Estructuras de datos
Última actualización: 2024-09-05 | Mejora esta página
Tiempo estimado: 55 minutos
Hoja de ruta
Preguntas
- ¿Cómo puedo leer datos en R?
- ¿Cuáles son los tipos de datos básicos en R?
- ¿Cómo represento la información categórica en R?
Objetivos
- Conocer los distintos tipos de datos.
- Comenzar a explorar los data frames y entender cómo se relacionan con vectors, factors y lists.
- Ser capaz de preguntar sobre el tipo, clase y estructura de un objeto en R.
- Conocer y entender qué es coerción y cuáles son los distintos tipos de coerciones.
Palabras clave
Comando : Significado
data set : conjunto de datos
c
: combinar
dim
: dimensión
nrow
: número de filas
ncol
: número de columnas
Una de las características más poderosas de R es su habilidad para
manejar datos tabulares - como los que puedes tener en una planilla de
cálculo o un archivo CSV. Comencemos creando un dataset
llamado gatos
que se vea de la siguiente forma:
Podemos usar la función data.frame
para crearlo.
R
gatos <- data.frame(color = c("mixto", "negro", "atigrado"),
peso = c(2.1, 5.0, 3.2),
le_gusta_cuerda = c(1, 0, 1))
gatos
SALIDA
color peso le_gusta_cuerda
1 mixto 2.1 1
2 negro 5.0 0
3 atigrado 3.2 1
Consejo: Edición de archivos de texto en R
Crea el archivo data/gatos-data.csv
en RStudio usando el
ítem del Menú Files -> New folder. Ahid debes crear
el directorio data para poder guardar dentro el archivo gatos-data.csv.
Ahora sí usa
write.csv(gatos, "data/gatos-data.csv", row.names=FALSE)
para crear el archivo
Podemos leer el archivo en R con el siguiente comando:
R
gatos <- read.csv(file = "data/gatos-data.csv", stringsAsFactors = TRUE)
gatos
SALIDA
color peso le_gusta_cuerda
1 mixto 2.1 1
2 negro 5.0 0
3 atigrado 3.2 1
La función read.table
se usa para leer datos tabulares
almacenados en un archivo de texto donde las columnas de datos están
separadas por caracteres de puntuación, por ejemplo archivos CSV (csv =
valores separados por comas). Las tabulaciones y las comas son los
caracteres de puntuación más utilizados para separar o delimitar datos
en archivos csv. Para mayor comodidad, R proporciona otras 2 versiones
de “read.table”. Estos son: read.csv
para archivos donde
los datos están separados por comas y read.delim
para
archivos donde los datos están separados por tabulaciones. De estas tres
funciones, read.csv
es el más utilizado. Si fuera
necesario, es posible anular o modificar el delimitador predeterminado
para read.csv
y read.delim
.
Podemos empezar a explorar el dataset inmediatamente
proyectando las columnas usando el operador $
:
R
gatos$peso
SALIDA
[1] 2.1 5.0 3.2
R
gatos$color
SALIDA
[1] mixto negro atigrado
Levels: atigrado mixto negro
Podemos hacer otras operaciones sobre las columnas. Por ejemplo, podemos aumentar el peso de todos los gatos con:
R
gatos$peso + 2
SALIDA
[1] 4.1 7.0 5.2
Podemos imprimir los resultados en una oración
R
paste("El color del gato es", gatos$color)
SALIDA
[1] "El color del gato es mixto" "El color del gato es negro"
[3] "El color del gato es atigrado"
Pero qué pasa con:
R
gatos$peso + gatos$color
ADVERTENCIA
Warning in Ops.factor(gatos$peso, gatos$color): '+' not meaningful for factors
SALIDA
[1] NA NA NA
Si adivinaste que el último comando iba a resultar en un error porque
2.1
más "negro"
no tiene sentido, estás en lo
cierto - y ya tienes alguna intuición sobre un concepto importante en
programación que se llama tipos de datos.
No importa cuán complicado sea nuestro análisis, todos los datos en R se interpretan con uno de estos tipos de datos básicos. Este rigor tiene algunas consecuencias importantes.
Hay 5 tipos de datos principales: double
,
integer
, complex
, logical
and
character
.
Podemos preguntar cuál es la estructura de datos si usamos la función
class
:
R
class(gatos$color)
SALIDA
[1] "factor"
R
class(gatos$peso)
SALIDA
[1] "numeric"
También podemos ver que gatos
es un
data.frame si usamos la función class
:
R
class(gatos)
SALIDA
[1] "data.frame"
Vectores y Coerción de Tipos
Para entender mejor este comportamiento, veamos otra de las estructuras de datos en R: el vector.
Un vector en R es esencialmente una lista ordenada de cosas, con la condición especial de que todos los elementos en un vector tienen que ser del mismo tipo de datos básico. Si no eliges un tipo de datos, por defecto R elige el tipo de datos logical. También puedes declarar un vector vacío de cualquier tipo que quieras.
Una indicación del número de elementos en el vector - específicamente
los índices del vector, en este caso [1:3]
y unos pocos
ejemplos de los elementos del vector - en este caso
strings vacíos.
Podemos ver que gatos$peso
es un vector usando la
funcion str
.
R
str(gatos$peso)
SALIDA
num [1:3] 2.1 5 3.2
Las columnas de datos que cargamos en data.frames de R son todas vectores y este es el motivo por el cual R requiere que todas las columnas sean del mismo tipo de datos básico.
Discusión 1
¿Por qué R es tan obstinado acerca de lo que ponemos en nuestras columnas de datos? ¿Cómo nos ayuda esto?
Al mantener todos los elementos de una columna del mismo tipo, podemos hacer suposiciones simples sobre nuestros datos; si puedes interpretar un elemento en una columna como un número, entonces puedes interpretar todos los elementos como números, y por tanto no hace falta comprobarlo cada vez. Esta consistencia es lo que se suele mencionar como datos limpios; a la larga, la consistencia estricta hace nuestras vidas más fáciles cuando usamos R.
También puedes crear vectores con contenido explícito con la función
combine o c()
:
R
mi_vector <- c(2,6,3)
mi_vector
SALIDA
[1] 2 6 3
R
str(mi_vector)
SALIDA
num [1:3] 2 6 3
Dado lo que aprendimos hasta ahora, ¿qué crees que hace el siguiente código?
R
otro_vector <- c(2,6,'3')
Esto se denomina coerción de tipos de datos y es motivo de muchas sorpresas y la razón por la cual es necesario conocer los tipos de datos básicos y cómo R los interpreta. Cuando R encuentra una mezcla de tipos de datos (en este caso numeric y character) para combinarlos en un vector, va a forzarlos a ser del mismo tipo.
Considera:
R
vector_coercion <- c('a', TRUE)
str(vector_coercion)
SALIDA
chr [1:2] "a" "TRUE"
R
otro_vector_coercion <- c(0, TRUE)
str(otro_vector_coercion)
SALIDA
num [1:2] 0 1
Las reglas de coerción son: logical
->
integer
-> numeric
->
complex
-> character
, donde -> se puede
leer como se transforma en. Puedes intentar forzar la coerción
de acuerdo a esta cadena usando las funciones as.
:
R
vector_caracteres <- c('0','2','4')
vector_caracteres
SALIDA
[1] "0" "2" "4"
R
str(vector_caracteres)
SALIDA
chr [1:3] "0" "2" "4"
R
caracteres_coercionados_numerico <- as.numeric(vector_caracteres)
caracteres_coercionados_numerico
SALIDA
[1] 0 2 4
R
numerico_coercionado_logico <- as.logical(caracteres_coercionados_numerico)
numerico_coercionado_logico
SALIDA
[1] FALSE TRUE TRUE
Como puedes notar, es sorprendete ver qué pasa cuando R forza la conversión de un tipo de datos a otro. Es decir, si tus datos no lucen como pensabas que deberían lucir, puede ser culpa de la coerción de tipos. Por lo tanto, asegúrate que todos los elementos de tus vectores y las columnas de tus data.frames sean del mismo tipo o te encontrarás con sorpresas desagradables.
Pero la coerción de tipos también puede ser muy útil. Por ejemplo, en
los datos de gatos
, le_gusta_cuerda
es
numérica, pero sabemos que los 1s y 0s en realidad representan
TRUE
y FALSE
(una forma habitual de representarlos). Deberíamos usar el tipo de datos
logical
en este caso, que tiene dos
estados: TRUE
o
FALSE
, que es exactamente lo que nuestros
datos representan. Podemos convertir esta columna al tipo de datos
logical
usando la función
as.logical
:
R
gatos$le_gusta_cuerda
SALIDA
[1] 1 0 1
R
class(gatos$le_gusta_cuerda)
SALIDA
[1] "integer"
R
gatos$le_gusta_cuerda <- as.logical(gatos$le_gusta_cuerda)
gatos$le_gusta_cuerda
SALIDA
[1] TRUE FALSE TRUE
R
class(gatos$le_gusta_cuerda)
SALIDA
[1] "logical"
La función combine, c()
, también
agregará elementos al final de un vector existente:
R
ab <- c('a', 'b')
ab
SALIDA
[1] "a" "b"
R
abc <- c(ab, 'c')
abc
SALIDA
[1] "a" "b" "c"
También puedes hacer una serie de números así:
R
mySerie <- 1:5
mySerie
SALIDA
[1] 1 2 3 4 5
R
str(mySerie)
SALIDA
int [1:5] 1 2 3 4 5
R
class(mySerie)
SALIDA
[1] "integer"
Finalmente, puedes darle nombres a los elementos de tu vector:
R
names(mySerie) <- c("a", "b", "c", "d", "e")
mySerie
SALIDA
a b c d e
1 2 3 4 5
R
str(mySerie)
SALIDA
Named int [1:5] 1 2 3 4 5
- attr(*, "names")= chr [1:5] "a" "b" "c" "d" ...
R
class(mySerie)
SALIDA
[1] "integer"
Desafío 1
Comienza construyendo un vector con los números del 1 al 26.
Multiplica el vector por 2 y asigna al vector resultante, los nombres de
A hasta Z (Pista: hay un vector pre-definido llamado
LETTERS
)
R
x <- 1:26
x <- x * 2
names(x) <- LETTERS
Factores
Otra estructura de datos importante se llama factor.
R
str(gatos$color)
SALIDA
Factor w/ 3 levels "atigrado","mixto",..: 2 3 1
Los factores usualmente parecen caracteres, pero se usan para representar información categórica. Por ejemplo, construyamos un vector de strings con etiquetas para las coloraciones para todos los gatos en nuestro estudio:
R
capas <- c('atigrado', 'carey', 'carey', 'negro', 'atigrado')
capas
SALIDA
[1] "atigrado" "carey" "carey" "negro" "atigrado"
R
str(capas)
SALIDA
chr [1:5] "atigrado" "carey" "carey" "negro" "atigrado"
Podemos convertir un vector en un factor de la siguiente manera:
R
categorias <- factor(capas)
class(categorias)
SALIDA
[1] "factor"
R
str(categorias)
SALIDA
Factor w/ 3 levels "atigrado","carey",..: 1 2 2 3 1
Ahora R puede interpretar que hay tres posibles categorías en nuestros datos - pero también hizo algo sorprendente: en lugar de imprimir los strings como se las dimos, imprimió una serie de números. R ha reemplazado las categorías con índices numéricos, lo cual es necesario porque muchos cálculos estadísticos usan esa representación para datos categóricos:
R
class(capas)
SALIDA
[1] "character"
R
class(categorias)
SALIDA
[1] "factor"
Desafío 2
¿Hay algún factor en nuestro
data.frame gatos
? ¿Cuál es el nombre?
Intenta usar ?read.csv
para darte cuenta cómo mantener las
columnas de texto como vectores de caracteres en lugar de factores;
luego escribe uno o más comandos para mostrar que el
factor en gatos
es en realidad un vector
de caracteres cuando se carga de esta manera.
Una solución es usar el argumento stringAsFactors
:
R
gatos <- read.csv(file="data/gatos-data.csv", stringsAsFactors=FALSE)
str(gatos$color)
Otra solución es usar el argumento colClasses
que
permiten un control más fino.
R
gatos <- read.csv(file="data/gatos-data.csv", colClasses=c(NA, NA, "character"))
str(gatos$color)
Nota: Los nuevos estudiantes encuentran los archivos de ayuda difíciles de entender; asegúrese de hacerles saber que esto es normal, y anímelos a que tomen su mejor opción en función del significado semántico, incluso si no están seguros.
En las funciones de modelado, es importante saber cuáles son los niveles de referencia. Se asume que es el primer factor, pero por defecto los factores están etiquetados en orden alfabetico. Puedes cambiar esto especificando los niveles:
R
misdatos <- c("caso", "control", "control", "caso")
factor_orden <- factor(misdatos, levels = c("control", "caso"))
str(factor_orden)
SALIDA
Factor w/ 2 levels "control","caso": 2 1 1 2
En este caso, le hemos dicho explícitamente a R que “control” debería estar representado por 1, y “caso” por 2. Esta designación puede ser muy importante para interpretar los resultados de modelos estadísticos!
Listas
Otra estructura de datos que querrás en tu bolsa de trucos es
list
. Una lista es más simple en algunos aspectos que los
otros tipos, porque puedes poner cualquier cosa que tú quieras en
ella:
R
lista <- list(1, "a", TRUE, 1+4i)
lista
SALIDA
[[1]]
[1] 1
[[2]]
[1] "a"
[[3]]
[1] TRUE
[[4]]
[1] 1+4i
R
otra_lista <- list(title = "Numbers", numbers = 1:10, data = TRUE )
otra_lista
SALIDA
$title
[1] "Numbers"
$numbers
[1] 1 2 3 4 5 6 7 8 9 10
$data
[1] TRUE
Ahora veamos algo interesante acerca de nuestro data.frame; ¿Qué pasa si corremos la siguiente línea?
R
typeof(gatos)
SALIDA
[1] "list"
Vemos que los data.frames parecen listas ‘en su cara
oculta’ - esto es porque un data.frame es realmente una
lista de vectores y factores, como debe ser - para mantener esas
columnas que son una combinación de vectores y factores, el
data.frame necesita algo más flexible que un vector
para poner todas las columnas juntas en una tabla. En otras palabras, un
data.frame
es una lista especial en la que todos los
vectores deben tener la misma longitud.
En nuestro ejemplo de gatos
, tenemos una variable
integer, una double y una
logical. Como ya hemos visto, cada columna del
data.frame es un vector.
R
gatos$color
SALIDA
[1] mixto negro atigrado
Levels: atigrado mixto negro
R
gatos[,1]
SALIDA
[1] mixto negro atigrado
Levels: atigrado mixto negro
R
typeof(gatos[,1])
SALIDA
[1] "integer"
R
str(gatos[,1])
SALIDA
Factor w/ 3 levels "atigrado","mixto",..: 2 3 1
Cada fila es una observación de diferentes variables del mismo data.frame, y por lo tanto puede estar compuesto de elementos de diferentes tipos.
R
gatos[1,]
SALIDA
color peso le_gusta_cuerda
1 mixto 2.1 TRUE
R
typeof(gatos[1,])
SALIDA
[1] "list"
R
str(gatos[1,])
SALIDA
'data.frame': 1 obs. of 3 variables:
$ color : Factor w/ 3 levels "atigrado","mixto",..: 2
$ peso : num 2.1
$ le_gusta_cuerda: logi TRUE
Desafío 3
Hay varias maneras sutilmente diferentes de indicar variables, observaciones y elementos de data.frames:
gatos[1]
gatos[[1]]
gatos$color
gatos["color"]
gatos[1, 1]
gatos[, 1]
gatos[1, ]
Investiga cada uno de los ejemplos anteriores y explica el resultado de cada uno.
Sugerencia: Usa la función
typeof()
para examinar el resultado en
cada caso.
R
gatos[1]
SALIDA
color
1 mixto
2 negro
3 atigrado
Podemos interpretar un data frame como una lista de
vectores. Un único par de corchetes [1]
resulta en la
primera proyección de la lista, como otra lista. En este caso es la
primera columna del data frame.
R
gatos[[1]]
SALIDA
[1] mixto negro atigrado
Levels: atigrado mixto negro
El doble corchete [[1]]
devuelve el contenido del
elemento de la lista. En este caso, es el contenido de la primera
columna, un vector de tipo factor.
R
gatos$color
SALIDA
[1] mixto negro atigrado
Levels: atigrado mixto negro
Este ejemplo usa el caracter $
para direccionar
elementos por nombre. color es la primera columna del data
frame, de nuevo un vector de tipo factor.
R
gatos["color"]
SALIDA
color
1 mixto
2 negro
3 atigrado
Aquí estamos usando un solo corchete ["color"]
reemplazando el número del índice con el nombre de la columna. Como el
ejemplo 1, el objeto devuelto es un list.
R
gatos[1, 1]
SALIDA
[1] mixto
Levels: atigrado mixto negro
Este ejemplo usa un solo corchete, pero esta vez proporcionamos coordenadas de fila y columna. El objeto devuelto es el valor en la fila 1, columna 1. El objeto es un integer pero como es parte de un vector de tipo factor, R muestra la etiqueta “mixto” asociada con el valor entero.
R
gatos[, 1]
SALIDA
[1] mixto negro atigrado
Levels: atigrado mixto negro
Al igual que en el ejemplo anterior, utilizamos corchetes simples y proporcionamos las coordenadas de fila y columna. La coordenada de la fila no se especifica, R interpreta este valor faltante como todos los elementos en este column vector.
R
gatos[1, ]
SALIDA
color peso le_gusta_cuerda
1 mixto 2.1 TRUE
De nuevo, utilizamos el corchete simple con las coordenadas de fila y columna. La coordenada de la columna no está especificada. El valor de retorno es una list que contiene todos los valores en la primera fila.
Matrices
Por último, pero no menos importante, están las matrices. Podemos declarar una matriz llena de ceros de la siguiente forma:
R
matrix_example <- matrix(0, ncol=6, nrow=3)
matrix_example
SALIDA
[,1] [,2] [,3] [,4] [,5] [,6]
[1,] 0 0 0 0 0 0
[2,] 0 0 0 0 0 0
[3,] 0 0 0 0 0 0
Y de manera similar a otras estructuras de datos, podemos preguntar cosas sobre la matriz:
R
class(matrix_example)
SALIDA
[1] "matrix" "array"
R
typeof(matrix_example)
SALIDA
[1] "double"
R
str(matrix_example)
SALIDA
num [1:3, 1:6] 0 0 0 0 0 0 0 0 0 0 ...
R
dim(matrix_example)
SALIDA
[1] 3 6
R
nrow(matrix_example)
SALIDA
[1] 3
R
ncol(matrix_example)
SALIDA
[1] 6
Desafío 4
¿Cuál crees que es el resultado del comando
length(matrix_example)
? Inténtalo. ¿Estabas en lo correcto?
¿Por qué / por qué no?
¿Cuál crees que es el resultado del comando
length(matrix_example)
?
R
matrix_example <- matrix(0, ncol=6, nrow=3)
length(matrix_example)
SALIDA
[1] 18
Debido a que una matriz es un vector con atributos de dimensión
añadidos, length
proporciona la cantidad total de elementos
en la matriz.
Desafío 5
Construye otra matriz, esta vez conteniendo los números 1:50, con 5
columnas y 10 renglones. ¿Cómo llenó la función
matrix
de manera predeterminada la matriz,
por columna o por renglón? Investiga como cambiar este comportamento.
(Sugerencia: lee la documentación de la función
matrix
.)
Construye otra matriz, esta vez conteniendo los números 1:50, con 5
columnas y 10 renglones. ¿Cómo llenó la función
matrix
de manera predeterminada la matriz,
por columna o por renglón? Investiga como cambiar este comportamento.
(Sugerencia: lee la documentación de la función
matrix
.)
R
x <- matrix(1:50, ncol=5, nrow=10)
x <- matrix(1:50, ncol=5, nrow=10, byrow = TRUE) # to fill by row
Desafío 6
Crea una lista de longitud dos que contenga un vector de caracteres para cada una de las secciones en esta parte del curso:
- tipos de datos
- estructura de datos
Inicializa cada vector de caracteres con los nombres de los tipos de datos y estructuras de datos que hemos visto hasta ahora.
R
dataTypes <- c('double', 'complex', 'integer', 'character', 'logical')
dataStructures <- c('data.frame', 'vector', 'factor', 'list', 'matrix')
answer <- list(dataTypes, dataStructures)
Nota: es útil hacer una lista en el pizarrón o en papel colgado en la pared listando todos los tipos y estructuras de datos y mantener la lista durante el resto del curso para recordar la importancia de estos elementos básicos.
Desafío 7
Considera la salida de R para la siguiente matriz:
SALIDA
[,1] [,2]
[1,] 4 1
[2,] 9 5
[3,] 10 7
¿Cuál fué el comando correcto para escribir esta matriz? Examina cada comando e intenta determinar el correcto antes de escribirlos. Piensa en qué matrices producirán los otros comandos.
matrix(c(4, 1, 9, 5, 10, 7), nrow = 3)
matrix(c(4, 9, 10, 1, 5, 7), ncol = 2, byrow = TRUE)
matrix(c(4, 9, 10, 1, 5, 7), nrow = 2)
matrix(c(4, 1, 9, 5, 10, 7), ncol = 2, byrow = TRUE)
Considera la salida de R para la siguiente matriz:
SALIDA
[,1] [,2]
[1,] 4 1
[2,] 9 5
[3,] 10 7
¿Cuál era el comando correcto para escribir esta matriz? Examina cada comando e intenta determinar el correcto antes de escribirlos. Piensa en qué matrices producirán los otros comandos.
R
matrix(c(4, 1, 9, 5, 10, 7), ncol = 2, byrow = TRUE)
Puntos Clave
- Usar
read.csv
para leer los datos tabulares en R. - Los vectores, factores, listas y dataframes son estructuras de datos en R
- Los tipos de datos básicos en R son double, integer, complex, logical, y character.
- Los factors representan variables categóricas en R.