2.1 R: primeros pasos

Para comenzar se debe descargar R, esta descarga incluye R básico y un editor de textos para escribir código. Después de descargar R se recomienda descargar RStudio (gratis y libre).

Rstudio es un ambiente de desarrollo integrado para R: incluye una consola, un editor de texto y un conjunto de herramientas para administrar el espacio de trabajo cuando se utiliza R.

Algunos shortcuts útiles en RStudio son:

En el editor

  • command/ctrl + enter: enviar código a la consola
  • ctrl + 2: mover el cursor a la consola

En la consola

  • flecha hacia arriba: recuperar comandos pasados
  • ctrl + flecha hacia arriba: búsqueda en los comandos
  • ctrl + 1: mover el cursor al editor

R en análisis de datos

El estándar científico para contestar preguntas o tomar decisiones es uno que se basa en el análisis de datos. Aquí consideramos técnicas cuantitativas: recolectar, organizar, entender, interpretar y extraer información de colecciones de datos predominantemente numéricos. Todas estas tareas son partes del análisis de datos, cuyo proceso podría resumirse con el siguiente diagrama:

Es importante la forma en que nos movemos dentro de estos procesos en el análisis de datos y en este curso buscamos dar herramientas para facilitar cumplir los siguientes principios:

  1. Reproducibilidad. Debe ser posible reproducir el análisis en todos sus pasos, en cualquier momento.

  2. Claridad. Los pasos del análisis deben estar documentados apropiadamente, de manera que las decisiones importantes puedan ser entendidas y explicadas claramente.

Dedicaremos las primeras sesiones a aprender herramientas básicas para poder movernos agilmente a lo largo de las etapas de análisis utilizando R y nos enfocaremos en los paquetes que forman parte del tidyverse.

Paquetes y el Tidyverse

La mejor manera de usar R para análisis de datos es aprovechando la gran cantidad de paquetes que aportan funcionalidad adicional. Desde Rstudio podemos instalar paquetes (Tools - > Install packages o usar la función install.packages("nombre_paquete")).

Las siguientes lineas instalan los paquetes devtools y readr.

Una vez instalados, podemos cargarlos a nuestra sesión de R mediante library. Por ejemplo, para cargar el paquete readr hacemos:

print(read_csv)
#> function (file, col_names = TRUE, col_types = NULL, locale = default_locale(), 
#>     na = c("", "NA"), quoted_na = TRUE, quote = "\"", comment = "", 
#>     trim_ws = TRUE, skip = 0, n_max = Inf, guess_max = min(1000, 
#>         n_max), progress = show_progress(), skip_empty_rows = TRUE) 
#> {
#>     tokenizer <- tokenizer_csv(na = na, quoted_na = quoted_na, 
#>         quote = quote, comment = comment, trim_ws = trim_ws, 
#>         skip_empty_rows = skip_empty_rows)
#>     read_delimited(file, tokenizer, col_names = col_names, col_types = col_types, 
#>         locale = locale, skip = skip, skip_empty_rows = skip_empty_rows, 
#>         comment = comment, n_max = n_max, guess_max = guess_max, 
#>         progress = progress)
#> }
#> <bytecode: 0x6959ec0>
#> <environment: namespace:readr>

library(readr)
print(read_csv)
#> function (file, col_names = TRUE, col_types = NULL, locale = default_locale(), 
#>     na = c("", "NA"), quoted_na = TRUE, quote = "\"", comment = "", 
#>     trim_ws = TRUE, skip = 0, n_max = Inf, guess_max = min(1000, 
#>         n_max), progress = show_progress(), skip_empty_rows = TRUE) 
#> {
#>     tokenizer <- tokenizer_csv(na = na, quoted_na = quoted_na, 
#>         quote = quote, comment = comment, trim_ws = trim_ws, 
#>         skip_empty_rows = skip_empty_rows)
#>     read_delimited(file, tokenizer, col_names = col_names, col_types = col_types, 
#>         locale = locale, skip = skip, skip_empty_rows = skip_empty_rows, 
#>         comment = comment, n_max = n_max, guess_max = guess_max, 
#>         progress = progress)
#> }
#> <bytecode: 0x6959ec0>
#> <environment: namespace:readr>

read_csv es una función que aporta el paquete readr, que a su vez está incluido en el tidyverse.

El paquete de arriba se instaló de CRAN, pero podemos instalar paquetes que están en otros repositorios (por ejemplo BioConductor) o paquetes que están en GitHub.

Los paquetes se instalan una sola vez, sin embargo, se deben cargar (ejecutar library(readr)) en cada sesión de R que los ocupemos.

En estas notas utilizaremos la colección de paquetes incluídos en el tidyverse. Estos paquetes de R están diseñados para ciencia de datos, y para funcionar juntos como parte de un flujo de trabajo.

La siguiente imagen tomada de Why the tidyverse (Joseph Rickert) indica que paquetes del tidyverse se utilizan para cada etapa del análisis de datos.

Recursos

Existen muchos recursos gratuitos para aprender R, y resolver nuestras dudas:

  • Buscar ayuda: Google, StackOverflow o RStudio Community.
  • Para aprender más sobre un paquete o una función pueden visitar Rdocumentation.org.
  • La referencia principal de estas notas es el libro R for Data Science de Hadley Wickham.
  • RStudio tiene una Lista de recursos en línea.
  • Para aprender programación avanzada en R, el libro gratuito Advanced R de Hadley Wickham es una buena referencia. En particular es conveniente leer la guía de estilo (para todos: principiantes, intermedios y avanzados).
  • Para mantenerse al tanto de las noticias de la comunidad de R pueden seguir #rstats en Twitter.
  • Para aprovechar la funcionalidad de RStudio.