10_Introduction_to_R.Rmd

# Introducción a `R` y a `Tidyverse`

[Presentation (PDF)](./course_material/tidyverse/Tidyverse.pdf)

## Ejercicio `R` script

El script se puede descargar en el siguiente link [downloaded here](./course_material/tidyverse/Intro_to_tidyverse.R) y también esta copiado abajo.  
  
```{r eval = FALSE}

## Aquí cargamos el tidyverse. Tidyverse incluye múltiples paquetes que pueden
# trabajar juntos. 
## Si lo cargamos directamente como lo hacemos aquí, nos arroja una tabla 
#identificando todos los paquetes que están adjuntos. 
library(tidyverse)
## también se puede ver una lista de funciones que arrojan conflictos - ver 
#nombres de funciones que aparecen bajo múltiples paquetes
## Por ejemplo, Hay una función "filter" (filtro) repetida en los paquetes 
#'stats'
## y en 'dplyr'. Mira las notas del curso sobre los prefijos de espacio de 
# nombres (por ejemplo, los usos de "dplyr::filter()" a continuación).
library(broom)
library(readxl)
```
  
Carguemos el conjunto de datos (dataset) 'starwars' que se encuentra en el paquete dplyr (lo usaremos más adelante)
```{r}
data(starwars)
```


### Cargando datos
Usando la función `read.csv` de `R` base, las clases de las columnas se importan de manera deficiente y tendríamos que convertirlas manualmente más tarde.  
  
```{r}
#Ubicacion de carpeta con datos
data_folder <- "docs/course_material/tidyverse/"

#Cargando datos
X.csv <- read.csv(file.path(data_folder, "tidyverse_dummy_import.csv"))
sapply(X.csv, class)
```
  
La biblioteca `readr` puede leer archivos `CSV` de mejor manera y las columnas se pueden definir mejor.  
  
```{r}
X.csv_r <- read_csv(file.path(data_folder, "tidyverse_dummy_import.csv"),
                    col_types = list(Occurrence_field = col_factor()))

X.csv_r
```
  
La biblioteca `readxl` se utiliza para leer otros formatos de Excel y funciona bien para columnas de fecha y hora. Sin embargo, no tiene una opción de tipo de columna para factores (si quisieras definir una columna como factor).
  
```{r}
X.xlsx_t <- read_xlsx(file.path(data_folder, "tidyverse_dummy_import.xlsx"), 1,
                      col_types = c("guess", "numeric", "numeric", "text", 
                                    "date"))

## si necesitaras convertir una columna a factor puedes usar:
X.xlsx_t$Occurrence_field <- as.factor(X.xlsx_t$Occurrence_field)
```
  
### Manipulación de datos 
Selecciona las columnas `name` (nombre), `gender` (género) y `homeworld` (mundo de origen).  
  
```{r}
starwars |> 
  dplyr::select(name, gender, homeworld)
```
  
Ten en cuenta que usamos `dplyr::select()` en lugar de `select()` porque hay varias funciones `select` en diferentes paquetes. Usar el nombre del paquete como prefijo hace que sea claro cuál función y de qué paquete estamos usando y reduce la posibilidad de errores causados por paquetes que se cargan en un orden diferente.  
  
El equivalente en `R` base se muestra abajo.
```{r}
starwars[,c('name','gender','homeworld')]
```
  
Filtra las columnas con personajes de Tatooine.  
  
```{r}
starwars |> 
  dplyr::filter(homeworld == 'Tatooine')
```
  
Equivalente en `R` base.  
  
```{r}
starwars[which(starwars$homeworld=='Tatooine'),]
```

### Encadenamiento "stringing" de argumentos
Aquí mostramos cómo aplicar varias funciones a una misma variable utilizando la pipa (`|>`) con el `tidyverse`.  
  
```{r}
starwars |>
  dplyr::select(name, gender, homeworld) |>
  dplyr::filter(homeworld == "Tatooine")  
```
  
Equivalente en `R` base.    
  
```{r}
starwars[which(starwars$homeworld == "Tatooine"), 
         c("name", "gender", "homeworld")]
```
  
### Agrupamiento y resumen de datos
Con el `tidyverse` el agrupamiento de datos se hace con la función `group_by()`.  
  
```{r}
starwars |> 
  group_by(homeworld)
```
  
Si queremos obtener la altura promedio de los personajes, agrupados por `homeworld`, y agregar un recuento para obtener el tamaño de la muestra. Lo podemos hacer de la siguiente manera.  
  
```{r}
starwars |>
  group_by(homeworld) |>
  summarise(promedio_altura = mean(height), n = n())
```
  
Podemos obtener la altura promedio de los personajes, agrupados por `homeworld` y género (`gemder`), y agregar un recuento para obtener el tamaño de la muestra pero ignorando cualquier fila con valores `NA`.  
  
```{r}
starwars |>
  group_by(homeworld, gender) |>
  summarise(altura_promedio = mean(height), n = n()) |>
  dplyr::filter(!is.na(homeworld))
```
  
### Otras formas de contar
Podemos contar por grupo sin necesidad de agrupar de la siguiente manera.  
  
```{r}
starwars |> 
  count(homeworld, gender) |> 
  #Removemos filas NA
  dplyr::filter(!is.na(homeworld))
```
  
Otra opción es la siguiente:  
  
```{r}
starwars |>
  add_count(homeworld, gender) |> 
  dplyr::filter(!is.na(homeworld))
```
  
# TAREA 1

1. Crea una tabla con la media, mediana y desviación estándar de la masa para todos los humanos con cabello marrón.  
  
```{r}
starwars |>
  group_by(hair_color, species) |>
  summarise(masa_promedio = mean(mass, na.rm = T),
            masa_mediana = median(mass, na.rm = T),
            masa_ds = sd(mass, na.rm = T)) |>
  dplyr::filter(species == "Human", hair_color == "brown")
```  
  
2. Obtén al personaje no humano más alto y el más bajo.  
  
```{r}
starwars |>
  dplyr::filter(species != 'Human') |>
  arrange(height)
```
  
```{r}
starwars |>
  dplyr::filter(species != 'Human') |>
  arrange(-height)
```
  
3. ¿Cuántos droides aparecieron en "Attack of the Clones"?  
  
```{r}
starwars |>
  unnest(films) |>
  count(species, films) |>
  dplyr::filter(species == "Droid", films == "Attack of the Clones")
```
  
## Mutaciones
Esto calculará una nueva columna con la relación entre la altura y la masa (`height`:`mass`).  
  
```{r}
starwars |>
  mutate(hm_ratio = height/mass)
```
  
## Uniones

```{r}
df1 <- tibble(
  category = c('a','a','b','c','c','a','b'),
  id = c(1,2,3,4,5,6,7)
)

df2 <- tibble(
  category = c('b','a','b','a','a','c','c'),
  id = c(7,6,5,4,3,2,1)
)

## Esto unirá las dos tablas tibble por el valor de id.
df1 |> 
  left_join(df2, by='id')
```
  
## Reunir y Extender
Este es un conjunto de datos en el que podrás encontrar diferentes dispositivos que toman medidas en el mismo día.  
  
```{r}
sst_data <- data.frame(
  time = as.Date('2009-01-01') + 0:9,
  unit_A = round(runif(10, 6, 9),2),
  unit_B = round(runif(10, 7, 10),2),
  unit_C = round(runif(10, 6, 10),2)
)

sst_data
```
  
`pivot_longer` hace que el marco de datos pase de un formato ANCHO (WIDE) a LARGO (LONG). El formato LARGO suele ser utilizado por `ggplot2`.  
  
```{r}
sst_data |>
  pivot_longer(!time, names_to = "unit", values_to = "sst")
```
  
`pivot_wider` es la función opuesta a `pivot_longer` y cambia el formato de LARGO a ANCHO.  
  
```{r}
sst_data |>
  pivot_longer(!time, names_to = "unit", values_to = "sst") |>
  pivot_wider(names_from = "unit", values_from = "sst")
```
  
## Anidaciones
Esto anida las columnas `unit` y `sst` en una tabla para cada columna de tiempo.  
  
```{r}
nested_sst <- sst_data |>
  pivot_longer(!time, names_to = "unit", values_to = "sst") |>
  nest_by(time)

nested_sst
```
  
Si queremos ver una tabla de datos en específico, podemos hacerlo de la siguiente manera.  
  
```{r}
nested_sst$data[[1]]
```
  
# TAREA 1
1. Haz un `tibble` con películas de Star Wars clasificadas según tu preferencia.  
  
```{r}
ranking_peliculas <- tibble(
  films = c('The Phantom Menace', 'Attack of the Clones', 'Revenge of the Sith',
            'A New Hope', 'The Empire Strikes Back', 'Return of the Jedi',
            'The Force Awakens'),
  rank = c(7,6,5,3,4,1,2)
)

ranking_peliculas
```
  
2. ¿En qué películas aparece el personaje Plo Koon, ordenadas por clasificación?   
El resultado final debe ser una única tabla obtenida de una columna.

```{r}
Plo.Koon <- starwars |>
  dplyr::select(name, films) |>
  unnest(films) |>
  left_join(ranking_peliculas, by = 'films') |>
  dplyr::filter(name == 'Plo Koon') |>
  nest_by(name)

Plo.Koon$data
```
  
3. Crea una tabla que anide los datos de altura (`height`) y masa (`mass`) solo para humanos en una columna anidada por el nombre de la película.  
  
```{r}
masa_altura <- starwars |>
  unnest(films)|>
  dplyr::select(name, height, mass, films, species) |>
  dplyr::filter(species == 'Human') |>
  drop_na(height, mass) |>
  nest_by(films)

masa_altura |>
  head()
```
  
# TAREA FINAL - Programación funcional
1. Crea un objeto que sea una lista de vectores  
  
```{r}
X <- c(list(seq(1,50,5)),
       list(seq(40,100,2)))
X
```
Calculando el promedio por lista en `R` base.  
  
```{r}
lapply(X, mean)
```
  
Equivalente en el `tidyverse`.  
  
```{r}
map(X, mean)
```
  
El siguiente código muestra cómo puedes usar `rowwise` para ejecutar funciones en listas y obtener resultados de modelos interesantes para matrices de datos grandes. Es muy útil para resumir datos rápidamente.  
  
```{r}
masa_altura |>
  rowwise() |>
  mutate(model = list(lm(mass ~ height, data = data)),
         slope = coef(model)["height"],
         r.sq = glance(model)$"r.squared",
         sample_size = nrow(data),
         tallest = data$name[which.max(data$height)],
         heaviest = data$name[which.max(data$mass)]) |>
  unnest(c(tallest, heaviest)) |>
  rename(name = tallest, name1 = heaviest)
```
  
## Gráficos con `ggplot2` 
Graficando datos.  
  
```{r}
starwars |>
  dplyr::filter(species == "Human", gender == "masculine") |>
  drop_na() |>
  ggplot(aes(x = mass, y = height))+
    geom_point()+
    geom_smooth(method = lm)
```
  
## Ver tambien

- [Introducción a `R` y RStudio de Software Carpentry](https://swcarpentry.github.io/r-novice-gapminder-es/01-rstudio-intro.html).
- [Introducción a `R` (en inglés)](https://obis.org/manual/intror/) por el Sistema de Información Biogeográficos de los Océanos (OBIS por sus siglas en inglés).
- [`R` para Ciencia de Datos](https://es.r4ds.hadley.nz/).