Apuntes de R

Básicos de entorno y lectura/escritura de ficheros:

• Configurar el directorio de trabajo:

setwd("C:/User")

• Recoger directorio de trabajo:

getwd()

• Concatenar cadenas:

nombreruta <- paste(getwd(),"/decathlon.csv", sep = "")

• Leer fichero CSV:

decatch <- read.csv(nombreruta, encoding="UTF-8",                     header=TRUE, sep=",", na.strings="NA", dec=".", strip.white=TRUE)

• Escribir dataset en CSV:

paraExcel <- data.frame(decatch$score,decatch$pais) names(paraExcel) <- c('score','pais') nombreruta_salida_PEC3 <- paste(getwd(),"/anova.csv", sep = "") write.csv(paraExcel,nombreruta_salida,row.names = FALSE)

• Leer fichero JSON:

library("rjson") json_data <- fromJSON(file=json_file)

Cálculos Estadísticos básicos:

• Media:

mean(df.Longitud)

• Mediana:

median(df.Longitud)

• Desviación típica:

sd(df.Longitud)

• Correlación entre variables:

cor(df$followers,df$count)

• Resumen de los datos estadísticos de un data frame:

summary(df)

• Estadístico Z:

Calcular el intervalo de confianza de 95% de la media poblacional conociendo la desviación estándar, en este caso desviacionTipicaMuestralPrecio = sd(Data_PEC2$precio)

library(TeachingDemos) z.test(df$precio,mu = mm, stdev = desviacionTipicaMuestralPrecio,alternative = "two.sided",conf.level = 0.95)

• Estadístico T Student:

library(TeachingDemos) t.test(df$precio, y=NULL, alternative = c("two.sided"), mu = n, paired = FALSE, var.equal = FALSE, conf.level = 0.95)

Data Frames

• Creación de un data frame con dos o más  vectores. Los vectores tienen que tener el mismo número de registros:

df <- data.frame(ids, ret_ids)

• Elegir columnas en un data frame. En este caso se requiere todas las filas del data frame, y las columnas del 1 al 10

df[,1:10]

• Queries a un data frame en formato SQL. Selecciona del dataframe dfRTweet todos los ids distintos del data set y que no son igual a NA.

require(sqldf) df.nodup <- sqldf('SELECT DISTINCT ids FROM df where ids <> "NA" order by creado DESC')

• Tipos de datos:

Consulta el tipo de datos del data frame df:

str(df)

• Renombrar columnas de un data frame:

En este caso nombramos la primera columna como ids, segunda como Count y tercera como Followers.

names(dfT) <- c('ids','count','followers')

• Ver los datos de un dataframe en RStudio:

View(df)

• Enfrentamiento (Join) entre data frame

Right join, enfrentando dos data frames por la clave “ids”

df.filtrado <- right_join(dfordenado,dfnodup, by="ids")

• Concatenación de data frames:

do.call ejecuta la instruccion “rbind” para la lista de data frames indicadas en list.

dfTodos <- do.call("rbind", list(dfMentions, dfReplies, dfRetweet))

• Filtro de datos en un data frame:

En este caso se filtran los registros del data frame dfMales donde el campo year sea igual a 1987.

Y1987 <- dfMales[dfMales$year == 1987,]

• Mostrar los primeros registros de un data frame:

Con el siguiente comando se muestran los primeros 50 registros del data frame Y1987.

head(Y1987,50)

• Mostrar los últimos registros de un data frame:

Con el siguiente comando se muestran los últimos 50 registros del data frame Y1987.

tail(Y1987,50)

• Cálculo de una nueva columnas con dos columnas de un data frame:

nuevaCol <- c(Y1987$exper + Y1987$school + 6)

Añadir una nueva columna al data frame:

Y1987$age <- nuevaCol

• Calcular el valor máximo de una columna de un data frame:

max(Y1987$age)

• Calcular el valor mínimo de una columna de un data frame:

min(Y1987$age)

• Consulta de los nombres de las columnas de un data frame:

Consulta el nombre de las columnas del data frame Males.

ls(dfMales)

• Número de columnas de un data frame:

ncol(dfMales)

• Número de filas de un data frame:

nrow(dfMales)

• Contar los valores distintos de un campo:

En este caso seria contar de cuantas veces aparece cada uno de los valores distintos del campo industry.

data.frame(table(Y1987$industry))

• Calcular el valor medio de los distintos valores de una columna:

En este caso se calcularía la media del campo wage, para los distintos valores del campo industry.

aggregate(Y1987$wage ~ Y1987$industry, Y1987, mean)

• Filtrar por un valor y mostrar sólo ciertas columnas:

En este caso se filtrarian los registros cuya columna health sea igual a yes, y mostraria tres columnas, la columna X, la columna health y la columna wage.

Y1987[Y1987$health == "yes",c("X","health","wage")]

• Calcular el exponencial de cada valor de una columna numérica en un data frame:

Y1987$wage <- exp(Y1987$log_wave)

• Seleccionar un porcentaje de datos de un dataframe para training y para testing:

#se genera una partición con el 70% de los registros de Y1987NoOutliners particion <- sample.split(Y1987NoOutliners,SplitRatio = 0.7) #se genera un data.frame train, con el 70% de los registros train <- subset(Y1987NoOutliners,particion) #se genera un data.frame test con el resto de los registros de Y1987NoOutliners, es decir el 30%. test <- subset(Y1987NoOutliners,!particion)

Lista

• Tratamiento recursivo de Listas:

En este caso recupera aquellos ids, de una estructura json de twitter siempre que el campo venga informado.

dfOriginal.ids <- sapply(json_data,function(x) if(is.null(x$retweeted_status$id_str)) NA else x$retweeted_status$id_str)

Vectores

• Concatenación de vectores:

Concatena los vectores, user_mentions, user_replies_ids y user_Retweet_ids en el vector user_vector.

user_vector <- c(user_mentions,user_Replies_ids,user_Retweet_ids)

Factores

• Renombrar Factores:

Podemos usar la función revalue de la libreria plyr que nos permite renombrar los niveles del atributo industry, ya que este atributo es de clase factor.

Y1987$industry <- revalue(Y1987$industry, c("Agricultural"="Agricultural and Mining", "Mining"="Agricultural and Mining"))