Un primer script

La ventana de edición de código (probablemente ubicada en la esquina superior izquierda) se utilizará para escribir tu código. Abre un nuevo script haciendo clic en el + en la esquina superior izquierda y seleccionando R script.

Vamos a comenzar con el tradicional Hello World. Escribe en tu script:

cat("Hello world")

## Hello world

Ahora, selecciona la línea y presiona el botón Run o utiliza Ctrl + enter.

Al hacer esto, tu código será procesado en la ventana Console, donde aparecerá en azul (si tienes los colores predeterminados de R) el código escrito y, a continuación, el resultado deseado. La línea no será procesada en la consola si tiene el símbolo # delante. Ahora, prueba a poner # delante del código escrito. Nuevamente, selecciona la línea y presiona Run.

# cat("Hello world")

El símbolo # se utiliza para comentarios en el código. Esta es una excelente práctica de organización y ayuda a recordar, posteriormente, lo que estabas pensando cuando escribiste el código. También es esencial para que otras personas puedan entenderlo. Como en el ejemplo:

# Iniciando los trabajos en R
cat("Hello world")

## Hello world

Importante: siempre que quieras realizar alguna modificación, edita tu script y no directamente en la consola, ¡porque todo lo que se escribe en ella no se podrá guardar!

Para guardar tu script, puedes utilizar la pestaña Files ubicada (por defecto) en la esquina inferior derecha. Puedes buscar una ubicación de tu preferencia, crear una nueva carpeta con el nombre CursoR.

Consejo:

• Evita poner espacios y puntuación en el nombre de las carpetas y archivos, esto puede dificultar el acceso a través de la línea de comandos en R. Por ejemplo, en lugar de Curso R, optamos por CursoR.

Después, simplemente haz clic en el disquete ubicado en el encabezado de RStudio o usa Ctrl + s y selecciona el directorio CursoR creado. Los scripts en R se guardan con la extensión .R.

Estableciendo el directorio de trabajo

Otra buena práctica en R es mantener el script en el mismo directorio donde están tus datos brutos (archivos de entrada en el script) y los datos procesados (gráficos, tablas, etc.). Para esto, vamos a hacer que R identifique el mismo directorio donde guardaste el script como directorio de trabajo. Así, entenderá que es de allí de donde se obtendrán los datos y es allí donde también irán los resultados.

Puedes hacer esto utilizando las facilidades de RStudio, simplemente localiza el directorio CursoR en la pestaña Files, haz clic en More y luego en “Set as Working Directory”. Observa que aparecerá en la consola algo como:

setwd("~/Documents/CursoR")

Es decir, puedes utilizar este mismo comando para realizar esta acción. El resultado será nuestra carpeta de trabajo. Cuando estés perdido/a o para asegurarte de que el directorio de trabajo fue cambiado, utiliza:

getwd()

Facilitando la vida con Tab

Ahora, imagina que tienes un directorio como ~/Documentos/maestria/semestre1/asignatura_tal/clase_tal/datos_28174/analisis_276182/resultados_161/. No es fácil recordar todo este camino para escribir en un comando setwd().

Además de la facilidad de la ventana de RStudio, también puedes utilizar la tecla Tab para completar el camino por ti. Prueba buscando alguna carpeta en tu computadora. ¡Solo tienes que empezar a escribir el camino y presionar Tab, y completará el nombre por ti! Si tienes más de un archivo con ese inicio de nombre, presiona Tab dos veces y te mostrará todas las opciones.

El Tab funciona no solo para indicar rutas, sino también para comandos y nombres de objetos. Es muy común cometer errores de escritura en el código. Utilizar el Tab reducirá significativamente estos errores.

El Tab puede ser aún más poderoso si tienes acceso a la herramienta GitHub Copilot. Con ella, puedes utilizar el Tab para completar el código que estás escribiendo. Es una herramienta basada en inteligencia artificial que sugiere el código que estás escribiendo. Es una herramienta de pago, pero puedes utilizarla gratuitamente durante 60 días.

Operaciones con vectores

Los vectores son las estructuras más simples trabajadas en R. Construimos un vector con una secuencia numérica usando:

c(1,3,2,5,2)

## [1] 1 3 2 5 2

MUCHA ATENCIÓN: La c es la función de R (Combine Values into a Vector or List) con la cual construimos un vector!

Utilizamos el símbolo : para crear secuencias de números enteros, como:

1:10

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

Podemos utilizar otras funciones para generar secuencias, como:

seq(from=0, to=100, by=5)

##  [1]   0   5  10  15  20  25  30  35  40  45  50  55  60  65  70  75  80  85  90
## [20]  95 100

# o
seq(0,100,5) # Si ya conoces el orden de los argumentos de la función

##  [1]   0   5  10  15  20  25  30  35  40  45  50  55  60  65  70  75  80  85  90
## [20]  95 100

• Crea una secuencia utilizando la función seq que varíe de 4 a 30, con intervalos de 3 en 3.

## [1]  4  7 10 13 16 19 22 25 28

La función rep genera secuencias con números repetidos:

rep(3:5, 2)

## [1] 3 4 5 3 4 5

Podemos realizar operaciones utilizando estos vectores:

c(1,4,3,2)*2
c(4,2,1,5)+c(5,2,6,1)
c(4,2,1,5)*c(5,2,6,1)

Observa que ya está resultando cansado escribir los mismos números repetidamente, vamos a resolver esto creando objetos para almacenar nuestros vectores y mucho más.

Indexación

Accedemos solo al 3er valor del vector creado con []:

z[3]

También podemos acceder a los números de la posición 2 a 4 con:

z[2:4]

## [1] 15.35 20.18 15.22

Para obtener información del vector creado utiliza:

str(z)

##  num [1:6] 15.2 15.3 20.2 15.2 15.4 ...

La función str nos dice sobre la estructura del vector, que se trata de un vector numérico con 6 elementos.

Los vectores también pueden recibir otras categorías como caracteres:

clone <- c("GRA02", "URO01", "URO03", "GRA02", "GRA01", "URO01")

Otra clase son los factores, estos pueden ser un poco complejos de manejar.

En general, los factores son valores categorizados por levels, como ejemplo, si transformamos nuestro vector de caracteres clone en factor, se asignarán niveles para cada una de las palabras:

clone_factor <- as.factor(clone)
str(clone_factor)

##  Factor w/ 4 levels "GRA01","GRA02",..: 2 3 4 2 1 3

levels(clone_factor)

## [1] "GRA01" "GRA02" "URO01" "URO03"

De esta forma, tendremos solo 4 niveles para un vector con 6 elementos, ya que las palabras “GRA02” y “URO01” se repiten. Podemos obtener el número de elementos del vector o su longitud con:

length(clone_factor)

## [1] 6

También hay vectores lógicos, que reciben valores de verdadero o falso:

logico <- x > 40
logico   # ¿Los elementos son mayores que 40?

## [1] FALSE FALSE FALSE FALSE FALSE  TRUE

Con él podemos, por ejemplo, identificar cuáles son las posiciones de los elementos mayores que 40:

which(logico)  # Obteniendo las posiciones de los elementos TRUE

## [1] 6

x[which(logico)] # Obteniendo los números mayores que 40 del vector x por posición

## [1] 40.1

# o
x[which(x > 40)]

## [1] 40.1

También podemos localizar elementos específicos con:

clone %in% c("URO03", "GRA02")

## [1]  TRUE FALSE  TRUE  TRUE FALSE FALSE

También pueden ser útiles las funciones any y all. Investiga sobre ellas.

Encuentra más sobre otros operadores lógicos, como el > utilizado, en este enlace.

[Continúa con la siguiente parte del texto para los Warnings y consejos…]

Advertencia 1

Haz una secuencia numérica, conteniendo 10 valores enteros, y guárdala en un objeto llamado “a”.

(a <- 1:10)

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

Crea otra secuencia, utilizando números decimales y cualquier operación matemática, de tal forma que sus valores sean idénticos al objeto “a”.

b <- seq(from = 0.1, to = 1, 0.1)
(b <- b*10)

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

Los dos vectores parecen iguales, ¿no?

Entonces, utilizando un operador lógico, vamos a verificar si el objeto “b” es igual al objeto “a”.

a==b

##  [1]  TRUE  TRUE FALSE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE  TRUE

Algunos valores no son iguales. ¿Cómo es esto posible?

a==round(b)

##  [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

Advertencia 2

No es posible mezclar diferentes clases dentro de un mismo vector. Al intentar hacer esto, observa que R intentará igualar a una única clase:

errado <- c(TRUE, "vish", 1)
errado

## [1] "TRUE" "vish" "1"

En este caso, todos los elementos fueron transformados en caracteres.

Algunos Consejos:

• Ten cuidado con la prioridad de las operaciones, en caso de duda, siempre añade paréntesis según tu interés de prioridad.
• Recuerda que, si olvidas cerrar algún ( o [ o ", la consola de R esperará que lo cierres indicando un +. Nada será procesado hasta que escribas directamente en la consola un ) o presiones ESC.
• Ten cuidado de no sobreponer objetos ya creados creando otros con el mismo nombre. Usa, por ejemplo: altura1, altura2.
• Mantén en tu script .R solo los comandos que funcionaron y, preferentemente, añade comentarios. Puedes, por ejemplo, comentar dificultades encontradas, para que no cometas los mismos errores más tarde.

Si estás adelantado/a respecto a tus compañeros, ya puedes hacer los ejercicios de la Sesión 1, si no, hazlos en otro momento y envíanos dudas.

Matrices

Las matrices son otra clase de objetos muy utilizados en R, con ellas podemos realizar operaciones de mayor escala de forma automatizada.

Por ser usadas en operaciones, normalmente almacenamos en ellas elementos numéricos. Para crear una matriz, determinamos una secuencia de números e indicamos el número de filas y columnas de la matriz:

X <- matrix(1:12, nrow = 6, ncol = 2)
X

##      [,1] [,2]
## [1,]    1    7
## [2,]    2    8
## [3,]    3    9
## [4,]    4   10
## [5,]    5   11
## [6,]    6   12

También podemos utilizar secuencias ya almacenadas en vectores para generar una matriz, siempre que sean numéricos:

W <- matrix(c(x,y), nrow = 6, ncol =2)
W

##      [,1] [,2]
## [1,] 30.1 0.26
## [2,] 30.4 0.30
## [3,] 40.0 0.36
## [4,] 30.2 0.24
## [5,] 30.6 0.27
## [6,] 40.1 0.35

Con ellas podemos realizar operaciones matriciales:

X*2

##      [,1] [,2]
## [1,]    2   14
## [2,]    4   16
## [3,]    6   18
## [4,]    8   20
## [5,]   10   22
## [6,]   12   24

X*X        

##      [,1] [,2]
## [1,]    1   49
## [2,]    4   64
## [3,]    9   81
## [4,]   16  100
## [5,]   25  121
## [6,]   36  144

X%*%t(X)          # Multiplicación matricial

##      [,1] [,2] [,3] [,4] [,5] [,6]
## [1,]   50   58   66   74   82   90
## [2,]   58   68   78   88   98  108
## [3,]   66   78   90  102  114  126
## [4,]   74   88  102  116  130  144
## [5,]   82   98  114  130  146  162
## [6,]   90  108  126  144  162  180

Utilizar estas operaciones exige conocimiento de álgebra de matrices, si quieres profundizar al respecto, el libro Linear Models in Statistics, Rencher (2008) tiene una buena revisión al respecto. También puedes explorar la sintaxis de R para estas operaciones en este enlace.

Accedemos a los números internos de la matriz dando las coordenadas [fila,columna], como en el ejemplo:

W[4,2] # Número posicionado en la fila 4 y columna 2

## [1] 0.24

A veces puede ser informativo dar nombres a las columnas y a las filas de la matriz, lo hacemos con:

colnames(W) <- c("altura", "diametro")
rownames(W) <- clone
W

##       altura diametro
## GRA02   30.1     0.26
## URO01   30.4     0.30
## URO03   40.0     0.36
## GRA02   30.2     0.24
## GRA01   30.6     0.27
## URO01   40.1     0.35

Estas funciones colnames y rownames también funcionan en los data.frames.

Data.frames

A diferencia de las matrices, no realizamos operaciones con los data.frames, pero permiten la unión de vectores con clases diferentes. Los data frames son similares a tablas generadas en otros programas, como Excel.

Los data frames son combinaciones de vectores de la misma longitud. Todos los que creamos hasta ahora tienen tamaño 6, verifica.

Podemos así combinarlos en columnas de un único data.frame:

campo1 <- data.frame("clone" = clone,     # Antes del signo "="  
                     "altura" = x,        # establecemos los nombres  
                     "diametro" = y,      # de las columnas
                     "edad" = rep(3:5, 2),
                     "corte"= logico) 
campo1

##   clone altura diametro edad corte
## 1 GRA02   30.1     0.26    3 FALSE
## 2 URO01   30.4     0.30    4 FALSE
## 3 URO03   40.0     0.36    5 FALSE
## 4 GRA02   30.2     0.24    3 FALSE
## 5 GRA01   30.6     0.27    4 FALSE
## 6 URO01   40.1     0.35    5  TRUE

Podemos acceder a cada una de las columnas con:

campo1$edad

## [1] 3 4 5 3 4 5

O también con:

campo1[,4] 

## [1] 3 4 5 3 4 5

Aquí, el número dentro de los corchetes se refiere a la columna, por ser el segundo elemento (separado por coma). El primer elemento se refiere a la fila. Como dejamos el primer elemento vacío, nos estaremos refiriendo a todas las filas para esa columna.

De esta forma, si queremos obtener un contenido específico podemos dar las coordenadas con [fila,columna]:

campo1[1,2] 

## [1] 30.1

• Obtén el diámetro del clon “URO03”.

## [1] 0.36

Aunque se trate de un data frame, podemos realizar operaciones con los vectores numéricos que lo componen.

• Con el diámetro y la altura de los árboles, calcula el volumen conforme a la fórmula siguiente y almacénalo en un objeto volumen:

\(3.14*(diametro/2)^2*altura\)

## [1] 1.597287 2.147760 4.069440 1.365523 1.751131 3.856116

Ahora, vamos a añadir el vector calculado con el volumen a nuestro data frame. Para esto usa la función cbind.

campo1 <- cbind(campo1, volumen)
campo1

##   clone altura diametro edad corte  volumen
## 1 GRA02   30.1     0.26    3 FALSE 1.597287
## 2 URO01   30.4     0.30    4 FALSE 2.147760
## 3 URO03   40.0     0.36    5 FALSE 4.069440
## 4 GRA02   30.2     0.24    3 FALSE 1.365523
## 5 GRA01   30.6     0.27    4 FALSE 1.751131
## 6 URO01   40.1     0.35    5  TRUE 3.856116

str(campo1)

## 'data.frame':    6 obs. of  6 variables:
##  $ clone   : chr  "GRA02" "URO01" "URO03" "GRA02" ...
##  $ altura  : num  30.1 30.4 40 30.2 30.6 40.1
##  $ diametro: num  0.26 0.3 0.36 0.24 0.27 0.35
##  $ edad    : int  3 4 5 3 4 5
##  $ corte   : logi  FALSE FALSE FALSE FALSE FALSE TRUE
##  $ volumen : num  1.6 2.15 4.07 1.37 1.75 ...

Algunos consejos:

• Recuerda que, para construir matrices y data frames, las columnas deben presentar el mismo número de elementos.

• En caso de que no sepas el operador o la función que debe ser utilizada, busca en Google o pregunta al chatgpt o cualquier otra herramienta. Por ejemplo, si tienes dudas sobre cómo calcular la desviación estándar, busca por “desviación estándar R” o, mejor aún, “standard deviation R”. La comunidad de R es bastante activa y gran parte de tus preguntas sobre él ya fueron respondidas en algún lugar de la web.

• No olvides que todo lo que hagas en R necesita ser explícitamente indicado, como una multiplicación 4ac con 4*a*c. Para generar un vector 1,3,2,6 es necesario: c(1,3,2,6).

Listas

Las listas consisten en una colección de objetos, no necesariamente de la misma clase. En ellas podemos almacenar todos los otros objetos ya vistos y recuperarlos mediante la indexación con [[. Como ejemplo, vamos a utilizar algunos objetos que ya fueron generados.

mi_lista <- list(campo1 = campo1, media_alt = tapply(campo1$altura, campo1$edad, mean), matrix_ex = W)
str(mi_lista)

## List of 3
##  $ campo1   :'data.frame':   6 obs. of  6 variables:
##   ..$ clone   : chr [1:6] "GRA02" "URO01" "URO03" "GRA02" ...
##   ..$ altura  : num [1:6] 30.1 30.4 40 30.2 30.6 40.1
##   ..$ diametro: num [1:6] 0.26 0.3 0.36 0.24 0.27 0.35
##   ..$ edad    : int [1:6] 3 4 5 3 4 5
##   ..$ corte   : logi [1:6] FALSE FALSE FALSE FALSE FALSE TRUE
##   ..$ volumen : num [1:6] 1.6 2.15 4.07 1.37 1.75 ...
##  $ media_alt: num [1:3(1d)] 30.1 30.5 40
##   ..- attr(*, "dimnames")=List of 1
##   .. ..$ : chr [1:3] "3" "4" "5"
##  $ matrix_ex: num [1:6, 1:2] 30.1 30.4 40 30.2 30.6 40.1 0.26 0.3 0.36 0.24 ...
##   ..- attr(*, "dimnames")=List of 2
##   .. ..$ : chr [1:6] "GRA02" "URO01" "URO03" "GRA02" ...
##   .. ..$ : chr [1:2] "altura" "diametro"

Quiero acceder al data.frame campo1

mi_lista[[1]] 

##   clone altura diametro edad corte  volumen
## 1 GRA02   30.1     0.26    3 FALSE 1.597287
## 2 URO01   30.4     0.30    4 FALSE 2.147760
## 3 URO03   40.0     0.36    5 FALSE 4.069440
## 4 GRA02   30.2     0.24    3 FALSE 1.365523
## 5 GRA01   30.6     0.27    4 FALSE 1.751131
## 6 URO01   40.1     0.35    5  TRUE 3.856116

# o
mi_lista$campo1

##   clone altura diametro edad corte  volumen
## 1 GRA02   30.1     0.26    3 FALSE 1.597287
## 2 URO01   30.4     0.30    4 FALSE 2.147760
## 3 URO03   40.0     0.36    5 FALSE 4.069440
## 4 GRA02   30.2     0.24    3 FALSE 1.365523
## 5 GRA01   30.6     0.27    4 FALSE 1.751131
## 6 URO01   40.1     0.35    5  TRUE 3.856116

Para acceder a una columna específica en el data.frame campo1, que está dentro de mi_lista:

mi_lista[[1]][[3]]

## [1] 0.26 0.30 0.36 0.24 0.27 0.35

# o
mi_lista[[1]]$diametro

## [1] 0.26 0.30 0.36 0.24 0.27 0.35

# o
mi_lista$campo1$diametro

## [1] 0.26 0.30 0.36 0.24 0.27 0.35

Las listas son muy útiles, por ejemplo, cuando vamos a utilizar/generar diversos objetos dentro de un bucle.

Arrays

Este es un tipo de objeto que probablemente no utilizarás ahora al principio, pero es bueno saber de su existencia. Se utilizan para almacenar datos con más de dos dimensiones. Por ejemplo, si creamos un array:

(mi_array <- array(1:24, dim = c(2,3,4)))

## , , 1
## 
##      [,1] [,2] [,3]
## [1,]    1    3    5
## [2,]    2    4    6
## 
## , , 2
## 
##      [,1] [,2] [,3]
## [1,]    7    9   11
## [2,]    8   10   12
## 
## , , 3
## 
##      [,1] [,2] [,3]
## [1,]   13   15   17
## [2,]   14   16   18
## 
## , , 4
## 
##      [,1] [,2] [,3]
## [1,]   19   21   23
## [2,]   20   22   24

Tendremos cuatro matrices con dos filas y tres columnas y los números del 1 al 24 estarán distribuidos en ellas por columnas.

Si estás adelantado/a respecto a tus compañeros, ya puedes hacer los ejercicios de la Sesión 2, si no, hazlos en otro momento y envíanos dudas por el foro.

if y else

Para nuestra próxima actividad con los datos, primero vamos a entender cómo funcionan las estructuras if y else.

En las funciones condicionales if y else, establecemos una condición para if. Si la condición es verdadera, se realizará la actividad, y en caso contrario (else) se ejecutará otra tarea. Veamos un ejemplo:

if(2 > 3){
  cat("dos es mayor que tres")
} else {
  cat("dos no es mayor que tres")
}

## dos no es mayor que tres

• Actividad: Descubre el Nivel de Conocimientos en R de la segunda persona que respondió (línea 2). Envía un mensaje de “Nivel Intermedio” si es intermedio, o un mensaje de “Nivel Básico o Avanzado” en caso contrario. (pista: el signo == significa “exactamente igual a”).

head(dados)

##                 Fecha  Afiliacion  Longitud  Latitud
## 1 07/04/2025 14:00:00 Rcourse2021  -54.5724 -25.5263
## 2 07/04/2025 14:00:00 Rcourse2021  -47.6476  -22.725
## 3 07/04/2025 14:00:00 Rcourse2021  -48.0547  -15.911
## 4 07/04/2025 14:00:00 Rcourse2021 -106.6563  52.1418
## 5 07/04/2025 14:00:00 Rcourse2021  -47.6604 -22.7641
## 6 07/04/2025 14:00:00 Rcourse2021  -47.6434 -22.7118
##                          Antecedentes Ocupacion_Actual Explicacion
## 1                           Agronomia              PhD            
## 2                           Agronomia              PhD            
## 3                       Biotecnologia   Masters degree            
## 4 Licenciatura em Ciências Biológicas            Other            
## 5                           Agronomia     Profissional            
## 6                           Agronomia              PhD            
##              Conocimiento_R
## 1              Intermediate
## 2              Intermediate
## 3 Beginner (some knowledge)
## 4              Intermediate
## 5 Beginner (some knowledge)
## 6              Intermediate

if(dados$Conocimiento_R[2] == "Intermediate"){
  cat("Nivel Intermedio")
} else {
  cat("Nivel Básico o Avanzado")
}

## Nivel Intermedio

Podemos especificar más de una condición repitiendo la estructura if y else.
Ahora analizaremos la ocupación de las personas que respondieron al cuestionario.

if(dados$Ocupacion_Actual[2] == "Other"){
  print(dados$Explicacion[2])
} else if (dados$Ocupacion_Actual[2] == "PhD"){
  print(paste("¿Tu doctorado es en:", dados$Antecedentes[2], "?"))
} else {
  print(paste("¿Aún trabajas con:", dados$Antecedentes[2], "?"))
}

## [1] "¿Tu doctorado es en: Agronomia ?"

Sin embargo, observa que solo es posible utilizar estas estructuras para un elemento individual de un vector o para todo el vector. Si queremos recorrer los elementos individualmente, necesitaremos utilizar otro recurso.

For

Este recurso puede ser la función for, una función muy utilizada y poderosa. Constituye una estructura de bucle, ya que aplicará la misma actividad repetidamente hasta alcanzar una determinada condición. Observa los ejemplos:

for(i in 1:10){
  print(i)
}

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

test <- vector()
for(i in 1:10){
  test[i] <- i + 4 
}
test

##  [1]  5  6  7  8  9 10 11 12 13 14

En los casos anteriores, i funciona como un índice que varía de 1 a 10 en la operación determinada entre llaves.

Con esta estructura, podemos repetir la operación realizada con las estructuras if y else para todo el vector:

for(i in 1:nrow(dados)){
  if(dados$Ocupacion_Actual[i] == "Other"){
    print(dados$Explicacion[i])
  } else if (dados$Ocupacion_Actual[i] == "PhD"){
    print(paste("¿Tu doctorado es en:", dados$Antecedentes[i], "?"))
  } else {
    print(paste("¿Aún trabajas con:", dados$Antecedentes[i], "?"))
  }
}

Observa que algunas personas no respondieron cuando preguntadas sobre lo que querían decir con “Otros”. Para evitar que R devuelva un error en este caso, podemos usar la función is.na para verificar si la respuesta es NA (no disponible).

for(i in 1:nrow(dados)){
  if(dados$Ocupacion_Actual[i] == "Other"){
    if(is.na(dados$Explicacion[i])) {
      print("Esta persona no explicó qué quiso decir con 'Otros'") 
    } else {
      print(dados$Explicacion[i])
    }
  } else if (dados$Ocupacion_Actual[i] == "PhD"){
    print(paste("¿Tu doctorado es en:", dados$Antecedentes[i], "?"))
  } else {
    print(paste("¿Aún trabajas con:", dados$Antecedentes[i], "?"))
  }
}

## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Biotecnologia ?"
## [1] ""
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Zootecnia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Engenharia Florestal ?"
## [1] "¿Tu doctorado es en: Bacharel em Agronomia ?"
## [1] ""
## [1] "¿Tu doctorado es en: Engenharia Agrícola ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Engenharia Agronômica ?"
## [1] "¿Aún trabajas con: Ciências Biológicas ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Engenheiro Florestal ?"
## [1] "¿Aún trabajas con: Genética e Melhoramento de Plantas ?"
## [1] ""
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Aún trabajas con: Engenharia Agronômica ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Ciências Biológicas ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Aún trabajas con: Ciências Biológicas ?"
## [1] "¿Tu doctorado es en: Engenharia Agronômica ?"
## [1] "¿Aún trabajas con: Ciências Biológicas ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Biotecnologia ?"
## [1] "¿Tu doctorado es en: Biologia ?"
## [1] ""
## [1] "¿Aún trabajas con: Biologia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Biologia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Aún trabajas con: Melhoramento genético ?"
## [1] ""
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Ciências Biológicas ?"
## [1] "¿Aún trabajas con: Ciências Biológicas ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Aún trabajas con: Biologia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] ""
## [1] "¿Tu doctorado es en: Zootecnia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Biotecnologia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Genética e Melhoramento ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] ""
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Biologia ?"
## [1] "¿Tu doctorado es en: Genética e Melhoramento de Plantas ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] ""
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Engeheria em Biotecnologia Vegetal (Chile) ?"
## [1] "¿Aún trabajas con: AGRONOMIA ?"
## [1] "¿Aún trabajas con: Engenharia Agronômica ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Biología ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Ciências Biológicas ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Ciências Biológicas ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Engenharia Biotecnológica ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Engenharia Florestal ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Biologia ?"
## [1] "¿Tu doctorado es en: Biologia ?"
## [1] "¿Tu doctorado es en: Ciências Biológicas ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] ""
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Engenheiro Agrônomo ?"
## [1] "¿Tu doctorado es en: Genética e Melhoramento ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] ""
## [1] "¿Tu doctorado es en: Agronomia ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] ""
## [1] "¿Aún trabajas con: Engenharia Agronômica / Licenciatura em Ciências Agrárias ?"
## [1] "¿Aún trabajas con: Ciencias Biologicas ?"
## [1] "¿Aún trabajas con: Agronomia ?"
## [1] "¿Tu doctorado es en: Eng. Florestal ?"
## [1] "Postdoc"
## [1] "¿Aún trabajas con: Professional ?"
## [1] "¿Aún trabajas con: Plant Genetics ?"
## [1] "¿Aún trabajas con: Professional ?"
## [1] "Finished my Masters "
## [1] "¿Aún trabajas con: Soil Sciencies  ?"
## [1] "Masters degree"
## [1] "PhD"

Consejo: Identación

Observa la diferencia:

# Sin identación
for(i in 1:nrow(dados)){
if(dados$Ocupacion_Actual[i] == "Other"){
if(is.na(dados$Explicacion[i])) {
print("Esta persona no explicó qué quiso decir con 'Otros'") 
} else {
print(dados$Explicacion[i])
}
} else if (dados$Ocupacion_Actual[i] == "PhD"){
print(paste("¿Tu doctorado es en:", dados$Antecedentes[i], "?"))
} else {
print(paste("¿Aún trabajas con:", dados$Antecedentes[i], "?"))
}
}

El editor de código de RStudio tiene una función que facilita la identación de códigos en R. Selecciona el área que deseas identar y presiona Ctrl+i.

Ahora trabajaremos con la columna 5, que contiene información sobre el background de los participantes. Observa que la función table devuelve diferentes categorías que pueden resumirse en una sola, como “Ingeniería Agronómica” y “Agronomía”. Vamos usar un loop para identificar quiénes seleccionaron áreas relacionadas con “Agro”, luego verificar cuáles respuestas no fueron “Agronomía” y pedirle al participante que modifique su respuesta escribiendo solo “Agronomía”.

Consejo: Para identificar el patrón “Agro”, podemos usar la función grepl.

# Ejemplo del uso de la función grepl
dados[,5]

##   [1] "Agronomia"                                                
##   [2] "Agronomia"                                                
##   [3] "Biotecnologia"                                            
##   [4] "Licenciatura em Ciências Biológicas"                      
##   [5] "Agronomia"                                                
##   [6] "Agronomia"                                                
##   [7] "Zootecnia"                                                
##   [8] "Agronomia"                                                
##   [9] "Agronomia"                                                
##  [10] "Engenharia Florestal"                                     
##  [11] "Bacharel em Agronomia"                                    
##  [12] "Engenharia Agronômica"                                    
##  [13] "Engenharia Agrícola"                                      
##  [14] "Agronomia"                                                
##  [15] "Engenharia Agronômica"                                    
##  [16] "Ciências Biológicas"                                      
##  [17] "Agronomia"                                                
##  [18] "Engenheiro Florestal"                                     
##  [19] "Genética e Melhoramento de Plantas"                       
##  [20] "Agronomia"                                                
##  [21] "Agronomia"                                                
##  [22] "Engenharia Agronômica"                                    
##  [23] "Agronomia"                                                
##  [24] "Agronomia"                                                
##  [25] "Ciências Biológicas"                                      
##  [26] "Agronomia"                                                
##  [27] "Ciências Biológicas"                                      
##  [28] "Engenharia Agronômica"                                    
##  [29] "Ciências Biológicas"                                      
##  [30] "Agronomia"                                                
##  [31] "Biotecnologia"                                            
##  [32] "Biologia"                                                 
##  [33] "Agronomia"                                                
##  [34] "Biologia"                                                 
##  [35] "Agronomia"                                                
##  [36] "Biologia"                                                 
##  [37] "Agronomia"                                                
##  [38] "Melhoramento genético"                                    
##  [39] "FAEM - UFPEL"                                             
##  [40] "Agronomia"                                                
##  [41] "Ciências Biológicas"                                      
##  [42] "Ciências Biológicas"                                      
##  [43] "Agronomia"                                                
##  [44] "Biologia"                                                 
##  [45] "Agronomia"                                                
##  [46] "Agronomia"                                                
##  [47] "Eng. Agronômica"                                          
##  [48] "Zootecnia"                                                
##  [49] "Agronomia"                                                
##  [50] "Biotecnologia"                                            
##  [51] "Agronomia"                                                
##  [52] "Agronomia"                                                
##  [53] "Agronomia"                                                
##  [54] "Agronomia"                                                
##  [55] "Agronomia"                                                
##  [56] "Agronomia"                                                
##  [57] "Agronomia"                                                
##  [58] "Genética e Melhoramento"                                  
##  [59] "Agronomia"                                                
##  [60] "Agronomia"                                                
##  [61] "Agronomia"                                                
##  [62] "Ciências bilógicas"                                       
##  [63] "Agronomia"                                                
##  [64] "Biologia"                                                 
##  [65] "Genética e Melhoramento de Plantas"                       
##  [66] "Agronomia"                                                
##  [67] "Agronomia"                                                
##  [68] "Agronomia"                                                
##  [69] "Agronomia"                                                
##  [70] "Agronomia"                                                
##  [71] "Agronomia"                                                
##  [72] "Agronomia"                                                
##  [73] "Agronomia"                                                
##  [74] "Engeheria em Biotecnologia Vegetal (Chile)"               
##  [75] "AGRONOMIA"                                                
##  [76] "Engenharia Agronômica"                                    
##  [77] "Agronomia"                                                
##  [78] "Agronomia"                                                
##  [79] "Biología"                                                 
##  [80] "Agronomia"                                                
##  [81] "Ciências Biológicas"                                      
##  [82] "Agronomia"                                                
##  [83] "Agronomia"                                                
##  [84] "Agronomia"                                                
##  [85] "Agronomia"                                                
##  [86] "Agronomia"                                                
##  [87] "Ciências Biológicas"                                      
##  [88] "Agronomia"                                                
##  [89] "Agronomia"                                                
##  [90] "Agronomia"                                                
##  [91] "Agronomia"                                                
##  [92] "Agronomia"                                                
##  [93] "Engenharia Biotecnológica"                                
##  [94] "Agronomia"                                                
##  [95] "Agronomia"                                                
##  [96] "Engenharia Florestal"                                     
##  [97] "Agronomia"                                                
##  [98] "Agronomia"                                                
##  [99] "Biologia"                                                 
## [100] "Biologia"                                                 
## [101] "Ciências Biológicas"                                      
## [102] "Agronomia"                                                
## [103] "Agronomia"                                                
## [104] "Agronomia"                                                
## [105] "Engenheiro Agrônomo"                                      
## [106] "Genética e Melhoramento"                                  
## [107] "Agronomia"                                                
## [108] "Agronomia"                                                
## [109] "Biotecnologia"                                            
## [110] "Agronomia"                                                
## [111] "Agronomia"                                                
## [112] "Biotecnologia"                                            
## [113] "Engenharia Agronômica / Licenciatura em Ciências Agrárias"
## [114] "Ciencias Biologicas"                                      
## [115] "Agronomia"                                                
## [116] "Eng. Florestal"                                           
## [117] "Genetics"                                                 
## [118] "Professional"                                             
## [119] "Plant Genetics"                                           
## [120] "Professional"                                             
## [121] "Climate Change"                                           
## [122] "Soil Sciencies "                                          
## [123] "Animal Science"                                           
## [124] "Animal Breeding and Genetics"

grepl("Agro", dados[,5]) # Identifica qué filas contienen el texto "Agro"

##   [1]  TRUE  TRUE FALSE FALSE  TRUE  TRUE FALSE  TRUE  TRUE FALSE  TRUE  TRUE
##  [13] FALSE  TRUE  TRUE FALSE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE
##  [25] FALSE  TRUE FALSE  TRUE FALSE  TRUE FALSE FALSE  TRUE FALSE  TRUE FALSE
##  [37]  TRUE FALSE FALSE  TRUE FALSE FALSE  TRUE FALSE  TRUE  TRUE  TRUE FALSE
##  [49]  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE
##  [61]  TRUE FALSE  TRUE FALSE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
##  [73]  TRUE FALSE FALSE  TRUE  TRUE  TRUE FALSE  TRUE FALSE  TRUE  TRUE  TRUE
##  [85]  TRUE  TRUE FALSE  TRUE  TRUE  TRUE  TRUE  TRUE FALSE  TRUE  TRUE FALSE
##  [97]  TRUE  TRUE FALSE FALSE FALSE  TRUE  TRUE  TRUE FALSE FALSE  TRUE  TRUE
## [109] FALSE  TRUE  TRUE FALSE  TRUE FALSE  TRUE FALSE FALSE FALSE FALSE FALSE
## [121] FALSE FALSE FALSE FALSE

dados[grepl("Agro", dados[,5]),5]

##  [1] "Agronomia"                                                
##  [2] "Agronomia"                                                
##  [3] "Agronomia"                                                
##  [4] "Agronomia"                                                
##  [5] "Agronomia"                                                
##  [6] "Agronomia"                                                
##  [7] "Bacharel em Agronomia"                                    
##  [8] "Engenharia Agronômica"                                    
##  [9] "Agronomia"                                                
## [10] "Engenharia Agronômica"                                    
## [11] "Agronomia"                                                
## [12] "Agronomia"                                                
## [13] "Agronomia"                                                
## [14] "Engenharia Agronômica"                                    
## [15] "Agronomia"                                                
## [16] "Agronomia"                                                
## [17] "Agronomia"                                                
## [18] "Engenharia Agronômica"                                    
## [19] "Agronomia"                                                
## [20] "Agronomia"                                                
## [21] "Agronomia"                                                
## [22] "Agronomia"                                                
## [23] "Agronomia"                                                
## [24] "Agronomia"                                                
## [25] "Agronomia"                                                
## [26] "Agronomia"                                                
## [27] "Eng. Agronômica"                                          
## [28] "Agronomia"                                                
## [29] "Agronomia"                                                
## [30] "Agronomia"                                                
## [31] "Agronomia"                                                
## [32] "Agronomia"                                                
## [33] "Agronomia"                                                
## [34] "Agronomia"                                                
## [35] "Agronomia"                                                
## [36] "Agronomia"                                                
## [37] "Agronomia"                                                
## [38] "Agronomia"                                                
## [39] "Agronomia"                                                
## [40] "Agronomia"                                                
## [41] "Agronomia"                                                
## [42] "Agronomia"                                                
## [43] "Agronomia"                                                
## [44] "Agronomia"                                                
## [45] "Agronomia"                                                
## [46] "Agronomia"                                                
## [47] "Agronomia"                                                
## [48] "Engenharia Agronômica"                                    
## [49] "Agronomia"                                                
## [50] "Agronomia"                                                
## [51] "Agronomia"                                                
## [52] "Agronomia"                                                
## [53] "Agronomia"                                                
## [54] "Agronomia"                                                
## [55] "Agronomia"                                                
## [56] "Agronomia"                                                
## [57] "Agronomia"                                                
## [58] "Agronomia"                                                
## [59] "Agronomia"                                                
## [60] "Agronomia"                                                
## [61] "Agronomia"                                                
## [62] "Agronomia"                                                
## [63] "Agronomia"                                                
## [64] "Agronomia"                                                
## [65] "Agronomia"                                                
## [66] "Agronomia"                                                
## [67] "Agronomia"                                                
## [68] "Agronomia"                                                
## [69] "Agronomia"                                                
## [70] "Agronomia"                                                
## [71] "Agronomia"                                                
## [72] "Agronomia"                                                
## [73] "Engenharia Agronômica / Licenciatura em Ciências Agrárias"
## [74] "Agronomia"

for(i in 1:nrow(dados)){
  if(grepl("Agro", dados[i,5])){
    if(dados[i,5] != "Agronomia"){
      print("Por favor, sustituye tu respuesta por Agronomía.") 
    }
  } 
}

## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."

Observa que el código anterior no retorna las filas incorrectas, solo imprime el mensaje. Para solucionar esto, debemos almacenar estas filas en un vector y luego acceder a ellas.

homog <- vector()
for(i in 1:nrow(dados)){
  if(grepl("Agro", dados[i,5])){
    if(dados[i,5] != "Agronomia"){
      print("Por favor, sustituye tu respuesta por Agronomía.") 
      homog <- c(homog, i)
    }
  } 
}

## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."
## [1] "Por favor, sustituye tu respuesta por Agronomía."

homog

## [1]  11  12  15  22  28  47  76 113

¿Cómo corregirías estos elementos incorrectos? ¡Inténtalo!

‘dados[homog, 5] <- “Agronomía”’

While

En este tipo de estructura de repetición, la tarea se realizará hasta que se alcance determinada condición.

x <- 1

while(x < 5){
  x <- x + 1
  cat(x)
}

## 2345

Es muy importante que en esta estructura se alcance la condición, en caso contrario el bucle funcionará infinitamente y tendrás que interrumpirlo por medios externos. Un ejemplo de estos “medios externos” en RStudio es hacer clic en el símbolo en rojo en la esquina superior derecha de la ventana de la consola. También puedes presionar Ctrl+C en la consola.

No es muy difícil que esto suceda, basta un pequeño error como:

x <- 1

while(x < 5){
  x + 1
  cat(x)
}

Aquí podemos utilizar los comandos break y next para atender otras condiciones, como:

x <- 1

while(x < 5){
  x <- x + 1
  if(x==4) break
  cat(x)
}

## 23

x <- 1

while(x < 5){
  x <- x + 1
  if(x==4) next
  cat(x)
}

## 235

Repeat

Esta estructura también exige una condición de parada, pero esta condición se coloca necesariamente dentro del bloque de código con el uso de break. Entonces repite el bloque de código hasta que la condición lo interrumpa.

x <- 1
repeat{
  x <- x+1
  cat(x)
  if(x==4) break
}

## 234

Bucles dentro de bucles

También es posible utilizar estructuras de repetición dentro de estructuras de repetición. Por ejemplo, si queremos trabajar tanto en las columnas como en las filas de una matriz.

# Creando una matriz vacía
ex_mat <- matrix(nrow=10, ncol=10)

# cada número dentro de la matriz será el producto del índice de la columna por el índice de la fila
for(i in 1:dim(ex_mat)[1]) {
  for(j in 1:dim(ex_mat)[2]) {
    ex_mat[i,j] = i*j
  }
}

Otro ejemplo de uso:

var1 <- c("fertilizante1", "fertilizante2")
var2 <- c("ESS", "URO", "GRA")

w <- 1
for(i in var1){
  for(j in var2){
    nombre_archivo <- paste0(i,"_planta_",j,".txt")
    archivo <- data.frame("bloque" = "fake_data", "tratamiento" ="fake_data")
    write.table(archivo, file = nombre_archivo)
    w <- w + 1
  }
}

# Verifica tu directorio de trabajo, los archivos deben haber sido generados

Si estás adelantado/a respecto a tus compañeros, ya puedes hacer los ejercicios de la Sesión 3, si no, hazlos en otro momento y envíanos dudas por el foro.

Algunos consejos:

• Ten cuidado al ejecutar el mismo comando más de una vez, algunas variables pueden no ser como eran antes. Para que el comando funcione de la misma forma es necesario que los objetos de entrada estén de la forma que esperas.
• Recuerda que = es para definir objetos y == es el signo de igualdad.
• En las estructuras condicionales y de repetición, recuerda que es necesario mantener la sintaxis esperada: If(){} y for(i in 1:10){}. En el for, podemos cambiar la letra que será el índice, pero siempre es necesario proporcionar una secuencia de enteros o caracteres.
• Usar indentación ayuda a visualizar el principio y fin de cada estructura de código y facilita el abrir y cerrar llaves. Indentación son esos espacios que usamos antes de la línea, como:

# Creando una matriz vacía
ex_mat <- matrix(nrow=10, ncol=10)

# cada número dentro de la matriz será el producto del índice de la columna por el índice de la fila
for(i in 1:dim(ex_mat)[1]) {   # Primer nivel, no tiene espacio
  for(j in 1:dim(ex_mat)[2]) { # Segundo nivel tiene un espacio (tab)
    ex_mat[i,j] = i*j          # Tercer nivel tiene dos espacios
  }                            # Cerré el segundo nivel
}                              # Cerré el primer nivel

apply

La función apply es la base de todas las demás de su familia, por lo que entenderla es esencial. Su sintaxis es: apply(X, MARGIN, FUN, …), donde X es un array (incluyendo matrices), MARGIN es 1 si se aplica a filas, 2 a columnas y c(1,2) a ambas; FUN es la función a aplicar.

Ejemplo simple con una matriz:

ex_mat <- matrix(seq(0,21,3), nrow = 2)

Suma de columnas:

apply(ex_mat, 2, sum)

## [1]  3 15 27 39

Suma de filas:

apply(ex_mat, 1, sum)

## [1] 36 48

Equivalente con for:

for(i in 1:dim(ex_mat)[2]){
  print(sum(ex_mat[,i]))
}

## [1] 3
## [1] 15
## [1] 27
## [1] 39

for(i in 1:dim(ex_mat)[1]){
  print(sum(ex_mat[i,]))
}

## [1] 36
## [1] 48

Ejemplo con función personalizada:

zscore <- function(vector) {
  resultado <- (vector - mean(vector)) / sd(vector)
  return(resultado)
}

resultados_filas <- apply(ex_mat, 1, function(x) zscore(x)) 
resultados_columnas <- apply(ex_mat, 2, function(x) zscore(x)) 

lapply

A diferencia de apply, lapply puede recibir vectores y listas (se usa principalmente con listas) y devuelve una lista.

ex_list <- list(A=matrix(seq(0,21,3), nrow = 2), 
                B=matrix(seq(0,14,2), nrow = 2), 
                C=matrix(seq(0,39,5), nrow = 2))
str(ex_list)

## List of 3
##  $ A: num [1:2, 1:4] 0 3 6 9 12 15 18 21
##  $ B: num [1:2, 1:4] 0 2 4 6 8 10 12 14
##  $ C: num [1:2, 1:4] 0 5 10 15 20 25 30 35

Seleccionar segunda columna de todas las matrices:

lapply(ex_list, "[", 2)

## $A
## [1] 3
## 
## $B
## [1] 2
## 
## $C
## [1] 5

Usando una función personalizada:

resultados <- lapply(ex_list, function(x) apply(x, 1, zscore))
resultados

## $A
##            [,1]       [,2]
## [1,] -1.1618950 -1.1618950
## [2,] -0.3872983 -0.3872983
## [3,]  0.3872983  0.3872983
## [4,]  1.1618950  1.1618950
## 
## $B
##            [,1]       [,2]
## [1,] -1.1618950 -1.1618950
## [2,] -0.3872983 -0.3872983
## [3,]  0.3872983  0.3872983
## [4,]  1.1618950  1.1618950
## 
## $C
##            [,1]       [,2]
## [1,] -1.1618950 -1.1618950
## [2,] -0.3872983 -0.3872983
## [3,]  0.3872983  0.3872983
## [4,]  1.1618950  1.1618950

sapply

sapply es una variación de lapply que intenta simplificar el resultado devolviendo un vector, matriz o array.

sapply(ex_list, "[", 2)

## A B C 
## 3 2 5

resultados <- sapply(ex_list, function(x) apply(x, 1, zscore))
resultados

##               A          B          C
## [1,] -1.1618950 -1.1618950 -1.1618950
## [2,] -0.3872983 -0.3872983 -0.3872983
## [3,]  0.3872983  0.3872983  0.3872983
## [4,]  1.1618950  1.1618950  1.1618950
## [5,] -1.1618950 -1.1618950 -1.1618950
## [6,] -0.3872983 -0.3872983 -0.3872983
## [7,]  0.3872983  0.3872983  0.3872983
## [8,]  1.1618950  1.1618950  1.1618950

tapply

tapply aplica funciones basadas en niveles de una variable categórica (factor), comúnmente en data.frames.

str(dados)

## 'data.frame':    124 obs. of  8 variables:
##  $ Fecha           : chr  "07/04/2025 14:00:00" "07/04/2025 14:00:00" "07/04/2025 14:00:00" "07/04/2025 14:00:00" ...
##  $ Afiliacion      : chr  "Rcourse2021" "Rcourse2021" "Rcourse2021" "Rcourse2021" ...
##  $ Longitud        : chr  "-54.5724" "-47.6476" "-48.0547" "-106.6563" ...
##  $ Latitud         : chr  "-25.5263" "-22.725" "-15.911" "52.1418" ...
##  $ Antecedentes    : chr  "Agronomia" "Agronomia" "Biotecnologia" "Licenciatura em Ciências Biológicas" ...
##  $ Ocupacion_Actual: chr  "PhD" "PhD" "Masters degree" "Other" ...
##  $ Explicacion     : chr  "" "" "" "" ...
##  $ Conocimiento_R  : chr  "Intermediate" "Intermediate" "Beginner (some knowledge)" "Intermediate" ...

dados$Afiliacion  <- as.factor(dados$Afiliacion)

dados$Conocimiento_R_num <- NA
dados$Conocimiento_R_num[dados$Conocimiento_R == "Advanced"] <- 3
dados$Conocimiento_R_num[dados$Conocimiento_R == "Intermediate"] <- 2
dados$Conocimiento_R_num[dados$Conocimiento_R == "Beginner (some knowledge)"] <- 1
dados$Conocimiento_R_num[dados$Conocimiento_R == "No R knowledge"] <- 0
dados$Conocimiento_R_num[dados$Conocimiento_R == ""] <- NA

tapply(dados$Conocimiento_R_num, dados$Afiliacion, mean)

##                                                       Agronomic Engineer 
##                                                                       NA 
##                                                         Breeding Insight 
##                                                                       NA 
##                                                     CIA Central Pecuario 
##                                                                  0.00000 
##                                                                     INTA 
##                                                                  1.00000 
## National Institute of Innovation and Transfer in Agricultural Technology 
##                                                                  2.00000 
##                                                              Rcourse2021 
##                                                                  1.87069

tapply(dados$Conocimiento_R_num, dados$Afiliacion, function(x) mean(x, na.rm = TRUE))

##                                                       Agronomic Engineer 
##                                                                      NaN 
##                                                         Breeding Insight 
##                                                                  2.00000 
##                                                     CIA Central Pecuario 
##                                                                  0.00000 
##                                                                     INTA 
##                                                                  1.00000 
## National Institute of Innovation and Transfer in Agricultural Technology 
##                                                                  2.00000 
##                                                              Rcourse2021 
##                                                                  1.87069

mapply

mapply es una versión multivariada de sapply, permite aplicar funciones a múltiples vectores.

suma <- function(x, y) {
  return(x + y)
}
vetor1 <- c(1, 2, 3)
vetor2 <- c(4, 5, 6)
resultado_mapply <- mapply(suma, vetor1, vetor2)
print(resultado_mapply)

## [1] 5 7 9

multiplicacion <- function(x, y, z) {
  return(x * y * z)
}
vetor3 <- c(7, 8, 9)
resultado_mapply <- mapply(multiplicacion, vetor1, vetor2, vetor3)
print(resultado_mapply)

## [1]  28  80 162

resultado_mapply <- mapply(function(x, y) {
  return(c(suma = x + y, producto = x * y))
}, vetor1, vetor2)
print(resultado_mapply)

##          [,1] [,2] [,3]
## suma        5    7    9
## producto    4   10   18

suma_producto <- function(x, y) {
  return(c(suma = x + y, producto = x * y))
}
resultado_mapply <- mapply(suma_producto, vetor1, vetor2)
print(resultado_mapply)

##          [,1] [,2] [,3]
## suma        5    7    9
## producto    4   10   18

suma_producto <- function(x, y, z) {
  return(c(suma = x + y + z, producto = x * y * z))
}
resultado_mapply <- mapply(suma_producto, vetor1, vetor2, vetor3)
print(resultado_mapply)

##          [,1] [,2] [,3]
## suma       12   15   18
## producto   28   80  162

Si estás adelantado respecto a tus compañeros, ya puedes hacer los ejercicios de la Sesión extra. Si no, hazlos desde casa con calma y envíanos tus dudas por el foro.

Datos

Los datos son la base de cualquier gráfico. Contienen las variables que deseas visualizar. En ggplot2, se especifican los datos usando el argumento data:

ggplot(data = data_long)

Estéticas (aes)

Las estéticas definen cómo se asignan los datos a las propiedades visuales del gráfico, como:

• posición en x e y (x, y)
  
• color (color)
  
• tamaño (size)
  
• forma (shape)
  
• relleno (fill)

Por ejemplo:

ggplot(data = data_long, aes(x = year, y = population))

Aquí:

• x = year (eje horizontal)
  
• y = population (eje vertical)

Geometrías (geom)

Las geometrías son los elementos visuales del gráfico. Diferentes tipos de geometrías permiten crear diferentes tipos de gráficos:

• geom_point() para gráficos de dispersión
  
• geom_line() para gráficos de líneas
  
• geom_bar() para gráficos de barras
  
• geom_histogram() para histogramas
  
• geom_boxplot() para diagramas de caja

Por ejemplo:

ggplot(data = data_long, aes(x = year, y = population)) +
  geom_point() 

ggplot(data = data_long, aes(x = year, y = population, group = country)) +
  geom_line() + geom_point()

# agregar color por país
ggplot(data = data_long, aes(x = year, y = population, group = country, color = country)) +
  geom_line() 

Esto crea un gráfico de dispersión donde los puntos representan los datos.

Estadísticas (stat)

Algunos gráficos requieren transformaciones estadísticas, como suavizado o agrupamiento. Puedes aplicar estas transformaciones usando las funciones stat_*.

Podemos aplicar resúmenes estadísticos. Por ejemplo, agregar una tendencia suavizada:

ggplot(data_long, aes(x = year, y = population)) +
  stat_summary(fun = mean, geom = "line", group = 1) +
  labs(title = "Tendencia Promedio de la Población")

Escalas (scale)

Modifica cómo los datos se asignan a las estéticas visuales (por ejemplo, color):

ggplot(data_long, aes(x = year, y = population, group = country, color = country)) +
  geom_line(size = 1.2) +
  scale_color_manual(values = c("China" = "red", "India" = "orange", "USA" = "blue")) +
  labs(title = "Población por País (Colores Seleccionados)")

## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.

Aquí, scale_color_manual() personaliza la asignación de colores para cada país. También puedes usar paletas listas del paquete viridis, que es amigable para personas con daltonismo:

library(viridis)

## Loading required package: viridisLite

ggplot(data_long, aes(x = year, y = population, group = country, color = country)) +
  geom_line(size = 1.2) +
  scale_color_viridis_d() +
  labs(title = "Población por País (Colores Viridis)")

Esto utiliza la paleta de colores viridis, que está diseñada para ser perceptualmente uniforme y accesible.

Coordenadas (coord)

El sistema de coordenadas define la disposición del gráfico. El sistema más común es el cartesiano (ejes x e y), pero también puedes usar coordenadas polares o transformar los ejes.

Por ejemplo:

ggplot(data_long %>% filter(year == "2020"), aes(x = country, y = population)) +
  geom_col() +
  coord_flip() +
  labs(title = "Población por País en 2020 (Ejes Invertidos)")

Esto invierte los ejes, de modo que el eje x se convierte en el eje y y viceversa.

Facetas (facet)

Las facetas permiten dividir un gráfico en múltiples paneles, lo cual es útil para comparar subconjuntos de los datos. Las facetas pueden hacerse por filas o columnas:

ggplot(data_long, aes(x = year, y = population)) +
  geom_line(group = 1) +
  facet_wrap(~ country) +
  labs(title = "Tendencia de Población por País (Faceteado)")

Etiquetas y Temas

Puedes personalizar el gráfico con etiquetas y temas. Las etiquetas incluyen títulos, etiquetas de ejes y leyendas. Los temas controlan la apariencia general del gráfico.

ggplot(data_long, aes(x = year, y = population, group = country, color = country)) +
  geom_line(size = 1.2) +
  labs(
    title = "Población a lo Largo del Tiempo por País",
    subtitle = "Basado en datos simulados (millones)",
    x = "Año",
    y = "Población (Millones)",
    caption = "Fuente de datos: Simulado"
  ) +
  theme_minimal()

Puedes personalizar las fuentes y el estilo:

ggplot(data_long, aes(x = year, y = population, color = country, group = country)) +
  geom_line(size = 1.2) +
  labs(
    title = "Población a lo Largo del Tiempo por País",
    subtitle = "Basado en datos simulados (millones)",
    x = "Año",
    y = "Población (Millones)",
    caption = "Fuente de datos: Simulado"
  ) +
  theme_minimal() + theme(
    plot.title = element_text(size = 18, face = "bold"),
    axis.title = element_text(size = 14),
    legend.title = element_text(size = 12)
  )

Creación de gráficos de mapas con ggplot2

# Load necessary datasets
dados <- read.csv("https://breeding-insight.github.io/learn-hub/r-intro/data/dados_2025.csv")

colnames(dados) <- c("Date", "Affiliation", "Longitude", "Latitude", "Background", "Present_Occupation", "Explain", "KnowledgeR")

# Create quantitative measure
dados$KnowledgeR_num <- NA
dados$KnowledgeR_num[dados$KnowledgeR == "Advanced"] <- 3
dados$KnowledgeR_num[dados$KnowledgeR == "Intermediate"] <- 2
dados$KnowledgeR_num[dados$KnowledgeR == "Beginner (some knowledge)"] <- 1
dados$KnowledgeR_num[dados$KnowledgeR == "No R knowledge"] <- 0
dados$KnowledgeR_num[dados$KnowledgeR == ""] <- NA


# Cargar los datos del mapa del mundo
world_map <- map_data("world")

dados$Latitude <- as.numeric(dados$Latitude) 

## Warning: NAs introduced by coercion

dados$Longitude <- as.numeric(dados$Longitude)

## Warning: NAs introduced by coercion

# Crear el gráfico
ggplot() +
  geom_polygon(data = world_map, aes(x = long, y = lat, group = group), fill = "lightgray", color = "white") +
  # Graficar los puntos ubicación de cada persona
  geom_point(data = dados, aes(x = Longitude, y = Latitude), alpha = 0.7) +
  labs(title = "R course students", x = "Longitud", y = "Latitud") +
  theme_minimal() +
  theme(legend.position = "bottom")

## Warning: Removed 4 rows containing missing values or values outside the scale range
## (`geom_point()`).

# color por profesión
ggplot() +
  geom_polygon(data = world_map, aes(x = long, y = lat, group = group), fill = "lightgray", color = "white") +
  # Graficar los puntos ubicación de cada persona
  geom_point(data = dados, aes(x = Longitude, y = Latitude, color = Present_Occupation), alpha = 0.7) +
  labs(title = "R course students", x = "Longitud", y = "Latitud") +
  theme_minimal() +
  theme(legend.position = "bottom")

## Warning: Removed 4 rows containing missing values or values outside the scale range
## (`geom_point()`).

# amigable con daltonismo
ggplot() +
  geom_polygon(data = world_map, aes(x = long, y = lat, group = group), fill = "lightgray", color = "white") +
  # Graficar los puntos ubicación de cada persona
  geom_point(data = dados, aes(x = Longitude, y = Latitude, color = Present_Occupation), alpha = 0.7) +
  scale_colour_viridis_d() +
  labs(title = "R course students", x = "Longitud", y = "Latitud") +
  theme_minimal() +
  theme(legend.position = "bottom")

## Warning: Removed 4 rows containing missing values or values outside the scale range
## (`geom_point()`).