Subconjunto de Datos

Resumen

Enseñando: 25 min
Ejercicios: 10 min

Preguntas

¿Cómo puedo trabajar con subconjuntos de datos en R?

Objectivos

Para poder obtener subconjunos de vectores y data frames

Para poder extraer un elemento individual o multiples elementos: por índice, por nombre, usando operadores de comparación

Para poder saltear y eliminar elementos de varias estructuras de datos.

R tiene muchos operadores poderosos para crear subconjuntos. Dominarlos te permitirá realizar operaciones complejas de manera sencilla en cualquier tipo de dataset.

Hay 6 formas diferentes que podemos obtener subconjuntos de cualquier tipo de objeto, y tres diferentes operadores de subconjunto para las diferentes estructuras de datos.

Empezaremos con el caballito de batalla de R: un vector numérico simple.

x <- c(5.4, 6.2, 7.1, 4.8, 7.5)
names(x) <- c('a', 'b', 'c', 'd', 'e')
x

  a   b   c   d   e 
5.4 6.2 7.1 4.8 7.5 

Vectores atómicos

En R, los vectores simples que contienen cadenas de caracteres, números, o valores lógicos se llaman vectores atómicos porque no pueden simplificarse más.

Entonces ahora que hemos creado un vector ficticio para jugar, ¿cómo accedemos a su contenido?

Acceder a elementos usando sus índices

Para extraer elementos de un vector podemos dar su correspondiente índice, empezando desde uno:

x[1]

  a 
5.4 

x[4]

  d 
4.8 

Puede parecer distinto, pero el operador corchete es una función. Para vectores (y matrices), significa “dame el n-ésimo elemento”.

Podemos pedir múltiples elementos de una vez:

x[c(1, 3)]

  a   c 
5.4 7.1 

O porciones del vector:

x[1:4]

  a   b   c   d 
5.4 6.2 7.1 4.8 

el operador : crea una secuencia de números desde el elemento de la izquierda hasta el de la derecha.

1:4

[1] 1 2 3 4

c(1, 2, 3, 4)

[1] 1 2 3 4

Podemos pedir el mismo elemento muchas veces:

x[c(1, 1, 3)]

  a   a   c 
5.4 5.4 7.1 

Si pedimos un índice mayor a la longitud del vector, R devolverá un valor faltante:

x[6]

<NA> 
  NA 

Este es un vector de longitud uno que contiene un NA, cuyo nombre es también NA.

Si pedimos el 0-ésimo elemento, obtendremos un vector vacío:

x[0]

named numeric(0)

La numeración de vectores en R empieza en 1

En muchos lenguajes de programación (C y Python, por ejemplo), el primer elemento de un vector tiene índice 0. En R, el primer elemento es 1.

Salteando y eliminando elementos

Si en un vector usamos un número negativo como índice, R devolverá todos los elementos excepto el número de elemento especificado:

x[-2]

  a   c   d   e 
5.4 7.1 4.8 7.5 

Podemos saltear múltiples elementos:

x[c(-1, -5)]  # or x[-c(1,5)]

  b   c   d 
6.2 7.1 4.8 

Consejo: Orden de operaciones

Un error común en las personas novatass occurre cuando quieren saltear porciones de un vector. Es natural tratar negando una secuencia como esto:
x[-1:3]
Eso devuelve un error incomprensible:
Error in x[-1:3]: only 0's may be mixed with negative subscripts
Pero recuerda el orden de operaciones. : es en realidad una función. Toma como primer argumento un -1, y como segundo el 3, por lo cual genera la secuencia de números: c(-1, 0, 1, 2, 3).

La solución correcta sería envolver la función y sus argumentos con un paréntesis, para que el operador - se aplique al resultado:
x[-(1:3)]
  d   e 
4.8 7.5 

Para eliminar elementos de un vector, necesitamos asignar el resultado a la misma variable:

x <- x[-4]
x

  a   b   c   e 
5.4 6.2 7.1 7.5 

Desafío 1

Dado el siguiente código :
x <- c(5.4, 6.2, 7.1, 4.8, 7.5)
names(x) <- c('a', 'b', 'c', 'd', 'e')
print(x)
  a   b   c   d   e 
5.4 6.2 7.1 4.8 7.5 
Escribe por lo menos 3 comandos distintos que produzcan la siguiente salida:
  b   c   d 
6.2 7.1 4.8 
Después que hayas encontrado 3 comandos distintos, compara tus notas con tu vecino. Tuvieron diferentes estrategias?
Solución al desafío 1
x[2:4]
  b   c   d 
6.2 7.1 4.8 
x[-c(1,5)]
  b   c   d 
6.2 7.1 4.8 
x[c("b", "c", "d")]
  b   c   d 
6.2 7.1 4.8 
x[c(2,3,4)]
  b   c   d 
6.2 7.1 4.8 

subconjunto por nombre

Podemos extraer elementos usando su nombre, en vez de extraerlos usando su índice.

x <- c(a = 5.4, b = 6.2, c = 7.1, d = 4.8, e = 7.5) # podemos nombrar un vector sobre la marcha
x[c("a", "c")]

  a   c 
5.4 7.1 

Normalmente esta es una manera mucho más fiable de crear subconjuntos: la posición de varios elementos a menudo puede cambiar cuando se encadenan operadores para crear subconjuntos, pero los nombres siempre permanecen igual!

Haciendo subconjuntos usando otros operadores lógicos

También podemos usar cualquier otro vector de tipo logical para crear subconjuntos:

x[c(FALSE, FALSE, TRUE, FALSE, TRUE)]

  c   e 
7.1 7.5 

Dado que los operadores de comparación (e.g. >,<,==) evalúan vectores lógicos, también podemos usarlos para crear subconjuntos de vectores: la siguiente declaración da el mismo resultado que la anterior.

x[x > 7]

  c   e 
7.1 7.5 

Analizándolo, esta declaración primero evalúa x>7, generando un vector de tipo logical c(FALSE, FALSE, TRUE, FALSE, TRUE), y después selecciona los elementos de x que corresponden a los valores TRUE.

Podemos usar == para imitar el método previo de indexar por nombre (recuerda que tiene que usar == en vez de = para comparaciones):

x[names(x) == "a"]

  a 
5.4 

Sugerencia: Combinando condiciones lógicas

A menudo queremos combinar múltiples criterios lógicos. Por ejemplo, podríamos querer encontrar todos los países que están en Asia or Europa and tienen expectativa de vida dentro de un cierto rango. Existen varias operaciones para combinar vectores lógicos en R:

&, el operador “logical AND”: retorna TRUE si ambos la izquierda y la derecha son TRUE.

|, el operador “logical OR”: retorna TRUE, si cualquiera la izquierda o la derecha (o ambos) son TRUE.

A veces puedes ver && y || en vez de & y |. Estos operadores de dos caracteres sólo miran al primer elemento de cada vector e ignoran el resto de elementos restantes. En general deberías no usar los operadores de dos caracteres en análisis de datos; resérvalos para programar, i.e. decidir si ejecutar una declaración o no.

Operadores !, y “logical NOT”: convierten TRUE en FALSE y FALSE en TRUE. Puede negar una condición lógica (e.g. !TRUE ser convierte en FALSE), o un vector entero de condiciones(e.g. !c(TRUE, FALSE) se convierte en c(FALSE, TRUE)).

Además, puedes comparar los elementos dentro de un único vector usando la función all (retorna TRUE si cada elemento del vector es TRUE) y la función any (retorna TRUE si uno o más elementos del vector son TRUE).

Desafío 2

Dado el siguiente código :
x <- c(5.4, 6.2, 7.1, 4.8, 7.5)
names(x) <- c('a', 'b', 'c', 'd', 'e')
print(x)
  a   b   c   d   e 
5.4 6.2 7.1 4.8 7.5 
Escribe un comando de hacer subconjuntos que retorne los valores de x que son mayores que 4 y menores que 7.
Solución al desafío 2
x_subset <- x[x<7 & x>4]
print(x_subset)
  a   b   d 
5.4 6.2 4.8 

Sugerencia: Obteniendo ayuda para los operadores

Recuerda que puedes obtener ayuda para los operadores empaquetándolos entre comillas: help("%in%") or ?"%in%".

Manejando valores especiales

En algún momento encontraremos funciones en R que no pueden manejar valores faltantes, infinito o datos indefinidos.

Existen algunas funciones especiales que puedes usar para filtrar estos datos:

is.na regresa todas las posiciones de un vector, matriz. o data frame que contengan NA (o NaN)

de la misma manera, is.nan, y is.infinite hacen los mismo para NaN y Inf.

is.finite regresa todas las posiciones de un vector, matriz, o data frame que no contengan NA, NaN o Inf.

na.omit filtra todos los valores faltantes de un vector

Data frames

Recordemos que las data frames son listas, por lo que aplican reglas similares. Sin embargo estos también son objetos de dos dimensiones:

[ con un argumento funcionará de la misma manera que para las listas, donde cada elemento de la lista corresponde a una columna. El objecto devuelto será un data frame:

head(gapminder[3])

Similarmente, [[ extraerá una sola columna:

head(gapminder[["lifeExp"]])

[1] 28.801 30.332 31.997 34.020 36.088 38.438

Y $ proporciona atajo para extraer columnas por nombre:

head(gapminder$year)

[1] 1952 1957 1962 1967 1972 1977

Para seleccionar filas y/o columnas específicas, puedes proporcionar dos argumentos a [

gapminder[1:3, ]

      country year      pop continent lifeExp gdpPercap
Afghanistan 1952  8425333      Asia  28.801  779.4453
Afghanistan 1957  9240934      Asia  30.332  820.8530
Afghanistan 1962 10267083      Asia  31.997  853.1007

Si nuestro subconjunto es una sola fila, el resultado será una data frame (porque los elementos son de distintos tipos):

gapminder[3, ]

      country year      pop continent lifeExp gdpPercap
3 Afghanistan 1962 10267083      Asia  31.997  853.1007

Pero para una sola columna el resultado será un vector (esto puede cambiarse con el tercer argumento, drop = FALSE).

Desafío 3

Corrige cada uno de los siguientes errores para hacer subconjuntos de data frames:
Extraer observaciones colectadas en el año 1957
gapminder[gapminder$year = 1957, ]
Extraer todas las columnas excepto de la 1 a la 4
gapminder[, -1:4]
Extraer las filas donde la esperanza de vida es mayor de 80 años
gapminder[gapminder$lifeExp > 80]
Extraer la primera fila, y la cuarta y quinta columna (lifeExp and gdpPercap).
gapminder[1, 4, 5]
Avanzado: extraer las filas que contienen información para los años 2002 y 2007
gapminder[gapminder$year == 2002 | 2007,]
Solución al desafío 3

Corrige cada uno de los siguientes errores para hacer subconjuntos de data frames:
Extraer observaciones colectadas en el año 1957
# gapminder[gapminder$year = 1957, ]
gapminder[gapminder$year == 1957, ]
Extraer todas las columnas excepto de la 1 a la 4
# gapminder[, -1:4]
gapminder[,-c(1:4)]
Extraer las filas donde la esperanza de vida es mayor de 80 años
# gapminder[gapminder$lifeExp > 80]
gapminder[gapminder$lifeExp > 80,]
Extraer la primera fila, y la cuarta y quinta columna (lifeExp and gdpPercap).
# gapminder[1, 4, 5]
gapminder[1, c(4, 5)]
Avanzado: extraer las filas que contienen información para los años 2002 and 2007
 # gapminder[gapminder$year == 2002 | 2007,]
 gapminder[gapminder$year == 2002 | gapminder$year == 2007,]
 gapminder[gapminder$year %in% c(2002, 2007),]

Desafío 4

¿Por qué gapminder[1:20] regresa un error? ¿En qué difiere de gapminder[1:20, ]?

Crea un data.frame nuevo llamado gapminder_small que sólo contenga las filas de la 1 a la 9 y de la 19 a la 23. Puedes hacerlo en uno o dos pasos.
Solución al desafío 4

gapminder es un data frame por lo que para hacer un subconjunto necesita dos dimensiones. gapminder[1:20, ] genera un subconjunto de los datos de las primeras 20 filas y todas las columnas.

2.
gapminder_small <- gapminder[c(1:9, 19:23),]

Puntos Clave

El indexado en R empieza en 1, no en 0.

Accedes a valores individuales por ubicación utilizando [].

Accedes a porciones de datos utilizando [bajo:alto].

Accedes a conjuntos de datos arbitrarios utilizando [c(...)].

Usas operaciones lógicas y vectores lógicos para acceder a subconjuntos de datos.

anterior episodio

Introduction to R for Geospatial Data

siguiente episodio

Subconjunto de Datos

Resumen

Vectores atómicos

Acceder a elementos usando sus índices

La numeración de vectores en R empieza en 1

Consejo: Orden de operaciones

Desafío 1

Solución al desafío 1

subconjunto por nombre

Haciendo subconjuntos usando otros operadores lógicos

Sugerencia: Combinando condiciones lógicas

Desafío 2

Solución al desafío 2

Sugerencia: Obteniendo ayuda para los operadores

Manejando valores especiales

Data frames

Desafío 3

Solución al desafío 3

Desafío 4

Solución al desafío 4

Puntos Clave

anterior episodio

siguiente episodio