Uso de listas y dataframes en R

En este taller veremos el uso de listas y dataframes en R. Ambos tipos de objetos son bastante usados en el análisis de datos en R.



In [1]:

    
Sys.setlocale("LC_ALL", 'en_US.UTF-8')









    




'en_US.UTF-8/en_US.UTF-8/en_US.UTF-8/C/en_US.UTF-8/en_US.UTF-8'

Uso de variables tipo matriz

Las variables tipo escalar y vector son útiles a la hora de analizar situaciones con pocos datos. Como iremos viendo a lo largo del curso, la mayoría de los proyectos de análsis de datos requieren usar bases de datos o tablas que contienen múltiples columnas y filas. Una manera de manipular este tipo de datos es usando matrices.



In [2]:

    
region = c("Arica y Parinacota","Tarapacá","Antofagasta","Atacama","Coquimbo","Valparaíso","Metropolitana de Santiago","Libertador General Bernardo O'Higgins","Maule","Biobío","La Araucanía","Los Ríos","Los Lagos","Aisén del General Carlos Ibáñez del Campo","Magallanes y de la Antártica Chilena")
poblacion = c(308271,205566,551627,292054,714856,1859312,7150480,903248,1073635,2025995,933537,380618,835829,106893,158828)
superficie = c(17446.20,41632.60,126048.80,74806.30,40967.80,12646.28,15547.00,16583.30,30340.30,37068.70,31842.30,18577.60,48583.30,107449.40,1392783.70)



In [3]:

    
class(region)
class(poblacion)
class(superficie)









    




'character'






    




'numeric'






    




'numeric'



In [4]:

    
chile = matrix(c(poblacion,superficie), ncol=2, byrow=FALSE)
chile









    






	 308271     17446.20
	 205566     41632.60
	 551627    126048.80
	 292054     74806.30
	 714856     40967.80
	1859312     12646.28
	7150480     15547.00
	 903248     16583.30
	1073635     30340.30
	2025995     37068.70
	 933537     31842.30
	 380618     18577.60
	 835829     48583.30
	 106893    107449.40
	 158828   1392783.70



In [5]:

    
class(chile)









    




'matrix'



In [6]:

    
colnames(chile)=c("poblacion","superficie")
rownames(chile)=region
chile









    





poblacion superficie

	Arica y Parinacota  308271     17446.20
	Tarapacá  205566     41632.60
	Antofagasta  551627    126048.80
	Atacama  292054     74806.30
	Coquimbo  714856     40967.80
	Valparaíso 1859312     12646.28
	Metropolitana de Santiago 7150480     15547.00
	Libertador General Bernardo O'Higgins  903248     16583.30
	Maule 1073635     30340.30
	Biobío 2025995     37068.70
	La Araucanía  933537     31842.30
	Los Ríos  380618     18577.60
	Los Lagos  835829     48583.30
	Aisén del General Carlos Ibáñez del Campo  106893    107449.40
	Magallanes y de la Antártica Chilena  158828   1392783.70

Una vez que los datos están ordenados en forma matricial, es mucho más fácil responder preguntas tales como

¿Cuáles son las regiones con mayor población?
¿Cuáles son las regiones más pequeñas en superficie?
¿Cuáles son las regiones con la mayor densidad de población por $km^2$?



In [7]:

    
chile[order(chile[,"poblacion"],decreasing=TRUE),]









    





poblacion superficie

	Metropolitana de Santiago 7150480     15547.00
	Biobío 2025995     37068.70
	Valparaíso 1859312     12646.28
	Maule 1073635     30340.30
	La Araucanía  933537     31842.30
	Libertador General Bernardo O'Higgins  903248     16583.30
	Los Lagos  835829     48583.30
	Coquimbo  714856     40967.80
	Antofagasta  551627    126048.80
	Los Ríos  380618     18577.60
	Arica y Parinacota  308271     17446.20
	Atacama  292054     74806.30
	Tarapacá  205566     41632.60
	Magallanes y de la Antártica Chilena  158828   1392783.70
	Aisén del General Carlos Ibáñez del Campo  106893    107449.40



In [8]:

    
chile[order(chile[,"superficie"],decreasing=FALSE),]









    





poblacion superficie

	Valparaíso 1859312     12646.28
	Metropolitana de Santiago 7150480     15547.00
	Libertador General Bernardo O'Higgins  903248     16583.30
	Arica y Parinacota  308271     17446.20
	Los Ríos  380618     18577.60
	Maule 1073635     30340.30
	La Araucanía  933537     31842.30
	Biobío 2025995     37068.70
	Coquimbo  714856     40967.80
	Tarapacá  205566     41632.60
	Los Lagos  835829     48583.30
	Atacama  292054     74806.30
	Aisén del General Carlos Ibáñez del Campo  106893    107449.40
	Antofagasta  551627    126048.80
	Magallanes y de la Antártica Chilena  158828   1392783.70

La densidad de población se define como el número de personas por unidad de superficie. En nuestro caso, sería simplemente dividir la columna poblacion por superficie.



In [9]:

    
chile[,'poblacion']/chile[,'superficie']









    





	Arica y Parinacota
		17.6698077518313
	Tarapacá
		4.93762099892872
	Antofagasta
		4.37629711667227
	Atacama
		3.90413641631788
	Coquimbo
		17.4492162137093
	Valparaíso
		147.024421410881
	Metropolitana de Santiago
		459.92667395639
	Libertador General Bernardo O'Higgins
		54.4673255624634
	Maule
		35.3864332257756
	Biobío
		54.65514032054
	La Araucanía
		29.3175116119125
	Los Ríos
		20.4880070622685
	Los Lagos
		17.2040392480544
	Aisén del General Carlos Ibáñez del Campo
		0.994821748655646
	Magallanes y de la Antártica Chilena
		0.114036371907569



In [10]:

    
densidad = poblacion/superficie
densidad









    





	17.6698077518313
	4.93762099892872
	4.37629711667227
	3.90413641631788
	17.4492162137093
	147.024421410881
	459.92667395639
	54.4673255624634
	35.3864332257756
	54.65514032054
	29.3175116119125
	20.4880070622685
	17.2040392480544
	0.994821748655646
	0.114036371907569

Para agregar columnas a una matriz usaremos la función cbind()



In [11]:

    
chile <- cbind(chile, densidad)
chile









    





poblacion superficie densidad

	Arica y Parinacota  308271      17446.20  17.6698078
	Tarapacá  205566      41632.60   4.9376210
	Antofagasta  551627     126048.80   4.3762971
	Atacama  292054      74806.30   3.9041364
	Coquimbo  714856      40967.80  17.4492162
	Valparaíso 1859312      12646.28 147.0244214
	Metropolitana de Santiago 7150480      15547.00 459.9266740
	Libertador General Bernardo O'Higgins  903248      16583.30  54.4673256
	Maule 1073635      30340.30  35.3864332
	Biobío 2025995      37068.70  54.6551403
	La Araucanía  933537      31842.30  29.3175116
	Los Ríos  380618      18577.60  20.4880071
	Los Lagos  835829      48583.30  17.2040392
	Aisén del General Carlos Ibáñez del Campo  106893     107449.40   0.9948217
	Magallanes y de la Antártica Chilena  158828    1392783.70   0.1140364

¿Qué sucede si queremos agregar una nueva columna que tiene datos mixtos, digamos numéricos y caractéres?



In [12]:

    
codigo_region <- c("XV","I","II","III","IV","V","XIII","VI","VII","VIII","IX","XIV","X","XI","XII")
class(codigo_region)









    




'character'



In [13]:

    
chile <- cbind(chile, codigo_region)
chile









    





poblacion superficie densidad codigo_region

	Arica y Parinacota 308271           17446.2          17.6698077518313 XV               
	Tarapacá 205566           41632.6          4.93762099892872 I                
	Antofagasta 551627           126048.8         4.37629711667227 II               
	Atacama 292054           74806.3          3.90413641631788 III              
	Coquimbo 714856           40967.8          17.4492162137093 IV               
	Valparaíso 1859312          12646.28         147.024421410881 V                
	Metropolitana de Santiago 7150480          15547            459.92667395639  XIII             
	Libertador General Bernardo O'Higgins 903248           16583.3          54.4673255624634 VI               
	Maule 1073635          30340.3          35.3864332257756 VII              
	Biobío 2025995          37068.7          54.65514032054   VIII             
	La Araucanía 933537           31842.3          29.3175116119125 IX               
	Los Ríos 380618           18577.6          20.4880070622685 XIV              
	Los Lagos 835829           48583.3          17.2040392480544 X                
	Aisén del General Carlos Ibáñez del Campo 106893           107449.4         0.994821748655646 XI               
	Magallanes y de la Antártica Chilena 158828           1392783.7        0.114036371907569 XII



In [14]:

    
class(chile)









    




'matrix'

¿Que tal si queremos volver a calcular la densidad de población usando las columnas poblacion y superficie?



In [15]:

    
chile[,'poblacion']/chile[,'superficie']









    



Error in chile[, "poblacion"]/chile[, "superficie"]: non-numeric argument to binary operator
Traceback:

¿Porqué falló la división si antes funcionaba? ¿Habrá sido porque incluimos la columna codigo_region la cual contenia tipos de datos mixtos?

Partamos imprimiendo los tipos de clase de las columnas poblacion y superficie



In [16]:

    
class(chile[,'poblacion'])
class(chile[,'superficie'])









    




'character'






    




'character'

¿Qué sucedió?

La columna codigo_region es un vector que contiene datos de tipo caracter, y al ser incluida a la matriz todos los datos fueron convertidos al tipo de datos más general entre los tipos númerico y caracter: caracter.

Aquí vemos una gran limitación del tipo de datos matriz: No puede almacenar tipos de datos mixtos.

Uso de listas

Una lista es un vector genérico que puede contener otro tipo de objectos. Una lista puede contener escalares, caracterés, vectores numéricos, etc.



In [17]:

    
region <- c("Arica y Parinacota","Tarapacá","Antofagasta")
poblacion <- c(308271,205566,551627)
superficie <- c(17446.20,41632.60,126048.80)
codigo_region <- c("XV","I","II")

# Podemos definir los labels de los elements usando names
chile = list(region, poblacion, superficie, codigo_region)
names(chile) = c("region","poblacion","superficie","codigo_region")
chile

# O directamente al momento de definir la lista
chile = list(region=region, poblacion=poblacion, superficie=superficie, codigo_region=codigo_region)
chile









    





	$region
		
	'Arica y Parinacota'
	'Tarapacá'
	'Antofagasta'


	$poblacion
		
	308271
	205566
	551627


	$superficie
		
	17446.2
	41632.6
	126048.8


	$codigo_region
		
	'XV'
	'I'
	'II'










    





	$region
		
	'Arica y Parinacota'
	'Tarapacá'
	'Antofagasta'


	$poblacion
		
	308271
	205566
	551627


	$superficie
		
	17446.2
	41632.6
	126048.8


	$codigo_region
		
	'XV'
	'I'
	'II'



In [18]:

    
chile["region"]









    




$region = 
	'Arica y Parinacota'
	'Tarapacá'
	'Antofagasta'



In [19]:

    
chile[c("region","poblacion")]









    





	$region
		
	'Arica y Parinacota'
	'Tarapacá'
	'Antofagasta'


	$poblacion
		
	308271
	205566
	551627

¿Que tal si queremos calcular la densidad de población?



In [20]:

    
chile["poblacion"]/chile["superficie"]









    



Error in chile["poblacion"]/chile["superficie"]: non-numeric argument to binary operator
Traceback:

La razón por la cual falla es porque chile[2] sigue siendo una lista, y nosotros en verdad queremos acceder directamente al vector numérico. Para ello usamos llave cuadrada doble [[]] .



In [21]:

    
chile[["poblacion"]]/chile[["superficie"]]









    





	17.6698077518313
	4.93762099892872
	4.37629711667227

Como podemos ver, las listas son un tipo de objeto que puede contener diferentes tipos de datos. A lo largo del curso iremos viendo situaciones donde las lostas son muy convenientes para almacenar datos.

Uso de DataFrames

Un dataframe es una estructura 2-dimensional que comparte propiedades entre una lista y una matriz. En estricto rigor, se define como una lista de vectores de igual largo.

Al igual que una lista y una matriz, un dataframe tiene las propiedades names(), colnames() y rownames(). En el caso del dataframe,

Las funciones names() y colnames() son equivalentes, y asignam los nombres de las columnas
La función rownames() asigna los nombres de las filas
Las funciones length() y ncol() son equivalentes, y entregan el número de columnas
La propiedad nrow()entrega el número de filas



In [22]:

    
region <- c("Arica y Parinacota","Tarapacá","Antofagasta")
poblacion <- c(308271,205566,551627)
superficie <- c(17446.20,41632.60,126048.80)
codigo_region <- c("XV","I","II")

chile <- data.frame(poblacion, superficie, codigo_region)
colnames(chile) <- c("poblacion","superficie","codigo_region")
rownames(chile) <- region
chile









    





poblacion superficie codigo_region

	Arica y Parinacota 308271   17446.2 XV      
	Tarapacá 205566   41632.6 I       
	Antofagasta 551627  126048.8 II



In [23]:

    
chile["poblacion"]









    





poblacion

	Arica y Parinacota 308271
	Tarapacá 205566
	Antofagasta 551627



In [24]:

    
chile["densidad"] <- chile["poblacion"]/chile["superficie"]
chile









    





poblacion superficie codigo_region densidad

	Arica y Parinacota 308271    17446.2 XV       17.669808
	Tarapacá 205566    41632.6 I         4.937621
	Antofagasta 551627   126048.8 II        4.376297



In [25]:

    
region = c("Arica y Parinacota","Tarapacá","Antofagasta","Atacama","Coquimbo","Valparaíso","Metropolitana de Santiago","Libertador General Bernardo O'Higgins","Maule","Biobío","La Araucanía","Los Ríos","Los Lagos","Aisén del General Carlos Ibáñez del Campo","Magallanes y de la Antártica Chilena")
poblacion = c(308271,205566,551627,292054,714856,1859312,7150480,903248,1073635,2025995,933537,380618,835829,106893,158828)
superficie = c(17446.20,41632.60,126048.80,74806.30,40967.80,12646.28,15547.00,16583.30,30340.30,37068.70,31842.30,18577.60,48583.30,107449.40,1392783.70)
codigo_region <- c("XV","I","II","III","IV","V","XIII","VI","VII","VIII","IX","XIV","X","XI","XII")

chile <- data.frame(poblacion, superficie, codigo_region)
colnames(chile) <- c("poblacion","superficie","codigo_region")
rownames(chile) <- region
chile









    





poblacion superficie codigo_region

	Arica y Parinacota  308271     17446.20 XV        
	Tarapacá  205566     41632.60 I         
	Antofagasta  551627    126048.80 II        
	Atacama  292054     74806.30 III       
	Coquimbo  714856     40967.80 IV        
	Valparaíso 1859312     12646.28 V         
	Metropolitana de Santiago 7150480     15547.00 XIII      
	Libertador General Bernardo O'Higgins  903248     16583.30 VI        
	Maule 1073635     30340.30 VII       
	Biobío 2025995     37068.70 VIII      
	La Araucanía  933537     31842.30 IX        
	Los Ríos  380618     18577.60 XIV       
	Los Lagos  835829     48583.30 X         
	Aisén del General Carlos Ibáñez del Campo  106893    107449.40 XI        
	Magallanes y de la Antártica Chilena  158828   1392783.70 XII

Ordenar los datos del dataframe usando una columna



In [26]:

    
chile[order(poblacion),]









    





poblacion superficie codigo_region

	Aisén del General Carlos Ibáñez del Campo  106893    107449.40 XI        
	Magallanes y de la Antártica Chilena  158828   1392783.70 XII       
	Tarapacá  205566     41632.60 I         
	Atacama  292054     74806.30 III       
	Arica y Parinacota  308271     17446.20 XV        
	Los Ríos  380618     18577.60 XIV       
	Antofagasta  551627    126048.80 II        
	Coquimbo  714856     40967.80 IV        
	Los Lagos  835829     48583.30 X         
	Libertador General Bernardo O'Higgins  903248     16583.30 VI        
	La Araucanía  933537     31842.30 IX        
	Maule 1073635     30340.30 VII       
	Valparaíso 1859312     12646.28 V         
	Biobío 2025995     37068.70 VIII      
	Metropolitana de Santiago 7150480     15547.00 XIII



In [27]:

    
chile[order(-poblacion),]









    





poblacion superficie codigo_region

	Metropolitana de Santiago 7150480     15547.00 XIII      
	Biobío 2025995     37068.70 VIII      
	Valparaíso 1859312     12646.28 V         
	Maule 1073635     30340.30 VII       
	La Araucanía  933537     31842.30 IX        
	Libertador General Bernardo O'Higgins  903248     16583.30 VI        
	Los Lagos  835829     48583.30 X         
	Coquimbo  714856     40967.80 IV        
	Antofagasta  551627    126048.80 II        
	Los Ríos  380618     18577.60 XIV       
	Arica y Parinacota  308271     17446.20 XV        
	Atacama  292054     74806.30 III       
	Tarapacá  205566     41632.60 I         
	Magallanes y de la Antártica Chilena  158828   1392783.70 XII       
	Aisén del General Carlos Ibáñez del Campo  106893    107449.40 XI

Calcular promedios de columnas



In [28]:

    
colMeans(chile["poblacion"])









    




poblacion: 1166716.6



In [29]:

    
colMeans(chile[1:2])









    





	poblacion
		1166716.6
	superficie
		134154.905333333

Otra manera de calcular el promedio es usar la función apply()



In [30]:

    
apply(chile["poblacion"], 2, mean)









    




poblacion: 1166716.6



In [31]:

    
apply(chile["poblacion"], 2, sd)









    




poblacion: 1753174.97922462



In [32]:

    
apply(chile["poblacion"], 2, sum)









    




poblacion: 17500749

Obtener un resumen del dataframe



In [33]:

    
summary(chile)









    





   poblacion         superficie      codigo_region
 Min.   : 106893   Min.   :  12646   I      :1    
 1st Qu.: 300162   1st Qu.:  18012   II     :1    
 Median : 714856   Median :  37069   III    :1    
 Mean   :1166717   Mean   : 134155   IV     :1    
 3rd Qu.:1003586   3rd Qu.:  61695   IX     :1    
 Max.   :7150480   Max.   :1392784   V      :1    
                                     (Other):9



In [ ]:

308271	17446.20
205566	41632.60
551627	126048.80
292054	74806.30
714856	40967.80
1859312	12646.28
7150480	15547.00
903248	16583.30
1073635	30340.30
2025995	37068.70
933537	31842.30
380618	18577.60
835829	48583.30
106893	107449.40
158828	1392783.70

	poblacion	superficie
Arica y Parinacota	308271	17446.20
Tarapacá	205566	41632.60
Antofagasta	551627	126048.80
Atacama	292054	74806.30
Coquimbo	714856	40967.80
Valparaíso	1859312	12646.28
Metropolitana de Santiago	7150480	15547.00
Libertador General Bernardo O'Higgins	903248	16583.30
Maule	1073635	30340.30
Biobío	2025995	37068.70
La Araucanía	933537	31842.30
Los Ríos	380618	18577.60
Los Lagos	835829	48583.30
Aisén del General Carlos Ibáñez del Campo	106893	107449.40
Magallanes y de la Antártica Chilena	158828	1392783.70

	poblacion	superficie	densidad	codigo_region
Arica y Parinacota	308271	17446.2	17.6698077518313	XV
Tarapacá	205566	41632.6	4.93762099892872	I
Antofagasta	551627	126048.8	4.37629711667227	II
Atacama	292054	74806.3	3.90413641631788	III
Coquimbo	714856	40967.8	17.4492162137093	IV
Valparaíso	1859312	12646.28	147.024421410881	V
Metropolitana de Santiago	7150480	15547	459.92667395639	XIII
Libertador General Bernardo O'Higgins	903248	16583.3	54.4673255624634	VI
Maule	1073635	30340.3	35.3864332257756	VII
Biobío	2025995	37068.7	54.65514032054	VIII
La Araucanía	933537	31842.3	29.3175116119125	IX
Los Ríos	380618	18577.6	20.4880070622685	XIV
Los Lagos	835829	48583.3	17.2040392480544	X
Aisén del General Carlos Ibáñez del Campo	106893	107449.4	0.994821748655646	XI
Magallanes y de la Antártica Chilena	158828	1392783.7	0.114036371907569	XII