Cómo crear una matriz simétrica en R

Problema

Partimos de la siguiente matriz/data frame y deseamos crear una matriz simétrica.

Datos

  V1 V2 V3 V4 V5
1  0  2  3  4  5
2  0  0  6  8 10
3  0  0  0 12 15
4  0  0  0  0 20
5  0  0  0  0  0

df <- structure(list(V1 = c(0L, 0L, 0L, 0L, 0L), V2 = c(2L, 0L, 0L, 
0L, 0L), V3 = c(3L, 6L, 0L, 0L, 0L), V4 = c(4L, 8L, 12L, 0L, 
0L), V5 = c(5L, 10L, 15L, 20L, 0L)), .Names = c("V1", "V2", "V3", 
"V4", "V5"), class = "data.frame", row.names = c("1", "2", "3", 
"4", "5"))

Soluciones

• Sumando la matriz transpuesta

df + t(df)

• Función lower.tri.

df[lower.tri(df)] <- t(df)[lower.tri(df)]

  V1 V2 V3 V4 V5
1  0  2  3  4  5
2  2  0  6  8 10
3  3  6  0 12 15
4  4  8 12  0 20
5  5 10 15 20  0

Asignamos a la parte inferior de una matriz triangular superior, los valores de la parte superior. Con lower.tri obtenemos el triángulo inferior. Le asignamos la parte superior que transponemos previamente la matriz —t(df)—, por eso volvemos a usar lower.tri . Pues si usáramos upper.tri el resultado no sería una matriz simétrica.

df[lower.tri(df)] <- df[upper.tri(df)]

  V1 V2 V3 V4 V5
1  0  2  3  4  5
2  2  0  6  8 10
3  3  8  0 12 15
4  6 12 10  0 20
5  4  5 15 20  0

Entradas relacionadas

Referencias

• stackoverflow

Crear barras de datos usando el formato condicional en Excel

En Excel es muy sencillo crear un gráfico de barras usando el formato condicional, con barras dentro de las celdas.

Pasos

1. Seleccionamos el rango de celdas
2. En el grupo Estilos de la ficha Inicio, clic en Formato condicional y, a continuación, en Barras de datos.

3. Ajustamos el texto de las celdas si fuera necesario. En nuestro caso con el color de fuente blanco y aumentando la sangría a 2. Bien abriendo el cuadro de diálogo Formato de celdas haciendo clic en Ctrl+1.
   
   O bien en la pestaña Inicio, en los grupos correspondientes: Fuente y en el grupo Alineación, clic en Aumentar sangría.
   
4. Ordenamos el rango en orden descendente para ganar en claridad

Entradas relacionadas

• Gráficos dentro de las celdas en Excel
• Clasificar los valores de una tabla dinámica en Excel 2003/2007
• Resaltar filas alternas en Excel
• Formato condicional que diferencia ceros y celdas vacías

Cómo comparar dos data frames en R

Problema

Queremos comparar dos data frames en R y comprobar si tienen las mismas filas o no. También deseamos saber las filas que son iguales y diferentes.

Datos

   Date Time   pH
1  10/8  600 3.85
2  10/9  800 4.05
3 10/10 1300 3.95

   Date Time   pH
1  10/8  600 3.85
2 10/12  900 4.05
3 10/10 1300 3.95

df1 <- read.table(text="Date    Time    pH
                  1   10/8    600     3.85
                  2   10/9    800     4.05
                  3   10/10   1300    3.95", 
                  head=TRUE)

df2 <- read.table(text="Date    Time    pH
                  1    10/8    600     3.85
                  2    10/12   900     4.05
                  3    10/10   1300    3.95", 
                  head=TRUE)

Soluciones

Si solamente deseamos saber si dos data frames son o no iguales, es tan sencillo como:

identical(df1, df2)

[1] FALSE

Para comparar fila a fila, disponemos de varias alternativas con diferentes paquetes. A efectos ilustrativos calculamos las filas en df1 que no se encuentran en df2. Para obtener las de df2 no presentes en df2, alterar el orden en el código.

Paquete compare

library(compare)
compare(df1, df2)

FALSE [FALSE, FALSE, TRUE]

La salida de datos indica primero si el data frame es igual y entre corchetes si las filas son iguales (TRUE) o no (FALSE). Si queremos incluir los valores no disponibles (NAs), utilizamos la función addNA:

Paquete dplyr

library(dplyr)

Filas diferentes presentes en el df1

anti_join(df1, df2)

  Date Time   pH
1 10/9  800 4.05

Filas comunes

semi_join(df1, df2)

   Date Time   pH
1  10/8  600 3.85
2 10/10 1300 3.95

Paquete sqldf

library(sqldf)

Filas diferentes presentes en el df1

sqldf('SELECT * FROM df1 EXCEPT SELECT * FROM df2')

  Date Time   pH
1 10/9  800 4.05

Filas comunes

sqldf('SELECT * FROM df1 INTERSECT SELECT * FROM df2')

   Date Time   pH
1  10/8  600 3.85
2 10/10 1300 3.95

Entradas relacionadas

• Eliminar duplicados de un data frame en R

Referencias

• stackoverflow

¿Cómo crear en R diagramas de caja agrupando los valores de x en intervalos?

Problema

Deseamos crear diagramas de caja agrupando los valores del eje x en intervalos.

Soluciones

Datos

Generamos unos datos aleatorios y una secuencia que emplearemos para crear los intervalos.

set.seed(12)
y <- rnorm(1000)
x <- rnorm(1000)
rng <- seq(-3, 3, 0.5)

Paquete base

boxplot(y ~ cut(x, breaks = rng),las=2)

Si queremos incluir los valores no disponibles (NAs), utilizamos la función addNA:

boxplot(y ~ addNA(cut(x, breaks = rng)), las = 2)

Paquete ggplot2

Creamos primero el data frame con los intervalos.

library(ggplot2)
df <- data.frame(x = cut(x, breaks = rng), y = y)
ggplot(data = df, aes(x = x, y = y)) + geom_boxplot(aes(fill = x))

Entradas relacionadas

• Introducción al diagrama de caja (box plot) en R
• Diagramas de caja con ggplot2 en R. Una introducción.
• Diagrama de caja con intervalos de confianza para la mediana
• Múltiples diagramas de caja en R
• Diagramas de caja de un data frame con ggplot2: una o varias columnas
• Múltiples diagramas de caja usando la función plot en R
• Cómo modificar los bigotes de un diagrama de caja en ggplot2

Referencias

• stackoverflow

Múltiples funciones de agregación con aggregate en R

Problema

Partimos del siguiente data frame:

  Branch Loan_Amount TAT
1      A         100 2.0
2      A         120 4.0
3      A         300 9.0
4      B         150 1.5
5      B         200 2.0

Y deseamos el siguiente resultado. Se agrupar por Branch, se cuenta el Number_of_loans y se suman tanto Loan_Amount como TAT.

  Branch Number_of_loans Loan_Amount  TAT
1      A               3         520 15.0
2      B               2         350  3.5

Datos

df <- structure(list(Branch = structure(c(1L, 1L, 1L, 2L, 2L), .Label = c("A", 
"B"), class = "factor"), Loan_Amount = c(100L, 120L, 300L, 150L, 
200L), TAT = c(2, 4, 9, 1.5, 2)), .Names = c("Branch", "Loan_Amount", 
"TAT"), class = "data.frame", row.names = c(NA, -5L))

Opciones

Paquete base

df1 <- aggregate(.~ Branch, df, FUN = "sum")
df2 <- setNames(aggregate(Loan_Amount~Branch, df, length)[2], c("Number_of_loans"))
cbind(df1, df2)

  Branch Loan_Amount  TAT Number_of_loans
1      A         520 15.0               3
2      B         350  3.5               2

Paquete dplyr

library(dplyr)
df %>% 
  group_by(Branch) %>% 
  summarise(Number_of_loans = n(),
            Loan_Amount = sum(Loan_Amount),
            TAT = sum(TAT))

Source: local data frame [2 x 4]

  Branch Number_of_loans Loan_Amount   TAT
  (fctr)           (int)       (int) (dbl)
1      A               3         520  15.0
2      B               2         350   3.5

Paquete sqldf

library(sqldf)
sqldf("SELECT Branch, 
              COUNT(Loan_Amount) Number_of_loans, 
              SUM(Loan_Amount) Loan_Amount, 
              SUM(TAT) TAT 
      FROM df 
      GROUP BY Branch")

  Branch Number_of_loans Loan_Amount  TAT
1      A               3         520 15.0
2      B               2         350  3.5

Entradas relacionadas

Referencias

• stackoverflow

Número de ocurrencias acumulado de una lista en Excel

Problema

Deseamos añadir una columna con el número de ocurrencias acumulado de una lista. En nuestro ejemplo, las ocurrencias acumuladas del nombre —name— de la columna A, calculadas en la columna D.

Solución

1. En la celda D2 introducimos la siguiente fórmula:

=CONTAR.SI($A$2:A2;A2)


2. Arrastramos el controlador de relleno o copiamos la fórmula en el rango deseado. En nuestro ejemplo de D3 a D11.

Notas

En el argumento rango la parte izquierda es una referencia absoluta $A$2 y la derecha relativa A2. En criterio, introducimos la celda como referencia relativa A2. Cuando copiamos la fórmula hacia abajo, el rango se autoexpande quedando anclado en la celda con la referencia absoluta $A2$, y contando el número de ocurrencias hasta dicha celda. Así, en la celda D11 tendremos:

=CONTAR.SI($A$2:A11;A11)

Si en lugar de empezar en 1 quisiéramos empezar a contar desde cero, simplemente restamos 1 a la fórmula inicial:

=CONTAR.SI($A$2:A2;A2)-1

Entradas relacionadas

• Calcular el total acumulado en una columna o fila de Excel

Referencias

• Cómo cambiar de absoluta a relativas o mixtas referencias en una fórmula en Excel

Comparar el tiempo de ejecución de expresiones en R con microbenchmark

Problema

Queremos evaluar el tiempo de ejecución de varias expresiones en R. Partimos del ejemplo de la entrada anterior, en la que seleccionábamos un porcentajes de filas de un data frame mediante diferentes métodos.

Utilizamos el conjunto de datos ToothGrowth, que cuenta con 60 filas. Lo partiremos en dos, la primera con un 70% de las filas (42) y la segunda con un 30% (18 filas). Aunque en este ejemplo no es necesario, empleamos la función round, para que en el caso de que por ejemplo el número de filas sea 6,6 devuelva 7 filas en lugar de 6.

Opciones

head y tail

head(ToothGrowth, round(nrow(ToothGrowth)*0.7))
tail(ToothGrowth, round(nrow(ToothGrowth)*0.3))

Filtrando con índices

porcentaje = round(0.7*nrow(ToothGrowth))
ToothGrowth[1:porcentaje,]
ToothGrowth[-(1:porcentaje),]

Usando dplyr

porcentaje = round(0.7*nrow(ToothGrowth))
library(dplyr)
slice(ToothGrowth, 1:porcentaje)
slice(ToothGrowth, -(1:porcentaje))

Medición

library(microbenchmark)
library(ggplot2)
porcentaje <-  round(0.7*nrow(ToothGrowth))
rdo <- microbenchmark(
  opcion1 = head(ToothGrowth, round(nrow(ToothGrowth) * 0.7)),
  opcion2 = ToothGrowth[1:porcentaje,],
  opcion3 = slice(ToothGrowth, 1:porcentaje))

Cargamos microbenchmark para la medición y ggplot2 para la representación gráfica. Separamos cada expresión que deseamos evaluar por una coma. Por defecto microbenchmark ejecuta cada expresión 100 veces (neval en el resultado). Para modificar el número de veces incluimos el argumento times.

Resultado

rdo

Unit: microseconds
    expr     min       lq      mean    median       uq      max neval
 opcion1 134.933  147.156  203.3685  179.6675  225.867 1017.378   100
 opcion2  98.756  105.112  138.9135  116.3565  161.334  418.490   100
 opcion3 978.756 1026.912 1096.2901 1056.2450 1087.289 3765.912   100

Los resultados incluyen 8 columnas. El mínimo (min), cuartil inferior (lq), media (mean) ,mediana (median), cuartil superior (uq), y máximo (max). Nos centraremos en la mediana, y en los cuartiles inferior y superior (lq y uq) para hacernos una idea de la variabilidad. En nuestro ejemplo vemos que la mejor opción en todos los parámetros y con menor variabilidad es la opción 2. También debemos prestar atención a la unidad de medida, antes de las columnas con los resultados, en nuestro ejemplo microsegundos.

Gráfico

Generamos un gráfico de tipo violín con los resultados de la medición.

autoplot(rdo)

Entradas relacionadas

• Muestra aleatoria de filas por grupos en R
• Muestra aleatoria de filas de un data frame en R
• ¿Cómo seleccionar todas las columnas de un data frame con dplyr?
• Seleccionar sólo las columnas que contengan NA en R

Referencias

• Advanced R de Hadley Wickham
• Manual de microbechmark