R para Análisis Científicos Reproducibles: Referencia

Puntos Clave

Introducción a R y RStudio	Usa RStudio para escribir y correr programas en R. R tiene operadores aritméticos y funciones matemáticas usuales. Utilizar <- para asignar valores a variables. Utilizar ls() para listar las variables en el programa. Utilizar rm() para eliminar objetos en el programa. Utilizar install.packages() para instalar paquetes (libraries).
Gestión de proyectos con RStudio	Usar RStudio para crear y gestionar proyectos con un diseño consistente. Tratar los datos brutos como de sólo lectura. Tratar la salida generada como disponible. Definición y aplicación de funciones separadas.
Buscando ayuda	Usar help() para obtener ayuda online de R.
Estructuras de datos	Usar read.csv para leer los datos tabulares en R. Los tipos de datos básicos en R son double, integer, complex, logical, y character. Usa factors para representar categorías en R.
Explorando data frames	Usar cbind() para agregar una nueva columna a un dataframe. Usar rbind() para agregar una nueva fila a un dataframe. Quitar filas de un dataframe. Usar na.omit() para remover filas de un dataframe con valores NA. Usar levels() y as.character() para explorar y manipular columnas de clase factor Usar str(), nrow(), ncol(), dim(), colnames(), rownames(), head() y typeof() para entender la estructura de un dataframe Leer un archivo csv usando read.csv() Entender el uso de length() en un dataframe
Haciendo subconjuntos de datos	Índices en R comienzan con 1, no con 0. Acceso a un elemento por posición usando []. Acceso a un rango de datos usando [min:max]. Acceso a subconjuntos arbitrarios usando [c(...)]. Usar operaciones lógicas y vectores lógicos para acceder a subconjuntos de datos
Control de flujo	Usar if y else para realizar elecciones. Usar for para operaciones repetidas.
Creando gráficas con calidad para publicación con ggplot2	Usar ggplot2 para crear gráficas. Piensa cada gráica como capas: estética, geometría, estadisticas, transformaciones de escala, y agrupamiento.
Vectorización	Uso de operaciones vectorizadas en lugar de bucles.
Funciones	Usar function para definir una nueva función en R. Usar parámetros para ingresar valores dentro de las funciones. Usar stopifnot() para revisar los argumentos de una función en R de manera flexible. Cargar funciones dentro de programas empleando source().
Guardando datos	Guardar gráficas desde RStudio usando el botón de ‘Export’. Usar write.table para guardar datos tabulares.
División y combinación de data frames con plyr	Uso del paquete plyr para dividir datos, aplicar funciones sobre subconjuntos, y combinar los resultados
Manipulación de data frames con dplyr	Usar el paquete dplyr para manipular dataframes. Usar select() para seleccionar variables de un dataframe. Usar filter() para seleccionar datos basándose en los valores. Usar group_by() y summarize() para trabajar con subconjuntos de datos. Usar mutate() para crear nuevas variables.
Manipulación de data frames usando tidyr	Usar el paquete tidyr para cambiar el diseño de los data frames. Usar gather() para invertir del formato ancho al formato largo. Usar spread() para invertir del formato largo al formato ancho.
Produciendo informes con knitr	Informes mixtos escritos en R Markdown usando un programa escrito en R. Especificar opciones de fragmento para controlar el formateo. Usar knitr para convertir estos documentos en PDF y en otros formatos.
Escribiendo buen software	Documenta qué y por qué, no cómo. Divide los programas en funciones cortas de un solo propósito. Escribe pruebas re-ejecutables. No repitas tu código. Se coherente en la nomenclatura, indentación y otros aspectos del estilo.

Referencia

Introducción a R y RStudio

• Usa la tecla escape para cancelar comandos incompletos o código en ejecución (Ctrl+C) si estas usando R desde el shell.
• Las operaciones aritméticas básicas siguen el orden estándar de precedencia:
  • Paréntesis: (, )
  • Exponentes: ^ or **
  • División: /
  • Multiplicación: *
  • Suma: +
  • Resta: -
• La notación científica está disponible, por ejemplo: 2e-3
• Cualquier cosa a la derecha de # es un comentario, R lo ignorará!
• Las funciones se denotan por function_name(). Las expresiones dentro de los paréntesis se evaluan antes de pasarse a la función, y las funciones se pueden anidar.
• Funciones matemáticas: exp, sin, log, log10, log2 etc.
• Operadores de comparación: <, <=, >, >=, ==, !=
• Usa all.equal para comparar valores numéricos!
• <- es el operador de asignación. Cualquier expresión a la derecha del operador es evaluada, luego se almacena en la variable nombrada a la izquierda.
• ls lista todas las variables y funciones que has creado
• rm puede utilizarse para borrarlas
• Al asignar valores a los argumentos de la función, debes usar =.

Manejo de proyectos con RStudio

• Para crear un nuevo proyecto, ve a File -> New Project
• Instala el paquete packrat para crear proyectos independientes
• install.packages para instalar paquetes desde CRAN
• library para cargar un paquete en R
• packrat::status para verificar si se han instalado todos los paquetes a los que se hace referencia en tus scripts.

Buscando ayuda

• Para acceder a la ayuda de una función ?function_name o help(function_name)
• Usa comillas para operadores especiales, por ejemplo: ?"+"
• Utiliza la búsqueda ambigua si no puedes recordar un nombre ??search_term
• CRAN task views son un buen punto de partida.
• Stack Overflow es un buen lugar para obtener ayuda con tu código.
  • ?dput Guardará datos que estás trabajando, para que otros puedan cargarlos fácilmente.
  • sessionInfo() te dará detalles de tu configuración.

Estructuras de datos

Los valores atómicos en R deben ser de alguno de los 5 tipos de datos, múltiples valores se pueden agrupar en estructuras de datos.

Tipos de datos

• typeof(object) proporciona información sobre el tipo de dato de un objeto.
• Existen 5 tipos de datos principales:
  • ?numeric números reales(decimal)
  • ?integer sólo números enteros
  • ?character texto
  • ?complex números complejos
  • ?logical valores TRUE o FALSE

  Tipos especiales:

  • ?NA valores faltantes
  • ?NaN “no es número” para valores indefinidos (por ejemplo, 0/0).
  • ?Inf, -Inf infinito.
  • ?NULL una estructura de datos que no existe

  NA puede ocurrir en cualquier vector atómico. NaN, and Inf sólo pueden aparecer en vectores de tipo complex, integer o numeric. Los vectores atómicos son los bloques de construcción para todas las demás estructuras de datos. Un valor NULL ocurrirá en una estructura de datos entera (pero puede ocurrir como lista de elementos).

Estructuras de datos básicas en R:

• ?vector atómico (sólo puede contener un tipo de dato)
• ?list (contenedores para otros objetos)
• ?data.frame objetos bidimensionales cuyas columnas pueden contener diferentes tipos de datos
• ?matrix objeto bidimensional que puede contener sólo un tipo de dato.
• ?factor vectores que contienen datos categóricos predefinidos.
• ?array objeto multi-dimensional que puede contener sólo un tipo de dato.

Recuerda que las matrices son realmente vectores atómicos, y que los data.frames son realmente listas(esto explica algunos de los comportamientos extraños de R).

Vectores

• ?vector() Todos los elementos del vector deben ser del mismo tipo.
• Los elementos se pueden convertir de un tipo a otro utilizando coerción.
• La función concatenar ‘c()’ agrega elementos al vector.
• seq(from=0, to=1, by=1) crea una secuencia de números.
• Los elementos de un vector se pueden nombrar usando la función names().

Factores

• ?factor() Los factores son una estructura de datos diseñada para almacenar datos categóricos.
• levels() muestra los valores válidos que se pueden almacenar en un vector de tipo factor.

Listas

• ?list() Las listas son una estructura de datos diseñada para almacenar datos de diferente tipos.

Matrices

• ?matrix() Las matrices son una estructura de datos diseñada para almacenar datos bidimensionales.

Data Frames

• ?data.frame es una estructura de datos clave. Es una lista de vectores.
• cbind() agregará una columna (vector) a un data.frame.
• rbind() agregará un renglón (list) a un data.frame.

Funciones útiles para consultar estructuras de datos:

• ?str estructura, imprime un resumen de toda la estructura de datos
• ?typeof te dice el tipo dentro de un vector atómico
• ?class Indica cual es la estructura de datos
• ?head Imprime los primeros n elementos (filas para objetos bidimensionales)
• ?tail imprime los últimos n elementos (filas para objetos bidimensionales)
• ?rownames, ?colnames, ?dimnames recupera o modifica los nombres de fila y columna de un objeto.
• ?names recupera o modifica los nombres de un vector o lista atómica (o columnas de un dataframe).
• ?length obtiene el número de elementos de un vector atómico
• ?nrow, ?ncol, ?dim obtiene las dimensiones de un objeto n-dimensional (No funcionará en vectores o listas atómicas).

Explorando Dataframes

• read.csv para leer datos en una estructura regular
  • sep argumento para especificar el separador
    • ”,” para valores separados por coma
    • “\t” para valores separados por tabulador
  • Otros argumentos:
    • header=TRUE si hay una fila de encabezado

Subconjunto de datos

• Se puede acceder a los elementos por:
  • Indice
  • Nombre
  • Vectores lógicos
• [ corchetes:
  • extrae elementos individuales o subset de vectores
  • por ejemplo,x[1] extrae el primer elemento del vector x.
  • extrae elementos individuales de una lista. El valor devuelto será otra list().
  • extrae columnas de un data.frame.
• [ con dos argumentos para:
  • extrae filas y/o columnas de
    • matrices
    • data.frames
    • por ejemplo: x[1,2] extraerá el valor de la fila 1, columna 2.
    • por ejemplo: x[2,:] extraerá toda la segunda fila.
• [[ dobles corchetes para extraer elementos de las listas.
• $ para acceder a columnas o listar elementos por nombre
• índices negativos omiten elementos

Control de flujo

• Usa la condición if para iniciar una instrucción condicional, else if para proporcionar pruebas adicionales, y else para proporcionar un valor predeterminado.
• Las instrucciones que se encuentran entre las llaves de las declaraciones condicionales deben estar indentadas.
• Usa == para probar la igualdad.
• X && Y sólo es cierto si tanto X como Y son TRUE.
• X || Y es cierto si ya sea X o Y, o ambos, son TRUE.
• Cero se considera FALSE; todos los demás números se consideran TRUE
• Anidar loops para operar en datos multidimensionales.

Creación de gráficos con calidad para publicación

• las figuras se pueden crear con la gramática de los gráficos:
  • library(ggplot2)
  • ggplot para crear la figura base
  • aesespecifica la estética de los ejes de datos, la forma, color y tamaño
  • geomespecifica el tipo de gráfico, por ejemplo, point, line, density, box
  • geomagrega también transformaciones estadísticas, por ejemplo. geom_smooth
  • scale funciones que controla la relación entre los valores de los datos y los valores visuales o estéticos
  • facet funciones para estratificar la figura en paneles
  • aes Las características estéticas se aplican a capas individuales, o se pueden establecer para todo el gráfico dentro de ggplot.
  • theme cambia el aspecto general del gráfico
  • ¡El orden de las capas importa!
  • ggsave salva una figura.

Vectorización

• La mayoría de las funciones y operaciones se aplican a cada elemento de un vector
• * la multiplicación de elemento a elemento
• %*% para una verdadera multiplicación de matrices
• any() regresará TRUE si cualquier elemento de un vector es TRUE
• all() regresará TRUE si todos los elementos de un vector son TRUE

Funciones

• ?"function"
• Coloque el código cuyos parámetros cambian frecuentemente en una función, luego llámelo con diferentes valores de parámetros para personalizar su comportamiento.
• Se devuelve la última línea de una función, o puede usar return explícitamente
• Cualquier código escrito en el cuerpo de la función buscará preferiblemente variables definidas dentro de la función
• Documente ¿por qué?, luego ¿qué?, y finalmente ¿cómo? (si el código no se explica por sí mismo)

Escribiendo datos

• write.table para escribir objetos en formato regular
• asigna quote = FALSE para que el texto no sea envuelto entre comillas ` “`

Split-apply-combine

• Use la familia de funciones xxply para aplicar funciones a grupos dentro de algunos datos.
• la primera letra, array,data.frame o list corresponde a los datos de entrada
• la segunda letra denota la estructura de datos de salida
• Las funciones anónimas (aquellas que no tienen un nombre asignado) se usan dentro de la familia de funciones plyr en grupos dentro de los datos.

Manejo de dataframe con dplyr

• library(dplyr)
• ?select extrae variables por nombre.
• ?filter regresa filas que coincidan con las condiciones.
• ?group_by agrupa datos por una de muchas variables.
• ?summarize resume valores múltiples a un solo valor.
• ?mutate agrega nuevas variables a un data.frame.
• Combina operaciones usando el operador pipe ?"%>%".

Manejo de dataframe con tidyr

• library(tidyr)
• ‘?gather’ convierte datos del formato ancho al largo.
• ‘?spread’ convierte datos del formato largo al ancho.
• ‘?separate’ separa un único valor en múltiples valores.
• ‘?unite’ fusionar valores múltiples en un solo valor.

Generando reportes con knitr

• Valor de informes reproducibles
• Conceptos básicos de Markdown
• fragmentos de código R
• Opciones de fragmentos
• Código R en línea
• Otros formatos de salida

Buenas prácticas para escribir un buen código

• Programa defensivamente, es decir, asume que van a surgir errores y escribe el código para detectarlos cuando surjan.
• Escriba pruebas antes de escribir el código para ayudar a determinar exactamente qué se supone que debe hacer ese código.
• Conoce que se supone hace el código, antes de tratar de corregirlo.
• Haz que falle cada vez.
• Haz que falle rápido.
• Cambia una cosa a la vez, y por una razón.
• Ten un registro de lo que has hecho.
• Se humilde.

Glosario

argument

Un valor dado a una función o programa cuando se ejecuta. El término a menudo se usa indistintamente (y de manera inconsistente) con parámetro.

assign

Para darle a un valor un nombre asociandolo a una variable.

body

(de una función): las instrucciones que se ejecutan cuando se ejecuta una función.

comment

Una observación en un programa que pretende ayudar a los lectores humanos a comprender lo que está sucediendo, pero es ignorado por la computadora. Los comentarios en Python, R y el shell de Unix comienzan con un caracter # y se ejecutan hasta el final de la linea; los comentarios en SQL comienzan con --, y otros idiomas tienen otras convenciones.

comma-separated values

(CSV) Una representación textual común para tablas en el cual los valores en cada fila están separados por comas.

delimiter

Un caracter or caracteres usados para separar valores individuales, tales como las comas entre columnas en un archivo CSV.

documentation

Texto en lenguaje humano escrito para explicar lo que hace el software cómo funciona, o cómo usarlo.

floating-point number

Un número que contiene una parte fraccionaria y un exponente. Ver también: integer.

for loop

Un ciclo que se ejecuta una vez para cada valor en algún tipo de conjunto, lista o rango. Ver también: while loop.

index

Un subíndice que especifica la ubicación de un único valor en una colección, como un solo píxel en una imagen.

integer

Un número entero, como -12343. Ver también: floating-point number.

library

En R, es el directorio(s) donde los paquetes son almacenados.

package

Una colección de funciones R, datos y código compilado en un formato bien definido. Los paquetes se almacenan en una biblioteca y se cargan usando la función de library().

parameter

Nombre de variable en la declaración de la función que se usa para guardar un valor cuando la función es llamada. El término a menudo se usa indistintamente (y de manera inconsistente) con argumento.

return statement

Una declaración que hace que una función deje de ejecutarse y devuelva un valor en donde fue llamada.

sequence

Una colección de información que se presenta en un orden específico.

shape

Las dimensiones de una matriz, representadas como un vector. Por ejemplo, una forma de matriz de 5 × 3 es (5,3).

string

Abreviatura de “cadena de caracteres”, una secuencia de cero o más caracteres.

syntax error

Un error de programación que ocurre cuando las instrucciones están en un orden o contienen caracteres no esperados por el lenguaje de programación.

type

La clasificación de algo en un programa (por ejemplo, el contenido de una variable) como un tipo de número (por ejemplo floating-point, integer), string, o algo más. En R el comando typeof() se usa para consultar el tipo de una variable.

while loop

Un bucle que se ejecuta siempre que una condición dada sea verdadera. Ver también: for loop.