4 ¿Qué es R Base?

R base se refiere al conjunto fundamental de funciones y paquetes que se instalan con R. Este núcleo incluye funciones para manipulación básica de datos, operaciones aritméticas, funciones estadísticas básicas, y gráficos simples. R base proporciona las herramientas necesarias para comenzar con el análisis de datos, y su funcionalidad puede ser ampliada mediante la instalación de paquetes adicionales desde CRAN (Comprehensive R Archive Network).

4.1 Características de R Base

Manipulación de Datos: Funciones para manejar estructuras de datos como vectores, matrices, listas y data frames. Estadísticas Básicas: Funciones para cálculos estadísticos como media, mediana, varianza, y desviación estándar. Gráficos: Herramientas para crear gráficos básicos como histogramas, diagramas de dispersión, y gráficos de líneas. Programación: Funciones de control de flujo, bucles, y la capacidad de definir funciones personalizadas.

4.2 Ejemplo R base

# Crear un vector numérico
numeros <- c(1, 2, 3, 4, 5)

# Calcular la media del vector
media_numeros <- mean(numeros)

# Crear un gráfico de dispersión
plot(numeros, main="Gráfico de Dispersión",
     xlab="Índice", ylab="Valor")

4.3 Manipulaciones de tablas con R base

# Crear un data.frame o tabla

df <- data.frame(
  nombre = c("Ana", "Luis", "Marta", "Juan"),
  edad = c(23, 35, 29, 40),
  salario = c(50000, 60000, 70000, 80000)
)

# Crear un data frame
tabla1 <- data.frame(dia = c("Lunes", "Martes", "Miercoles", "Jueves"),
           obs = c( 10, 11, "hola", 22))

tabla1

        dia  obs
1     Lunes   10
2    Martes   11
3 Miercoles hola
4    Jueves   22

Algo importante a tener en cuenta es que para construir un data.frame o tabla es necesario tener vectores de una longitud similar. Los vectores pueden tener distintos elementos como ´numeric´o ´character´ sin embargo, se aplicarán las reglas de coerción.

# Para ver una columna específica de una tabla podemos utilizar el operador ´$´

class(tabla1$dia)

[1] "character"

class(tabla1$obs)

[1] "character"

# En este caso utilizamos un función de la familia ´as.´ para convertir el vector en numeric. Dado que el vector tiene numero y un palabra ´´hola´
#esta palabra se convierte en NA pues no se puede transformar a numeric.
class(as.numeric(tabla1$obs))

Warning: NAs introducidos por coerción

[1] "numeric"

# Convertir numerico obs
tabla1$obs <- as.numeric(tabla1$obs)

Warning: NAs introducidos por coerción

# Revisamos la clase de la columna del objeto.
class(tabla1$obs)

[1] "numeric"

#Promedio 
mean(tabla1$obs, na.rm = TRUE)

[1] 14.33333

4.3.1 Manipulación de tablas con paquete ´dplyr´

# Cargamos la libreria ´dplyr´ y ´clipr´

library(dplyr)


Adjuntando el paquete: 'dplyr'

The following objects are masked from 'package:stats':

    filter, lag

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

library(clipr)

Welcome to clipr. See ?write_clip for advisories on writing to the clipboard in R.

# Operador ´pipe´ tiene uso en "Rbase" y en "tidyverse" con el paquete magrittr

#rbase    # magrittr
#  |>     # %>%

# Creamos un nuevo objeto utilizando la pipe
objeto1 <- tabla1 |> # acá asignamos un nuevo objeto "objeto1", desde "tabla1"
dplyr::filter(!is.na(obs)) |>  # se realiza un filtro para quitar "NA" en col "obs"
dplyr::summarise(# Se realiza resumen con medidas
                promedio = mean(obs, na.rm = TRUE), # promedio
                mediana = median(obs, na.rm = TRUE), # mediana
                numero   = n()) |> #conteo
dplyr::rename(Media = promedio) # se renombra la columna promedio como "Media"

# También es posible utilizar pipe en rbase, pero solo la del estilo " |> "
objeto1$Media |> class()

[1] "numeric"

# Con clipr se puede copiar el objeto rapidamente para pegar en excel y otro
# clipr::write_clip(objeto1)

# Con esta función se puede conocer el directorio de trabajo actual
getwd()

[1] "C:/Users/rgalv/Nextcloud/2024/EscuelaDeDatos/PrimeroPasosEnR"

4.4 Guardar o exportar una tabla o data.frame

Es posible guardar un objeto de R en diversos formatos. En el caso de que sean objetos como tablas de datos o bases de datos, que no se trabajarán otro lenguaje, puede ser recomendable almacenarlos en formato ´.rds´ que es el nativo de R y permite mejor velocidad de lectura y escritura, además menos tamaño en disco.

También es posible guardar los archivos en formato ´.csv´ u otros. Generalmente esto se puede hacer con las funciones ´write.´ o ´save´

# Guardar RDS
saveRDS(objeto1, "objeto1.rds")

# Guardar objeto1 como un csv
write.csv2(x = objeto1,  # corresponde al objeto a exportar 
          file = "objeto1.csv", # define el nombre que tendrá el archivo exportado 
          dec = ",", # define que para decimales se utilice ´,´
          sep = ";", # define que el separador sea ´;´
          row.names = FALSE)

Warning in write.csv2(x = objeto1, file = "objeto1.csv", dec = ",", sep = ";",
: attempt to set 'sep' ignored

Warning in write.csv2(x = objeto1, file = "objeto1.csv", dec = ",", sep = ";",
: attempt to set 'dec' ignored

4.4.0.1 Manipulación Rbase

Para los siguientes ejercicios se utilizará el paquete ´cars´ que viene incorporado en R.

# Manipular datos
class(cars$dist)

[1] "numeric"

# Filtro
cars$speed[cars$speed > 10 & cars$dist > 20]

 [1] 11 12 12 13 13 13 13 14 14 14 14 15 15 16 16 17 17 17 18 18 18 18 19 19 19
[26] 20 20 20 20 20 22 23 24 24 24 24 25

# Crea nuevo objeto a partir de filtro
cars2 <- cars[1:15, 1:2]

# Los valores mayores a 10 de la columna speed se reemplazan con ´NA´
cars2$speed[cars2$speed>10] <- NA

# Para trabajar con esta sintaxis es importante considerar que
# en el interior de los corchetes se sigue el orden [filas, columnas]
# objeto[f,c]

# El dato que está en la tercera fila, de la segunda columna
cars[3,2]

[1] 4

# Filtro de rango de los datos que están entre las filas 1 a la 4 y columnas 1 y 2
cars[1:4, 1:2]

  speed dist
1     4    2
2     4   10
3     7    4
4     7   22

# Usando vector
cars[c(1,4), c(1,2)]

  speed dist
1     4    2
4     7   22

# Para crear una tabla de contingencia se puede utilizar la función ´table()´
table(cars2$speed)


 4  7  8  9 10 
 2  2  1  1  3

prop.table(table(iris$Species))


    setosa versicolor  virginica 
 0.3333333  0.3333333  0.3333333

table(iris$Species, iris$Petal.Length)

            
              1 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.9  3 3.3 3.5 3.6 3.7 3.8 3.9  4
  setosa      1   1   2   7  13  13   7   4   2  0   0   0   0   0   0   0  0
  versicolor  0   0   0   0   0   0   0   0   0  1   2   2   1   1   1   3  5
  virginica   0   0   0   0   0   0   0   0   0  0   0   0   0   0   0   0  0
            
             4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9  5 5.1 5.2 5.3 5.4 5.5 5.6 5.7
  setosa       0   0   0   0   0   0   0   0   0  0   0   0   0   0   0   0   0
  versicolor   3   4   2   4   7   3   5   2   2  1   1   0   0   0   0   0   0
  virginica    0   0   0   0   1   0   0   2   3  3   7   2   2   2   3   6   3
            
             5.8 5.9  6 6.1 6.3 6.4 6.6 6.7 6.9
  setosa       0   0  0   0   0   0   0   0   0
  versicolor   0   0  0   0   0   0   0   0   0
  virginica    3   2  2   3   1   1   1   2   1

4.5 Ciclo for

Un bucle for en R permite ejecutar repetidamente un bloque de código un número específico de veces.

4.5.1 Estructura básica del bucle for

La estructura básica del cilo for se describe de la siguiente forma: for (variable in secuencia){ operaciones }

# for (variable in secuencia) {
#       Código a ejecutar
# }

Variable: Es una variable que toma los valores de cada elemento en la secuencia.
Secuencia: Es un vector que contiene los valores que la variable tomará sucesivamente.
Código a ejecutar: Es el bloque de código que se ejecutará en cada iteración del bucle.

Ejemplo 1: Iteración en una secuencia

for (i in 1:5) {
  print(i)
}

[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

En este caso, i tomará cada valor en la secuencia 1, 2, 3, 4, 5, y print(i) se ejecutará en cada iteración, imprimiendo cada número.

Ejemplo 2: Iteración en un vector

# Crea un vector numérico
numeros <- c(2, 4, 6, 8, 10)
# Realiza el bucle para imprimir los valores del vector
for (num in numeros) {
  print(num)
}

[1] 2
[1] 4
[1] 6
[1] 8
[1] 10

Ejemplo 3: Operaciones dentro del bucle

numeros <- c(1, 2, 3, 4, 5)
for (num in numeros) {
  cuadrado <- num^2 # Operación
  print(paste("El cuadrado de", num, "es", cuadrado)) 
}

[1] "El cuadrado de 1 es 1"
[1] "El cuadrado de 2 es 4"
[1] "El cuadrado de 3 es 9"
[1] "El cuadrado de 4 es 16"
[1] "El cuadrado de 5 es 25"

Ejemplo 4: Bucles anidados

for (i in 1:5) {
  for (j in 1:5) {
    resultado <- i * j
    print(paste(i, "x", j, "=", resultado))
  }
}

[1] "1 x 1 = 1"
[1] "1 x 2 = 2"
[1] "1 x 3 = 3"
[1] "1 x 4 = 4"
[1] "1 x 5 = 5"
[1] "2 x 1 = 2"
[1] "2 x 2 = 4"
[1] "2 x 3 = 6"
[1] "2 x 4 = 8"
[1] "2 x 5 = 10"
[1] "3 x 1 = 3"
[1] "3 x 2 = 6"
[1] "3 x 3 = 9"
[1] "3 x 4 = 12"
[1] "3 x 5 = 15"
[1] "4 x 1 = 4"
[1] "4 x 2 = 8"
[1] "4 x 3 = 12"
[1] "4 x 4 = 16"
[1] "4 x 5 = 20"
[1] "5 x 1 = 5"
[1] "5 x 2 = 10"
[1] "5 x 3 = 15"
[1] "5 x 4 = 20"
[1] "5 x 5 = 25"

En este caso, el bucle interno recorre los valores del 1 al 5 para cada valor del bucle externo, generando una tabla de multiplicar.

4.6 Sintaxis básica de una función en R

Las funciones en R son fundamentales para estructurar el código y hacerlo reutilizable. Utilizar paquetes como purrr y kableExtra nos permite ampliar las capacidades de R para manejar listas y generar tablas con estilo, respectivamente. Al seguir una estructura clara y consistente, podemos desarrollar código R eficiente y fácil de mantener.

Para definir una función en R, Se utiliza la palabra clave function. Aquí tienes la estructura básica:

nombre_de_la_funcion <- function(argumento1, argumento2, ...) {
  # Cuerpo de la función
  # Código a ejecutar
  resultado <- argumento1 + argumento2
  return(resultado)
}

Ejemplo: Crear una función para sumar dos números

suma <- function(a, b) {
  resultado <- a + b
  return(resultado)
}

# Usar la función
suma(3, 5) # Devuelve 8

[1] 8

4.6.1 Funciones con valores predeterminados

Se pueden establecer valores predeterminados para los argumentos de una función:

suma <- function(a = 1, b = 1) {
  resultado <- a + b
  return(resultado)
}

# Usar la función con valores predeterminados
suma() # Devuelve 2

[1] 2

4.6.2 Funciones dentro de funciones

En R, también se puede definir funciones dentro de otras funciones:

operacion <- function(a, b) {
  suma <- function(x, y) {
    return(x + y)
  }
  producto <- function(x, y) {
    return(x * y)
  }
  resultado_suma <- suma(a, b)
  resultado_producto <- producto(a, b)
  return(list(suma = resultado_suma, producto = resultado_producto))
}

# Usar la función
operacion(3, 5) # Devuelve una lista con la suma y el producto

$suma
[1] 8

$producto
[1] 15

4.6.3 Funciones anónimas

Las funciones anónimas (también conocidas como funciones lambda) son útiles para operaciones rápidas y se utilizan a menudo con funciones de orden superior como apply, lapply, sapply, entre otras.

# Usar una función anónima para elevar al cuadrado los elementos de un vector
vector <- c(1, 2, 3, 4)
resultado <- sapply(vector, function(x) x^2)
print(resultado) # Devuelve c(1, 4, 9, 16)

[1]  1  4  9 16

4.6.4 Ejemplo avanzado con purrr

El paquete purrr de tidyverse proporciona una forma funcional de trabajar con listas y vectores. Aquí hay un ejemplo de cómo usar una función personalizada con map:

library(purrr)

# Definir una función para multiplicar por 2
multiplicar_por_dos <- function(x) {
  return(x * 2)
}

# Usar map para aplicar la función a cada elemento de una lista
lista <- list(1, 2, 3, 4)
resultado <- map(lista, multiplicar_por_dos)
print(resultado) # Devuelve una lista con elementos multiplicados por 2

[[1]]
[1] 2

[[2]]
[1] 4

[[3]]
[1] 6

[[4]]
[1] 8