Bienvenida e introducción

1

Todo lo que aprenderás sobre el lenguaje R

2

Programación y Data Science

3

R y proyecto economía naranja.

4

Instalando nuestras herramientas

Variables, tipos de datos y estructuras

5

Los primeros cálculos con R y variables

6

Tipos de datos

7

Estructura del dataset del proyecto

8

Vectores

9

Matrices

10

Ejercicios con matrices

11

Operadores para comparar y ubicar datos

12

Factores, listas y echar un vistazo al dataset

EDA: Exploratory data analysis

13

Qué es EDA: Exploratory Data Analysis

14

Gráficas de dispersión e histogramas.

15

Box Plot y su interpretación

16

EDA con dataset proyecto - Gráficas de dispersión.

17

EDA con histogramas.

18

EDA con dataset proyecto - histogramas - ggplot2

19

EDA con box plot- ggplot2

20

EDA con dataset proyecto - box plot- ggplot2 - dplyr

21

EDA con gráficas de dispersión con más de dos variables - ggplot2

22

EDA con dataset proyecto usando gráficas de dispersión con más de dos variables - ggplot2 - plotly

La estadística de los datos

23

Buscando correlaciones con pairs

24

Confirmando correlaciones con la función cor

25

Buscando correlaciones con pairs en dataset proyecto

26

Confirmando correlaciones con la función cor en dataset proyecto.

27

Protegiéndonos de los peligros del promedio.

28

Eliminando los NA's para hacer los cálculos.

29

Estadística y visualización aplicada a análisis de datos de mercadeo.

Ajustando los datos

30

Generando tablas, filtrando y seleccionando datos - dplyr-Parte 1

31

Generando tablas, filtrando y seleccionando datos - dplyr-Parte 2

Mejorando la visualización

32

Viendo más información con facet wrap - Parte 1

33

Viendo más información con facet wrap - Parte 2

Organizar visualizaciones y código con R Markdown

34

Conociendo R Markdown y organizando los hallazgos del análisis en un documento PDF.

Conclusiones Finales

35

Invitación a continuar recorriendo el mundo del data science.

No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Viendo más información con facet wrap - Parte 2

33/35
Recursos

Aportes 13

Preguntas 2

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

Para ver la paleta de colores R

brewer.pal.info
## Viendo más información con facet wrap - Parte 2

ggplot(TopNaranjas, aes(x=Internet.penetration...population,
                        y=Services...GDP, size=GDP.PC))+
  geom_point()+
  facet_wrap(~Country)


ggplot(TopNaranjas, aes(x=Education.invest...GDP,
                        y=Creat.Ind...GDP, size=Unemployment))+
  geom_point()+
  facet_wrap(~Country)

myColors <- brewer.pal(9,"Reds")

ggplot(TopNaranjas, aes(x=Internet.penetration...population,
                        y=GDP.PC, fill=Creat.Ind...GDP))+
  geom_tile()+
  facet_wrap(~Country)+
  scale_fill_gradientn(colors=myColors)```

Les dejo aca un muy buen resumen acerca de RMarkDown

https://vimeo.com/177254549

Gracias a SergioRubiano por la recomendación de código, que personalmente me gusto más:

my_graph <- ggplot(topNaranja, aes(color=factor(Unemployment),x=Education.invest...GDP,y=Creat.Ind...GDP,z=Country,size=Unemployment))+geom_point()+facet_wrap(~ Country)
ggplotly(my_graph)

Primero creo la variable w_mp1

tengo el siguiente gráfico

se dieron cuenta que es para diferente colores entre 5
aca verifico que el mayor qsec esta entre 20 y 25 milla por galones y cera del peso en 3.

Cheque

my_graph <- ggplot(TopNaranjas, aes(color=factor(Unemployment),x=Education.invest…GDP,y=Creat.Ind…GDP,z=Country,size=Unemployment))+

geom_point()+
facet_wrap(~ Country)

mensaje = ggplotly(my_graph)
mensaje

Ah tener en cuenta lo siguiente:

  • scale_color_gradient(), scale_fill_gradient() para gradientes secuenciales entre dos colores

  • scale_color_gradient2(), scale_fill_gradient2() para gradientes divergente

  • scale_color_gradientn(), scale_fill_gradientn() para gradientes secuenciales entre n colores

esto es para el caso que en que escala de gradientes quieren tener.

ggplot(TopNaranjas, aes(x=Internet.penetration…population,
y=Services…GDP, size=GDP.PC))+
geom_point()+
facet_wrap(~Country)
#RESULTADO: Top 6 paises que aportan más a la ec naranja.
#Panama: Tiene 70% de aporte en su pais, ademas un aporte de
#80% de sus servicios van al PIB

ggplot(TopNaranjas, aes(x=Education.invest…GDP,
y=Creat.Ind…GDP, size=Unemployment))+
geom_point()+
facet_wrap(~Country)

install.packages(“RcolorBrewer”)
library(RColorBrewer)
myColors <- brewer.pal(9,“Reds”)

ggplot(TopNaranjas, aes(x=Internet.penetration…population,
y=GDP.PC, fill=Creat.Ind…GDP))+
geom_tile()+
facet_wrap(~Country)+
scale_fill_gradientn(colors=myColors)

Hola, ante este error como se puede solucionar?? no me deja ver los graficos.

interesante!

Excelente clase

#Orangeec
ggplot(TopNaranjas, aes(x=Internet.penetration...population,
                        y=Services...GDP,
                        size=GDP.PC))+
  geom_point() +
  facet_wrap(~Country)


ggplot(TopNaranjas, aes(x=Education.invest...GDP,
                        y=Creat.Ind...GDP,
                        size=Unemployment))+
  geom_point() +
  facet_wrap(~Country)

# 
library(RColorBrewer)

myColors <- brewer.pal(9, "Reds")

ggplot(TopNaranjas, aes(x = Internet.penetration...population,
                        y = GDP.PC,
                        fill = Creat.Ind...GDP)) +
  geom_tile() + 
  facet_wrap(~ Country) +
  scale_fill_gradientn(colors = myColors)