Listar conjuntos de datos disponibles en R

Problema

Queremos conocer los conjuntos de datos disponibles en R, tanto cargados en un determinado momento como los de todos paquetes disponibles.

Solución

1. Listar los conjuntos de datos disponibles en ese momento

data()

Data sets in package ‘datasets’:

AirPassengers           Monthly Airline Passenger Numbers 1949-1960
BJsales                 Sales Data with Leading Indicator
BJsales.lead (BJsales)
                        Sales Data with Leading Indicator
BOD                     Biochemical Oxygen Demand
CO2                     Carbon Dioxide Uptake in Grass Plants
ChickWeight             Weight versus age of chicks on different diets
DNase                   Elisa assay of DNase
EuStockMarkets          Daily Closing Prices of Major European Stock
                        Indices, 1991-1998
Formaldehyde            Determination of Formaldehyde
HairEyeColor            Hair and Eye Color of Statistics Students
...                    ...

2. Listar los conjuntos de datos de todos los paquetes disponibles

data(package = .packages(all.available = TRUE))

Data sets in package ‘aqp’:

amarillo                Amarillo Soils
ca630                   Soil Data from the Central Sierra Nevada Region
                        of California
munsell                 Munsell to sRGB Lookup Table for Common Soil
                        Colors
rruff.sample            Sample XRD Patterns
soil_minerals           Munsell Colors of Common Soil Minerals
sp1                     Soil Profile Data Example 1
sp2                     Honcut Creek Soil Profile Data
sp3                     Soil Profile Data Example 3
sp4                     Soil Chemical Data from Serpentinitic Soils of
                        California
sp5                     Sample Soil Database #5
sp6                     Soil Physical and Chemical Data from
                        Manganiferous Soils

Data sets in package ‘beeswarm’:

breast                  Lymph-node-negative primary breast tumors

3. Listar los conjuntos de datos de un paquete específico

data(package = "ISLR")

Data sets in package ‘ISLR’:

Auto                    Auto Data Set
Caravan                 The Insurance Company (TIC) Benchmark
Carseats                Sales of Child Car Seats
College                 U.S. News and World Report's College Data
Credit                  Credit Card Balance Data
Default                 Credit Card Default Data
Hitters                 Baseball Data
Khan                    Khan Gene Data
NCI60                   NCI 60 Data
OJ                      Orange Juice Data
Portfolio               Portfolio Data
Smarket                 S&P Stock Market Data
Wage                    Mid-Atlantic Wage Data
Weekly                  Weekly S&P Stock Market Data

Referencias

• data{utils}

Importar ficheros comprimidos en R con readr

Problema

Queremos importar ficheros comprimidos en R.

Solución

Empleamos el paquete readr que descomprime automáticamente los siguientes tipos de ficheros: gz, .bz2, .xz, o .zip. Podemos emplearlo con la read_delim o los casos especiales read_csv, read_csv2 o read_tsv. En nuestro ejemplo utilizamos el fichero title.ratings.tsv.gz.

library(readr)
df_ratings <- read_tsv('title.ratings.tsv.gz', na = "\\N", quote = '')
df_ratings %>% head()

También podemos indicar la dirección del fichero y automáticamente descargará y descomprimirá el mismo.

df_ratings <- read_tsv('https://datasets.imdbws.com/title.ratings.tsv.gz', na = "\\N", quote = '')
df_ratings %>% head()

Resultados

# A tibble: 6 x 3
  tconst    averageRating numVotes
                   
1 tt0000001           5.8     1423
2 tt0000002           6.4      168
3 tt0000003           6.6     1016
4 tt0000004           6.4      100
5 tt0000005           6.2     1713
6 tt0000006           5.5       88

Entradas relacionadas

• Importar datos en R: ficheros de texto
• Importar datos desde una URL en R

Referencias

• read_delim

Convertir el tipo de objeto de todas las columnas de un data frame

Problema

En R podemos usar las siguientes funciones para convertir el tipo de objeto de un vector a otro:

as.character(x)
as.complex(x)
as.numeric(x) or as.double(x)
as.integer(x)
as.logical(x)

Pero si deseamos convertir todas las columnas de un data frame, ¿qué podemos hacer?.

Solución

Tomamos como ejemplo el data frame mtcars al que le asignaremos el nombre df.

df <- mtcars
str(df)

'data.frame': 32 obs. of  11 variables:
 $ mpg : num  21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
 $ cyl : num  6 6 4 6 8 6 8 4 4 6 ...
 $ disp: num  160 160 108 258 360 ...
 $ hp  : num  110 110 93 110 175 105 245 62 95 123 ...
 $ drat: num  3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
 $ wt  : num  2.62 2.88 2.32 3.21 3.44 ...
 $ qsec: num  16.5 17 18.6 19.4 17 ...
 $ vs  : num  0 0 1 1 0 1 0 1 1 1 ...
 $ am  : num  1 1 1 0 0 0 0 0 0 0 ...
 $ gear: num  4 4 4 3 3 3 3 4 4 4 ...
 $ carb: num  4 4 1 1 2 1 4 2 2 4 ...

• Opción 1

df <- data.frame(lapply(df, as.character), stringsAsFactors = FALSE)

• Opción 2

Más conicsa.

df[] <- lapply(df, as.character)

Resultado

Ahora todas las columnas son del tipo carácter.

str(df)

'data.frame': 32 obs. of  11 variables:
 $ mpg : chr  "21" "21" "22.8" "21.4" ...
 $ cyl : chr  "6" "6" "4" "6" ...
 $ disp: chr  "160" "160" "108" "258" ...
 $ hp  : chr  "110" "110" "93" "110" ...
 $ drat: chr  "3.9" "3.9" "3.85" "3.08" ...
 $ wt  : chr  "2.62" "2.875" "2.32" "3.215" ...
 $ qsec: chr  "16.46" "17.02" "18.61" "19.44" ...
 $ vs  : chr  "0" "0" "1" "1" ...
 $ am  : chr  "1" "1" "1" "0" ...
 $ gear: chr  "4" "4" "4" "3" ...
 $ carb: chr  "4" "4" "1" "1" ...

Referencias

• Stackoverflow

Descartar variables de un data frame por su nombre

Problema

Deseamos excluir variables de un data frame de acuerdo a su nombre. En nuestro ejemplo usamos el data frame iris, y queremos descartar las variables Sepal.Length y Petal.Width.

head(iris)

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

Soluciones

Hay múltiples opciones.

Paquete base

# Opción 1
iris[, -which(names(iris) %in% c("Sepal.Length", "Petal.Width"))]
# Opción 2
iris[ , !names(iris) %in% c("Sepal.Length","Petal.Width")]
# Opción 3
subset(iris, select = -c(Sepal.Length, Petal.Width)) 

dplyr

library(dplyr)
iris %>% select(-c(Sepal.Length, Petal.Width))

data.table

library(data.table)
DT = as.data.table(iris)
DT[ , !names(DT) %in% c("Sepal.Length", "Petal.Width"), with = FALSE]
# Otra opción
subset(DT, select=-c(Sepal.Length, Petal.Width)) 

Resultado

Las tres variables restantes. Solamente mostramos las 6 primeras filas

  Sepal.Width Petal.Length Species
1         3.5          1.4  setosa
2         3.0          1.4  setosa
3         3.2          1.3  setosa
4         3.1          1.5  setosa
5         3.6          1.4  setosa
6         3.9          1.7  setosa

Notas

Hay diferencias sutiles entre la primera opción con el paquete base -which y la segunda con la función !. Si con -which especificamos nombres que no encuentra en el data frame devolverá un data frame vacío con cero columnas. Mientras que si sucede lo mismo con !, devolverá el data frame original sin modificar.

La sintaxis con dplyr es bastante sencilla. Con data.table es muy similar a las utilizadas con el paquete base. No obstante, es necesario especificar el argumento with = FALSE o devolverá un vector lógico. También podemos emplear con data.table la función subset.

Entradas relacionadas

Referencias

• stackoveflow

Etiquetar un diagrama de dispersión en ggplot2 basándonos en otra columna

Problema

Deseamos etiquetar solamente aquellos puntos de un diagrama de dispersión que cumplan una condición basada en otra columna de un data frame. En nuestro ejemplo, solamente aquellos puntos de la columna b cuyo valor sea mayor de 0.5

set.seed(1)
x <- data.frame(a = 1:10, b = rnorm(10))
x$lab <- letters[1:10]

    a          b lab
1   1 -0.6264538   a
2   2  0.1836433   b
3   3 -0.8356286   c
4   4  1.5952808   d
5   5  0.3295078   e
6   6 -0.8204684   f
7   7  0.4874291   g
8   8  0.7383247   h
9   9  0.5757814   i
10 10 -0.3053884   j

Solución

Opción 1

Crear un subconjunto (subset) dentro de la función geom_text.

ggplot(data = x, aes(a, b, label = lab)) + 
  geom_point() + 
  geom_text(data = subset(x, abs(b) > 0.2), vjust = 1.5)

Opción 2

Asignando NA a aquellos valores que no queremos etiquetar

x$lab[!(abs(x$b) > 0.5)] <- NA
ggplot(data = x, aes(a, b, label = lab)) + 
    geom_point() + 
    geom_text(vjust = 1.5) 

Usando qplot:

qplot(a, b, data = x, label = lab, geom = c('point','text'), vjust = 1.5)

Resultado

Entradas relacionadas

• Etiquetar selectivamente los puntos de un diagrama de dispersión con ggplot2
• Etiquetar interactivamente los puntos de un diagrama de dispersión en R

Referencias

• stackoveflow

Substraer a cada valor de una fila la mediana de su respectiva fila en R

Problema

Queremos substraer a cada valor de una fila la mediana de la fila.

Datos

Creamos una matriz de 5x10.

set.seed(24)
m1 <- matrix(sample(0:9, 10*5, replace=TRUE), ncol=5)

      [,1] [,2] [,3] [,4] [,5]
 [1,]    2    6    0    3    4
 [2,]    2    3    5    2    3
 [3,]    7    6    7    3    2
 [4,]    5    6    1    1    2
 [5,]    6    3    2    9    0
 [6,]    9    9    6    2    0
 [7,]    2    1    0    7    3
 [8,]    7    0    5    6    3
 [9,]    8    5    6    6    2
[10,]    2    1    0    9    3

Solución

m1 - apply(m1, 1, median)

      [,1] [,2] [,3] [,4] [,5]
 [1,]   -1    3   -3    0    1
 [2,]   -1    0    2   -1    0
 [3,]    1    0    1   -3   -4
 [4,]    3    4   -1   -1    0
 [5,]    3    0   -1    6   -3
 [6,]    3    3    0   -4   -6
 [7,]    0   -1   -2    5    1
 [8,]    2   -5    0    1   -2
 [9,]    2   -1    0    0   -4
[10,]    0   -1   -2    7    1

Si queremos conocer la mediana de cada fila.

apply(m1, 1, median)

[1] 3 3 6 2 3 6 2 5 6 2

Notas

Empleamos la función apply para aplicar una función a cada fila, en este caso la función median (mediana). En el segundo argumento de la función 1 indica que la función será aplicada sobre las filas (fila a fila). Las funciones apply son muy útiles en R pues evitan el uso de bucles (loops), pudiendo aplicar funciones a los márgenes, filas o columnas, de una matriz.

Entradas relacionadas

• Aplicar una función a cada columna en R
• Aplicar una función a cada columna en R con dplyr

Referencias

• stackoverflow
• Apply Functions Over Array Margins
• Más información sobre funciones apply
• Median value

Comparar dos vectores en R: elementos comunes y únicos

Problema

Deseamos comparar dos vectores en R y obtener los elemenos comunes y únicos de ambos.

Datos

# Dos vectores
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j"
[1] "f" "g" "h" "i" "j" "k" "l" "m" "n" "o"

a <- letters[seq(from = 1, to = 10)]
b < -letters[seq(from = 6, to = 15)]

Soluciones

Elementos comunes

# Múltiples opciones
intersect(a, b)
b[b %in% a]
a[a %in% b]

[1] "f" "g" "h" "i" "j"

Elementos únicos de a

setdiff(a, b)
a[!a %in% b]
a[b %in% a]

[1] "a" "b" "c" "d" "e"

Elementos únicos de b

setdiff(b, a)
b[!b %in% a]
b[a %in% b]

[1] "k" "l" "m" "n" "o"

Notas

Merece la pena señalar que intersect y setdiff descartarán los valores duplicados en los argumentos. Mientras que %in% conservará los duplicados. Por lo que si tuviéramos duplicados en loos vectores obtendríamos diferentes resultados. Por ejemplo, introduciendo un elemento duplicado 'a' en el vector a.

a <- c(a, "a")

[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "a"

setdiff descarta los duplicados

setdiff(a, b)

[1] "a" "b" "c" "d" "e"

El operador "[]" con %in% los conserva

a[!a %in% b]

[1] "a" "b" "c" "d" "e" "a"

Entradas relacionadas

• Cómo comparar dos data frames en R
• Eliminar duplicados de un data frame en R

Referencias

• stackoverflow
• Set operations
• Value matching