Clase 5 (Beta)

Alexis Zúñiga & Ernesto Barrios

Capítulo 13: Manipulación de datos

En el capítulos anteriores ya habíamos visto lo que son las estructuras de datos y su exploración, y los data
frames y sus operadores lógicos. Ahora lo que vamos a hacer es entrar en la parte de Manipulación de datos
con todos los conceptos que ya habíamos visto relacionados a esta parte.
Para ello utilizaremos el arreglo mtcars. Recordemos un poco cómo es que se ve:
head(mtcars)

## mpg cyl disp hp drat wt qsec vs am gear carb

## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1
Para obtener columnas individuales se utiliza el operador $ seguido del nombre de la columna. Si queremos
que la consola nos regrese la columna ‘mpg’ escribimos:
mtcars$mpg

## [1] 21.0 21.0 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 17.8 16.4 17.3 15.2 10.4
## [16] 10.4 14.7 32.4 30.4 33.9 21.5 15.5 15.2 13.3 19.2 27.3 26.0 30.4 15.8 19.7
## [31] 15.0 21.4
Esto nos devuelve el vector correspondiente a la columna ‘mpg’. Al tratarse de un vector, podemos aplicar
todas las operaciones y técnicas conocidas. Si quisiéramos acceder al segundo elemento, escribiríamos:
mtcars$mpg[2]

## [1] 21
A continuación, crearemos una nueva columna. Utilizamos la notación $ con un nombre de columna inexistente
y el operador de asignación <- para asignar valores a esta nueva columna:
mtcars$like <- rep(0, nrow(mtcars))
head(mtcars)

## mpg cyl disp hp drat wt qsec vs am gear carb like

## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 0
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4 0
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1 0
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 0
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2 0
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1 0

1
En este ejemplo, usamos la función rep() para repetir el valor 0 tantas veces como filas tenga mtcars. Sin
embargo, en R, también podemos asignar un único valor que se reciclará a lo largo de toda la columna:
mtcars$like <- 0
head(mtcars)

## mpg cyl disp hp drat wt qsec vs am gear carb like

## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 0
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4 0
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1 0
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 0
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2 0
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1 0
Para modificar valores específicos de esta columna, seguimos el mismo procedimiento utilizado para vectores.
Seleccionamos el elemento deseado y le asignamos un nuevo valor:
mtcars$like[18] <- 1
mtcars$like[12] <- 1
mtcars$like[2] <- 1
mtcars$like[28] <- 1
mtcars$like[20] <- 1
mtcars$like[21] <- 1
mtcars$like

## [1] 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 1 1 0 0 0 0 0 0 1 0 0 0 0
Dado que la columna es un vector, podemos aplicar las mismas operaciones que conocemos para vectores:
sum(mtcars$like)

## [1] 6
max(mtcars$cyl)

## [1] 8
La primera línea suma los valores de la columna ‘like’, mientras que la segunda encuentra el valor máximo en
la columna ‘cyl’.
Para aplicar condiciones lógicas y filtrar datos, podemos ejecutar:
mtcars$cyl >=8

## [1] FALSE FALSE FALSE FALSE TRUE FALSE TRUE FALSE FALSE FALSE FALSE TRUE
## [13] TRUE TRUE TRUE TRUE TRUE FALSE FALSE FALSE FALSE TRUE TRUE TRUE
## [25] TRUE FALSE FALSE FALSE TRUE FALSE TRUE FALSE
Esto devuelve un vector booleano indicando si cada elemento de mtcars$cyl cumple con la condición. Podemos
usar este vector booleano para filtrar filas:
mtcars[mtcars$cyl >= 8, ]

## mpg cyl disp hp drat wt qsec vs am gear carb like

## Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2 0
## Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4 0
## Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3 1
## Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3 0
## Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3 0
## Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4 0
## Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4 0

2
## Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4 0
## Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2 0
## AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2 0
## Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4 0
## Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2 0
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4 0
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8 0
Para seleccionar columnas específicas junto con esta condición, usamos un vector de índices o nombres de
columnas:
#Un vector de índices columnas
mtcars[mtcars$cyl >=8 & mtcars$disp > 400, c(1,4,5)]

## mpg hp drat
## Cadillac Fleetwood 10.4 205 2.93
## Lincoln Continental 10.4 215 3.00
## Chrysler Imperial 14.7 230 3.23
#Un rango de índices columnas
mtcars[mtcars$cyl >=8 & mtcars$disp > 400, 2:5]

## cyl disp hp drat

## Cadillac Fleetwood 8 472 205 2.93
## Lincoln Continental 8 460 215 3.00
## Chrysler Imperial 8 440 230 3.23
#Un vector con nombres de columnas
mtcars[mtcars$cyl >=8 & mtcars$disp > 400, c('mpg','cyl', 'disp')]

## mpg cyl disp

## Cadillac Fleetwood 10.4 8 472
## Lincoln Continental 10.4 8 460
## Chrysler Imperial 14.7 8 440
Para seleccionar una sola columna, utilizamos el operador $ después de los corchetes:
mtcars[mtcars$cyl >=8 & mtcars$disp > 400,]$mpg

## [1] 10.4 10.4 14.7

Si queremos asignar estos resultados a una nueva variable, lo hacemos de la siguiente manera:
cars_4_cyl <- mtcars[mtcars$cyl == 4, ]
head(cars_4_cyl)

## mpg cyl disp hp drat wt qsec vs am gear carb like

## Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 0
## Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2 0
## Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2 0
## Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1 1
## Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2 0
## Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1 1
Hasta ahora, estas operaciones no han modificado el data frame original mtcars. Las modificaciones ocurren
sólo cuando hacemos asignaciones.

Ahora, usaremos nuestro conocimiento sobre la creación de columnas y números pseudoaleatorios para agregar
una columna tank, que indicará el tamaño del tanque de gasolina de los coches:

3
[Link](13)
cars_4_cyl$tank <- round(rnorm(nrow(cars_4_cyl), 18, 5))
cars_4_cyl

## mpg cyl disp hp drat wt qsec vs am gear carb like tank

## Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 0 21
## Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2 0 17
## Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2 0 27
## Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1 1 19
## Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2 0 24
## Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1 1 20
## Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1 1 24
## Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1 0 19
## Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2 0 16
## Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2 1 24
## Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2 0 13
Aquí, rnorm() genera números con una media de 18 y una desviación estándar de 5, y round() redondea estos
números. La cantidad de números generados corresponde al número de filas en cars_4_cyl.
Podemos ver un resumen de esta nueva columna:
summary(cars_4_cyl$tank)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 13.00 18.00 20.00 20.36 24.00 27.00
Como las columnas de un data frame son vectores del mismo tamaño, podemos realizar operaciones entre
ellas. Para calcular la distancia máxima de cada coche, multiplicamos la columna mpg por la columna tank:
cars_4_cyl$distancia_maxima <- cars_4_cyl$mpg * cars_4_cyl$tank
summary(cars_4_cyl$distancia_maxima)

## Min. 1st Qu. Median Mean 3rd Qu. Max.

## 278.2 447.4 518.7 544.6 646.8 729.6
Finalmente, podemos filtrar el data frame con múltiples condiciones. Por ejemplo, para encontrar filas donde
mpg sea mayor a 30 y la distancia_maxima sea menor a 400:
cars_4_cyl[cars_4_cyl$mpg > 30 & cars_4_cyl$distancia_maxima < 400, ]

## [1] mpg cyl disp hp

## [5] drat wt qsec vs
## [9] am gear carb like
## [13] tank distancia_maxima
## <0 rows> (or 0-length [Link])
Esto devolverá un data frame sin filas, ya que ninguna cumple ambas condiciones.
Para asignar los nombres de marca y modelo a una nueva columna:
cars_4_cyl$marca_modelo <- rownames(cars_4_cyl)
head(cars_4_cyl)

## mpg cyl disp hp drat wt qsec vs am gear carb like tank

## Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1 0 21
## Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2 0 17
## Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2 0 27
## Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1 1 19
## Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2 0 24

4
## Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1 1 20
## distancia_maxima marca_modelo
## Datsun 710 478.8 Datsun 710
## Merc 240D 414.8 Merc 240D
## Merc 230 615.6 Merc 230
## Fiat 128 615.6 Fiat 128
## Honda Civic 729.6 Honda Civic
## Toyota Corolla 678.0 Toyota Corolla
Otra forma de ver el data frame completo es con la función View(), que abre una ventana separada para
explorar los datos:
View(cars_4_cyl)
Ahora podemos ver que nuestra nueva columna con los nombres de marca y modelo está incluida en el data
frame.

5
 Capítulo 14: Manipulación de texto
La manipulación de texto en R es una tarea común y se puede realizar utilizando diversas funciones y paquetes.
Vamos a ver algunos ejemplos de cómo manipular texto utilizando el conjunto de datos mtcars.

Convertir nombre de filas a columnas

Primero, podemos convertir los nombres de las filas de mtcars a una columna para facilitar la manipulación
del texto:
mtcars$car_name <- rownames(mtcars)
head(mtcars)

## mpg cyl disp hp drat wt qsec vs am gear carb like

## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4 0
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4 1
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1 0
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1 0
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2 0
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1 0
## car_name
## Mazda RX4 Mazda RX4
## Mazda RX4 Wag Mazda RX4 Wag
## Datsun 710 Datsun 710
## Hornet 4 Drive Hornet 4 Drive
## Hornet Sportabout Hornet Sportabout
## Valiant Valiant

Manipulaciones básicas de texto

Convertir mayúsculas a minúsculas
Podemos convertir los nombres de coches a mayúsculas o minúsculas usando toupper()o tolower()
mtcars$car_name_upper <- toupper(mtcars$car_name)
mtcars$car_name_lower <- tolower(mtcars$car_name)
head(mtcars[, c("car_name", "car_name_upper", "car_name_lower")])

## car_name car_name_upper car_name_lower

## Mazda RX4 Mazda RX4 MAZDA RX4 mazda rx4
## Mazda RX4 Wag Mazda RX4 Wag MAZDA RX4 WAG mazda rx4 wag
## Datsun 710 Datsun 710 DATSUN 710 datsun 710
## Hornet 4 Drive Hornet 4 Drive HORNET 4 DRIVE hornet 4 drive
## Hornet Sportabout Hornet Sportabout HORNET SPORTABOUT hornet sportabout
## Valiant Valiant VALIANT valiant

Susitituit texto
Usamos gsub() para reemplazar partes de los nombres de los coches. Por ejemplo, podemos reemplazar
“Mazda” por “Toyota”:
mtcars$car_name_replaced <- gsub("Mazda", "Toyota", mtcars$car_name)
head(mtcars[, c("car_name", "car_name_replaced")])

## car_name car_name_replaced
## Mazda RX4 Mazda RX4 Toyota RX4
## Mazda RX4 Wag Mazda RX4 Wag Toyota RX4 Wag

6
## Datsun 710 Datsun 710 Datsun 710
## Hornet 4 Drive Hornet 4 Drive Hornet 4 Drive
## Hornet Sportabout Hornet Sportabout Hornet Sportabout
## Valiant Valiant Valiant

Dvidir y unir texto

Podemos dividir los nomnbres de los coches en palabras individuales utilizando strsplit() y unirls d nuevo
con paste().
# Dividir nombres en palabras
split_names <- strsplit(mtcars$car_name, " ")
split_names[1:5]

## [[1]]
## [1] "Mazda" "RX4"
##
## [[2]]
## [1] "Mazda" "RX4" "Wag"
##
## [[3]]
## [1] "Datsun" "710"
##
## [[4]]
## [1] "Hornet" "4" "Drive"
##
## [[5]]
## [1] "Hornet" "Sportabout"
# Unir palabras con un guion
mtcars$car_name_hyphen <- sapply(split_names, function(x) paste(x, collapse = "-"))
head(mtcars[, c("car_name", "car_name_hyphen")])

## car_name car_name_hyphen
## Mazda RX4 Mazda RX4 Mazda-RX4
## Mazda RX4 Wag Mazda RX4 Wag Mazda-RX4-Wag
## Datsun 710 Datsun 710 Datsun-710
## Hornet 4 Drive Hornet 4 Drive Hornet-4-Drive
## Hornet Sportabout Hornet Sportabout Hornet-Sportabout
## Valiant Valiant Valiant

Extraer subcadenas
Podemos extraer ciertas partes de los nombres usando substr(). Por ejemplo, extraer los primeros 5 caracteres
de cada nombre de coche:
mtcars$car_name_substr <- substr(mtcars$car_name, 1, 5)
head(mtcars[, c("car_name", "car_name_substr")])

## car_name car_name_substr
## Mazda RX4 Mazda RX4 Mazda
## Mazda RX4 Wag Mazda RX4 Wag Mazda
## Datsun 710 Datsun 710 Datsu
## Hornet 4 Drive Hornet 4 Drive Horne
## Hornet Sportabout Hornet Sportabout Horne
## Valiant Valiant Valia

7
Veremos ahora una serie de funciones para manipular texto (o vectores de texto). Estas son especialmente
útiles para la limpieza de columnas de datos. La primera que analizaremos es grepl().
Esta sirve para buscar un patrón de caracteres en un vector. Usemos la columna de marca y modelo como
vector ejemplo. La sintaxis es gsub(patrón, vector)
grepl('Fiat', cars_4_cyl$marca_modelo)

## [1] FALSE FALSE FALSE TRUE FALSE FALSE FALSE TRUE FALSE FALSE FALSE
Obtenemos un vector booleano que por sí solo no nos es muy útil. Sin embargo, este se puede escribir dentro
de los corchetes de indexación de un arreglo para obtener un resultado más útil.
cars_4_cyl[grepl('Fiat', cars_4_cyl$marca_modelo), ]

## mpg cyl disp hp drat wt qsec vs am gear carb like tank

## Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1 1 19
## Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1 0 19
## distancia_maxima marca_modelo
## Fiat 128 615.6 Fiat 128
## Fiat X1-9 518.7 Fiat X1-9
Ahora vemos que la función nos es útil para buscar datos específicos dentro de una cadena en un arreglo, no
solo el dato completo de la columna (Esto se lograría con arreglo[dato == buscado]).

Vectorización de funciones
Para resolver el problema anterior primero tenemos que definir una función que haga lo que queremos. Ya
analizamos el problema en el paso anterior entonces lo podemos aplicar de manera casi idéntica. Con la única
excepción de que ahora lo pensamos como si la función recibiera un solo elemento a la vez.
extrae_apellido <- function(nombre_completo){
strsplit(nombre_completo, " ")[[1]][2]
}

Verificamos que funcione como queremos:

extrae_apellido("Juan Pérez")

## [1] "Pérez"
Ahora utilizaremos la familia de funciones apply() para aplicar esta función a todos los elementos de un
vector. Primero analizaremos sapply() y lapply(). La sintaxis para estas es: apply(vector, función)
nombre_apellidos <- c("Alexis Zúñiga", "Juan Pérez", "José Hernández")

sapply(nombre_apellidos, extrae_apellido) #La función se escribe sin paréntesis

## Alexis Zúñiga Juan Pérez José Hernández

## "Zúñiga" "Pérez" "Hernández"
lapply(nombre_apellidos, extrae_apellido)

## [[1]]
## [1] "Zúñiga"
##
## [[2]]
## [1] "Pérez"
##
## [[3]]
## [1] "Hernández"

8
La función sapply() nos regresa un vector con los resultados que además tiene nombres y estos son los
elementos del vector original. Por otro lado, lapply() regresa una lista donde cada resultado está en su
propio vector.
Declaremos ahora una función más compleja y por lo tanto más útil que la que tenemos actualmente. Esta
nos va a permitir indicarle qué caracter usar para el separador y también qué parte del nombre completo
queremos extraer. Nótese que vamos a establecer valores predeterminados para estos parámetros.
extrae_de_nombre <- function(nombre_completo, separador = " ", posicion = 2){ strsplit(nombre_completo,
}
# Usando los valores default
extrae_de_nombre("Elba Laso")

## [1] "Laso"
# Si los especificamos
extrae_de_nombre("Pepe Roni", " ", 2)

## [1] "Roni"
# Extraer el nombre
extrae_de_nombre("Alan Brito ", posicion =1)

## [1] "Alan"
# Con diferente separador
extrae_de_nombre("Aitor-Tilla", separador = "-")

## [1] "Tilla"
Para usar parámetros con las funciones lapply() o sapply() se usa la siguiente sintaxis: apply(vector,
función, parámetro = valor).
sapply(nombre_apellidos, extrae_de_nombre, posicion = 1)

## Alexis Zúñiga Juan Pérez José Hernández

## "Alexis" "Juan" "José"
Sin embargo estas funciones solo reciben un parámetro por función. En este caso funciona porque nuestra
función tiene valores default para los argumentos que no especificamos. Sin embargho, si queremos declarar
todos individualmente, es necesario utilizar la función mapply(). Funciona igual que las demás funciones de la
familia apply pero en este caso recibe argumentos infinitos y por lo tanto cambia la sintaxis: mapply(función,
arg1,arg2,... ,vector)
nombres2 <- c("Ernesto-J-Barrios", "Alexis-X-Zúñiga", "Ana-L-Melo")
mapply(extrae_de_nombre, separador = "-", posicion = 3, nombres2)

## - <NA> <NA>
## "Barrios" "Zúñiga" "Melo"