Modelos Lineales y Fundamentos de Programación
R es un lenguaje orientado a objetos: cada comando crea un objeto que debe ser “nombrado” para que permanezca en la memoria utilizando una <- y su nombre debe ser “invocado” para que aparezca en pantalla. A pesar de ser un lenguaje de programación, R es comparativamente simple e intuitivo.
| objeto | descripción |
|---|---|
| data.frame | Objeto que contiene datos. Habitualmente se crea al importar datos externos, aunque pueden ser creados dentro del mismo R. Consiste en una serie de variables (vectors) de igual longitud y que pueden ser del mismo tipo o no. |
| vectors | Colección de datos del mismo tipo (números, letras, etc.) que puede ser creado dentro de R o importado como una columna de un data.frame. Existen muchos tipos de vectores, entre ellos: numeric consiste de números reales; integer consiste de números enteros; character contiene letras, nombres, etc. (notar que cada elemento se encuentra entre comillas, por ej. “A1”); factor sirve para representar variables categóricas, porta información sobre los niveles del factor (levels) y sobre si estos niveles siguen un orden o no. |
| matrix | Matriz formada por la unión de vectores de un mismo tipo y largo, por un solo vector que es partido en columnas y filas o (más habitualmente) producto de ciertas funciones, por ejemplo cor, que construye matrices de correlación. |
| list | Objeto que compuesto de objetos de distinto tipo y largo. |
# El símbolo # desactiva el espacio a su derecha.
# Es útil para poner aclaraciones en nuestras rutinas.
# El comando más básico: Asignar crea objetos.
n <- 15
n #escribir el nombre de un objeto es "invocarlo"
# al usar de nuevo el mismo nombre el objeto anterior se pierde ("pisar")
n <- 46 + 12
n
# los caracteres categóricos necesitan ser ingresados con comillas
di <- "A"
di
# Obtener ayudas, el símbolo ?
# si tenemos dudas sobre el funcionamiento de una función
? mean
? lm
# Si desconocemos el nombre de una función para realizar determinada
# tarea, puede realizarse una búsqueda con ?? (en los paquetes activos)
?? "linear models"
# crear vectores. La función concatenar c
vector <- c(1, 2, 3, 4)
vector <- c(1:4)
vector <- c("a", "b", "c", "d")
vector <- c("1", "a", "2", "b")
Las funciones de esta sección son las más sencillas de R. Como regla general las funciones siempre deben escribirse acompañadas de paréntesis, que contienen los elementos sobre los cuales la función actuará. Si no se colocan los paréntesis el programa mostrará el código mismo de la función.
### vectores ###
# Ya vimos c concatenar
vec <- c(1, 4, 6, 3, 7)
vec
# vectores de repetición. rep(lo_que_queremos_repetir, cuantas veces)
# esta función tiene dos argumentos, separados por una coma
xx <- rep("A", 50)
xx
# secuencias seq()
seq1 <- c(1:50) # el símbolo : indica desde:hasta
seq1
seq2 <- seq(50) # estructura: desde uno hasta (...)
seq2
seq3 <- seq(8,50) # estructura: (desde..., hasta...)
seq3
seq4 <- seq(from = 0, to = 0.99, by = 0.01) # argumentos explícitos
seq4
seq5 <- seq(0, 0.99, 0.01) # argumentos implícitos
seq5
seq6 <- seq(5, 10, length.out=20)
seq6
# combinando vectores de a pares: cbind y rbind
az <- cbind(seq1, xx)
az
za <- rbind(c(1:25), rnorm(25))
za
# construyendo una matriz: matrix()
m <- c(1:20)
matriz1 <- matrix(m, 4, 5) # (vector a usar, filas, columnas)
matriz1
# notar que es exactamente igual a
matriz2 <- matrix(c(1:20), 4, 5)
matriz2
Los datos pueden prepararse con cualquier software para planillas de datos como Excel o LibreOffice Calc. Se recomienda:
Una vez lista la planilla se recomienda guardarla en formato .txt o .csv (si bien R admite otros formatos). Pueden guardarse en cualquier carpeta del equipo. Si utilizamos R Studio y guardamos los sets de datos en la misma carpeta que la rutina, el programa determinará esa carpeta como el directorio de trabajo de forma automática, por lo que no es necesario escribir la ruta completa al archivo. También puede evitarse escribir la ruta si al abrir R seleccionamos la carpeta que donde los archivos están guardados con la opción Session - Set Working Directory, o usando la función setwd (para examinar cual es la carpeta en uso, utilizar getwd). Esta opción es muy útil si vamos a abrir varios archivos de datos guardados en el mismo directorio. Finalmente, puede abrirse una ventana de búsqueda para seleccionar el archivo con la opción file.choose().
# la función read.table
# opción 1 con ruta completa (notar orientación de las barras /)
# en este caso asumimos que se encuentra en el directorio RD
datos <- read.table("C:/RD/peces1.txt", header=TRUE)
# opción 2 seleccionando el directorio en uso previamente desde "Archivo"
# o con setwd
setwd("C:/RD/")
datos <- read.table("peces1.txt", header=TRUE)
# opción 3 Abre una ventana de búsqueda
# desventaja: requiere que el humano piense!
datos <- read.table(file.choose(), header=TRUE)
# opción 4 la función read.csv
datos <- read.csv("C:/RD/peces1.csv", header=TRUE)
# los datos ya están guardados, pero si queremos verlos...
datos # no siempre es buena idea, sobre todo si son muchos
# una forma práctica de ver solo las primeras filas es con head
head(datos)
# o echar un vistazo a la estructura de los datos
# str informa sobre la estructura de cualquier objeto
str(datos)
# Información básica del set de datos
nrow(datos) #Número de filas
ncol(datos) #Número de columnas
names(datos) #Nombre de las columnas
Estas operaciones se realizan para extraer de un objeto la parte que nos interesa, por ejemplo una columna con una variable de un marco de datos.
No usar attach(), esta función aumenta las probabilidades de confundirse e introducir errores.
# Para seleccionar una columna del marco de datos utilizamos $
datos$grupo
# los corchetes indican el contenido de un conjunto de datos,
# matriz o vector. La coma separa filas de columnas
#columnas
datos[, 1]
datos[, "grupo"]
# grupos de columnas
datos[, 1:3]
datos[, c("grupo", "largo.a")]
names <- c("grupo", "largo.b")
datos[, names]
# filas y datos individuales
datos[2, ]
datos[2, 3]
datos[-2, 2]
# indexando por una condición
datos[datos$largo.a > 15, ]
datos[datos$largo.a > 15 & datos$grupo == "A", ]
# Indexación de vectores
vec <- datos$largo.a
vec[1]
vec[-1]
vec[vec > 15]
# omitir todos los NA de una base de datos
datos2 <- na.omit(datos)
datos2
# La mayoría de las funciones cuentan con dos modos alternativos de
# escribirse. En el modo "fórmula" existe un argumento "data" que evita
# indexar los nombres de las columnas usadas.
plot(datos$largo.a, datos$largo.b) #modo por default: plot(x,y)
plot(largo.b ~ largo.a, data = datos) #modo fórmula: plot(y~x, data)
# reemplazo (al usar el mismo nombre) una variable numérica por un factor
datos$trat
datos$trat <- as.factor(datos$trat)
datos$trat # notar la lista de niveles del factor
# crear una nueva columna en una base de datos ya existentes
datos$pob <- c(rep("pob1", 15), rep("pob2", 15))
datos$pob <- as.factor(datos$pob)
datos$log.largo.a <- log(datos$largo.a)
head(datos)
# crear una nueva columna uniendo clasificadores
datos$clave <- paste(datos$pob, datos$trat, sep = ".")
head(datos)
# Usando factor para arreglos más complicados
datos$pais <- factor(datos$pob, levels = c("pob2", "pob1"),
labels = c("Bolivia", "Chile"))
head(datos)
# Subdivisión de un conjunto de datos
# Símbolos lógicos:
# == (igual)
# != (distinto),
# > (mayor),
# < (menor)
# >= (mayor o igual),
# <= (menor o igual).
dat1 <- subset(datos, datos$grupo == "A")
dat1
dat2 <- subset(datos, datos$grupo == "A" & datos$trat == 2)
dat2
# Crear una lista de bases de datos
ldat <- split(datos, f = datos$grupo)
ldat
ldat[["B"]] # indexacion especial
class(xx)
length(seq1)
dim(matriz1)
max(datos$largo.a)
which.max(datos$largo.a)
min(datos$largo.a)
which.min(datos$largo.a)
Se detallan abajo algunas como la media, varianza, desvío estándar, etc. En general si cualquiera de ellas se aplica sobre datos que contienen NA el resultado será NA también, por lo cual hay indicarle a la función que los elimine. Una alternativa es eliminar previamente todas las filas con datos faltantes usando la función na.omit.
# media
M <- mean(datos$largo.a, na.rm = TRUE)
M
# desvío estándar
S <- sd(datos$largo.a, na.rm = TRUE)
S
# varianza
V <- var(datos$largo.a, na.rm = TRUE)
V
# sobre un conjunto de datos, se obtiene una matriz de varianza-covarianza
VC <- var(datos[,c(3,4)], na.rm = TRUE)
VC
# de forma parecida, puede obtenerse una matriz de correlación
CO <- cor(datos[, c(3, 4)], use="complete.obs") #complete.obs elimina NA
CO
# en cambio, para realizar un test de correlación
cor.test(datos$largo.a, datos$largo.b, method = "pearson")
# resumen de datos
summary(datos)
# una función útil para aplicar una función a un subconjunto de los datos
# es aggregate, con una estructura ligeramente más complicada
MG<-aggregate(datos$largo.a, by=list(datos$grupo), FUN=mean, na.rm=TRUE)
MG
En RStudio las dos ventanas principales contienen la rutina (con el archivo sobre el cual estamos trabajando) y la consola de R. SIEMPRE trabajar sobre el archivo, no sobre la consola.
El símbolo > en la consola indica que R está listo para recibir una orden. En caso de que aparezca + en su lugar, indica que no se ha completado una orden (la razón más común es no haber cerrado un paréntesis). Una manera de solucionarlo es colocarse en la consola y presionar Esc.
Para cálculos muy complejos, la consola puede quedar inutilizada por un tiempo. En ese caso veremos que el símbolo > no aparece. Puede detenerse un cálculo con STOP.
QUÉ SIGUE: Manipular bases de datos es un campo en desarrollo. El paquete dplyr de Hadley Wickham es altamente recomendable (https://cran.r-project.org/web/packages/dplyr/). Para una excelente introducción a dplyr consultar http://www.dataschool.io/dplyr-tutorial-part-2/ .