-
Notifications
You must be signed in to change notification settings - Fork 0
/
03-tidyr.html
1233 lines (1029 loc) · 36.4 KB
/
03-tidyr.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
<!DOCTYPE html>
<html lang="" xml:lang="">
<head>
<title>tidyr</title>
<meta charset="utf-8" />
<meta name="author" content="Alberto Torres Barrán" />
<meta name="date" content="2021-02-01" />
<link href="libs/remark-css-0.0.1/default.css" rel="stylesheet" />
<link rel="stylesheet" href="custom.css" type="text/css" />
</head>
<body>
<textarea id="source">
class: center, middle, inverse, title-slide
# tidyr
## Entornos de Análisis de Datos: R
### Alberto Torres Barrán
### 2021-02-01
---
<script type="text/x-mathjax-config">
MathJax.Hub.Config({
TeX: {
Macros: {
Xcal: "{\\mathcal{X}}",
Xbf: "{\\mathbf{X}}",
Qbf: "{\\mathbf{Q}}",
Zbf: "{\\mathbf{Z}}",
Vbf: "{\\mathbf{V}}",
Hbf: "{\\mathbf{H}}",
Rbb: "{\\mathbb{R}}"
},
extensions: ["AMSmath.js","AMSsymbols.js"]
}
});
</script>
## Introducción
- El 80% del tiempo de un análisis se emplea limpiando y preparando los datos (Dasu y Johnson, 2003)
- Importados los datos, es importante estructurarlos para que el análisis sea lo más fácil posible
- Las librerías del tidyverse están construidas alrededor del concepto de datos ordenados o *tidy data*:
1. Cada variable forma una columna
2. Cada observación forma una fila
3. Cada celda contiene un único valor
- Todas las librerías del tidyverse están construidas alrededor de este concepto
- Datos tabulares/rectangulares no implican datos ordenados!!!
---
## Formas de almacenamiento
Distintas formas de almacenar los mismos datos [R for Data Science]:
![:vspace 10]
.pull-left[
<table>
<thead>
<tr>
<th style="text-align:left;"> country </th>
<th style="text-align:right;"> 1999 </th>
<th style="text-align:right;"> 2000 </th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align:left;"> Afghanistan </td>
<td style="text-align:right;"> 745 </td>
<td style="text-align:right;"> 2666 </td>
</tr>
<tr>
<td style="text-align:left;"> Brazil </td>
<td style="text-align:right;"> 37737 </td>
<td style="text-align:right;"> 80488 </td>
</tr>
<tr>
<td style="text-align:left;"> China </td>
<td style="text-align:right;"> 212258 </td>
<td style="text-align:right;"> 213766 </td>
</tr>
</tbody>
</table>
]
--
.pull-right[
<table>
<thead>
<tr>
<th style="text-align:left;"> country </th>
<th style="text-align:right;"> year </th>
<th style="text-align:right;"> cases </th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align:left;"> Afghanistan </td>
<td style="text-align:right;"> 1999 </td>
<td style="text-align:right;"> 745 </td>
</tr>
<tr>
<td style="text-align:left;"> Afghanistan </td>
<td style="text-align:right;"> 2000 </td>
<td style="text-align:right;"> 2666 </td>
</tr>
<tr>
<td style="text-align:left;"> Brazil </td>
<td style="text-align:right;"> 1999 </td>
<td style="text-align:right;"> 37737 </td>
</tr>
<tr>
<td style="text-align:left;"> Brazil </td>
<td style="text-align:right;"> 2000 </td>
<td style="text-align:right;"> 80488 </td>
</tr>
<tr>
<td style="text-align:left;"> China </td>
<td style="text-align:right;"> 1999 </td>
<td style="text-align:right;"> 212258 </td>
</tr>
<tr>
<td style="text-align:left;"> China </td>
<td style="text-align:right;"> 2000 </td>
<td style="text-align:right;"> 213766 </td>
</tr>
</tbody>
</table>
]
---
## Formatos "ancho" y "largo"
.center[
.footnotesize[Fuente: https://github.com/gadenbuie/tidyexplain]
]
---
## Operaciones con datos ordenados
* Tabla 1
<table>
<thead>
<tr>
<th style="text-align:left;"> country </th>
<th style="text-align:right;"> year </th>
<th style="text-align:right;"> cases </th>
<th style="text-align:right;"> population </th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align:left;"> Afghanistan </td>
<td style="text-align:right;"> 1999 </td>
<td style="text-align:right;"> 745 </td>
<td style="text-align:right;"> 19987071 </td>
</tr>
<tr>
<td style="text-align:left;"> Afghanistan </td>
<td style="text-align:right;"> 2000 </td>
<td style="text-align:right;"> 2666 </td>
<td style="text-align:right;"> 20595360 </td>
</tr>
<tr>
<td style="text-align:left;"> Brazil </td>
<td style="text-align:right;"> 1999 </td>
<td style="text-align:right;"> 37737 </td>
<td style="text-align:right;"> 172006362 </td>
</tr>
<tr>
<td style="text-align:left;"> Brazil </td>
<td style="text-align:right;"> 2000 </td>
<td style="text-align:right;"> 80488 </td>
<td style="text-align:right;"> 174504898 </td>
</tr>
<tr>
<td style="text-align:left;"> China </td>
<td style="text-align:right;"> 1999 </td>
<td style="text-align:right;"> 212258 </td>
<td style="text-align:right;"> 1272915272 </td>
</tr>
<tr>
<td style="text-align:left;"> China </td>
<td style="text-align:right;"> 2000 </td>
<td style="text-align:right;"> 213766 </td>
<td style="text-align:right;"> 1280428583 </td>
</tr>
</tbody>
</table>
* Tabla 2
<table>
<thead>
<tr>
<th style="text-align:left;"> country </th>
<th style="text-align:right;"> cases_1999 </th>
<th style="text-align:right;"> cases_2000 </th>
<th style="text-align:right;"> population_1999 </th>
<th style="text-align:right;"> population_2000 </th>
</tr>
</thead>
<tbody>
<tr>
<td style="text-align:left;"> Afghanistan </td>
<td style="text-align:right;"> 745 </td>
<td style="text-align:right;"> 2666 </td>
<td style="text-align:right;"> 19987071 </td>
<td style="text-align:right;"> 20595360 </td>
</tr>
<tr>
<td style="text-align:left;"> Brazil </td>
<td style="text-align:right;"> 37737 </td>
<td style="text-align:right;"> 80488 </td>
<td style="text-align:right;"> 172006362 </td>
<td style="text-align:right;"> 174504898 </td>
</tr>
<tr>
<td style="text-align:left;"> China </td>
<td style="text-align:right;"> 212258 </td>
<td style="text-align:right;"> 213766 </td>
<td style="text-align:right;"> 1272915272 </td>
<td style="text-align:right;"> 1280428583 </td>
</tr>
</tbody>
</table>
---
## Crear una nueva variable
* Crear una nueva variable es fácil con la tabla 1
```r
table_1 %>%
mutate(ratio = cases / population * 10000)
## # A tibble: 6 x 5
## country year cases population ratio
## <chr> <int> <int> <int> <dbl>
## 1 Afghanistan 1999 745 19987071 0.373
## 2 Afghanistan 2000 2666 20595360 1.29
## 3 Brazil 1999 37737 172006362 2.19
## 4 Brazil 2000 80488 174504898 4.61
## 5 China 1999 212258 1272915272 1.67
## 6 China 2000 213766 1280428583 1.67
```
* ¿Como podríamos hacer lo mismo con la tabla 2?
---
## Operaciones agrupadas
- Tabla 1: calcular el total de casos por año
```r
table_1 %>%
group_by(year) %>%
summarize(total = sum(cases))
## # A tibble: 2 x 2
## year total
## <int> <int>
## 1 1999 250740
## 2 2000 296920
```
- Tabla 2: el resultado final está en un formato que es más dificil de procesar
```r
table_2 %>%
summarize(across(starts_with("cases"), sum))
## # A tibble: 1 x 2
## cases_1999 cases_2000
## <int> <int>
## 1 250740 296920
```
---
## Gráficos
```r
table_1 %>%
mutate(ratio = cases / population * 10000,
year = as.character(year)) %>%
ggplot(mapping = aes(x = country, y = ratio, fill = year)) +
geom_col(position = "dodge")
```
<img src="03-tidyr_files/figure-html/unnamed-chunk-8-1.png" style="display: block; margin: auto;" />
---
# Librería tidyr
* Implementa funciones para transformar entre los formatos anteriores
* Desde la versión 1.0 de tidyr, se han creado versiones más potentes de las antiguas `spread` y `gather`
* En la siguiente tabla podemos ver la equivalencia:
| pandas | tidyr <1.0 | tidyr 1.0 | data.table | reshape2 |
|---------|------------|----------------|------------|----------|
| pivot | spread | pivot_wider | dcast | cast |
| melt | gather | pivot_longer | melt | melt |
---
## pivot_longer
- Pivota una dataframe para que cada variable tenga su propia columna ([documentación](https://tidyr.tidyverse.org/reference/pivot_longer.html))
```r
table4a
## # A tibble: 3 x 3
## country `1999` `2000`
## * <chr> <int> <int>
## 1 Afghanistan 745 2666
## 2 Brazil 37737 80488
## 3 China 212258 213766
```
```r
pivot_longer(table4a, names_to = "year", values_to = "cases", -country)
## # A tibble: 6 x 3
## country year cases
## <chr> <chr> <int>
## 1 Afghanistan 1999 745
## 2 Afghanistan 2000 2666
## 3 Brazil 1999 37737
## 4 Brazil 2000 80488
## 5 China 1999 212258
## 6 China 2000 213766
```
---
## Animación
.center[
<video width="640" height="480" controls>
<source src="./img/pivot.mp4" type="video/mp4">
</video>
]
---
## Ejemplo pivot_longer
- Queremos representar las siguientes series temporales, que representan 4 indicadores económicos:
```r
eu <- EuStockMarkets %>%
data.frame() %>%
mutate(index = 1:n())
head(eu)
## DAX SMI CAC FTSE index
## 1 1628.75 1678.1 1772.8 2443.6 1
## 2 1613.63 1688.5 1750.5 2460.2 2
## 3 1606.51 1678.6 1718.0 2448.2 3
## 4 1621.04 1684.1 1708.1 2470.4 4
## 5 1618.16 1686.6 1723.1 2484.7 5
## 6 1610.61 1671.6 1714.3 2466.8 6
```
- Las 4 variables tienen las mismas unidades, por lo que podemos representar 4 líneas en un único gráfico:
```r
ggplot(eu, aes(x = index)) +
geom_line(aes(y = DAX), color = "red") +
geom_line(aes(y = SMI), color = "blue") +
geom_line(aes(y = CAC), color = "green") +
geom_line(aes(y = FTSE), color = "orange")
```
---
<img src="03-tidyr_files/figure-html/unnamed-chunk-12-1.png" style="display: block; margin: auto;" />
---
- Pivotamos a formato "largo"
```r
eu_long <-
eu %>%
pivot_longer(-index, names_to = "name", values_to = "value")
head(eu_long, 8)
## # A tibble: 8 x 3
## index name value
## <int> <chr> <dbl>
## 1 1 DAX 1629.
## 2 1 SMI 1678.
## 3 1 CAC 1773.
## 4 1 FTSE 2444.
## 5 2 DAX 1614.
## 6 2 SMI 1688.
## 7 2 CAC 1750.
## 8 2 FTSE 2460.
```
- Repetimos el gráfico anterior, asignando el nombre del indicador a la propiedad `color`
```r
ggplot(eu_long, aes(x = index, y = value, color = name)) +
geom_line()
```
- Ventajas:
1. código más conciso
2. colores elegidos de forma automática a partir de una paleta
3. leyenda automática
---
<img src="03-tidyr_files/figure-html/unnamed-chunk-14-1.png" style="display: block; margin: auto;" />
---
## Ejemplo avanzado
```r
stats <-
mpg %>%
summarize(across(is.numeric, list(mean = mean, sd = sd)))
stats
## # A tibble: 1 x 10
## displ_mean displ_sd year_mean year_sd cyl_mean cyl_sd cty_mean cty_sd hwy_mean
## <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 3.47 1.29 2004. 4.51 5.89 1.61 16.9 4.26 23.4
## # ... with 1 more variable: hwy_sd <dbl>
```
```r
pivot_longer(stats, everything(), names_sep = "_", names_to = c("var", ".value"))
## # A tibble: 5 x 3
## var mean sd
## <chr> <dbl> <dbl>
## 1 displ 3.47 1.29
## 2 year 2004. 4.51
## 3 cyl 5.89 1.61
## 4 cty 16.9 4.26
## 5 hwy 23.4 5.95
```
---
## pivot_wider
- Realiza la operación inversa a `pivot_longer` ([documentación](https://tidyr.tidyverse.org/reference/pivot_wider.html))
.pull-left[
```r
library(tidyr)
table2
## # A tibble: 12 x 4
## country year type count
## <chr> <int> <chr> <int>
## 1 Afghanistan 1999 cases 745
## 2 Afghanistan 1999 population 19987071
## 3 Afghanistan 2000 cases 2666
## 4 Afghanistan 2000 population 20595360
## 5 Brazil 1999 cases 37737
## 6 Brazil 1999 population 172006362
## 7 Brazil 2000 cases 80488
## 8 Brazil 2000 population 174504898
## 9 China 1999 cases 212258
## 10 China 1999 population 1272915272
## 11 China 2000 cases 213766
## 12 China 2000 population 1280428583
```
]
.pull-right[
```r
pivot_wider(table2,
names_from = type,
values_from = count)
## # A tibble: 6 x 4
## country year cases population
## <chr> <int> <int> <int>
## 1 Afghanistan 1999 745 19987071
## 2 Afghanistan 2000 2666 20595360
## 3 Brazil 1999 37737 172006362
## 4 Brazil 2000 80488 174504898
## 5 China 1999 212258 1272915272
## 6 China 2000 213766 1280428583
```
]
---
## Ejemplos pivot_wider
- Dependiendo del uso, a veces es útil transformar nuestros datos en un formato no ordenado
- Es raro tener que usar `pivot_wider` para transformar una dataframe en datos ordenados (cada columna representa una variable)
- Se usa bastante para dos tareas:
1. crear tablas resumen
2. transformar datos para modelización
- Más ejemplos: [vignette *pivoting*](https://tidyr.tidyverse.org/articles/pivot.html)
---
## Ejemplo tabla resumen
```r
cty <-
mpg %>%
group_by(year, class) %>%
summarize(avg_cty = mean(cty))
head(cty)
## # A tibble: 6 x 3
## # Groups: year [1]
## year class avg_cty
## <int> <chr> <dbl>
## 1 1999 2seater 15.5
## 2 1999 compact 19.8
## 3 1999 midsize 18.2
## 4 1999 minivan 16.2
## 5 1999 pickup 13
## 6 1999 subcompact 21.6
```
```r
pivot_wider(cty, names_from = class, values_from = avg_cty)
## # A tibble: 2 x 8
## # Groups: year [2]
## year `2seater` compact midsize minivan pickup subcompact suv
## <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1999 15.5 19.8 18.2 16.2 13 21.6 13.4
## 2 2008 15.3 20.5 19.3 15.4 13 18.9 13.6
```
---
## Ejemplo tabla resumen múltiple
.col-left[
```r
cty <-
mpg %>%
group_by(year, class) %>%
summarize(avg_cty = mean(cty),
sd_cty = sd(cty))
head(cty)
## # A tibble: 6 x 4
## # Groups: year [1]
## year class avg_cty sd_cty
## <int> <chr> <dbl> <dbl>
## 1 1999 2seater 15.5 0.707
## 2 1999 compact 19.8 3.90
## 3 1999 midsize 18.2 1.57
## 4 1999 minivan 16.2 1.17
## 5 1999 pickup 13 1.79
## 6 1999 subcompact 21.6 5.03
```
]
.col-right[
```r
pivot_wider(cty,
names_from = year,
values_from = c(avg_cty, sd_cty))
## # A tibble: 7 x 5
## class avg_cty_1999 avg_cty_2008 sd_cty_1999 sd_cty_2008
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 2seater 15.5 15.3 0.707 0.577
## 2 compact 19.8 20.5 3.90 2.72
## 3 midsize 18.2 19.3 1.57 2.13
## 4 minivan 16.2 15.4 1.17 2.51
## 5 pickup 13 13 1.79 2.32
## 6 subcompact 21.6 18.9 5.03 3.70
## 7 suv 13.4 13.6 2.11 2.69
```
]
---
## Ejemplo modelización
- En este ejemplo tenemos 6 variables: país, continente, año, esperanza de vida, población, PIB per cápita
```r
gapminder
## # A tibble: 1,704 x 6
## country continent year lifeExp pop gdpPercap
## <fct> <fct> <int> <dbl> <int> <dbl>
## 1 Afghanistan Asia 1952 28.8 8425333 779.
## 2 Afghanistan Asia 1957 30.3 9240934 821.
## 3 Afghanistan Asia 1962 32.0 10267083 853.
## 4 Afghanistan Asia 1967 34.0 11537966 836.
## 5 Afghanistan Asia 1972 36.1 13079460 740.
## 6 Afghanistan Asia 1977 38.4 14880372 786.
## 7 Afghanistan Asia 1982 39.9 12881816 978.
## 8 Afghanistan Asia 1987 40.8 13867957 852.
## 9 Afghanistan Asia 1992 41.7 16317921 649.
## 10 Afghanistan Asia 1997 41.8 22227415 635.
## # ... with 1,694 more rows
```
- Diríamos que estos datos están ordenados, ya que cada variable se corresponde con una columna
- Este format es útil, entre otras cosas, para realizar gráficos
---
- Si quisiéramos, por ejemplo, realizar un modelo para predecir la esperanza de vida de China basándonos en el resto de paises de su continente, necesitamos una columna para cada país
```r
gapminder %>%
filter(continent == "Asia") %>%
pivot_wider(id_cols = year, names_from = country, values_from = lifeExp)
## # A tibble: 12 x 34
## year Afghanistan Bahrain Bangladesh Cambodia China `Hong Kong, Chi~ India
## <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1952 28.8 50.9 37.5 39.4 44 61.0 37.4
## 2 1957 30.3 53.8 39.3 41.4 50.5 64.8 40.2
## 3 1962 32.0 56.9 41.2 43.4 44.5 67.6 43.6
## 4 1967 34.0 59.9 43.5 45.4 58.4 70 47.2
## 5 1972 36.1 63.3 45.3 40.3 63.1 72 50.7
## 6 1977 38.4 65.6 46.9 31.2 64.0 73.6 54.2
## 7 1982 39.9 69.1 50.0 51.0 65.5 75.4 56.6
## 8 1987 40.8 70.8 52.8 53.9 67.3 76.2 58.6
## 9 1992 41.7 72.6 56.0 55.8 68.7 77.6 60.2
## 10 1997 41.8 73.9 59.4 56.5 70.4 80 61.8
## 11 2002 42.1 74.8 62.0 56.8 72.0 81.5 62.9
## 12 2007 43.8 75.6 64.1 59.7 73.0 82.2 64.7
## # ... with 26 more variables: Indonesia <dbl>, Iran <dbl>, Iraq <dbl>, Israel <dbl>,
## # Japan <dbl>, Jordan <dbl>, `Korea, Dem. Rep.` <dbl>, `Korea, Rep.` <dbl>,
## # Kuwait <dbl>, Lebanon <dbl>, Malaysia <dbl>, Mongolia <dbl>, Myanmar <dbl>,
## # Nepal <dbl>, Oman <dbl>, Pakistan <dbl>, Philippines <dbl>, `Saudi
## # Arabia` <dbl>, Singapore <dbl>, `Sri Lanka` <dbl>, Syria <dbl>, Taiwan <dbl>,
## # Thailand <dbl>, Vietnam <dbl>, `West Bank and Gaza` <dbl>, `Yemen, Rep.` <dbl>
```
---
## separate
- Múltiples variables codificadas en una única columna
```r
table3
## # A tibble: 6 x 3
## country year rate
## * <chr> <int> <chr>
## 1 Afghanistan 1999 745/19987071
## 2 Afghanistan 2000 2666/20595360
## 3 Brazil 1999 37737/172006362
## 4 Brazil 2000 80488/174504898
## 5 China 1999 212258/1272915272
## 6 China 2000 213766/1280428583
```
```r
separate(table3, rate, into = c("cases", "population"), sep = "/")
## # A tibble: 6 x 4
## country year cases population
## <chr> <int> <chr> <chr>
## 1 Afghanistan 1999 745 19987071
## 2 Afghanistan 2000 2666 20595360
## 3 Brazil 1999 37737 172006362
## 4 Brazil 2000 80488 174504898
## 5 China 1999 212258 1272915272
## 6 China 2000 213766 1280428583
```
---
- Por defecto `separate()` mantiene el tipo de la columna en las nuevas
```r
separate(table3, rate, into = c("cases", "population"), sep = "/", convert = TRUE)
## # A tibble: 6 x 4
## country year cases population
## <chr> <int> <int> <int>
## 1 Afghanistan 1999 745 19987071
## 2 Afghanistan 2000 2666 20595360
## 3 Brazil 1999 37737 172006362
## 4 Brazil 2000 80488 174504898
## 5 China 1999 212258 1272915272
## 6 China 2000 213766 1280428583
```
---
## Ejemplo
```r
separate(economics, date, into = c("year", "month", "day"), sep = "-", convert = TRUE)
## # A tibble: 574 x 8
## year month day pce pop psavert uempmed unemploy
## <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 1967 7 1 507. 198712 12.6 4.5 2944
## 2 1967 8 1 510. 198911 12.6 4.7 2945
## 3 1967 9 1 516. 199113 11.9 4.6 2958
## 4 1967 10 1 512. 199311 12.9 4.9 3143
## 5 1967 11 1 517. 199498 12.8 4.7 3066
## 6 1967 12 1 525. 199657 11.8 4.8 3018
## 7 1968 1 1 531. 199808 11.7 5.1 2878
## 8 1968 2 1 534. 199920 12.3 4.5 3001
## 9 1968 3 1 544. 200056 11.7 4.1 2877
## 10 1968 4 1 544 200208 12.3 4.6 2709
## # ... with 564 more rows
```
---
## unite
- Una única variable que está codificada en varias columnas
```r
unite(mpg, make, manufacturer, model, sep = "_")
## # A tibble: 234 x 10
## make displ year cyl trans drv cty hwy fl class
## <chr> <dbl> <int> <int> <chr> <chr> <int> <int> <chr> <chr>
## 1 audi_a4 1.8 1999 4 auto(l5) f 18 29 p compact
## 2 audi_a4 1.8 1999 4 manual(m5) f 21 29 p compact
## 3 audi_a4 2 2008 4 manual(m6) f 20 31 p compact
## 4 audi_a4 2 2008 4 auto(av) f 21 30 p compact
## 5 audi_a4 2.8 1999 6 auto(l5) f 16 26 p compact
## 6 audi_a4 2.8 1999 6 manual(m5) f 18 26 p compact
## 7 audi_a4 3.1 2008 6 auto(av) f 18 27 p compact
## 8 audi_a4 quattro 1.8 1999 4 manual(m5) 4 18 26 p compact
## 9 audi_a4 quattro 1.8 1999 4 auto(l5) 4 16 25 p compact
## 10 audi_a4 quattro 2 2008 4 manual(m6) 4 20 28 p compact
## # ... with 224 more rows
```
---
## Ejemplo
```r
storms %>%
unite(date, year, month, day, sep = "-", remove = FALSE, na.rm = TRUE) %>%
select(date, year, month, day)
## # A tibble: 10,010 x 4
## date year month day
## <chr> <dbl> <dbl> <int>
## 1 1975-6-27 1975 6 27
## 2 1975-6-27 1975 6 27
## 3 1975-6-27 1975 6 27
## 4 1975-6-27 1975 6 27
## 5 1975-6-28 1975 6 28
## 6 1975-6-28 1975 6 28
## 7 1975-6-28 1975 6 28
## 8 1975-6-28 1975 6 28
## 9 1975-6-29 1975 6 29
## 10 1975-6-29 1975 6 29
## # ... with 10,000 more rows
```
---
## Missing values en R
- `NA` es una constante que representa valores que faltan (*missing values*)
- Puede estar contenida dentro de vectores (columnas) de cualquier tipo
- `is.na()` devuelve `TRUE` si el valor es `NA` y `FALSE` en caso contrario
- Muchas funciones de R tienen un parámetro opcional `na.rm` que ignora `NA`s
---
```r
airquality %>%
mutate(Ozone_NA = is.na(Ozone)) %>%
select(Ozone, Ozone_NA) %>%
slice(1:15)
## Ozone Ozone_NA
## 1 41 FALSE
## 2 36 FALSE
## 3 12 FALSE
## 4 18 FALSE
*## 5 NA TRUE
## 6 28 FALSE
## 7 23 FALSE
## 8 19 FALSE
## 9 8 FALSE
*## 10 NA TRUE
## 11 7 FALSE
## 12 16 FALSE
## 13 11 FALSE
## 14 14 FALSE
## 15 18 FALSE
```
```r
dia <-
diamonds %>%
mutate(y_new = ifelse(!between(y, 3, 20), NA, y))
dia %>%
summarize(y_na = sum(is.na(y_new)))
## # A tibble: 1 x 1
## y_na
## <int>
## 1 9
```
---
```r
dia %>%
filter(is.na(y_new)) %>%
select(y, y_new)
## # A tibble: 9 x 2
## y y_new
## <dbl> <dbl>
## 1 0 NA
## 2 0 NA
## 3 58.9 NA
## 4 0 NA
## 5 0 NA
## 6 0 NA
## 7 31.8 NA
## 8 0 NA
## 9 0 NA
```
.pull-left[
```r
dia %>%
summarize(avg = mean(y_new))
## # A tibble: 1 x 1
## avg
## <dbl>
## 1 NA
```
]
.pull-right[
```r
dia %>%
summarize(avg = mean(y_new,
* na.rm = TRUE))
## # A tibble: 1 x 1
## avg
## <dbl>
## 1 5.73
```
]
---
## Funciones para gestionar NA
tidyr también tiene otras funciones útiles para trabajar con `NA`s:
- `drop_na()`, elimina filas que tengan algún `NA`
- `fill()`, completa `NA`s con el valor anterior
- `replace_na()`, reemplaza `NA`s por un valor
---
## drop_na
```r
str(airquality)
*## 'data.frame': 153 obs. of 6 variables:
## $ Ozone : int 41 36 12 18 NA 28 23 19 8 NA ...
## $ Solar.R: int 190 118 149 313 NA NA 299 99 19 194 ...
## $ Wind : num 7.4 8 12.6 11.5 14.3 14.9 8.6 13.8 20.1 8.6 ...
## $ Temp : int 67 72 74 62 56 66 65 59 61 69 ...
## $ Month : int 5 5 5 5 5 5 5 5 5 5 ...
## $ Day : int 1 2 3 4 5 6 7 8 9 10 ...
```
```r
summary(airquality)
## Ozone Solar.R Wind Temp Month
## Min. : 1.00 Min. : 7.0 Min. : 1.700 Min. :56.00 Min. :5.000
## 1st Qu.: 18.00 1st Qu.:115.8 1st Qu.: 7.400 1st Qu.:72.00 1st Qu.:6.000
## Median : 31.50 Median :205.0 Median : 9.700 Median :79.00 Median :7.000
## Mean : 42.13 Mean :185.9 Mean : 9.958 Mean :77.88 Mean :6.993
## 3rd Qu.: 63.25 3rd Qu.:258.8 3rd Qu.:11.500 3rd Qu.:85.00 3rd Qu.:8.000
## Max. :168.00 Max. :334.0 Max. :20.700 Max. :97.00 Max. :9.000
*## NA's :37 NA's :7
## Day
## Min. : 1.0
## 1st Qu.: 8.0
## Median :16.0
## Mean :15.8
## 3rd Qu.:23.0
## Max. :31.0
##
```
---
```r
airquality %>%
drop_na() %>%
str()
*## 'data.frame': 111 obs. of 6 variables:
## $ Ozone : int 41 36 12 18 23 19 8 16 11 14 ...
## $ Solar.R: int 190 118 149 313 299 99 19 256 290 274 ...
## $ Wind : num 7.4 8 12.6 11.5 8.6 13.8 20.1 9.7 9.2 10.9 ...
## $ Temp : int 67 72 74 62 65 59 61 69 66 68 ...
## $ Month : int 5 5 5 5 5 5 5 5 5 5 ...
## $ Day : int 1 2 3 4 7 8 9 12 13 14 ...
```
```r
filter(airquality, is.na(Ozone), is.na(Solar.R))
## Ozone Solar.R Wind Temp Month Day
## 1 NA NA 14.3 56 5 5
## 2 NA NA 8.0 57 5 27
```
```r
airquality %>%
drop_na(Ozone) %>%
str()
*## 'data.frame': 116 obs. of 6 variables:
## $ Ozone : int 41 36 12 18 28 23 19 8 7 16 ...
## $ Solar.R: int 190 118 149 313 NA 299 99 19 NA 256 ...
## $ Wind : num 7.4 8 12.6 11.5 14.9 8.6 13.8 20.1 6.9 9.7 ...
## $ Temp : int 67 72 74 62 66 65 59 61 74 69 ...
## $ Month : int 5 5 5 5 5 5 5 5 5 5 ...
## $ Day : int 1 2 3 4 6 7 8 9 11 12 ...
```
---
## fill
.pull-left[
```r
airquality %>%
# no fill
slice(c(1:10, 50:59)) %>%
select(-c(Temp, Wind))
## Ozone Solar.R Month Day
## 1 41 190 5 1
## 2 36 118 5 2
## 3 12 149 5 3
## 4 18 313 5 4
*## 5 NA NA 5 5
## 6 28 NA 5 6
## 7 23 299 5 7
## 8 19 99 5 8