El paquete dplyr

El paquete dplyr fue desarrollado por Hadley Wickham de RStudio y es un versión optimizada de su paquete plyr. El paquete dplyr no proporciona ninguna nueva funcionalidad a R per se, en el sentido que todo aquello que podemos hacer con dplyr lo podríamos hacer con la sintaxis básica de R.

Una importante contribución del paquete dplyr es que proporciona una "gramática" (particularmente verbos) para la manipulación y operaciones con data frames. Con esta gramática podemos comunicar mediante nuestro código que es lo que estamos haciendo en los data frames a otras personas (asumiendo que conozcan la gramática). Esto es muy útil, ya que proporciona una abstracción que anteriormente no existía. Por último, cabe destacar que las funciones del paquete dplyr son muy rápidas, puesto que están implementadas con el lenguaje C++.

La grámatica de dplyr

Algunas de los principales "verbos" del paquete dplyr son:

  • select: devuelve un conjunto de columnas
  • filter: devuelve un conjunto de filas según una o varias condiciones lógicas
  • arrange: reordena filas de un data frame
  • rename: renombra variables en una data frame
  • mutate: añade nuevas variables/columnas o transforma variables existentes
  • summarise/summarize: genera resúmenes estadísticos de diferentes variables en el data frame, posiblemente con strata
  • _%>% : el operador "pipe" es usado para conectar múltiples acciones en una única "pipeline" (tubería)

Argumentos comúnes en las funciones dplyr

Todas las funciones que discutiremos en este capítulo tienen en común una serie de argumentos. En particular,

  1. El primer argumento es el data frame
  2. Los otros argumentos describen que hacer con el data frame especificado en el primer argumento, podemos referirnos a las columnas en el data frame directamente sin utilizar el operador $, es decir sólo con el nombre de la columna/variable.
  3. El valor de retorno es un nuevo data frame.
  4. Los data frames deben estar bien organizados/estructurados, es decir debe existir una observación por columna y, cada columna representar una variable, medida o característica de esa observación. Para ello, es muy útil es uso del paquete tidy. (lo veremos en capítulos posteriores).

Instalación del paquete dplyr

Podemos instalar el paquete desde CRAN o desde GitHub.

## Instalación desde CRAN
install.packages("dplyr")

## Instalación desde GitHub
library(devtools)
install_github("hadley/dplyr")

Después de la instalación es importante que lo carguemos en nuestra sesión R :

library(dplyr)

Es posible que cuando carguemos el paquete nos aparezcan una serie de warnings, esto es debido que el paquete tiene funciones con el mismo nombre que en otros paquetes. Por el momento haremos caso omiso a estos avisos.

Recomiendamos consultar la documentación de las funciones:

?select
?filter
?arrange
?mutate
?summarise
?group_by