Data frames
Los data frames se utilizan en R para almacenar datos en forma de hoja de datos. Cada fila de la hoja de datos corresponde a una observación o valor de una instancia, mientras que cada columna corresponde a un vector que contiene los datos de una variable.
Como podemos observar en el ejemplo, cada observación, indicado en la primera columna con un
número, tiene ciertas características que son representadas en las tres columnas restantes.
Cada columna consiste de valores del mismo tipo, puesto que se corresponden a vectores:
es por eso, que la columna breaks contiene valores de tipo double, mientras que las
columnas wooly tension contienen caracteres que son almacenados como factor.
head(warpbreaks)
## breaks wool tension
## 1 26 A L
## 2 30 A L
## 3 54 A L
## 4 25 A L
## 5 70 A L
## 6 52 A L
La estructura de un data.frame es muy similar a la de una matriz. La diferencia es que
las filas de un data.frame pueden contener valores de diferentes tipos de datos.
Los data.frame también tienen similitud con las listas, puesto que son básicamente colecciones
de elementos. Sin embargo, el data.frame es una lista que únicamente contiene vectores de
la misma longitud. Por lo tanto, podemos considerarlo un tipo especial de lista y en el
podemos acceder a sus elementos del mismo modo que lo hacemos en las matrices o las listas.
Creación de un Data Frame
Podemos crear data frames con la función data.frame():
# Creamos vectores con los valores
nombre <- c("Juan", "Margarita", "Ruben", "Daniel")
apellido <- c("Sanchez", "Garcia", "Sancho", "Alfara")
fecha_nacimiento <- c("1976-06-14", "1974-05-07", "1958-12-25", "1983-09-19")
sexo <- c("HOMBRE", "MUJER", "HOMBRE", "HOMBRE")
nro_hijos <- c(1, 2, 3, 4)
# Creamos un dataframe con la ayuda de data.frame()
censo <- data.frame(nombre, apellido, fecha_nacimiento, sexo, nro_hijos)
censo
## nombre apellido fecha_nacimiento sexo nro_hijos
## 1 Juan Sanchez 1976-06-14 HOMBRE 1
## 2 Margarita Garcia 1974-05-07 MUJER 2
## 3 Ruben Sancho 1958-12-25 HOMBRE 3
## 4 Daniel Alfara 1983-09-19 HOMBRE 4
Recordemos que los data frames requieren que las variables sean de la
misma longitud. Por este motivo, tenemos que asegurarnos que el número de
argumentos pasados a la función c() sea el mismo. Además, debemos
asegurarnos que las cadenas de caracteres están entre "".
Además, observemos que cuando hacemos uso de la función data.frame(), las variables
de tipo character son importadas como variables categóricas, que en R son representadas
como factor.
Si estamos interesados en inspeccionar las primeras o últimas líneas,
podemos hacer uso de las funciones head() y tail(), respectivamente:
head(censo)
## nombre apellido fecha_nacimiento sexo nro_hijos
## 1 Juan Sanchez 1976-06-14 HOMBRE 1
## 2 Margarita Garcia 1974-05-07 MUJER 2
## 3 Ruben Sancho 1958-12-25 HOMBRE 3
## 4 Daniel Alfara 1983-09-19 HOMBRE 4
Por otro lado, podemos usar la función str() para conocer la estructura del data frame:
str(censo)
## 'data.frame': 4 obs. of 5 variables:
## $ nombre : Factor w/ 4 levels "Daniel","Juan",..: 2 3 4 1
## $ apellido : Factor w/ 4 levels "Alfara","Garcia",..: 3 2 4 1
## $ fecha_nacimiento: Factor w/ 4 levels "1958-12-25","1974-05-07",..: 3 2 1 4
## $ sexo : Factor w/ 2 levels "HOMBRE","MUJER": 1 2 1 1
## $ nro_hijos : num 1 2 3 4
Como podemos observar, las variables nombre, apellido, fecha_nacimiento y sexo de censo
son tratadas como factors. Para evitar este comportamiento podemos hacer lo siguiente:
Para las variables
nombreyapellidopodemos hacer uso de la funciónI()en la definición de los vectores para que las variables no sean tratadas comofactor. Esta función inhibe la interpretación de sus argumentos.La variable
sexopodemos dejarla comofactor, puesto que se trata de una cantidad limitada de posibles valores.Para que la variable
fecha_nacimientosea registrada como fecha, podemos hacer uso de la funciónas.Date():
# Creamos vectores con los valores y el tipo de dato deseado
nombre <- I(c("Juan", "Margarita", "Ruben", "Daniel"))
apellido <- I(c("Sanchez", "Garcia", "Sancho", "Alfara"))
fecha_nacimiento <- as.Date(c("1976-06-14", "1974-05-07", "1958-12-25", "1983-09-19"))
sexo <- c("HOMBRE", "MUJER", "HOMBRE", "HOMBRE")
nro_hijos <- c(1, 2, 3, 4)
# Creamos un dataframe con la ayuda de data.frame()
censo <- data.frame(nombre, apellido, fecha_nacimiento, sexo, nro_hijos)
str(censo)
## 'data.frame': 4 obs. of 5 variables:
## $ nombre :Class 'AsIs' chr [1:4] "Juan" "Margarita" "Ruben" "Daniel"
## $ apellido :Class 'AsIs' chr [1:4] "Sanchez" "Garcia" "Sancho" "Alfara"
## $ fecha_nacimiento: Date, format: "1976-06-14" "1974-05-07" ...
## $ sexo : Factor w/ 2 levels "HOMBRE","MUJER": 1 2 1 1
## $ nro_hijos : num 1 2 3 4
Filas, Columnas y Dimensión
Como las matrices, el data.frame dispone del atributo dimensión determinado por el
número de filas y columnas. Para comprobar el número de filas y columnas de censo,
podemos hacer uso de la función dim():
# Devuelve el número de filas y columnas
dim(censo)
## [1] 4 5
# Recupera el número de filas
dim(censo)[1]
## [1] 4
# Recupera el número de columnas
dim(censo)[2]
## [1] 5
También podemos recuperar el número de filas y columnas en censo con la ayuda
de las funciones nrow() y ncol():
# Usamos `nrow()`para recuperar el número de filas
nrow(censo)
## [1] 4
# Usamos `ncol()` para recuperar el número de columnas
ncol(censo)
## [1] 5
# Usamos `length()`para recuperar el número de columnas
length(censo)
## [1] 5
Observemos que, puesto que la estructura de un data.frame es similar a una lista, podemos
hacer uso de la función length() para recuperar el número de columnas. No obstante, para
que nuestro código sea comprensible, recomendamos evitar el uso de esta función y en su
lugar utilizar la función ncol().
Nombre de las Filas y Columnas
Los data frames también cuentan con el atributo names, que nos indica los nombres de
las variables que hemos definido. En otras palabras, podemos ver y establecer una
cabecera.
# Listamos los nombres de las variables (cabecera)
names(censo)
## [1] "nombre" "apellido" "fecha_nacimiento"
## [4] "sexo" "nro_hijos"
Para cambiar los nombres, podemos hacer uso de la función names():
# Asignamos diferentes nombres a las columas de `censo`
names(censo) <- c("Nombre", "Apellido", "Fecha_Nacimiento", "Sexo", "Numero_Hijos")
names(censo)
## [1] "Nombre" "Apellido" "Fecha_Nacimiento"
## [4] "Sexo" "Numero_Hijos"
También podemos cambiar los nombres de las filas y columnas con la ayuda de las
funciones rownames() y colnames(), respectivamente:
# Asignamos diferentes nombres a las columnas de `censo`
colnames(censo) <- c("Nombre", "Apellido", "Fecha_Nacimiento", "Sexo", "Numero_Hijos")
rownames(censo) <- c("ID1", "ID2", "ID3", "ID4")
censo
## Nombre Apellido Fecha_Nacimiento Sexo Numero_Hijos
## ID1 Juan Sanchez 1976-06-14 HOMBRE 1
## ID2 Margarita Garcia 1974-05-07 MUJER 2
## ID3 Ruben Sancho 1958-12-25 HOMBRE 3
## ID4 Daniel Alfara 1983-09-19 HOMBRE 4
Observemos que, la función names() devuelve el mismo valor que colnames(). Para
que nuestro código sea inteligible, recomendamos el uso de la función colnames().
Selección de Elementos
El acceso a los elementos que se encuentran en un data.frame es muy similar al acceso a los datos de una matriz que ya vimos en la sección anterior. Así por ejemplo, si queremos ver sólo los datos de los sujetos (filas) 2 a 4, escribiríamos:
censo[2:4, ]
## Nombre Apellido Fecha_Nacimiento Sexo Numero_Hijos
## ID2 Margarita Garcia 1974-05-07 MUJER 2
## ID3 Ruben Sancho 1958-12-25 HOMBRE 3
## ID4 Daniel Alfara 1983-09-19 HOMBRE 4
Si queremos acceder a la variable nombre(primera columna), podemos tratar a censo igual que si fuese una matriz:
censo[, 1]
## [1] "Juan" "Margarita" "Ruben" "Daniel"
Aunque también podemos referirnos a la columna por su nombre:
censo$Nombre
## [1] "Juan" "Margarita" "Ruben" "Daniel"
Nótese que en este caso hemos de utilizar el nombre del data.frame censo seguido del operador $ y del nombre de la variable que nos interesa (Nombre). De manera equivalente, la selección de esa variable puede realizarse mediante:
censo[, "Nombre"]
## [1] "Juan" "Margarita" "Ruben" "Daniel"
o poniendo el nombre de la variable entre dobles corchetes y entre comillas:
censo[["Nombre"]]
## [1] "Juan" "Margarita" "Ruben" "Daniel"
Attach y Detach
La notación $ para el acceso a elementos de un data.frame puede hacerse engorroso cuando
hemos de escribir constantemente el nombre del data.frame(en particular si éste en muy largo).
Imaginemos, por ejemplo, que para el conjunto de datos censo deseamos construir tablas de
frecuencias de la variable nro_hijos, y que además queremos calcular la media del número de hijos.
La sintaxis a utilizar sería la siguiente:
# Calculamos la tabla de frecuencias
table(censo$Sexo)
##
## HOMBRE MUJER
## 3 1
# Diagrama de barras variable `sexo`
barplot(table(censo$Sexo))
# Calculamos la media de `nro_hijos`
mean(censo$Numero_Hijos)
## [1] 2.5
# Calculamos la mediana de `nro_hijos`
median(censo$Numero_Hijos)
## [1] 2.5
# Calculamos la varianza de `nro_hijos`
var(censo$Numero_Hijos)
## [1] 1.666667
Obviamente, escribir tantas veces censo resulta tedioso, al margen de que se multiplica el riesgo de cometer errores en la redacción de los comandos. Para evitar este problema podemos hacer uso de la función attach(), cuyo objetivo consiste
básicamente en "enganchar" el contenido del dataframe al entorno donde R busca los nombres
de variable; de esta forma se puede acceder directamente a las variables del dataframe por
su nombre:
# Attach el dataframe `censo
attach(censo)
# Calculamos distribución frecuencias absolutas
cbind(table(sexo))
## [,1]
## HOMBRE 3
## MUJER 1
# Diagrama de barras de `nro_hijos`
barplot(table(sexo))
# Calculamos la media de `nro_hijos`
mean(nro_hijos)
## [1] 2.5
# Calculamos la mediana de `nro_hijos`
median(nro_hijos)
## [1] 2.5
# Calculamos la varianza de `nro_hijos`
var(nro_hijos)
## [1] 1.666667
# Detach el dataframe `censo`
detach(censo)
Una vez que hayamos acabado nuestra tarea “desenganchamos” el dataframe con la
función detach().
Eliminar Columnas y Filas
Si deseamos eliminar valores o columnas enteras asignaremos el valor NULL a la
unidad deseada:
# Creamos una copia de `censo`
copia_censo <- censo
# Asignamos el valor `NULL` al valor en [1, 3]
copia_censo[1, 3] <- NULL
# Asignamos `NULL`a la variable `nro_hijos`
copia_censo$nro_hijos <- NULL
# Mostramos por pantalla valor en [1, 3]
valor_eliminado <- copia_censo$Numero_Hijos
valor_eliminado
## [1] 1 2 3 4
# Mostramos por pantalla variables `copia_censo`
names(copia_censo)
## [1] "Nombre" "Apellido" "Fecha_Nacimiento"
## [4] "Sexo" "Numero_Hijos"
Para eliminar filas definiremos un vector de tipo lógico en el que indicaremos para cada fila si será eliminada o no:
# Definimos las filas a conservar
filas_a_conservar <- c(TRUE, FALSE, TRUE, FALSE)
# Obtenenos un subconjunto de `censo` con las filas a conservar
subconjunto_censo <- censo[filas_a_conservar, ]
# Mostramos por pantalla `subconjunto_censo`
subconjunto_censo
## nombre apellido fecha_nacimiento sexo nro_hijos
## 1 Juan Sanchez 1976-06-14 HOMBRE 1
## 3 Ruben Sancho 1958-12-25 HOMBRE 3
Otro modo de eliminar las filas es haciendo lo contrario añadiendo el operador
lógico de negación (!), a modo de ejemplo utilizaremos el código anterior:
# Definimos las filas a conservar
filas_a_conservar <- c(TRUE, FALSE, TRUE, FALSE)
# Obtenenos un subconjunto de `censo` con las filas eliminadas
subconjunto_censo <- censo[!filas_a_conservar, ]
# Mostramos por pantalla `subconjunto_censo`
subconjunto_censo
## nombre apellido fecha_nacimiento sexo nro_hijos
## 2 Margarita Garcia 1974-05-07 MUJER 2
## 4 Daniel Alfara 1983-09-19 HOMBRE 4
Por último, destacar que podemos definir condiciones lógicas para filtrar nuestros
resultados. Por ejemplo, si deseamos mostrar los sujetos de censo que tienen mas de dos hijos
lo haríamos del siguiente modo:
subconjunto_censo <- censo[censo$nro_hijos > 2, ]
subconjunto_censo
## nombre apellido fecha_nacimiento sexo nro_hijos
## 3 Ruben Sancho 1958-12-25 HOMBRE 3
## 4 Daniel Alfara 1983-09-19 HOMBRE 4
Añadir Filas y Columnas
Del mismo modo que utilizamos los operadores [,] y $ para acceder y cambiar un valor,
podemos añadir columnas en censo del siguiente modo:
# Añadimos la columna `nacionalidad` en `censo`
censo$nacionalidad <- c("ES", "FR", "RU", "IT")
# Mostramos `censo` `por pantalla
censo
## nombre apellido fecha_nacimiento sexo nro_hijos nacionalidad
## 1 Juan Sanchez 1976-06-14 HOMBRE 1 ES
## 2 Margarita Garcia 1974-05-07 MUJER 2 FR
## 3 Ruben Sancho 1958-12-25 HOMBRE 3 RU
## 4 Daniel Alfara 1983-09-19 HOMBRE 4 IT
Para añadir filas a un dataframe existente, definiremos un nuevo vector respetando las variables
de las columnas que han sido definidas con anterioridad y pegando esta fila al dataframe original
mediante la función rbind() (acrónimo de rowbind, pegar por filas):
# Definimos una nueva fila
fila_nueva <- c("Oscar", "Gonzalez", "1989-07-15", "HOMBRE", 0, "ES")
# Añadimos la nueva fila a `censo` con `rbind()`
censo <- rbind(censo, fila_nueva)
# Mostramos por pantalla `censo`
censo
## nombre apellido fecha_nacimiento sexo nro_hijos
## 1 Juan Sanchez 1976-06-14 HOMBRE 1
## 2 Margarita Garcia 1974-05-07 MUJER 2
## 3 Ruben Sancho 1958-12-25 HOMBRE 3
## 4 Daniel Alfara 1983-09-19 HOMBRE 4
## 5 Oscar Gonzalez 1989-07-15 HOMBRE 0
Ordenación de DataFrames
Para ordenar un data.frame hemos de aplicar la función order() a la variable por la que queramos
ordenar. Por ejemplo, si queremos ordenar el dataframe censo por orden alfabético de nombre, haríamos:
# Usamos `order()` para ordenar
censo[order(nombre), ]
## nombre apellido fecha_nacimiento sexo nro_hijos
## 4 Daniel Alfara 1983-09-19 HOMBRE 4
## 1 Juan Sanchez 1976-06-14 HOMBRE 1
## 2 Margarita Garcia 1974-05-07 MUJER 2
## 3 Ruben Sancho 1958-12-25 HOMBRE 3
También podemos controlar la forma de ordenación mediante el argumento decreasing, el cual
acepta los valores lógicos TRUE y FALSE. Por ejemplo, si deseamos ordenar los sujetos
por el mayor número de hijos, lo haríamos:
censo[order(nro_hijos, decreasing = TRUE), ]
## nombre apellido fecha_nacimiento sexo nro_hijos
## 4 Daniel Alfara 1983-09-19 HOMBRE 4
## 3 Ruben Sancho 1958-12-25 HOMBRE 3
## 2 Margarita Garcia 1974-05-07 MUJER 2
## 1 Juan Sanchez 1976-06-14 HOMBRE 1
Cambiar la Forma de un data.frame: formato widey long
Cuando nos encontramos con múltiples valores, dispersos en varias columnas, para
la misma instancia, nuestros datos estan en forma wide (ancho).
Por otro lado, nuestros datos están en forma long (largo) si existe una observación (fila)
por variable. Es decir, disponemos de múltiples filas por instancia.
Permitidme ilustrar estos conceptos mediante un ejemplo. Nuestros datos están en
formato long cuando los colacamos del siguiente modo:
# Definimos las filas
alumno <- c(1, 2, 1, 2, 2, 1)
sexo <- c("M", "F", "M", "F", "F", "M")
asignatura <- c("Matematicas", "Ciencias", "Ciencias", "Literatura", "Matematicas",
"Literatura")
nota <- c(10, 4, 8, 6, 7, 7)
# Creamos el `data.frame`
observaciones_formato_long <- data.frame(alumno, sexo, asignatura, nota)
# Mostramos por pantalla `formato_long
observaciones_formato_long
## alumno sexo asignatura nota
## 1 1 M Matematicas 10
## 2 2 F Ciencias 4
## 3 1 M Ciencias 8
## 4 2 F Literatura 6
## 5 2 F Matematicas 7
## 6 1 M Literatura 7
Como podemos observar, existe una fila para cada variable que hemos definido. Este formato es muy útil en la gran mayoría de funciones estadísticas.
Por otro lado, nuestros datos se encuentra en formato wide cuando los organizamos del
siguiente modo:
# Definimos las columnas
alumno <- c(1, 2)
sexo <- c("M", "F")
matematicas <- c(10, 7)
ciencias <- c(8, 4)
literatura <- c(7, 6)
# Creamos el `data.frame`
observaciones_formato_wide <- data.frame(alumno, sexo, matematicas, ciencias,
literatura)
# Mostramos por pantalla `formato_wide`
observaciones_formato_wide
## alumno sexo matematicas ciencias literatura
## 1 1 M 10 8 7
## 2 2 F 7 4 6
Como podemos observar cada columna (variable) representa un valor para cada instancia.
Uso de stack() Para Data Frames con Estructuras Simples
La función stack() básicamente combina varios vectores en un único vector. Siguiendo
con el ejemplo, si queremos nuestro data.frame en formato long combinaremos las
columnas matematicas, ciencias y literatura en una sola:
# Pasamos de `wide` a `long`
formato_long <- stack(observaciones_formato_wide, select = c(matematicas, ciencias,
literatura))
# Mostramos `formato_long`
formato_long
## values ind
## 1 10 matematicas
## 2 7 matematicas
## 3 8 ciencias
## 4 4 ciencias
## 5 7 literatura
## 6 6 literatura
Para pasar de formato long a wide, necesitamos desagrupar nuestros datos con
el objetivo de obtener una fila por instancia, en la que cada valor se corresponde a una
variable diferente. Para ello haremos uso de la función unstack() como mostramos
en el siguiente ejemplo:
# Construimos a formato `wide`
formato_wide <- unstack(observaciones_formato_long, nota ~ asignatura)
# Devuelve `formato_wide`
formato_wide
## Ciencias Literatura Matematicas
## 1 4 6 10
## 2 8 7 7
Transformar Data Frames con Estructuras Complejas
Existen otras funciones que nos permiten transformar data frames con estructuras más complejas:
- La función
reshape()que forma parte del paquetestats. - Las funciones
spread()ygatherdel paquetetidyr. - La función
melt()del paquetereshape2.
En este curso en un módulo posterior profundizaremos en el uso del paquete tidyr.
Resumen
- Creamos data frames con
data.frame(). - Mediante la función
str()lograremos conocer la estrucutra del data frame. - Para inspeccionar las primeras o últimas líneas, podemos hacer uso de las
funciones
head()ytail(). - Por medio de
nrow()yncol()recuperamos el número de filas y columnas. - Accederemos a los elementos de una data frame del mismo modo que lo hacemos en las matrices o listas.
- Gracias a las funciones
attachydetach()podemos accecer a las variables de un data frame de forma directa. - Hemos aprendido a elimiar, añadir y ordenar filas y columnas.
- Por último, hemos discutido cuando nos encontramos en formato
wideylong.