Introducción

• Debéis tener instalados los programas gratuitos R y RStudio

• Nos familiarizaremos con los conceptos y comandos básicos de programación en R

• R es un lenguaje interpretado: ejecuta las instrucciones directamente en la consola

• RStudio es un entorno de desarrollo integrado (IDE) que combina varias herramientas para facilitar el uso de R: consola, editor para escribir comandos, ayuda, etc.

R Studio

Empezando con R

• Escribimos comandos en la consola y se ejecutan pulsando Enter:

  • La tecla de tabulador ofrece opciones de autocompletado

  • Ejecutar algo que no es un comando de R devuelve un error

2 + 2
3 * (1 - 4)^2
sqrt(log(5/2))
pi
hola

• O en el Editor de RStudio y se envían a la consola la o las líneas seleccionadas para ser evaluadas con el icono o con el atajo de teclado Ctrl+Enter

• NOTA: en MacOS, usad la tecla Command en lugar de Ctrl

Archivos de guion (“scripts”)

• Es preferible incluir varios comandos en un archivo de texto para ejecutarlos

• Se puede replicar el proceso de cálculos paso a paso (no como Excel)

• Creamos un nuevo archivo con el icono o en el menú File > New File > R script (atajo Ctrl + Mays + N)

• Guardamos el archivo con o en File > Save (atajo Ctrl + S), eligiendo un directorio y nombre de extensión “.R” (por defecto) o “.r”

• En un archivo de guion (guardado), RStudio marca las líneas con error y muestra el mensaje de error al pasar el puntero

Trabajar con ficheros de guion

• Cada comando es “una” línea y se ejecutan secuencialmente

• Un comando se puede extender visualmente más de una línea hasta completarse: p.e., hasta cerrar los paréntesis.

  • Escribimos log(, en otra línea 9 y ejecutamos: la consola cambia de > a +

  • No hace “nada” esperando que completemos el comando.

• El carácter # marca el inicio de un comentario: lo que sigue se “ignora” (no se ejecuta) en R

# Pueden ir al principio de la línea 
2 + 2 # o después de una instrucción

• Comentar es un buen hábito: ayuda a entender/recordar qué hacemos

• Notad que RStudio tiene resaltado de sintaxis: distinto color para comentarios, números, funciones, etc.

Directorio de Trabajo. Proyectos.

• Conviene organizar los archivos relacionados con un mismo tema en una estructura de (sub)directorios a partir de un directorio de trabajo principal

• RStudio permite definir proyectos para gestionarlo fácilmente a través del menú File o desplegando el icono en la parte superior derecha

• Desde el menú File > New Proyect o desde el icono, creamos un nuevo proyecto:

  • Podemos usar un Nuevo Directorio o elegir una ubicación ya existente

  • El nombre del proyecto será el nombre del directorio

  • También se crea un archivo con el mismo nombre y extensión “.Rproj”

• Al abrir RStudio, tenemos activo el último proyecto abierto: ej.,

• Tanto desde el menú como desde el icono de gestión de proyectos, podemos

  • cerrar el proyecto actual, File > Close Projects,

  • abrir otros proyectos guardados: File > Open Project o File > Recent Projects

Proyectos (cont.)

• Para trabajar con un archivo, usamos la ruta relativa al directorio de trabajo:

  • si están en el raíz del directorio: codigo.R, misdatos.Rdata

  • si están en un subdirectorio, indicamos la ruta separando directorios por /: datos/ventas.Rdata, datos/ano2020/ingresos.Rdata

• La pestaña en el cuadrante inferior-derecho ofrece una forma visual de abrir, crear, copiar, mover o eliminar archivos o directorios, etc.

• Evitad caracteres “raros” (acentos, espacios, etc.) en directorios y ficheros

• NOTA. El Explorador de Archivos de Windows y Finder de MacOS, no muestran defecto las extensiones de los archivos.

  • Puede ser confuso para distinguir entre dos archivos con el mismo nombre y diferente extensión: proyecto.R y proyecto.Rproj

  • Consultad cómo mostrarlas: p.e., para Windows y MacOS

El Espacio de Trabajo en R

• El espacio de trabajo es el conjunto de objetos activos en memoria, resultado de todos los comandos ejecutados previamente

• En RStudio, la pestaña muestra los objetos y su valor

• Las funciones ls() y rm() muestran y eliminan respectivamente objetos del espacio de trabajo

• Borramos todos los objetos con en el Environment o el comando

rm( list=ls() )  # eliminar todos los objetos
rm(y, x)         # eliminar solo algunos objetos

• Guardamos el contenido del entorno de trabajo con (o al cerrar RStudio), pero es innecesario: ejecutando los comandos guardados en un archivo .R recuperamos los objetos

Mensajes de “Error” y “Warning”

• En programación, cometer errores es normal

• En muchos errores, R se “quejará” mostrando mensajes en rojo

  • Aviso: R ofrece un resultado (y continuará al siguiente comando), PERO indica que puede haber algo “no deseado”

  • Error: para la ejecución, sin resultado, e “informa” de la razón

• Algunos mensajes son claros, pero otros requieren más investigación

• Peor que un mensaje de error: escribimos (copiamos) un código que funciona pero no hace lo que queremos…

• El ordenador NO se equivoca: hace lo que le pedimos según unas reglas bien definidas por R, que debemos conocer

  • Sed cuidadosos, pensad y entended cada paso del código

Vectores

• Un vector es una secuencia de datos elementales, creados con el operador “c()” (combinar)

x <- c(2.5,-4.1,6.4,8.2)           # vector numérico
y <- c(3,0,-1,2)                   # vector de enteros
w <- c("hola", 'adios')            # vector de caracteres 
z <- c(FALSE, TRUE, T, F)          # vector lógico

• Podemos crear vectores a partir de otros vectores o usando comandos

z <- c(x, y)
x <- rep(1, times=4)
y <- seq(from = 10, to = 1, by = -1)
z <- 1:10       # equivale a z <- seq(1,10,1)

• Un vector sólo puede contener objetos de un único tipo elemental, que podemos conocer en el Environment o con str()

Vectores (cont.)

• Si se mezclan tipos distintos, R busca una clase que “acomode” a todos

vcr <- c("lunes", 2) 

• Forzamos que un objeto sea tratado con una clase concreta, con as.integer(), as.numeric(), as.character() y as.logical()

  • Si no se puede convertir a número, devuelve NA (con un “warning”)

• NO se pueden realizar operaciones incompatibles entre clases

  • Cuidado con las comillas: NO es lo mismo un objeto (su contenido) que el carácter de su nombre

a <- 4
c <- 'a' + 1

• Los vectores pueden tener nombres (una “etiqueta” única para cada elemento): un vector de caracteres de la misma longitud asignado con names()

Aritmética de vectores

• La mayoría de los operadores se aplican elemento-a-elemento

a <- seq(1,3,1)
b <- seq(6,8,1)

a+b
a*b

• Con diferentes longitudes, se repite el vector corto cuanto sea necesario

b <- 6:9
a + b
a + 1  # lo que queremos!

• Algunas funciones relevantes

length(x)   # longitud
sort(x)     # ordenar
max(x)      # máximo
min(x)      # mínimos
sum(x)      # suma 
prod(x)     # producto 

mean(x)     # media 
var(x)      # varianza
table(x)    # frecuencias

summary(x)  # estadísticos 

Vectores lógicos

• Obtenemos un objeto lógico enunciando una relación que puede ser cierta o falsa , como comparaciones básicas de igualdad o desigualdad

1 == 1  # TRUE
1 != 3  # TRUE
1 > 2   # FALSE

a <- 3 
a >= 3       # TRUE
a + 1 <= 10  # FALSE

• Combinamos varios enunciados con operadores Y (&), O (|) y NO (!)

• Para conjuntos, x %in% Y es cierto cuando x es un elemento de Y

altura <- c(176, 165, 189, 155, 168)

altura >= c(175, 165, 195, 165, 168)  # elemento a elemento
altura == 155                         # elemento a elemento
altura > 160 & altura <= 180
altura < 160 | altura >= 180
c(165,179) %in% altura
condicion <- !(altura <= 170)

Factores

• La información cualitativa se suele codificar como texto o números, pero NO tiene sentido numérico (ni de “texto”): representan clases o categorías

• Para destacar la naturaleza distinta de estos datos, existe un tipo de objeto específico en R: los factores

• Además de otras ventajas que veremos, permiten separar la representación original de las categorías (niveles) de cómo queremos mostrarlas (etiquetas)

genero   <- c(2, 1, 2, 2, 2)
genero_f <- factor(genero, levels = c(1, 2), 
                           labels = c("Mujer", "Hombre"))

• Se asocia nivel 1 con “Mujer”, 2 con “Hombre”, etc.

• Las operaciones con factores se realiza con las etiquetas, no con los niveles

genero_f == 1       # NO existe valor 1
genero_f == "Mujer"

Factores (cont.)

• También podemos usar as.factor() para convertir un vector en un factor

• PERO es conveniente especificar los niveles y las categorías porque si no, R los asigna alfabéticamente

g <- factor(genero)  # as.factor(genero) hace lo mismo
g

• En este caso la etiqueta del primer nivel encontrado en los datos (el número 2) es “1” y la del siguiente nivel (el número 1) es “2”

• También podemos tener factores con orden con la opción order = TRUE y enumerando los niveles en orden

satisf   <- c("A", "B", "A", "B", "M")
satisf_f <- factor(satisf, order = TRUE, 
                    levels = c("B", "M", "A"),
                    labels = c("Bajo", "Medio", "Alto"))

“Resumiendo” un vector numérico o un factor

• La función summary() devuelve los principales estadísticos descriptivos de un vector numérico

summary(altura)

• Para información cualitativa, la media y otros estadísticos no tienen sentido

summary(genero)
genero  <- c(1, 20, 20, 1, 1)  # dos categorías igualmente
summary(genero)

• La función summary() ofrece resultados diferentes según el tipo de objeto (porque tiene distintas propiedades)

summary(genero_f)

“Data Frames”

• Es un tipo de objetos específico para facilitar el análisis de datos: una colección de variables por columnas y observaciones por filas.

• Cada columna es un vector con un nombre y tipos de datos (quizás) diferentes

altura <- c(177, 178, 168, 164, 186, 162, 160)
peso   <- c(75, 85, 70, 60, 80, 65, 54)
genero   <- c(2, 1, 2, 2, 2, 1, 1)
genero_f <- factor(genero, levels = c(1, 2), 
                           labels = c("Mujer", "Hombre"))
datos <- data.frame("Altura"=altura, "Peso"=peso, "Genero"= genero_f)

• Se visualizan con View(datos) o en “Enviroment” o una parte con head()

• Seleccionamos columnas por nombre con $ o por nombre o posición con [[ ]]

vectAltura <- datos$Altura    # objeto resultante = vector
datos[[2]] == datos[["Peso"]]

“Data Frames” (cont.)

• También podemos usar [] para seleccionar filas y columnas por posición, nombre y/o condición lógica

datos1 <- datos[datos$Genero == "Hombre", 1:2]  # Altura y Peso de hombres        

• Suele ser mejor usar subset() que devuelve siempre un “data frame”

D1 <- subset(datos, Altura > 165)   
D2 <- subset(datos, subset = Altura %in% c(177,178),
                    select = c(Altura, Peso)) 

• Generamos nuevas variables con el vector de asignación

datos$Altura_m <- datos$Altura / 100

• Se pueden añadir filas y columnas a un data frame con rbind() y cbind(), respectivamente, a partir de vectores u otros data frames

Listas

• Una lista es una colección de objetos de distinto tipo (a diferencia de un vector)

• Los elementos de una lista suelen tener nombres

miLista <- list(saludo="hola", vec=x, lista=list(1:4, "X"), 
                datos=datos)

• Con [[ ]] (por posición o por nombre) o con $(solo por nombre) extraemos los elementos en su clase original

miLista$vec
miLista[[2]] + 3

• También podemos usar [], pero devuelve una lista

• unlist() convierte una lista en vector, usando la clase que pueda ajustarse a todos los objetos (elementales)

Bibliotecas (“libraries”)

• Una biblioteca contiene nuevos objetos de R: funciones, datos, etc.

• Para instalar una nueva biblioteca (se hace una vez), en Tools > Install packages o en o con el comando

install.packages("AER")

• Mantenemos actualizados los paquetes, en el menú Tools o en

• La biblioteca solo está disponible si se carga en la sesión actual

library(AER)

• Nota: en adelante, la bibliotecas que carguemos se suponen instaladas

• En vemos las bibliotecas instaladas y las cargadas aparecen marcadas

Bibliotecas (cont.)

• El nombre completo de un objeto es biblioteca::nombre

  • La nombre de la biblioteca solo es necesaria si no se ha cargado o dos objetos diferentes tienen el mismo nombre en bibliotecas distintas

base::log(1)
log(1)

library(Hmisc)
find("units")

• Para mostrar todos los datos de las bibliotecas cargadas

data()

• Los podemos cargar en el “Environment” y obtener información detallada en la ayuda (ej., nombre de variables)

data("Affairs")
help("Affairs")

Datos “nativos” en R

• Guardamos objetos del espacio de trabajo con save() (en una ruta relativa al directorio de trabajo)

x <- 1:20
y <- 2 * x ^ 2 + 1
save(x, file="x.RData")      # un objeto, o varios
save(x, y, file="data/xy.RData")  #   separados por comas

• Para cargar datos al espacio de trabajo, con load() (= icono )

load("data/xy.RData")

• En la pestaña de : doble-clic carga un archivo de datos

• Nota: este tipo de archivo puede contener varios objetos, incluidas varios conjuntos de datos

Importar y exportar con rio

• rio permite trabajar con el mismo comando para todos los formatos, pero las opciones por defecto pueden no ser adecuadas

  • En la Ayuda se incluye una presentación completa del paquete

• El comando import() se usa para leer los datos

library(rio)
sex   <- import("data/sex_data.csv")
renta <- import("data/renta.txt")
beauty <- import("data/beauty.xls")
nsw    <- import("data/nsw.dta")    # formato Stata

• Podemos exportar datos a un tipo de formato con export()

export(nsw, "data/nsw.csv")

• O convertir un archivo del disco a otro formato con convert()

Otras fuentes de datos

• Bibliotecas con datos muy utilizados: pwt (“Penn World Tables”)

• Bibliotecas con funciones para obtener datos online (con APIs públicas)

  • datos de las OECD y eurostat (incluye datos del INE español)

  • rdbnomics para los datos gratuitos de https://db.nomics.world/

  • datos económicos y financieros con quantmod y tidyquant

  • quandl (de pago)

• qualtRics trabaja con software de encuestas qualtrics

• Descarga de páginas web y webscraping con las bibliotecas rvest y httr (función GET())

• googlesheets4

• DBI accede con Bases de Datos relaciones (SQL)

Gráficos Básicos

• Podemos representar gráficos de dos variables o funciones

x <- c(3, 4, 5, 6, 7, 8)
y <- c(5, 3, 7, 7, 5, 10)

plot(x,y)

• El resultado aparece en la pestaña Plots de RStudio

• Podemos cambiar opciones (ver Ayuda de plot.default) como type (puntos, líneas, etc.), símbolo de punto (pch), tipo de línea (lty), ancho de línea (lwd), color (col), título, etiquetas de los ejes, etc.

plot(x, y, type="b", pch=3)
plot(x, y, type="l", lty=2, lwd=2)
plot(x, y, xlab="Eje X", ylab="Eje Y", main="Mi título")

• Se pueden cambiar más opciones con par(), combinar gráficos, añadir líneas, texto, etc. y exportar los gráficos

Estadísticos descriptivos: variables discretas

• Para variables discretas (factores), table() calcula distribuciones de frecuencias de una variable o conjuntas: el resultado es un objeto

data("PSID1982", package = "AER")
(frec  <- table(PSID1982$occupation) )
(frec2 <- table(PSID1982$occupation, PSID1982$ethnicity))

• Podemos mostrar frecuencias relativas con prop.table()

prop.table(frec)
prop.table(frec2)

prop.table(frec2, margin = 1)
prop.table(frec2, margin = 2)

• También es informativa su representación con gráficos de barras

barplot(frec, horiz = T)

barplot(prop.table(frec2), beside = T)

Estadísticos descriptivos: variables continuas

data(ceosal1, package='wooldridge')

• Ya hemos visto funciones de estadísticos como mean(), var(), etc.

median(ceosal1$salary)
var(ceosal1$salary)

quantile(ceosal1$salary, 
         probs=c(0.25, 0.75) ) # 1er y 3er cuartil

summary(ceosal1$salary)  # de una variable (vector)
summary(ceosal1)         # de todo el conjunto de datos  

cov(ceosal1$salary, ceosal1$roe)  # covarianza
cor(ceosal1$salary, ceosal1$roe)  # correlación

Estadísticos descriptivos: variables continuas (cont.)

• Para variables continuas, las frecuencias de valores en un intervalo se pueden tabular o graficar en un histograma

hist(ceosal1$roe)   # intervalos automáticos

hist(ceosal1$roe, freq=F,       # densidad, no casos
     breaks=c(0,5,10,20,30,60)) # intervalos explícitos

• O la densidad (versión suavizada del histograma)

plot(density(ceosal1$roe))

• Un gráfico de caja ofrece información resumida de la distribución: mediana, 1er y 3er cuartil, y valores “extremos”

boxplot(ceosal1$roe, horizontal=T)

boxplot(ceosal1$roe~ceosal1$consprod)

Valores ausentes (“missing values”): NA

• Muchos conjuntos de datos tienen valores ausentes de ciertas observaciones para algunas variables: ej., descargad (UA Cloud) earn.RData

• Sabemos si una observación es NA y la frecuencia total:

load("data/earn.RData")
x <- earn$earnings

is.na(x)
table(is.na(x))

• Por defecto en R, un cálculo con NAs es NA: debemos decir que los elimine explícitamente (y ser conscientes de lo que implica)

mean(x)

mean(x, na.rm=TRUE)

• na.omit() elimina observaciones con NAs de una o varias variables

earn2 <- na.omit(earn)

• ¿Cómo tratar los NAs? Eliminarlos implica selección muestral y la alternativa de imputar valores implica supuestos sobre éstos

Nota sobre programación “avanzada”

• Como en todo lenguaje de programación R, tiene funciones para

  • Ejecución condicional if(): una parte del código se ejecuta solo si se cumple una condición

  • Bucles for(): se repite un mismo bloque de código mientras se itera por los valores de vector

  • Crear funciones propias con function()

• Una variante de la ejecución condicional, solo para crear variables según una condición

data("Affairs", package = "AER")
Affairs$univers <- ifelse(Affairs$education>15, 1, 0)