3  Manipulación de datos

Para manipular datos en R, se puede optar por el paquete base o utilizar paquetes adicionales que requieren instalación. Uno de los más populares y versátiles es dplyr. Por ello, a continuación se presentan dos alternativas para realizar manipulaciones de datos según las necesidades: el paquete base de R y dplyr, el cual se instala mediante el comando install.packages("dplyr").

Es importante mencionar que, aunque aquí se muestran dos enfoques, R ofrece múltiples maneras de obtener el mismo resultado. Por lo tanto, estas no son las únicas opciones disponibles. Antes de comenzar, se recomienda disponer de la tabla de datos almacenada como un data frame o un objeto tibble. A continuación, se describen algunas de las tareas más comunes y cómo llevarlas a cabo.

library(readr)
Base_prueba_aspirantes <- read_csv(file="datos/Base_prueba_aspirantes.txt")
class(Base_prueba_aspirantes)

[1] "spec_tbl_df" "tbl_df"      "tbl"         "data.frame" 

3.1 Identificar tamaños

Para esto se emplean los comandos length() y dim() dependiendo el tipo de objeto. El resultado es un vector cuyo primer componente indica número de filas, el segundo número de columnas, y así sucesivamente para más dimensiones.

# En vectores y listas
vector <- c(1, 2, 3, 4)
length(vector)

[1] 4

lista <- list(nombre = "Juan", edad = 25, notas = c(8, 9, 10))
length(lista)

[1] 3

# En matrices, arreglos y data frames
matriz <- matrix(1:8, nrow = 2, ncol = 4)
dim(matriz)

[1] 2 4

arreglo <- array(1:8, dim = c(2, 2, 2))
dim(arreglo)

[1] 2 2 2

dim(Base_prueba_aspirantes)

[1] 5000   59

3.2 Seleccionar columnas

Para mostrar los nombres de todas las columnas del data frame se emplea el comando names(Base_prueba_aspirantes). La selección se realiza simplemente indicando el nombre de las columnas o los números correspondientes a los índices en el orden deseado.

Base_select <- Base_prueba_aspirantes[,c("ID","YEAR","SEMESTRE","SEXO","FACULTAD","PTOTAL")] # base
Base_select <- Base_prueba_aspirantes[,c(1,3,4,22,38,34)] # base

library(dplyr) # solo es necesario la primera vez
Base_select <- Base_prueba_aspirantes %>% select(ID,YEAR,SEMESTRE,SEXO,FACULTAD,PTOTAL) # dplyr
Base_select <- Base_prueba_aspirantes %>% select(1,3,4,22,38,34) # dplyr
datatable(Base_select)

A continuación se presenta cómo seleccionar columnas que cumplen con ciertas características especificadas mediante el paquete tidyselect, y en algunos casos con el paquete base de R.

• starts_with(): Permite seleccionar columnas cuyos nombres comienzan con un prefijo específico. Por ejemplo, starts_with(“col”) selecciona todas las columnas cuyo nombre comienza con “col”.

Base_prueba_aspirantes %>% select(starts_with("COD")) %>% datatable()

# con el paquete base:
# Base_prueba_aspirantes[ , grep("^COD", names(Base_prueba_aspirantes))]

• ends_with(): Similar a starts_with(), pero selecciona columnas cuyos nombres terminan con un sufijo dado. Por ejemplo, ends_with(“age”) selecciona columnas cuyo nombre termina con “age”.

Base_prueba_aspirantes %>% select(ends_with("RES")) %>% datatable()

# con el paquete base:
# Base_prueba_aspirantes[ , grep("RES$", names(Base_prueba_aspirantes))]

• contains(): Selecciona columnas cuyos nombres contienen una subcadena específica. Por ejemplo, contains(“year”) selecciona todas las columnas cuyo nombre contiene la palabra “year”.

Base_prueba_aspirantes %>% select(contains("DEP")) %>% datatable()

# con el paquete base:
# Base_prueba_aspirantes[ , grep("DEP", names(Base_prueba_aspirantes))]

• matches(): Selecciona columnas cuyos nombres coinciden con una expresión regular. Es útil para patrones más complejos. Por ejemplo, matches(“^X[0-9]+$”) selecciona todas las columnas que comienzan con “X” seguidas de números.

• everything(): Selecciona todas las columnas en el data frame. Puede usarse en combinación con otros selectores para reordenar las columnas. Por ejemplo, select(df, starts_with(“col”), everything()) selecciona las columnas que comienzan con “col” y luego todas las demás.

• num_range(): Selecciona columnas con nombres que siguen un patrón numérico. Es útil para columnas que se nombran con un prefijo seguido de números. Por ejemplo, num_range(“X”, 1:5) selecciona X1, X2, X3, X4, y X5.

• one_of(): Permite seleccionar columnas cuyos nombres están en un vector. Por ejemplo, one_of(c(“col1”, “col2”)) selecciona las columnas “col1” y “col2”.

• all_of(): Similar a one_of(), pero asegura que todas las columnas especificadas estén presentes. Si alguna columna no existe, genera un error.

• any_of(): Similar a one_of(), pero no genera un error si alguna de las columnas no existe. Selecciona las columnas que están en el vector, si existen.

• drop(): Permite excluir ciertas columnas de la selección. Por ejemplo, select(df, -drop(col1)) elimina la columna col1 del data frame. Análogamente, con el paquete base de R: Base_prueba_aspirantes[ , !names(df) %in% "col1"].

3.3 Renombrar columnas

colnames(Base_select)[colnames(Base_select) == "YEAR"] <- "ANNO" # base

Base_select <- Base_select %>% rename(ANNO = YEAR) #dplyr
datatable(Base_select)

3.4 Ordenar columnas

Existen diversas maneras de ordenar las columnas, a continuación se presentan las más usadas.

# Poner una columna al principio
Base_ordenada <- Base_select[, c("SEXO", setdiff(names(Base_select), "SEXO"))] # base
Base_ordenada <- Base_select %>% relocate(SEXO) # dplyr
datatable(Base_ordenada)

# Poner una columna antes que otra
Base_ordenada <- Base_select %>% relocate(SEXO, .before = SEMESTRE) # dplyr
datatable(Base_ordenada)

# Poner una columna despues de otra
Base_ordenada <- Base_select %>% relocate(SEXO, .after = FACULTAD) # dplyr
datatable(Base_ordenada)

# Poner una columna al final
Base_ordenada <- Base_select[, c(setdiff(names(Base_select), "ID"), "ID")] # base
Base_ordenada <- Base_select %>% relocate(ID, .after = last_col()) # dplyr
datatable(Base_ordenada)

# Poner las columnas tipo numerico despues de las columnas tipo caracter
Base_ordenada <- Base_select[, order(sapply(Base_select, is.numeric))] # base
# order ordena los índices basándose en el vector lógico que devuelve sapply, colocando FALSE (carácter) antes que TRUE (numérico).
Base_ordenada <- Base_select %>% relocate(where(is.numeric), .after = where(is.character)) # dplyr
datatable(Base_ordenada)

# Especificar un nuevo orden
Base_ordenada <- Base_select[,c("ID","FACULTAD","ANNO","SEMESTRE","SEXO","PTOTAL","FACULTAD")] # base
Base_ordenada <- Base_select %>% select(ID,FACULTAD,ANNO,SEMESTRE,SEXO,PTOTAL,FACULTAD) # dplyr
datatable(Base_ordenada)

3.5 Definir nuevas columnas a partir de otras

Por ejemplo, suponiendo que se desea construir la variable PERIODO a partir del año y el semestre. En este caso, se concatenan para formar una variable de tipo caracter por lo tanto se emplea la función paste().

Base_select$PERIODO <- paste(Base_select$ANNO,"-",Base_select$SEMESTRE) # base
Base_select <- Base_select %>% mutate(PERIODO = paste(ANNO,"-",SEMESTRE)) # dplyr
datatable(Base_select)

También se pueden definir nuevas variables a partir de operaciones numéricas o lógicas. Por ejemplo, crear una variable con los puntajes estandarizados se hace de la siguiente manera.

Base_select$PTOTAL_ESTANDAR <- round((Base_select$PTOTAL - mean(Base_select$PTOTAL, na.rm = T)) / sd(Base_select$PTOTAL, na.rm = T),3) # base
# el argumento na.rm permite omitir NA y la función round() redondea al número de cifras decimales especificado
Base_select <- Base_select %>% mutate(PTOTAL_ESTANDAR = round((PTOTAL - mean(PTOTAL, na.rm = T)) / sd(PTOTAL, na.rm = T),3)) # dplyr
datatable(Base_select)

Y para crear una variable dummy que indique si el puntaje fue superior a 600:

Base_select$PTOTAL_ALTO <- ifelse(Base_select$PTOTAL > 600, 1, 0) # base
Base_select <- Base_select %>% mutate(PTOTAL_ATO = ifelse(PTOTAL > 600, 1, 0)) # dplyr
datatable(Base_select)

3.6 Filtrar filas

Las filas se pueden realizar filtros sobre una o múltiples variables, empleando operadores lógicos y relacionales.

# Filtrar filas con año mayor a 2021 y de sexo femenino
Base_filtrada <- Base_select[(Base_select$ANNO > 2021 & Base_select$SEXO == "Mujeres"), ] # base
Base_filtrada <- Base_select %>% filter(ANNO > 2021, SEXO == "Mujeres") # dplyr
datatable(Base_filtrada)

3.7 Ordenar filas

Las filas se pueden ordenar por una o múltiples variables. Cuando las variables son caracteres, se ordenan en orden alfabéticos y si son factores, deacuerdo a los niveles que se hayan definido.

# Ordenar por año en orden ascendente
Base_select <- Base_select[order(Base_select$ANNO, Base_select$SEMESTRE), ] # base
Base_select <- Base_select %>% arrange(ANNO, SEMESTRE) # dplyr
datatable(Base_select)

# Ordenar por año en orden descendente
Base_select <- Base_select[order(-Base_select$ANNO), ] # base
Base_select <- Base_select %>% arrange(desc(ANNO)) # dplyr
datatable(Base_select)

3.8 Agrupar filas

Las filas se pueden ordenar por una o múltiples variables y de esta manera aplicar funciones sobre los grupos formados, ya sea funciones de algún paquete o definidas por el usuario. La utilidad de agrupar filas se ve reflejada justamente al aplicar alguna función o transformación sobre los grupos formados.

Base_agrupada <- aggregate(PTOTAL ~ FACULTAD, data = Base_select, FUN = mean) # base
Base_agrupada <- Base_select %>% group_by(FACULTAD) %>% summarise(PROMEDIO = round(mean(PTOTAL, na.rm = TRUE),3)) # dplyr
datatable(Base_agrupada)

3.9 Resumir múltiples columnas

En ocasiones se desea calcular estadísticas de resumen por columna para tener una idea del compartamiento de los datos.

summary(Base_select) # base

       ID                 ANNO         SEMESTRE         SEXO          
 Min.   :2.100e+01   Min.   :2008   Min.   :1.000   Length:5000       
 1st Qu.:1.055e+04   1st Qu.:2012   1st Qu.:1.000   Class :character  
 Median :2.622e+04   Median :2016   Median :1.000   Mode  :character  
 Mean   :1.008e+08   Mean   :2016   Mean   :1.356                     
 3rd Qu.:4.576e+04   3rd Qu.:2019   3rd Qu.:2.000                     
 Max.   :1.234e+09   Max.   :2024   Max.   :2.000                     
                                                                      
   FACULTAD             PTOTAL         PERIODO          PTOTAL_ESTANDAR 
 Length:5000        Min.   :-27.13   Length:5000        Min.   :-2.575  
 Class :character   1st Qu.:397.34   Class :character   1st Qu.:-0.255  
 Mode  :character   Median :483.47   Mode  :character   Median : 0.216  
                    Mean   :444.01                      Mean   : 0.000  
                    3rd Qu.:554.88                      3rd Qu.: 0.606  
                    Max.   :929.63                      Max.   : 2.654  
                    NA's   :226                         NA's   :226     
  PTOTAL_ALTO       PTOTAL_ATO    
 Min.   :0.0000   Min.   :0.0000  
 1st Qu.:0.0000   1st Qu.:0.0000  
 Median :0.0000   Median :0.0000  
 Mean   :0.1408   Mean   :0.1408  
 3rd Qu.:0.0000   3rd Qu.:0.0000  
 Max.   :1.0000   Max.   :1.0000  
 NA's   :226      NA's   :226     

resumen <- Base_select %>% # dplyr
  select(PTOTAL) %>%
  summarise(across(where(is.numeric), list(
    Media = ~round(mean(.x, na.rm = TRUE),2),
    Mediana = ~round(median(.x, na.rm = TRUE),2),
    Min = ~round(min(.x, na.rm = TRUE),2),
    Max = ~round(max(.x, na.rm = TRUE),2),
    SD = ~round(sd(.x, na.rm = TRUE),2))))
datatable(resumen)

Algunas funciones útiles son:

Categoría	Funciones
Centralidad	mean(), median()
Dispersión	sd(), IQR(), mad()
Rango	min(), max()
Posición	first(), last(), nth()
Conteo	n(), n_distinct()
Lógico	any(), all()

3.10 Eliminar duplicados

Es útil cuando se dispone de una matriz de datos con filas repetidas y se desea conservar los casos únicos.

Base_unique <- unique(Base_select) # base
Base_unique <- Base_select %>% distinct() # dplyr
datatable(Base_unique)

3.11 Eliminar datos faltantes

Se pueden eliminar las filas que contengan datos faltantes en al menos una de las columnas o en alguna columna en particular.

# Eliminar las filas con al menos un NA
Base_sinNA <- Base_select[complete.cases(Base_select), ] # base
Base_sinNA <- Base_select %>% na.omit() # dplyr
datatable(Base_sinNA)

# Eliminar las filas con NA en una columna particular
Base_sinNA_PTOTAL <- Base_select[!is.na(Base_select$PTOTAL), ] # base
Base_sinNA_PTOTAL <- Base_select %>% filter(!is.na(PTOTAL)) # dplyr
datatable(Base_sinNA_PTOTAL)

3.12 Familia apply

La familia apply en R es un conjunto de funciones que permiten realizar operaciones eficientes sobre estructuras de datos como vectores, matrices, listas y data frames, evitando el uso de bucles explícitos. Estas funciones son ideales para aplicar operaciones de manera vectorizada y mejorar el rendimiento del código.

Función	Entrada	Salida	Uso Principal
apply	Matriz	Vector/Matriz	Operar sobre filas o columnas
lapply	Lista o vector	Lista	Operar sobre cada elemento
sapply	Lista o vector	Vector/Matriz	Similar a lapply pero simplificando
vapply	Lista o vector	Vector (tipo definido)	Versión segura de sapply
tapply	Vector y factores	Vector/Lista	Operar sobre grupos definidos por factores
mapply	Varias listas/vectores	Lista/Vector	Aplicar funciones de manera paralela

• apply

matriz <- matrix(1:9, nrow = 3)
apply(matriz, MARGIN = 1, FUN = sum) # Suma por filas

[1] 12 15 18

apply(matriz, MARGIN = 2, FUN = sum) # Suma por columnas

[1]  6 15 24

• lapply

lista <- list(a = 1:5, b = 6:10)
lapply(lista, mean) # Calcula la media de cada elemento

$a
[1] 3

$b
[1] 8

• sapply

lista <- list(a = 1:5, b = 6:10)
sapply(lista, sum) # Calcula la suma de cada elemento y devuelve un vector

 a  b 
15 40 

• vapply

lista <- list(a = 1:5, b = 6:10)
vapply(lista, sum, numeric(1)) # Calcula la suma de cada elemento con un tipo de salida definido

 a  b 
15 40 

• tapply

valores <- c(1, 2, 3, 4, 5, 6)
grupo <- factor(c("A", "B", "A", "B", "A", "B"))
tapply(valores, grupo, mean) # Calcula la media por grupo

A B 
3 4 

• mapply

mapply(sum, 1:5, 6:10) # Suma paralela de dos vectores

[1]  7  9 11 13 15

3.13 Transformar la estructrura de la tabla de datos

Es posible cambiar la estructura en la que se presenta la tabla de datos usando la función reshape del paquete base de R o las funciones pivot_wide y pivot_longer del paquete tidyr. La siguiente imagen ilustra el cambio y se muestra el ejemplo con la tabla longitudinal_data.

Tomado de: https://www.garrickadenbuie.com/project/tidyexplain/#spread-and-gather

library(tidyr)
# Convertir a formato ancho
formato_ancho <- reshape( # base
  longitudinal_data, # Datos
  timevar = "VISITA", # Columna a pivotar
  idvar = c("ID"),  # Columnas que identifican cada fila única
  direction = "wide") # Cambiar de largo a ancho
names(formato_ancho) <- gsub("GLUCOSA\\.", "VISITA ", names(formato_ancho)) # Nombres de las nuevas columnas

formato_ancho <- longitudinal_data %>% # tidyr
  pivot_wider(
    names_from = VISITA, # Columna a pivotar
    names_prefix = "VISITA ", # Prefijo para los nombres de las nuevas columnas
    values_from = GLUCOSA) # Columna que llenará los valores
datatable(formato_ancho)

# Convertir a formato largo
formato_largo <- formato_ancho %>% # tidyr
  pivot_longer(
    cols = starts_with("VISITA"),  # Columnas a pivotar
    names_to = "VISITA", # Nueva columna para los nombres
    values_to = "GLUCOSA") # Nueva columna para los valores
datatable(formato_largo)

3.14 Unir tablas de datos

Para ilustrar el funcionamiento, se crea una segunda tabla de datos llamada Base_facultades. Es importante tener en cuenta que para unir tablas es necesario tener una llave, es decir, una o varias variables (columnas) que permitan identificar cada fila sin ambiguedad de manera exclusiva presente en las tablas que se desean unir. En este caso, se empleara la variable FACULTAD.

Base_facultades <- data.frame(
  FACULTAD = c("Ingeniería", "Medicina", "Ciencias humanas", "Arquitectura","Administración"),
  CAMPUS = c("Central", "Norte", "Central", "Oeste", "Este"),
  DIRECTOR = c("Juan Pérez", "María Gómez", "Luis Torres", "Ana Ramírez","Oscar Jimenez"))
datatable(Base_facultades)

A continuación se presentan la 4 formas de unir tablas de datos usando el paquete base, y Las funciones left_join(), right_join(), inner_join() y full_join() del paquete dplyr.

• left_join(): mantiene todas las filas de la tabla izquierda (Base_select) y añade las columnas de la tabla de la derecha (Base_facultades) rellenando los campos correspondientes si hay datos, de lo contrario pone NA.

left_result <- merge(Base_select, Base_facultades, by = "FACULTAD", all.x = TRUE) # base
left_result <- left_join(Base_select, Base_facultades, by = "FACULTAD") # dplyr
datatable(left_result)

• right_join(): añade las columnas de la tabla de la derecha (Base_facultades) manteniendo las filas de la tabla izquierda (Base_select) que tiene información en dichas columnas.

right_result <- merge(Base_select, Base_facultades, by = "FACULTAD", all.y = TRUE) # base
right_result <- right_join(Base_select, Base_facultades, by = "FACULTAD") # dplyr
datatable(right_result)

• inner_join(): mantiene solo las filas con coincidencias en ambas tablas.

inner_result <- merge(Base_select, Base_facultades, by = "FACULTAD", all = FALSE) # base
inner_result <- inner_join(Base_select, Base_facultades, by = "FACULTAD") #dplyr
datatable(inner_result)

• full_join(): Une todas las filas de ambas tablas, llenando con NA donde no haya coincidencias.

full_result <- merge(Base_select, Base_facultades, by = "FACULTAD", all = TRUE) # base
full_result <- full_join(Base_select, Base_facultades, by = "FACULTAD") # dplyr
datatable(full_result)

3.15 Ejemplo usando dplyr

Una ventaja de este paquete, es que permite aplicar múltiples funciones usando el operador pipe %>%, lo cual reduce las líneas de código y simplifica la manipulación de las tablas de datos.

Supongamos que se quiere:

1. Filtrar a los estudiantes que tienen un puntaje total estándar (PTOTAL) mayor a 650.
2. Crear una nueva columna que categorice a los estudiantes como “Alto” o “Bajo” en función de su puntaje total.
3. Agrupar por facultad y calcular el promedio de PTOTAL por facultad, el número de aspirantes con puntaje “Alto” y el número total de aspirantes.
4. Ordenar los resultados por el promedio de PTOTAL en orden descendente.

library(dplyr)

# Filtrar, transformar y resumir la tabla
resultado <- Base_prueba_aspirantes %>%
  # 1. Filtrar estudiantes con PTOTAL > 650
  filter(PTOTAL > 650) %>%
  # 2. Crear una nueva columna categorizando según PTOTAL
  mutate(CATEGORIA = ifelse(PTOTAL > 750, "Alto", "Bajo")) %>%
  # 3. Agrupar por facultad y calcular valores deseados
  group_by(FACULTAD) %>%
  summarise(
    PROMEDIO_PTOTAL = round(mean(PTOTAL, na.rm = TRUE),2),
    PUNTAJE_ALTO = sum(CATEGORIA == "Alto"),
    NUMERO_ESTUDIANTES = n()
  ) %>%
  # 4. Ordenar por promedio de PTOTAL en orden descendente
  arrange(desc(PROMEDIO_PTOTAL))

datatable(resultado)