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

Clase 30 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•

Clase 30 Generando tablas, filtrando y seleccionando datos - dplyr-Parte 1 . . Ajuste de datos para mejor visualizacion y facil interpretacion . ++Para agregar nueva columna, con una nueva variable en el dataset++ Que los mas eficientes sean los que esten sobre (mayor al) el promedio . Paso 1 Creamos una variable . efcientes <- mean(dataset$variable) eficientes . Paso 2 Que en el dataset la variable pase a "bajo promeido" , "en o sobre promedio" si el dato es mayor al promedio de esa variable . dataset <- dataset %>% mutate(mas_eficientes=ifelse(variable<eficientes, "bajo promedio", "en o sobre promedio")) . . ++Solo para ver en consola++ Que lo mas veloces sean igual a que la velocidad que se toma en el cuarto de milla sea menor a 16 segundos . Mas_veloces <- dataset [dataset$qsec<16,] Mas_veloces

Mauro Benito Montoya Arenas

student•

Muy buenos tus apuntes.

Valentina Peña

student•

PASOS PARA AGREGAR 1 NUEVA VARIABLE AL DATASET: .

1.- DEFINES LA VARIABLE

2.- LA AGREGAS AL DATASET

3.- ASI SE VE

Valentina Peña

student•

Cuando la variable a crear tiene datos que la condicionan puedes usar =ifelse

Para que se vea asi

Richard Ariel Torrico Velasquez

student•

mtcars <- mtcars %>% mutate(Mas_eficientes=ifelse(mpg<eficientes,"Bajo Promedio","Sobre Promedio")) Error in mtcars %>% mutate(Mas_eficientes = ifelse(mpg < eficientes, "Bajo Promedio", : could not find function "%>%"

Nicolás Nash Muñoz

student•

Tienes que activar el package "dplyr"

CARLOS LÓPEZ CARMONA

student•

Antes, es necesario:

library(dplyr)```

Luis Alejandro Vera Hernandez

student•

Aun no se distinguir en que casos se usan los corchetes [ ] 🤔

Giovany samaca

student•

hola luis los corchetes se usan principalmente para agrupar datos numericos por medio de condiciones ejemplo:

veloces <- mtcars[mtcars$Cyl==8,]

aqui estoy agrupando los autos de mtcars con 8 cilindros la condicion va entre los corchetes.

tambien puedo adrupar datos por filas y columnas

mtcars[,2:6]

aqui estor agrupando los datos de mtcars: todas las filas del dataset desde la columna 2 hasta la columna 6

luis los corchetes tambien se usan para hacer slices los sclices permiten indexar filas y columnas por medio de sus indices.

espero te ayude esta explicacion saludos

Luis Alejandro Vera Hernandez

student•

#Ajustando los datos
#Generando tablas, filtrando y seleccionando datos 

eficientes <- mean(mtcars$mpg)
eficientes

#agregando nueva columna a mtcars
mtcars <- mtcars %>%
  mutate(Mas_Eficientes=ifelse(mpg<eficientes, 
                      "Debajo promedio", 
                      "Encima o en el promedio"))

Mas_veloces <- mtcars[mtcars$qsec<16,]
Mas_veloces

#agregando columna a mtcars
mtcars <- mtcars %>%
  mutate(Velocidad_Cuarto_Milla=ifelse(qsec<16,
                    "Menos 16seg",
                    "Mas de 16seg"))

#cambiando a kilos el peso
mtcars <- mtcars %>%
  mutate(Peso_Kilos=(wt/2.2)*1000)

mtcars <- mtcars %>%
  mutate(Peso=ifelse(Peso_Kilos<=1500,
              "Liviano", "Pesado"))

Ruddy Ramos

student•

Le estoy cogiendo cariño a R. No les está pasando lo mismo ?

Geraldin paola Carriazo julio

student•

Igual estoy yo es tan util y tan eficiente .

JAVIER SANTIAGO SALGADO

student•

eficientes <- mean(mtcars$mpg)
eficientes

mtcars <- mtcars %>% 
  mutate(Mas_eficientes = ifelse(mpg < eficientes,
                                 "bajo promedio",
                                 "en o sobre promedio"))

Mas_veloces <- mtcars[mtcars$qsec<16,]
Mas_veloces

mtcars <- mtcars %>%
  mutate(Velocidad_cuarto_milla = ifelse(qsec < 16,
                                         "Menos 16 segundos",
                                         "Mas 16 segundos"))

mtcars <- mtcars %>%
  mutate(Peso_kilo = (wt/2.2)*1000)
mtcars <- mtcars %>%
  mutate(Peso = ifelse(Peso_kilo <= 1500,
                       'Livianos',
                       'Pesados'))

Luisa Fernanda Yara Rojas

student•

Hola. Si les sale error al correr el código:

mtcars=mtcars %>% mutate(Mas_eficientes=ifelse(mpg<eficientes, "Bajo promedio","En ó sobre promedio"))

Recuerden tener activo dplyr. Les recomiendo poner: library(dplyr) antes del código anterior.

Josue Paramaconi Perez Mendoza

student•

¿Cómo eliminariamos una columna que introducimos con el comando mutate?

Sergio Rubiano

student•

mtcars$Velocidad_Cuarto_milla <- NULL

Andrés Felipe Mesa David

student•

Posteriormente puedes usar select. Te dejo un ejemplo de como puedes eliminar la columna que acabaste de añadir

mtcarscars %&gt;%
	mutate(Eficientes = ifelse(mpg &gt; mean(mpg), 
	&quot;Por encima&quot;, 		 
	 &quot;Por debajo o igual&quot;) %&gt;%
	select(-Eficientes)

Con el menos antes del nombre de la variable, la quitas del dataset. Otra forma sería escribir las columnas que necesitas

Pedro Jiménez García

student•

Se incorpora al dataset 'mtcars' la cilindrada del motor, convirtiendo 'disp' o 'displacement' en 'cu in' -pulgadas cúbicas- a 'cc^3' -centímetros cúbicos-.

mtcars <- mtcars %>%
  mutate(Cilindrada = (disp*2.54**3))

CLAUDIA CRISTINA APARICIO RUEDA

student•

interesante!

Edwin Jesset Barrientos Gonzales

student•

#Generando tablas, filtrando y seleccionando datos - dplyr-Parte 1
#ajustando datos para mejorar visualizaciones

eficientes &lt;- mean(mtcars$mpg)
eficientes

mtcars &lt;- mtcars%&gt;%
  mutate(Mas_eficientes=ifelse(mpg&lt;eficientes,
                               &quot;bajo promedio&quot;,&quot;En o sobre promedio&quot;))

mas_veloces &lt;-mtcars[mtcars$qsec&lt;16,]
mas_veloces

mtcars &lt;- mtcars%&gt;%
  mutate(Velocidad_cuarto_milla=ifelse(qsec&lt;16,
                                       &quot;menos 16 segs&quot;,
                                       &quot;mas de 16 segs&quot;))

mtcars &lt;- mtcars %&gt;% 
  mutate(Peso_kilo=(wt/2)*1000)

mtcars &lt;- mtcars %&gt;%
  mutate(Peso=ifelse(Peso_kilo &lt;= 1500,
                     &quot;livianos&quot;,&quot;pesados&quot;))

Edgar Simmons

student•

Así me quedo!

Omar Patiño Sierra

student•

Alguien podria ayudarme on este error por favor

> mtcars<- mtcars%>%
+   mutate(mas_eficientes=ifelse(mpg<eficentes,
+                             "bajo promedio", "en o sobre promedio"))   
Error: Problem with `mutate()` input `mas_eficientes`.
x objeto 'eficentes' no encontrado
i Input `mas_eficientes` is `ifelse(mpg < eficentes, "bajo promedio", "en o sobre promedio")`.
Run `rlang::last_error()` to see where the error occurred.

Mauricio Gomez

student•

Asegúrate de ejecutar la línea donde definiste la variable eficientes antes de ejecutar esta instrucción

#Ajustando los datos
#Generando tablas, filtrando y seleccionando datos 

eficientes <- mean(mtcars$mpg)
eficientes

#agregando nueva columna a mtcars
mtcars <- mtcars %>%
  mutate(Mas_Eficientes=ifelse(mpg<eficientes, 
                      "Debajo promedio", 
                      "Encima o en el promedio"))

Mas_veloces <- mtcars[mtcars$qsec<16,]
Mas_veloces

#agregando columna a mtcars
mtcars <- mtcars %>%
  mutate(Velocidad_Cuarto_Milla=ifelse(qsec<16,
                    "Menos 16seg",
                    "Mas de 16seg"))

#cambiando a kilos el peso
mtcars <- mtcars %>%
  mutate(Peso_Kilos=(wt/2.2)*1000)

mtcars <- mtcars %>%
  mutate(Peso=ifelse(Peso_Kilos<=1500,
              "Liviano", "Pesado"))

eficientes <- mean(mtcars$mpg)
eficientes

mtcars <- mtcars %>% 
  mutate(Mas_eficientes = ifelse(mpg < eficientes,
                                 "bajo promedio",
                                 "en o sobre promedio"))

Mas_veloces <- mtcars[mtcars$qsec<16,]
Mas_veloces

mtcars <- mtcars %>%
  mutate(Velocidad_cuarto_milla = ifelse(qsec < 16,
                                         "Menos 16 segundos",
                                         "Mas 16 segundos"))

mtcars <- mtcars %>%
  mutate(Peso_kilo = (wt/2.2)*1000)
mtcars <- mtcars %>%
  mutate(Peso = ifelse(Peso_kilo <= 1500,
                       'Livianos',
                       'Pesados'))

#Generando tablas, filtrando y seleccionando datos - dplyr-Parte 1
#ajustando datos para mejorar visualizaciones

eficientes &lt;- mean(mtcars$mpg)
eficientes

mtcars &lt;- mtcars%&gt;%
  mutate(Mas_eficientes=ifelse(mpg&lt;eficientes,
                               &quot;bajo promedio&quot;,&quot;En o sobre promedio&quot;))

mas_veloces &lt;-mtcars[mtcars$qsec&lt;16,]
mas_veloces

mtcars &lt;- mtcars%&gt;%
  mutate(Velocidad_cuarto_milla=ifelse(qsec&lt;16,
                                       &quot;menos 16 segs&quot;,
                                       &quot;mas de 16 segs&quot;))

mtcars &lt;- mtcars %&gt;% 
  mutate(Peso_kilo=(wt/2)*1000)

mtcars &lt;- mtcars %&gt;%
  mutate(Peso=ifelse(Peso_kilo &lt;= 1500,
                     &quot;livianos&quot;,&quot;pesados&quot;))

> mtcars<- mtcars%>%
+   mutate(mas_eficientes=ifelse(mpg<eficentes,
+                             "bajo promedio", "en o sobre promedio"))   
Error: Problem with `mutate()` input `mas_eficientes`.
x objeto 'eficentes' no encontrado
i Input `mas_eficientes` is `ifelse(mpg < eficentes, "bajo promedio", "en o sobre promedio")`.
Run `rlang::last_error()` to see where the error occurred.

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

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

EDA con dataset proyecto - box plot- ggplot2 - dplyr

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

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

La estadística de los datos

Buscando correlaciones con pairs

Confirmando correlaciones con la función cor

Buscando correlaciones con pairs en dataset proyecto

Confirmando correlaciones con la función cor en dataset proyecto.

Protegiéndonos de los peligros del promedio.

Eliminando los NA's para hacer los cálculos.

Estadística y visualización aplicada a análisis de datos de mercadeo.

Ajustando los datos