Introducción a R

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

Práctica: Empecemos una hora heróica!

(Available at https://gph.is/2fTItW7, Sep 12, 2018)

Paquetes

La mejor manera de usar R para análisis de datos es aprovechando la gran cantidad de paquetes que aportan funcionalidad adicional.

1. Instalación de paquetes

install.packages("readr")

2. Cargar paquetes

library(readr)

Instala los paquetes ggplot2 y dplyr.

            Cárga los paquetes que instalaste.

cohesion_rezago <- read_csv("data/cohesion_rezago_social.csv")

## Parsed with column specification:
## cols(
##   .default = col_double(),
##   Cve_Ent = col_character(),
##   Ent = col_character(),
##   Cve_Mun = col_character(),
##   Mun = col_character(),
##   Grado_rezago_social = col_character(),
##   Grado_cohesion_social = col_character(),
##   Grado_de_polarizacion = col_character(),
##   Poblacion_cat = col_character()
## )

## See spec(...) for full column specifications.

head(cohesion_rezago)

## # A tibble: 6 x 20
##   Cve_Ent Ent   Cve_Mun Mun   Poblacion Indice_rezago_s… Grado_rezago_so…
##   <chr>   <chr> <chr>   <chr>     <dbl>            <dbl> <chr>           
## 1 01      Agua… 01001   Agua…    797010            -1.56 Muy bajo        
## 2 01      Agua… 01002   Asie…     45492            -1.01 Muy bajo        
## 3 01      Agua… 01003   Calv…     54136            -1.10 Muy bajo        
## 4 01      Agua… 01004   Cosío     15042            -1.13 Muy bajo        
## 5 01      Agua… 01005   Jesú…     99590            -1.30 Muy bajo        
## 6 01      Agua… 01006   Pabe…     41862            -1.34 Muy bajo        
## # ... with 13 more variables: Viviendas_sin_electricidad <dbl>,
## #   Viviendas_sin_drenaje <dbl>, Viviendas_sin_lavadora <dbl>,
## #   Viviendas_sin_refrigerador <dbl>, Viviendas_sin_excusado <dbl>,
## #   Viviendas_sin_agua_entubada <dbl>, Viviendas_piso_tierra <dbl>,
## #   Pob_analfabeta <dbl>, Pob_sin_servicios_salud <dbl>, Gini <dbl>,
## #   Grado_cohesion_social <chr>, Grado_de_polarizacion <chr>,
## #   Poblacion_cat <chr>

Graficación

Utilizaremos el paquete ggplot2 que fue desarrollado por Hadley Wickham.

library(ggplot2)

5. Gráficas de dispersión

ggplot(data = cohesion_rezago) + 
  geom_point(mapping = aes(x = Viviendas_sin_lavadora, y = Viviendas_sin_refrigerador)) 

## Warning: Removed 2 rows containing missing values (geom_point).

¿Qué pasó?

ggplot(data = cohesion_rezago) + geom_point(mapping = aes(x = Viviendas_sin_lavadora, y = Viviendas_sin_refrigerador))

• En ggplot2 se inicia una gráfica con la instrucción ggplot().

• Especificamos explicitamente que base de datos usamos, este es el primer argumento en la función ggplot.

ggplot(data = cohesion_rezago)

• Después añadimos capas, y dentro de aes() escribimos las variables que queremos graficar y el atributo de la gráfica al que queremos mapearlas.

geom_point(aes(x = Viviendas_sin_lavadora, y = Viviendas_sin_refrigerador))

• En este caso la función geom_point() añade una capa de puntos, hay muchas funciones geometrías incluídas en ggplot2: geom_line(), geom_boxplot(), geom_histogram,…

• En el ejemplo de arriba mapeamos Viviendas_sin_lavadora al eje x, Viviendas_sin_refrigerador al eje y, pero geom_point() nos permite representar más variables usando la forma, color y/o tamaño del punto. Esta flexibilidad nos permite entender o descubrir patrones más interesantes en los datos.

ggplot(data = cohesion_rezago) + 
  geom_point(mapping = aes(x = Viviendas_sin_lavadora, 
      y = Viviendas_sin_refrigerador, color = Grado_de_polarizacion)) 

## Warning: Removed 2 rows containing missing values (geom_point).

Experimenta con los aesthetics color (color), tamaño (size) y forma (shape).

            ¿Qué diferencia hay entre las variables categóricas y las continuas?

            ¿Qué ocurre cuando combinas varios aesthetics?

El mapeo de las propiedades estéticas se denomina escalamiento y depende del tipo de variable, las variables discretas (por ejemplo, genero, escolaridad, país) se mapean a distintas escalas que las variables continuas (variables numéricas como edad, estatura, etc.), los defaults para algunos atributos son (los escalamientos se pueden modificar):

6. Más tipos de gráficas:

ggplot(cohesion_rezago, aes(x = Viviendas_sin_lavadora, 
      y = Viviendas_sin_refrigerador)) + 
    geom_line() 

## Warning: Removed 2 rows containing missing values (geom_path).

No es una buena gráfica!

¿Cómo podemos mejorar la siguiente gráfica?

mortalidad <- read_csv("data/mortalidad.csv")

## Parsed with column specification:
## cols(
##   anio = col_double(),
##   edo = col_character(),
##   tipo = col_character(),
##   sexo = col_character(),
##   tasa = col_double()
## )

ggplot(mortalidad, aes(x = anio, y = tasa)) +
    geom_point()

Color?

ggplot(mortalidad, aes(x = anio, y = tasa, color = sexo)) +
    geom_point()

Podemos probar otros geoms.

ggplot(mortalidad, aes(x = factor(anio), y = tasa, color = sexo)) +
    geom_boxplot() 

¿Cómo esta relacionado el índice de rezago y la población?

Veamos ahora como hacer gráficas de paneles, la idea es hacer varios múltiplos de una gráfica donde cada múltiplo representa un subconjunto de los datos, es una práctica muy útil para explorar relaciones condicionales.

7. Podemos usar facet_wrap() para hacer paneles dividiendo los datos de acuerdo a las categorías de una sola variable:

ggplot(mortalidad, aes(x = factor(anio), y = tasa, color = sexo)) +
    geom_boxplot() +
    facet_wrap(~ tipo)

Pero… ¿qué queremos ver?

ggplot(mortalidad, aes(x = factor(anio), y = tasa, color = sexo, group = edo)) +
    geom_path(alpha = 0.5) +
    facet_grid(reorder(tipo, tasa) ~ sexo, scales = "free_y")

Y con unas mejoras:

library(dplyr)
mortalidad_2008 <- filter(mortalidad, anio == 2008)
mortalidad_2008_gpd <- group_by(mortalidad_2008, tipo, sexo)
edos_mortalidad_mayor <- top_n(mortalidad_2008_gpd, 1, tasa)
edos_mortalidad_menor <- top_n(mortalidad_2008_gpd, 1, -tasa)


ggplot(data = mortalidad, aes(x = factor(anio), y = tasa, color = sexo, 
    group = edo)) +
    geom_path(alpha = 0.5) +
    geom_text(data = edos_mortalidad_mayor, aes(x = factor(anio), y = tasa, 
        label = edo), size = 2.5, hjust = 1, vjust = 0, color = "black") +
    geom_text(data = edos_mortalidad_menor, aes(x = factor(anio), y = tasa, 
        label = edo), size = 2.5, hjust = 1, vjust = 0, color = "black") +
    facet_grid(tipo ~ sexo, scales = "free_y") +     
    theme(axis.text.x = element_text(angle = 90, hjust = 1))

Manipulación

8. Filtrar: nos permite obtener un subconjunto de los datos:

filter(cohesion_rezago, Grado_rezago_social == "Muy alto")

## # A tibble: 113 x 20
##    Cve_Ent Ent   Cve_Mun Mun   Poblacion Indice_rezago_s… Grado_rezago_so…
##    <chr>   <chr> <chr>   <chr>     <dbl>            <dbl> <chr>           
##  1 07      Chia… 07007   Amat…      8728             2.14 Muy alto        
##  2 07      Chia… 07022   Chal…     14027             3.09 Muy alto        
##  3 07      Chia… 07023   Cham…     76941             2.37 Muy alto        
##  4 07      Chia… 07026   Chen…     36111             2.17 Muy alto        
##  5 07      Chia… 07031   Chil…    111554             1.92 Muy alto        
##  6 07      Chia… 07056   Mito…     11157             2.51 Muy alto        
##  7 07      Chia… 07066   Pant…     20589             2.23 Muy alto        
##  8 07      Chia… 07082   Sita…     12269             2.84 Muy alto        
##  9 07      Chia… 07111   Zina…     36489             2.11 Muy alto        
## 10 07      Chia… 07112   San …     29016             2.42 Muy alto        
## # ... with 103 more rows, and 13 more variables:
## #   Viviendas_sin_electricidad <dbl>, Viviendas_sin_drenaje <dbl>,
## #   Viviendas_sin_lavadora <dbl>, Viviendas_sin_refrigerador <dbl>,
## #   Viviendas_sin_excusado <dbl>, Viviendas_sin_agua_entubada <dbl>,
## #   Viviendas_piso_tierra <dbl>, Pob_analfabeta <dbl>,
## #   Pob_sin_servicios_salud <dbl>, Gini <dbl>,
## #   Grado_cohesion_social <chr>, Grado_de_polarizacion <chr>,
## #   Poblacion_cat <chr>

• Algunos operadores importantes para filtrar son:

x > 1
x >= 1
x < 1
x <= 1
x != 1
x == 1
x %in% c("a", "b")

• El primer argumento de filter() es el nombre del data frame, los subsecuentes son las expresiones que indican que filas filtrar.

Selecciona los municipios correspondientes al estado en que naciste.

            Selecciona los municipios correspondientes al estado en que naciste y con grado de rezago social menor a -1.

            Filtra los municipios con población mayor a 1 millón.

9. Mutar consiste en crear nuevas variables aplicando una función a columnas existentes:

mutate(cohesion_rezago, Pob_miles = Poblacion / 1000) 

## # A tibble: 2,458 x 21
##    Cve_Ent Ent   Cve_Mun Mun   Poblacion Indice_rezago_s… Grado_rezago_so…
##    <chr>   <chr> <chr>   <chr>     <dbl>            <dbl> <chr>           
##  1 01      Agua… 01001   Agua…    797010           -1.56  Muy bajo        
##  2 01      Agua… 01002   Asie…     45492           -1.01  Muy bajo        
##  3 01      Agua… 01003   Calv…     54136           -1.10  Muy bajo        
##  4 01      Agua… 01004   Cosío     15042           -1.13  Muy bajo        
##  5 01      Agua… 01005   Jesú…     99590           -1.30  Muy bajo        
##  6 01      Agua… 01006   Pabe…     41862           -1.34  Muy bajo        
##  7 01      Agua… 01007   Rinc…     49156           -1.26  Muy bajo        
##  8 01      Agua… 01008   San …      8443           -1.10  Muy bajo        
##  9 01      Agua… 01009   Tepe…     19668           -1.04  Muy bajo        
## 10 01      Agua… 01010   El L…     18828           -0.885 Muy bajo        
## # ... with 2,448 more rows, and 14 more variables:
## #   Viviendas_sin_electricidad <dbl>, Viviendas_sin_drenaje <dbl>,
## #   Viviendas_sin_lavadora <dbl>, Viviendas_sin_refrigerador <dbl>,
## #   Viviendas_sin_excusado <dbl>, Viviendas_sin_agua_entubada <dbl>,
## #   Viviendas_piso_tierra <dbl>, Pob_analfabeta <dbl>,
## #   Pob_sin_servicios_salud <dbl>, Gini <dbl>,
## #   Grado_cohesion_social <chr>, Grado_de_polarizacion <chr>,
## #   Poblacion_cat <chr>, Pob_miles <dbl>

Calcula el número de personas en pobreza extrema en cada municipio.

10. Resumir: Crear valores con la información en las columnas de la base de datos:

summarise(cohesion_rezago, media_pob = mean(Poblacion, na.rm = TRUE))

## # A tibble: 1 x 1
##   media_pob
##       <dbl>
## 1    45740.

summarise(cohesion_rezago, media_pob = mean(Poblacion, na.rm = TRUE), 
    mediana_pob = mean(Poblacion, na.rm = TRUE), 
    min_pob = min(Poblacion, na.rm = TRUE), 
    max_pob = max(Poblacion, na.rm = TRUE))

## # A tibble: 1 x 4
##   media_pob mediana_pob min_pob max_pob
##       <dbl>       <dbl>   <dbl>   <dbl>
## 1    45740.      45740.      93 1815786

¿Cuál es el promedio de analfabetismo municipal?
            ¿Cuántos analfabetas hay en México?
            ¿Cuántos analfabetas hay en tu estado?
            ¿Cuántos municipios clasifican en alto rezago social?

¡Demasiada información!

Aprender algo nuevo es difícil e intimidante, para todos!

scared

Pero el dolor pasa :D

(Available at https://gph.is/1LjlEFE, Sep 13, 2018)