Viendo más información con facet wrap - Parte 1

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

Cursos Empresas Blog Live Conf Eventos Precios

0:007:20

Recursos

Resumen

Reto: ajusta la variable de peso de mtcars por peso en kilos.

Viendo más información con facet wrap - Parte 1

Curso de Fundamentos de R

Clase 32 de 35

Clase 32 / 35

Comentarios (74)74 comentarios

Eday Alix González Manjarrés

Hace 8 años

Agustin Lemos

muy bueno eso

Luis Alejandro Vera Hernandez

Hace 6 años

Interesante!

César Espitia

Hace 7 años

Por acá dejo mi reto: Código

Gráfica

Gustavo Velasco

Hace 5 años

hola saludos, 2 preguntas, como descargaste R en VS y segundo si te muestra bien las graficas? tengo entendido que para modelar no es tan bueno.

Edwin Jesset Barrientos Gonzales

##Viendo más información con facet wrap - Parte 1

mtcars %>%
  arrange(desc(Peso_kilo))

Mas_pesados <- mtcars %>%
  filter(model %in%c("Lincoln Continental","Chrysler Imperial",
                     "Cadillac Fleetwood","Merc 450SE"))

Mas_pesados

ggplot(Mas_pesados, aes(x=hp,y=mpg))+
  geom_point()+
  facet_wrap(~model)


ggplot(mtcars, aes(x=cyl, y=mpg, size=Peso))+
  geom_point()+
  facet_wrap(~ am)

##RETO
ggplot(mtcars, aes(x=cyl, y=mpg, size=Peso_kilo))+
  geom_point()+
  facet_wrap(~ am)```

Henry Mendiburu Díaz

++El operador pipe %>%++

El operador pipeline %>% es útil para concatenar múltiples dplyr operaciones. Obsérvese en el siguiente ejemplo, que cada vez que queremos aplicar mas de una función, la instrucción es una secuencia de llamadas a funciones de forma anidada y que resulta ilegible:

third(second(first(x)))

Este anidamiento no es una forma natural de expresar un secuencia de operaciones. El operador %>% nos permite escribir una secuencia de operaciones de izquierda a derecha:

first(x) %>% second(x) %>% third(x)

Nicolás Neira Navarrete

Aquí una forma de guardar los 6 "más pesados" sin tener que escribir los nombres directamente:

test_mas_pesados <- mtcars %>%  arrange(desc(peso_kilos))
mas_pesados <- head(test_mas_pesados)

Anthony Pernia

Despues de correr tantos graficos, me daba este error:

Error in .Call.graphics(C_palette2, .Call(C_palette2, NULL)) : 
  invalid graphics state

Lo resolvi con un:

dev.off()

y luego corren el codigo normal.

José Alberto Ortiz Vargas

Gracias, me sirvió ;)

Manuel Gutierrez Ceballos

Otra forma de obtener los 4 automoviles más pesados:

Mas_pesados <- ( mtcars %>% arrange( desc( mtcars$peso_kilos ) ) ) [1:4,]

Jonathan Higueros Garrido

Hace 2 años

En windows:

~ = Alt+126

José Manuel Piña Rodríguez

Que creen que sucede cuando ocurre este error? Error in .Call.graphics(C_palette2, .Call(C_palette2, NULL)) : invalid graphics state

Mi codigo

ggplot(Mas_pesados, aes(x=hp, y=mpg)) +
  geom_point()+
  facet_wrap(~model)

Javier Emilio Valencia Soto

Hace 4 años

Codigo de mi Reto

ggplot(mtcars, aes(x=cyl, y=mpg, size = Peso_kilos))+ geom_point(aes (color= Peso))+ facet_wrap(~am)

No puedo colocar pantallazos

Natalia Garzón Barbosa

Reto

Valentina Peña

EXPLICANDO ggplot: . ggplot es un paquete Depende de COMO quieras (y LO QUE quieras) ver en la grafica tipea un comando u otro . . Para la parte estetica aes(x=,y=) pauta las variables que quieres analizar en los ejes x,y. En este caso caballos de fuerza hp y millas por galon mpg de los Mas_pesados:

. . Para la figura que veras en la grafica, en este caso es un punto geom_point():

. . Para tener varias graficas en una visualizaciòn facet_wrap , en este caso queremos ver por modelo (-model):

AHORA Para llegar a los + TOP arrange (desc()) con filter(model %in% (c)) y que se vean bonitos ggplot: . .

1.- Visualiza EN orden la VARIABLE que solicitas; en este caso el orden arrange es descendente desc en el peso de los vehiculos

. .

2.- Establece el filter de lo visto en el orden arrange ; en este caso de los model Mas_pesados

3.- Para nuestra comprensiòn en grafica es mejor ¡que viva el ggplot!

Emel GM

Lo hice de esta manera para reducir las columnas

#top de autos mas pesados
#ordenarlos
orden <- mtcars%>%
  arrange(desc(peso_kg))

#filtrar columnas a interés
orden_peso <- subset(orden, select=c(1,2,3,4,5, 15))
orden_peso

#filtrar el top
top5 <- filter(orden_peso[1:4,])
top5

Ramiro Merchán

Para obtener los datos de los autos más pesados se puede optar por usar la función slice_max, el cual ordena los datos descendentemente según la variable especificada y obtiene el número de filas requeridas.

Mas_pesados <- slice_max(mtcars, Peso_kilos, n = 4)
Mas_pesados

# Misma función usando operador pipe
Mas_pesados <- mtcars %>% slice_max(Peso_kilos, n = 4)
Mas_pesados

# Reto
ggplot(mtcars, aes(x = cyl, y = mpg, size = Peso_kilos)) + 
  geom_point() +
  facet_wrap(~ am)

clint martinez

Fabuloso buen aporte compañero!! gracias

Luis Cuevas

Acá les dejo una función que ordena de mayor a menor, según la variable indicada

mtcars %>% 
  slice_max(Peso_kilos, n= 4)

ggplot(mtcars, aes(x=cyl, y = mpg, size= peso_kilos))+ geom_point()+ facet_wrap(~ am)

Aqui tenemos la receta ->

. . Y aqui el pastel ->

Bryan Tony Cipriano Tarazona

Relación de 5 variables, cambiando el Peso por Peso_kilos y añadiendo la variable Velocidad_Cuarto_milla

ggplot(mtcars, aes(x = cyl, y = mpg, size = Peso_kilos, color = Velocidad_Cuarto_milla)) +
  geom_point() +
  facet_wrap(~am)

Camilo Andrés Aldana Orozco

en mi mtcars model no es una columna.... :(

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

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

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

Mejorando la visualización

Viendo más información con facet wrap - Parte 1

Viendo más información con facet wrap - Parte 2

Organizar visualizaciones y código con R Markdown

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

Conclusiones Finales

Invitación a continuar recorriendo el mundo del data science.

Resumen

Viendo más información con facet wrap - Parte 1