Muestra aleatoria basada en una columna en R

Problema

Queremos extraer del siguiente data frame una muestra aleatoria basada en la columna id, de manera que seleccionemos aleatoriamente dos ids y extraigamos todas las filas asociadas a los mismos. Por ejemplo, si seleccionamos aleatoriamente los ids 1 y 2, el resultado debería incluir las tres primeras filas.

  id     date      date2
1  1 23-01-08 2008-01-23
2  1 01-11-07 2007-11-01
3  2 30-11-07 2007-11-30
4  3 17-12-07 2007-12-17
5  3 12-12-08 2008-12-12

id<-c(1,1,2,3,3)
date<-c("23-01-08","01-11-07","30-11-07","17-12-07","12-12-08")
df<-data.frame(id,date)
df$date2<-as.Date(as.character(df$date), format = "%d-%m-%y")

Soluciones

Paquete base

a <- sample(unique(df$id), 2)
subset(df, id %in% a)

sqldf

library(sqldf)
a <- sqldf("SELECT DISTINCT id FROM df  ORDER BY RANDOM(*) LIMIT 2")
sqldf("SELECT * FROM df WHERE id IN a")

  id     date      date2
1  1 23-01-08 2008-01-23
2  1 01-11-07 2007-11-01
3  2 30-11-07 2007-11-30

Entradas relacionadas

• Eliminar de un data frame aquellas filas duplicadas en otro data frame
• Eliminar duplicados de un data frame en R
• Seleccionar con sqldf un subconjunto de filas de una columna en un data frame diferente

Referencias

• stackoverflow

Buscar el mínimo o máximo de una columna basado en una condición en Excel

Problema

Para cada pedido de la siguiente tabla queremos extraer el precio mínimo y el máximo.

Solución

Utilizamos las siguientes fórmulas matriciales en las celdas J2 y M2 de nuestro ejemplo, sin las llaves {}, y arrastramos el controlador de relleno hacia abajo. En la barra de fórmulas antes de salir, presionamos Ctrl+Mayús+Entrar para indicar que se trata de una fórmula matricial y Excel las añadirá automáticamente.

Mínimo

{=MIN(SI(H2=$A$2:$A$18;$C$2:$C$18))}

Máximo

{=MAX(SI(H2=$A$2:$A$18;$C$2:$C$18))}

Entradas relacionadas

• Calcular el valor mínimo excluyendo los ceros en Excel
• Fórmulas matriciales

Referencias

Directrices y ejemplos de fórmulas de matriz

Eliminar duplicados de un data frame basándonos en dos columnas en R

Problema

Queremos eliminar las filas duplicadas, considerando éstas como aquellas que tienen el mismo valor en las columnas col1 y col2 ignorando su orden. En el siguiente ejemplo solamente conservaríamos una fila.

  Col1 Col2 database
1    A    B   IntAct
2    A    B     Bind
3    B    A  BioGrid

df <- structure(list(Col1 = c("A", "A", "B"), Col2 = c("B", "B", "A"
), database = c("IntAct", "Bind", "BioGrid")), .Names = c("Col1", 
"Col2", "database"), class = "data.frame", row.names = c(NA, 
-3L))

Solución

Emplearemos el paquete sqldf.

Primera fila

En el caso de querer conservar la primera fila. Creamos una columna id para identificar la primera ocurrencia.

library(sqldf)
df$id <- seq.int(nrow(df))
sqldf("select col1, col2, database, min(id) id
      from (select col1, col2, database, id from df where col1 <= col2
      union all
      select col2 col1, col1 col2, database, id from df where col1 > col2) 
      group by col1, col2")

  col1 col2 database id
1    A    B   IntAct  1

Última fila

En el caso de querer conservar la última fila. En este caso el código es más conciso pues no necesitamos crear una columna para identificar la primera ocurrencia.

sqldf("select col1, col2, database 
      from (select col1, col2, database from df where col1 <= col2 
      union all 
      select col2 col1, col1 col2, database from df where col1 > col2) 
      group by col1, col2")

 col1 col2 database
1    A    B  BioGrid

Entradas relacionadas

• Eliminar de un data frame aquellas filas duplicadas en otro data frame
• Eliminar duplicados de un data frame en R
• Seleccionar con sqldf un subconjunto de filas de una columna en un data frame diferente

Referencias

• stackoverflow

Análisis de tendencia en formato tabular en R

Problema

Tenemos unos datos que representamos gráficamente. Deseamos crear una tabla con los datos agrupados por site y parameter, y añadir una columna que nos indique la tendencia.

# Ver apartado inferior Datos para crea el data frame df
library(ggplot2)
ggplot(df, aes(x = YEAR, y = value, col = parameter)) + geom_line(aes(group = parameter)) + facet_wrap(~siteID)

Solución

Una solución básica es transformar el data frame en un formato ancho (wide) y luego añadir una columna en la que establecemos las condiciones para: creciente, decreciente o sin tendencia. En nuestro ejemplo, establecemos que no hay tendencia si la variación es de +-2.

df <- dcast(df, siteID + parameter ~ YEAR, value.var="value")
df$trend <- ifelse(df$`2014`-df$`2011`>2, "creciente", 
                    ifelse(df$`2014`-df$`2011`< -2, "decreciente", "sin tendencia"))
df

   siteID parameter 2011 2012 2013 2014         trend
1   site1         A    1    2    3    4     creciente
2   site1         B   10   20   30   40     creciente
3   site1         C   12   14   16   18     creciente
4   site1         D    5   10   15   20     creciente
5   site2         A    3    6    9   12     creciente
6   site2         B   17   16   13   18 sin tendencia
7   site2         C   16   18   22   15 sin tendencia
8   site2         D   17   16   10   11   decreciente
9   site3         A    7    5    3    1   decreciente
10  site3         B   15   17   20   19     creciente
11  site3         C   15   17   16   18     creciente
12  site3         D   13   16   19   11 sin tendencia
13  site4         A    8    7    6    5   decreciente
14  site4         B   50   40   30   20   decreciente
15  site4         C   16   14   12   10   decreciente
16  site4         D   20   15   10    5   decreciente

Datos

df <- structure(list(siteID = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 
1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 
2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 
3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 
4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L, 4L), .Label = c("site1", "site2", 
"site3", "site4"), class = "factor"), YEAR = structure(c(1L, 
2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 
2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 
2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 
2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L, 1L, 2L, 3L, 4L), .Label = c("2011", 
"2012", "2013", "2014"), class = "factor"), parameter = structure(c(1L, 
1L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 1L, 
1L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 1L, 
1L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L, 1L, 
1L, 1L, 1L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 4L, 4L, 4L, 4L), .Label = c("A", 
"B", "C", "D"), class = "factor"), value = c(1, 2, 3, 4, 10, 
20, 30, 40, 12, 14, 16, 18, 5, 10, 15, 20, 3, 6, 9, 12, 17, 16, 
13, 18, 16, 18, 22, 15, 17, 16, 10, 11, 7, 5, 3, 1, 15, 17, 20, 
19, 15, 17, 16, 18, 13, 16, 19, 11, 8, 7, 6, 5, 50, 40, 30, 20, 
16, 14, 12, 10, 20, 15, 10, 5)), .Names = c("siteID", "YEAR", 
"parameter", "value"), row.names = c(NA, -64L), class = "data.frame")

Entradas relacionadas

• Convertir de formato largo a ancho usando una función de agregación en R
• Agregar datos en R con el paquete reshape2
• Múltiples valores y funciones de agregación con reshape2 y plyr

Referencias

• stackoverflow

Comparar dos ficheros en Notepad++

Problema

Deseamos comparar dos ficheros con el editor Notepad++.

Solución

Verticalmente

Hacemos clic con el botón secundario del ratón en la pestaña del fichero que deseamos que se muestre a la derecha y elegimos: Move to Other View.

Horizontalmente

Si queremos comparar los ficheros con una división horizontal, clic en la línea de división vertical con el botón derecho y presionamos Rotate to right.

Sincronizar barras de desplazamiento

Si queremos sincronizar las barras de desplazamiento para facilitar la comparación de los documentos, en el menú View elegimos Synchronize Vertical Scrolling o Synchronize Horizontal Scrolling.

Entradas relacionadas

• Entrecomillar palabras de una lista y separarlas con comas en Notepad++
• Reemplazar los saltos de línea por comas con Notepad++

Formato de número personalizado en miles y millones

Problema

Vamos dar dos formatos personalizados a números en Excel para obtener el siguiente resultado:

Solución

Miles

[>=1000]#.##0."K";0

Millones

[>=1000000]#.##0.."M";[>=1000]#.##0."K";0

Notas

Podemos crear otras variantes, como por ejemplo:

Añadir un espacio entre el número y la letra

[>=1000000]#.##0.." M";[>=1000]#.##0." K";0

Añadir decimales

[>=1000000]#.##0,0.." M";[>=1000]#.##0,0." K";#.##0,00

Entradas relacionadas

• Formato en Excel

Añadir caracteres a una columna de un data frame en R

Problema

Tenemos un data frame y queremos añadir a la primera columna los caracteres chr.

df <- structure(list(V1 = c(1, 1, 1, 1, 2, 2), V2 = c(3423086, 3467184, 
4115236, 5202437, 7132558, 7448688), V3 = c(3423685, 3467723, 
4115672, 5203057, 7133089, 7449283)), .Names = c("V1", "V2", 
"V3"), row.names = c(NA, -6L), class = "data.frame")

  V1      V2      V3
1  1 3423086 3423685
2  1 3467184 3467723
3  1 4115236 4115672
4  1 5202437 5203057
5  2 7132558 7133089
6  2 7448688 7449283

Soluciones

Disponemos de múltiples opciones.

df <- paste("chr", df$V1, sep = "")
df <- sub("^", "chr", df$V1 )
df <- sprintf('chr%i', df$V1)
df <- interaction( "chr", df$V1, sep = "")

Resultado

   V1      V2      V3
1 chr1 3423086 3423685
2 chr1 3467184 3467723
3 chr1 4115236 4115672
4 chr1 5202437 5203057
5 chr2 7132558 7133089
6 chr2 7448688 7449283

Referencias

• stackoverflow

Cómo crear un histograma a partir de múltiples columnas en R

Problema

Tenemos un data frame con múltiples columnas —en nuestro ejemplo 49— y deseamos utilizar todas las columnas como una única variable. También calcularemos la media de todas las columnas.

df <- read.table(textConnection("1.52 0.39 1.30 1.10 0.82 0.59 1.11 0.44 0.70 0.57 0.65 1.06 0.55 0.34 1.09 0.46 0.43 0.99 0.41 1.04 1.25 0.75 0.54 0.62 0.56 0.58 0.85 0.38 0.66 0.83 1.00 0.56 0.66 0.40 1.44 1.28 0.58 1.05 0.64 0.54 0.52 1.28 0.51 0.64 0.82 0.45 0.83 0.58 0.51"), header = FALSE)

    V1   V2  V3  V4   V5   V6   V7   V8  V9  V10  V11  V12  V13  V14  V15  V16  V17  V18  V19  V20  V21  V22  V23  V24  V25  V26  V27  V28
1 1.52 0.39 1.3 1.1 0.82 0.59 1.11 0.44 0.7 0.57 0.65 1.06 0.55 0.34 1.09 0.46 0.43 0.99 0.41 1.04 1.25 0.75 0.54 0.62 0.56 0.58 0.85 0.38
   V29  V30 V31  V32  V33 V34  V35  V36  V37  V38  V39  V40  V41  V42  V43  V44  V45  V46  V47  V48  V49
1 0.66 0.83   1 0.56 0.66 0.4 1.44 1.28 0.58 1.05 0.64 0.54 0.52 1.28 0.51 0.64 0.82 0.45 0.83 0.58 0.51

Solución

Histograma

Simplemente transponemos el data frame antes de crear el histograma.

hist(t(df))

Calculamos la media

Tenemos dos alternativas: mean o rowMeans.

mean(t(df)) # or 
rowMeans(df)

[1] 0.752449 

Entradas relacionadas

• Distribución de frecuencias en R

Referencias

• stackoverflow