EDA con dataset proyecto - box plot- ggplot2 - dplyr

Clase 20 de 35 • Curso de Fundamentos de R

Contenido del curso

Bienvenida e introducción

Variables, tipos de datos y estructuras

EDA: Exploratory data analysis

La estadística de los datos

Ajustando los datos

Mejorando la visualización

Organizar visualizaciones y código con R Markdown

34
Conociendo R Markdown y organizando los hallazgos del análisis en un documento PDF.
16:29 min

Conclusiones Finales

35
Invitación a continuar recorriendo el mundo del data science.
05:51 min

Tomar examen

Comentarios

Valentina Peña

student•

C L A S E 2 0 🏆 EDA con dataset proyecto - box plot- ggplot2 - dplyr . ¿Que se ha hecho en el primer ggplot? 👩‍🏫 Se ha graficado un boxplot de aporte a la economia naranja en pib paises latam con alto y bajo pib per capita . ¿Tengo que instalar algun paquete? 🤔 Si, tienes que tener dplyr y ggplot2. Los haces con install.package(" ") library() . . Son tres pasos para graficar este boxplot, asi que presta atención 👀 . PASO 1 DECLARAS LA VARIABLE NÙMERICA . La declaracion es para pautar cual es la variable numerica del boxplot . En este caso es GDP.PC 💸 que se declara como economy .

. El nùmero que resulta se interpreta ($) como el promedio de PIB per capita para cada habitante al año entre los paises del dataset orangeec . . PASO 2 CREAS UNA NUEVA VARIABLE CATEGORICA . Esta variable se crea usando la variable numerica declarada en el PASO 1 . %>%, mutate, ifelse . %>% significa "va a pasar a" . mutate viene porque ese dataset va a cambiar, se va agrandar, va a mutar 🦋 . ifelse significa que la nueva variable sera si otra variable del dataset es > menor a la declarada en el PASO 1 .

. Pasamos ** %>%** el dataset (orangeec) a mutate para que se cree una nueva variable (Strong_economy) en una nueva columna dentro del dataset (orangeec) y la definicion de esa nueva variable (Strong_economy) depende ifelse si es mayor < o menor > que la condicion descrita ("por debajo promedio pib pèrcapita", "sobre-arriba promedio pib pèrcapita") . . ¿En que punto del proceso estamos? 🔌 Se ha creado una nueva variable con un factor (etiqueta) para cruzar con la variable numerica y hacer boxplot. Porque recuerda que: el boxplot se grafica cruzando una variable numerica con una categorica . . PASO 3 GRAFICAR BOXPLOT 👩‍💻 . Seran dos boxplot uno sera la caja de los paises que estan "Sobre promedio pib pèrcapita" y otra sera de los paises "Por debajo promedio pib pèrcapita" .

. . TEN SIEMPRE EN CUENTA 💡 . El boxplot se grafica con una variable numerica y una categorica

Andree Amahar Aaron Quiroz

student•

Excelente resumen, lo haces ver facil.

Andrés Felipe Mesa David

student•

Instalando el paquete Tidyverse, no hay que instalar dplyr y ggplot cada uno por separado. Este tiene estos dos paquetes, además de otros requeridos para hacer Data Science.

Ivan Acosta

student•

Andrés consulta. Entiendo que Tidyverse se utiliza mucho para hacer proceso de limpieza de datos. Tiene información al respecto de este paquete? o has utilizado. Te agradezco si tiene información adicional que puedas compartir.

Gracias

Andrés Felipe Mesa David

student•

Hola. Tidyverse es una colección de paquetes diseñados para hacer DataScience. Todos los paquetes comparten una estructura y 'grámatica' similar.

Por ejemplo, incluye:

ggplot2: que lo vemos mucho en este curso, pero hay muchas capas adicionales que pueden agregarse.
dplyr: Provee un set de 'verbos' como mutate, select, filter, summarize, arrange, group_by, etc; que te permiten manipular y transformar tus datos (agregar nuevas columnas, métricas, eliminar columnas, etc)
readr: para importar bases de datos desde diferentes formatos como csv, tsv, fwf
stringr: para manejo de cadenas de texto.

Pueden encontrar más detalle en: https://www.tidyverse.org/

Etlin Ortega

student•

Esta clase me cayó del cielo para un proyecto de visualización de covid que estaba haciendo ...excelente Profe Sonia!

Diana Luján Pérez

student•

#######ahora vamos a analizar los datos de orangeec
  
  ###instalamos el programa
  install.packages("dplyr")
  library(dplyr)
  
  ####
  economy<-mean(orangeec$`GDP PC`)
  
  ##
  orangeec<-orangeec%>%
    mutate(Strong_economy=ifelse(`GDP PC`<economy,
                                 "Por debajo de promedio pib per cápica",
                                 "sobre arriva promedio pib per capita"))
  
  ##
  ggplot(orangeec, aes(x=Strong_economy, y=`Creat Ind % GDP`,
                       fill=Strong_economy))+
    geom_boxplot(alpha=0.4)+
    labs(x="Tipo de pais", y="Aporte economia naranjaal pib",
         title = "Aporte economia naranja en pib paises latamcon alto y bajo pib per capita")+
    
    theme(legend.position = "none")+
    theme(panel.background = element_blank(),panel.grid.major=element_blank(),
          panel.grid.minor=element_blank())
  
  ##
  ggplot(orangeec, aes(x=Strong_economy, y=`Internet penetration % population`,
                       fill=Strong_economy))+
    geom_boxplot(alpha=0.4)+
    labs(x="Tipo de pais", y="Penetracion de internet(%)",
         title = "Penetracion de internet en paises Latam con 
         alto y bajo pib per capita")+
    
    theme(legend.position = "none")+
    theme(panel.background = element_blank(),panel.grid.major=element_blank(),
          panel.grid.minor=element_blank())```

Edwin Jesset Barrientos Gonzales

student•

    #
    economy &lt;- mean(orangeec$GDP.PC)
    economy

    orangec &lt;-orangeec %&gt;%
    mutate(Strong_economy = ifelse(GDP.PC &lt; economy,
                                    &quot;Por debajo promedio pib per capita&quot;,
                                    &quot;Sobre-Arriba promedio pib per capita&quot;))
    ggplot(orangec, aes(x=Strong_economy, y=Creat.Ind...GDP,
                        fill=Strong_economy))+
    geom_boxplot(alpha=0.4)+
    labs(c=&quot;Tipo de pais&quot;, y=&quot;Aporte economia naranja al pib&quot;,
        title=&quot;Aporte economia naranja en pib paises latam con
        alto y bajo pib per capita&quot;)+
    theme(legend.position = &quot;none&quot;)+
    theme(panel.background = element_blank(),
            panel.grid.major = element_blank(),
            panel.grid.minor = element_blank())


    ggplot(orangec, aes(x=Strong_economy, y=Internet.penetration...population,
                        fill=Strong_economy))+
    geom_boxplot(alpha=0.4)+
    labs(c=&quot;Tipo de pais&quot;, y=&quot;Penetracion de internet (%)&quot;,
        title=&quot;Penetracion de internet latam con alto y bajo pib per capita&quot;)+
    theme(legend.position = &quot;none&quot;)+
    theme(panel.background = element_blank(),
            panel.grid.major = element_blank(),
            panel.grid.minor = element_blank()) ```

Gustavo Velasco

student•

tengo una inquietud como hago para cambiar el orden de los boxplot? el que esta arriba del promedio me sale al lado izq y el que esta por debajo me sale al lado derecho... de antemano muchas gracias

Aldair Clemente Medina Cárdenas

student•

Seguí las indicaciones al pie de letra pero a diferencia de la profesora en mi boxplot me sale la sección de la etiqueta al lado derecho (Señalado en amarillo), pero no se por que razón me sale, ¿Alguien sabe?

Daniel Parra

student•

Si la idea es quitar tanto el gris del fondo, la grilla y la leyenda, podría intentar poniendo todo dentro del mismo theme():

theme(legend.position = 'none', 
			panel.background = element_blanck(),
			panel.grid.major = element_blanck(),
			panel.grid.minor = element_blanck())

Incluso puede ser redundante usar los panel.grid minor y major junto con el panel.background = element_blanck(), ya que este último deja todo el fondo en blanco.

Sebastian Cardona

student•

Atajo de teclado para el pipe, Ctrl + Shift + M = %>%

Dagoberto Porras Plata

student•

Me parece un buen aporte, crear una variable categorica a partir de la diferencia entre media; de manera que se pueden agrupar en dos clases para generar el boxplot!

Juan David Suarez

student•


AvgInflation <- mean(orangeec$Inflation)
AvgInflation

orangeec <- orangeec %>%
  mutate(InflationGroup = ifelse(orangeec$Inflation >= AvgInflation, "Arriba de AVG", "Abajo de AVG"))

ggplot(orangeec, aes(x=as.factor(InflationGroup), y=Education.invest...GDP, fill=InflationGroup)) + 
  geom_boxplot(alpha=0.6) + labs(x="Grupo de inflación", y="Inversión en educación", title="Paises con alta y baja inflacion vs Inversión en educación")

Jesus Roberto Lopez

student•

Me sale el siguiente error: Error: mapping must be created by aes() Cuando ejecuto: ggplot(orangeec, aes(x=Strong_economy, y=Creat.Ind...GDP, fill=Strong_economy))+ geom_boxplot(alpha=0,4)+ labs(x="Tipo de país", y="Aporte economia naranja al PIB", title="Aporte economia naranja en PIB paises latam con alto y bajo PIB per cápita")+ theme(legend.position = "none")+ theme(panel.background = element_blank(), panel.grid.major = element_blank(), panel.grid.minor = element_blank())

Leonardo Ura Acosta

student•

Hola

El error está en la declaración "alpha=0,4", debes cambiarlo por "alpha=0.4",

ggplot(orangeec, aes(x=Strong_economy, y=Creat.Ind...GDP, fill=Strong_economy))+ 
geom_boxplot(alpha=0.4)+ 
labs(x="Tipo de país", y="Aporte economia naranja al PIB", title="Aporte economia naranja en PIB paises latam con alto y bajo PIB per cápita")+ 
theme(legend.position = "none")+ 
theme(panel.background = element_blank(), 
panel.grid.major = element_blank(), 
panel.grid.minor = element_blank())```

Jesus Perez

student•

Hola, una pregunta, ¿hay alguna forma de hacer que los números de los cuartiles aparezcan junto con el boxplot usando ggplo2?

Wilson Alejandro Gonzalez Gaitan

student•

me esta saliendo el siguiente error cuando ejecuto la sentencia

<Error in orangeec %>% mutate(Strong_economy = ifelse(GDP.PC < economy,  : 
  could not find function "%>%">

Wilson Alejandro Gonzalez Gaitan

student•

Esta es la linea que me encuentro ejecutando

<Error in orangeec %>% mutate(Strong_economy = ifelse(GDP.PC < economy,  : 
  could not find function "%>%">

Wilson Alejandro Gonzalez Gaitan

student•

Encontré la solución únicamente se debe ejecutar de la siguiente forma Primero llamar el package

<library("dplyr")>

Luego creamos la variable

<economy <- mean(orangeec$GDP.PC)>

Por ultimo ejecutamos

<
orangeec<- orangeec %>% 
  mutate(Strong_economy =ifelse(GDP.PC< economy, "Por debajo del promedio pib per capital"," Sobra arriba promedio pib per capital"))>

Byron José López Mayorga

student•

ya instalé dplyr pero me sale esto:

orangeec <- orangeec %>%

mutate(Strong_economy = ifelse(GDP.PC < economy,

                      "Por debajo del promedio PIB",

                      "Sobre o arriba PIB"))

Error in orangeec %>% mutate(Strong_economy = ifelse(GDP.PC < economy, : could not find function "%>%"

Bryan

student•

En la ventana de la derecha, abajo. Tienes que habilitar el paquete que quieras usar

Byron José López Mayorga

student•

Muchas gracias, pensé que solo se instalaba, pero hay que marcar la aplicación, te agradezco mucho.

Daniel Echeverria

student•

¿Qué significa que el box-plot esté más disperso?

Mauricio Peral

student•

Que los datos están más dispersos.

Percy Armando Márquez Delgado

student•

El bloxplot no da información sobre la tendencia central, dispersión y simetría de los datos. La dispersión indica la variabilidad del conjunto de datos. A mayor dispersión se deduce que el conjunto de datos es heterogéneo e implica poca utilidad de una medida de tendencia central únicamente para describir la distribución. En otras palabras, nos dice que tan confiable es el valor central (la media aritmética suele ser la mas usada) para describir al conjunto de datos.

Aldair Clemente Medina Cárdenas

student•

Consulta, al reiniciar R se me deshabilitan los paquetes con los que hemos venido trabajando y cada que ingreso me toca habilitarlos nuevamente. ¿Hay alguna manera de dejarlos como predeterminados?

Marcello Coletti Anzola

student•

Hola, ¿Alguien sabe como poner el título centrado? Salu2 a todos

Luis Cuevas

student•

Debes agregar un tema con esta indicación

theme(plot.title = element_text(hjust = 0.5))

dalai aguirre jimenez

student•

buenas, alguien me puede ayudar con esta duda?, por favor. Lo que pasa es que mis gráficas estan correctas solo que salen del mismo color y no se por que :/

ggplot(orangeec, aes(x=Strong_economy, y=Internet.penetration...population, fill='Strong_economy'))+ geom_boxplot(alpha=0.4)+ labs(x='Tipo de país', y='Penetración de Internet en paises latam con alto y bajo PIB per capita', title = 'Aporte economía naranja en pib países latam con alto y bajo PIB per cápita')+ theme(legend.position = 'none')+ theme(panel.background = element_blank(), panel.grid.major = element_blank(), panel.grid.minor = element_blank())```

Andrés Felipe Mesa David

student•

Intenta quitando las comillas que tienes en fill = 'Strong_economy'.

Yeis Daniel Velasquez Encalada

student•

Hola a todos alguien me puede por favor ayudar con el siguiente error...hace dos semanas todo esta en orden pero ahora no me permite utilizar el archivo orangeec.... Warning message: In mean.default(orangeec$GDP.PC) : argument is not numeric or logical: returning NA

Sergio Rubiano

student•

si no te permite utilizarlo o piensas que esta mal, vuélvalo a cargar

Irvin Concepcion

student•

Hola, una consulta, si en el eje X tengo valores numéricos y quisiera ordenarlos de forma ascendente o descendente, como podría hacerlo?

#######ahora vamos a analizar los datos de orangeec
  
  ###instalamos el programa
  install.packages("dplyr")
  library(dplyr)
  
  ####
  economy<-mean(orangeec$`GDP PC`)
  
  ##
  orangeec<-orangeec%>%
    mutate(Strong_economy=ifelse(`GDP PC`<economy,
                                 "Por debajo de promedio pib per cápica",
                                 "sobre arriva promedio pib per capita"))
  
  ##
  ggplot(orangeec, aes(x=Strong_economy, y=`Creat Ind % GDP`,
                       fill=Strong_economy))+
    geom_boxplot(alpha=0.4)+
    labs(x="Tipo de pais", y="Aporte economia naranjaal pib",
         title = "Aporte economia naranja en pib paises latamcon alto y bajo pib per capita")+
    
    theme(legend.position = "none")+
    theme(panel.background = element_blank(),panel.grid.major=element_blank(),
          panel.grid.minor=element_blank())
  
  ##
  ggplot(orangeec, aes(x=Strong_economy, y=`Internet penetration % population`,
                       fill=Strong_economy))+
    geom_boxplot(alpha=0.4)+
    labs(x="Tipo de pais", y="Penetracion de internet(%)",
         title = "Penetracion de internet en paises Latam con 
         alto y bajo pib per capita")+
    
    theme(legend.position = "none")+
    theme(panel.background = element_blank(),panel.grid.major=element_blank(),
          panel.grid.minor=element_blank())```

    #
    economy &lt;- mean(orangeec$GDP.PC)
    economy

    orangec &lt;-orangeec %&gt;%
    mutate(Strong_economy = ifelse(GDP.PC &lt; economy,
                                    &quot;Por debajo promedio pib per capita&quot;,
                                    &quot;Sobre-Arriba promedio pib per capita&quot;))
    ggplot(orangec, aes(x=Strong_economy, y=Creat.Ind...GDP,
                        fill=Strong_economy))+
    geom_boxplot(alpha=0.4)+
    labs(c=&quot;Tipo de pais&quot;, y=&quot;Aporte economia naranja al pib&quot;,
        title=&quot;Aporte economia naranja en pib paises latam con
        alto y bajo pib per capita&quot;)+
    theme(legend.position = &quot;none&quot;)+
    theme(panel.background = element_blank(),
            panel.grid.major = element_blank(),
            panel.grid.minor = element_blank())


    ggplot(orangec, aes(x=Strong_economy, y=Internet.penetration...population,
                        fill=Strong_economy))+
    geom_boxplot(alpha=0.4)+
    labs(c=&quot;Tipo de pais&quot;, y=&quot;Penetracion de internet (%)&quot;,
        title=&quot;Penetracion de internet latam con alto y bajo pib per capita&quot;)+
    theme(legend.position = &quot;none&quot;)+
    theme(panel.background = element_blank(),
            panel.grid.major = element_blank(),
            panel.grid.minor = element_blank()) ```

AvgInflation <- mean(orangeec$Inflation)
AvgInflation

orangeec <- orangeec %>%
  mutate(InflationGroup = ifelse(orangeec$Inflation >= AvgInflation, "Arriba de AVG", "Abajo de AVG"))

ggplot(orangeec, aes(x=as.factor(InflationGroup), y=Education.invest...GDP, fill=InflationGroup)) + 
  geom_boxplot(alpha=0.6) + labs(x="Grupo de inflación", y="Inversión en educación", title="Paises con alta y baja inflacion vs Inversión en educación")

ggplot(orangeec, aes(x=Strong_economy, y=Creat.Ind...GDP, fill=Strong_economy))+ 
geom_boxplot(alpha=0.4)+ 
labs(x="Tipo de país", y="Aporte economia naranja al PIB", title="Aporte economia naranja en PIB paises latam con alto y bajo PIB per cápita")+ 
theme(legend.position = "none")+ 
theme(panel.background = element_blank(), 
panel.grid.major = element_blank(), 
panel.grid.minor = element_blank())```

EDA con dataset proyecto - box plot- ggplot2 - dplyr

Bienvenida e introducción

Todo lo que aprenderás sobre el lenguaje R

Programación y Data Science

R y proyecto economía naranja.

Instalando nuestras herramientas

Variables, tipos de datos y estructuras

Los primeros cálculos con R y variables

Tipos de datos

Estructura del dataset del proyecto

Vectores

Matrices

Ejercicios con matrices

Operadores para comparar y ubicar datos

Factores, listas y echar un vistazo al dataset

EDA: Exploratory data analysis

Qué es EDA: Exploratory Data Analysis

Gráficas de dispersión e histogramas.

Box Plot y su interpretación

EDA con dataset proyecto - Gráficas de dispersión.

EDA con histogramas.

EDA con dataset proyecto - histogramas - ggplot2

EDA con box plot- ggplot2