjunto mínimo de funciones de amplio uso. Para extender la instalación básica la comunidad R ha organizado las distintas funciones en "paquetes" que son conjuntos de funciones ordenados por tópicos y siguen una lógica similar a la de los complementos del navegador de internet.

Base R es el núcleo de R, es lo que se obtiene al instalar R. Esta base viene del lenguaje S, otro lenguaje de programación, cuya primera versión es de 1976 y sobre esa base existen desarrollos nuevos.

El Tidyverse es un conjunto de paquetes de R con una filosofía común y están diseñados para trabajar en conjunto y simplificar diferentes tareas que se pueden hacer con base R.

• Para aprovechar eficientemente el tiempo de la clase la instalación de R quedará para el final
• Vamos a usar RStudio Server
• Para la clase todo lo necesario ya está configurado en el servidor.

Veremos el uso básico de los siguientes paquetes de R que son parte del Tidyverse:

• readr: importar CSV, TSV y similares
• readxl: importar XLSX y XLS
• dplyr: manipulación de datos
• ggplot2: gráficos
• forcats: manejo de variables categóricas

Para usar lo anterior emplearemos pacman, un paquete de administración que carga e instala paquetes.

El ícono %>% corresponde al paquete magrittr, se carga automáticamente al cargar dplyr y permite conectar distintas funciones.

dplyr provee una serie de funciones que permiten modificar una tabla, esas funciones se han estructurado en forma de verbos:

• select() seleccionar columnas
• filter() filtrar filas
• arrange() reordenar filas
• mutate() crear columnas
• group_by() agrupar por valores antes de realizar una operación (e.g. expresar promedios de los grupos Santiago, Valdivia y Concepción de la columna X1)
• summarise() resumir valores (e.g. reducir la tabla y mostrar el sueldo promedio por grupo de la columna X2 y el arriendo promedio por grupo de la columna X3)
• ungroup() desagrupar (e.g. si necesito realizar una operación posterior a la de summarise())

Supongamos que arriendos_por_region.csv contiene 300 observaciones (100 por región) de los sueldos de trabajadores de Santiago, Valdivia y Concepción desplegados de la siguiente forma:

El arriendo y sueldo promedio ordenado en una tabla de 3x3 de menos a más sería:

read_csv("arriendos_por_region.csv") %>% 
  group_by(X1) %>% # agrupar por región
  summarise(sueldo_promedio = mean(X2),
            arriendo_promedio = mean(X3)) %>% # calcular sueldo y arriendo promedio
  ungroup() %>% # desagrupar 
  arrange(X2,X3) # ordenar de menos a más

Abre RStudio Server, ve a File → New Project y crea un nuevo proyecto con tu nombre en un nuevo directorio (e.g mauricio_vargas_clase_1)

La próxima vez que quieras ver tus avances puedes ir al directorio del proyecto y abrir el archivo RProj para tener todo linkeado a ese directorio.

Ve a File → New → RScript para ir anotando lo que veremos a continuación

Ejecuta el siguiente código haciendo click en Run o presionando Ctrl/Cmd+Enter:

### instalar y cargar pacman usando Base R
if (!require("pacman")) install.packages("pacman")

### instalar y/o cargar lo ya mencionado usando pacman
p_load(readr,readxl,dplyr,ggplot2,forcats)

La primera línea instruye a la máquina a instalar pacman si no encuentra el paquete.

En R se puede leer CSV, JSON, XLSX y otros formatos incluyendo DTA y SAV. Para simplificar, por esta vez, usaremos mpg que es un dataset que incluye ggplot2.

Pasos a seguir:

1. En el panel de la derecha ir a Help y busca "mpg".
2. En el panel inferior ir a Console y teclea "mpg + Enter".
3. Filtrar y ver los modelos lanzados después del año 2000 (columna year) y que tienen 4 cilindros (columna cyl)
4. Filtrar por tipo de transmisión (trans) y por millas por galón en ciudad (cty) y millas por galón en autopista (hwy) descendentemente.
5. Filtrar los automóviles de 4 o más cilindros hechos en el año 2008 y ordenados ascendentemente por cty.

Paso 3:

mpg %>% 
  filter(year > 2000,
         cyl == 4)

Paso 4:

mpg %>% 
  arrange(trans)

mpg %>% 
  arrange(-cty)

mpg %>% 
  arrange(trans,desc(cty),desc(hwy))

¡Esto no es posible de hacer en Excel excepto si se usa tablas dinámicas!

Paso 5:

mpg %>% 
  filter(year == 2008, cyl == 4) %>% 
  arrange(cty)

Vamos a usar el archivo clase1_insumosoficina.xlsx y lo vamos a descargar y leer desde R.

Pasos a seguir:

1. Crear el directorio "datasets" y descargar el archivo si y sólo si este no está en el directorio "datasets"
2. Leer el archivo XLSX usando la función read_excel (una función del paquete readxl) y obtener las unidades vendidas totales por región, por item y por región e item
3. Obtener el ingreso total por región e item
4. Modificar el dataset original para agregar una columna de ingreso y guardar los resultados usando la función write_csv (una función del paquete readr)

Paso 1:

¡No olvidar ir guardando los cambios!

folder = "datasets/"
file = paste0(folder,"clase1_insumosoficina.xlsx") 
### "paste0" pega elementos sin espacios
### "paste" agrega espacios

try(dir.create(folder))

if(!file.exists(file)) {
  download.file(
    "https://goo.gl/sfFia4",
    file)
}

Paso 2:

officesupplies = read_excel(file)

### vista rápida de las columnas
str(officesupplies)

### convertir la columna Units a enteros
officesupplies = officesupplies %>% mutate(Units = as.integer(Units))

### regiones distintas
officesupplies %>% select(Region) %>% distinct()

### items distintos
officesupplies %>% select(Item) %>% distinct()

Paso 2 (continuación):

### unidades totales por región
officesupplies %>% 
  select(Region,Units) %>%
  group_by(Region) %>% 
  summarise(Sold_Units = sum(Units))

### unidades totales por item
officesupplies %>% 
  select(Item,Units) %>% 
  group_by(Item) %>% 
  summarise(Sold_Units = sum(Units))

### unidades totales por region e item
officesupplies %>% 
  select(Region,Item,Units) %>% 
  group_by(Region,Item) %>% 
  summarise(Sold_Units = sum(Units))

Paso 3:

### ingreso por región e item
officesupplies %>% 
  select(Region,Item,Units,`Unit Price`) %>% 
  rename(Unit_Price = `Unit Price`) %>% 
  group_by(Region,Item) %>% 
  summarise(Income = sum(Units * Unit_Price))

officesupplies = officesupplies %>% 
  select(Region,Item,Units,`Unit Price`) %>% 
  rename(Unit_Price = `Unit Price`) %>% 
  mutate(Income = Units * Unit_Price) %>% 
  write_csv(paste0(folder,"lecture1_office_supplies.csv"))

Vamos a usar el archivo clase1_cobre.csv y lo vamos a descargar y leer desde R.

Pasos a seguir:

1. Crear el directorio "datasets" y descargar el archivo si y sólo si este no está en el directorio "datasets"
2. Leer el archivo CSV usando la función read_csv (una función del paquete readr) y convierte la columna product de chr a factor (para poder mostrar mejor la información en el paso 3)
   1. En lugar de copper deberás mostrar Cobre
   2. En lugar de other deberás mostrar Pulpa de madera, fruta, salmón y otros
3. Crea un gráfico de línea con las siguientes características
   1. El eje x debe ser el año (mostrar todos los años) y el eje y las exportaciones
   2. Coloreado por producto con los colores c("#40b8d0", "#b2d183") y con ancho de línea de 1.5
   3. El eje x debe mostrar todos los años
   4. El título debe ser Composición de las exportaciones a China ($) y el subtítulo debe ser Fuente: Aduana de Chile

Paso 1:

folder = "datasets/"
file = paste0(folder,"clase1_cobre.csv") 
### "paste0" pega elementos sin espacios
### "paste" agrega espacios

try(dir.create(folder))

if(!file.exists(file)) {
  download.file(
    "https://goo.gl/vFg7vb",
    file)
}

Paso 2:

copper = read_csv(file)

### vista rápida de las columnas
str(copper)

### convertir a factor
copper = copper %>% 
  mutate(product = factor(product, levels = c("copper","others"),
                          labels = c("Cobre ","Pulpa de madera, fruta, salmón y otros")))

Paso 3:

copper %>% 
  ggplot(aes(y = export, x = year, colour = product)) + 
  geom_line(size = 1.5) + 
  scale_x_continuous(breaks = seq(2006,2014,1)) +
  labs(title = "Composici\u00f3n de las exportaciones a China ($)", 
       subtitle = "Fuente: Aduana de Chile",
       x = "A\u00f1o", 
       y = "Millones de d\u00f3lares") + 
  scale_colour_manual(values = c("#40b8d0", "#b2d183"))

A partir de lo anterior crea un gráfico de área y luego un gráfico de área y uno de barras revirtiendo el orden en que se muestran las series.

Parte 1:

copper %>% 
  ggplot(aes(y = export, x = year, fill = product)) + 
  geom_area() + 
  scale_x_continuous(breaks = seq(2006,2014,1)) + 
  labs(title = "Composici\u00f3n de las exportaciones a China ($)", 
       subtitle = "Fuente: Aduana de Chile",
       x = "A\u00f1o", 
       y = "Millones de d\u00f3lares") + 
  scale_fill_manual(values = c("#40b8d0", "#b2d183"))

Parte 2:

copper %>% 
  ggplot(aes(y = export, x = year, fill = fct_rev(product))) + 
  geom_area() + 
  scale_x_continuous(breaks = seq(2006,2014,1)) + 
  labs(title = "Composici\u00f3n de las exportaciones a China ($)", 
       subtitle = "Fuente: Aduana de Chile",
       x = "A\u00f1o", 
       y = "Millones de d\u00f3lares") + 
  scale_fill_manual(values = c("#b2d183","#40b8d0"))

Parte 3:

copper %>%
  ggplot(aes(y = export, x = year, fill = fct_rev(product))) + 
  geom_col() + 
  scale_x_continuous(breaks = seq(2006,2014,1)) +
  labs(title = "Composici\u00f3n de las exportaciones a China ($)", 
       subtitle = "Fuente: Aduana de Chile",
       x = "A\u00f1o", 
       y = "Millones de d\u00f3lares") + 
  scale_fill_manual(values = c("#b2d183","#40b8d0"))

Ahora mejora el gráfico de barras anterior:

1. Agrega etiquetas de datos a las series
2. Arregla los colores del fondo y mueve la leyenda a la parte inferior

Parte 1:

chart = copper %>%
  group_by(year) %>% 
  mutate(pos = cumsum(export) - (0.5 * export)) %>% 
  ggplot(aes(y = export, x = year, fill = fct_rev(product))) + 
  geom_col() + 
  geom_text(aes(x = year, y = pos, label = export), colour = "black", 
            size = 4, show.legend = F) + 
  scale_x_continuous(breaks = seq(2006,2014,1)) +
  labs(title = "Composici\u00f3n de las exportaciones a China ($)", 
       subtitle = "Fuente: Aduana de Chile",
       x = "A\u00f1o", 
       y = "Millones de d\u00f3lares")

Parte 2:

chart +
  scale_fill_manual(values = c("#b2d183","#40b8d0")) + 
  theme_bw() +
  theme(legend.position = "bottom", legend.direction = "horizontal", 
        legend.title = element_blank()) +
  guides(fill = guide_legend(reverse = T))

Selecciona todos los archivos de tu projecto en RStudio Server y exporta tus archivos para bajarlos en zip.

Si el alcanza el tiempo, instala R y RStudio en tu propio notebook.

• Descargar R

• Descargar RStudio