Introducción al análisis de datos con R

Curso dirigido a Ciencias Sociales y Humanidades

Bastián Olea Herrera

Inicio

Bastián Olea Herrera

bastianolea.rbind.io

Encuentra todo sobre el curso en este post de mi blog.

Curso

Código

Grabaciones

Diapositivas

Contacto

Puedes encontrar más contenidos para aprender R en este sitio, y más cosas de R en mi sitio web.

¿Qué es R?

R es un lenguaje de programación enfocado al análisis de datos, las estadísticas y la visualización de datos.

Descargar R


¿Para qué sirve?

  • Lógica distinta: instrucciones en vez de acciones ⚙️
  • Repetir, mejorar, adaptar y reutilizar lo que ya has hecho ♻️
  • Automatizar tareas repetitivas 🤖
  • Expandir tus resultados 🚀

¿Por qué usar R?

Gratuito

R es un lenguaje de programación abierto y gratuito, y es parte de la comunidad del software libre, así que nunca tendrás que pagar nada!

Amigable

R fue creado para personas de distintas disciplinas, y al centrarse en los datos resulta más intuitivo que otros lenguajes.

Reproducible

La gracia de R es guardar todos los pasos de tu análisis, lo que facilita corregirlos, reutilizarlos para nuevos casos, y compartirlo con otros.

¿Qué se puede hacer con R?

Muestra de algunas aplicaciones, gráficos, tablas, y mapas hechos con R. También algunos trabajos que he hecho.

Diferencia entre hacer y programar

  • Aprender a programar es un cambio de perspectiva: pasamos de hacer cosas a planificar cosas 💅🏼
  • Acción 🔧 → instrucción 🧠
  • Trabajamos desde arriba, viendo todos sus pasos y componentes 👩🏻‍💻
  • Pasos independientes, reutilizables, mejorables, intercambiables ⚙️
  • El trabajo que hagas puede servirte a futuro, a ti y a otrxs ♻️
  • Resultados replicables 🏭

Veamos algunos casos!

Caso 1: arreglar un problema

Datos → A → B → C → Resultado

Hacer

  • Hago A
  • Hago B
  • Hago C
  • Me equivoqué en B 😣
  • Vuelvo a A 🙄
  • Hago B
  • Hago C

Programar

  • Haga A
  • Haga B
  • Haga C
  • Me equivoqué en B 🤨
  • Cambio B 😌
  • Re-ejecuto A, B y C

Caso 2: actualización de datos

Datos → A → B → C → Resultado

Hacer

  • Actualizar datos
  • Hago de nuevo A
  • Hago de nuevo B
  • Hago de nuevo C

Programar

  • Actualizar datos
  • Re-ejecuto A, B y C

Caso 3: optimizar procesamiento o cambio en metodología

Datos → A → B → C → Resultado

Hacer

  • Cambio en procesamiento/metodología
  • Tengo A
  • Hago de nuevo B
  • Hago de nuevo C

Programar

  • Cambio en procesamiento/metodología
  • Ajusto A si es conveniente
  • Aplico cambios en B
  • Re-ejecuto A, B y C

Caso 4: replicar un resultado

Datos → A → B → C → Resultado

Hacer

  • Hago A para grupo 1
  • Hago B para grupo 1
  • Hago C para grupo 1
  • Hago A para grupo 2 🤨
  • Hago B para grupo 2
  • Hago C para grupo 2… 😵

Programar

  • Hago A para grupo 1
  • Hago B para grupo 1
  • Hago C para grupo 1
  • Ajusto scripts para que funcionen con más grupos
  • Re-ejecuto A, B y C para grupo 2
  • Re-ejecuto A, B y C para grupo 3
  • O mejor, hago un loop que haga A, B y C para todos los grupos 😌

Diferencia entre R y RStudio

R

  • Lenguaje de programación
  • Lanzado en 1993
  • Usado por línea de comandos
  • Desarrollado por R Core Team
  • Basado en el lenguaje S (1976)
  • Software libre

RStudio

  • Entorno de desarrollo integrado (IDE) enfocado en R
  • Lanzado en 2011
  • Interfaz gráfica (ventanas y botones)
  • Desarrollado por Posit (ex RStudio)
  • Software libre

Conceptos clave

Script

Archivo de texto .R en el que escribimos nuestro código, en pasos, y siguiendo un orden lógico.


Consola

Es la forma directa de interactuar con R, un comando a la vez, con resultados efímeros.


Proyecto

Archivo .Rproj que marca nuestro espacio de trabajo: una carpeta específica que reúne todas las piezas de nuestro análisis.

RStudio

Descargar RStudio

1 Scripts

2 Consola

3 Entorno

4 Archivos

Conceptos

1 Panel de scripts: los archivos de texto con nuestro código. Podemos tener varias pestañas. Ejecutamos el código poniendo el cursor en la línea y presionando control + enter, o el botón Run.

2 Panel de consola: en la consola se imprimen los resultados del código que ejecutamos. También podemos ejecutar código directamente en ella escribiendo y presionando enter.

3 Panel de entorno: acá veremos los objetos que vayamos creando o cargando, que pueden ser números, texto, tablas de datos, funciones, gráficos y otros.

4 Panel de archivos: en este panel podemos navegar los archivos y carpetas de nuestro proyecto y/o computador. La idea es que todo esté dentro del proyecto!

Consola y scripts

  • Todos los comandos se ejecutan por medio de la consola
  • Pero al ejecutar código en la consola, el código no se guarda!
  • Para guardar el código, escribimos en scripts
  • Escribimos las instrucciones en un script, y RStudio se encarga de pasarlos a la consola y ejecutarlos cuando se lo pidamos 💡

Botones

Crear un nuevo script de R

Botón para ejecutar código

Botón para ejecutar todo el script

Configurar paneles de RStudio

Cambiar de proyecto o crear uno nuevo

Operaciones básicas

  • Podemos realizar cualquier operación matemática en R.
  • Para ejecutar un comando, pon el cursor de texto en la línea o expresión que desees ejecutar, o selecciónala, y presiona el botón Run, o las teclas control + enter.
  • Lo importante es que el cursor de texto | esté en cualquier lugar de la línea.
  • El resultado de todas las operaciones aparece en la consola.
2 + 2 #suma
[1] 4
50 * 100 #multiplicación
[1] 5000
4556 - 1000 #resta
[1] 3556
6565 / 89 #división
[1] 73.76404
10^4 #potencias
[1] 10000

Comentarios

  • Los comentarios nos permiten poner texto en cualquier parte del script sin que afecte los cálculos.
  • También podemos poner un comentario al final de una línea sin que afecte el código
1 + 1 + 1 + 1
# comentario: quizás esto debería
# ser de otra forma, porque
# la verdad quedó bien mal...

1 * 4 # así queda mucho mejor

Tipos de datos

Lo que podemos hacer siempre va a depender del tipo de cada objeto.

En R existen varios tipos:

Numéricos

1  2  3  4  5.1  5.2  5.333

Pueden ser decimales (doubles) o enteros (integers)

Caracter (texto)

"ésta es una cadena de texto"

Lógicos (verdadero o falso)

TRUE FALSE TRUE

Objetos

Se le llama objeto a cualquier dato, variable, o elemento que tengas en R.

Podemos guardar todo como un objeto.

Para crear un objeto, simplemente le damos un nombre y le asignamos un contenido.

nombre ← contenido


Para asignar algo a un objeto, usamos el operador <-

cifra <- 4


El objeto cifra se crea cuando declaramos que va a contener el valor 4

cifra
[1] 4

Asignación

Con el operador de asignación creamos objetos nuevos.

->

Se escribe con:

Windows:

Mac:

Al asignar algo, creamos o modificamos un objeto con el valor que le estamos asignando.

Al ejecutar un objeto, obtenemos su valor.

edad <- 32
edad
[1] 32
animal = "gato"
animal
[1] "gato"


Podemos usar el objeto creado para lo que queramos.

Crear objetos es como asignar variables, y podemos usar estas variables para llevar a cabo operaciones!

edad <- 32
año <- 2026
año - edad
[1] 1994
perros = 2
gatos = 3
perros + gatos
[1] 5
presupuesto = 100000
pizza = 15000
presupuesto - pizza * 10
[1] -50000

Comparaciones

Podemos usar cifras u objetos para compararlas entre sí: la respuesta será TRUE (verdadero) o FALSE (falso).

edad >= 18
[1] TRUE
minimo <- 35
edad > minimo
[1] FALSE
año == 2024
[1] FALSE
año != 2024
[1] TRUE

Las comparaciones son el principio que luego nos permitirá filtrar datos, crear variables, y más!

Vectores

Los vectores son secuencias de elementos. Un objeto que contiene cero o más datos.

  • Estos elementos son de un mismo tipo: numérico, carácter o lógico.
  • Son la forma más básica de registrar e interactuar con varios datos a la vez.
c(1, 2, 3, 4, 5, 6)
[1] 1 2 3 4 5 6
c("a", "b", "c", "d")
[1] "a" "b" "c" "d"
c(TRUE, FALSE, FALSE)
[1]  TRUE FALSE FALSE
c(0.2, 0.1, -0.0, -0.1)
[1]  0.2  0.1  0.0 -0.1

También podemos realizar comparaciones sobre los valores de un vector:

edades <- c(54, 34, 65, 21, 32)
edades > 40
[1]  TRUE FALSE  TRUE FALSE FALSE


O cualquier operación sobre sus elementos:

año <- 2026
años <- año - edades
años
[1] 1972 1992 1961 2005 1994

Funciones

  • Las funciones son pequeños programas que permiten realizar distintas operaciones.

función(argumento = 123)

Algunas funciones comunes:

mean() # calcular promedio
median() # calcular mediana
sum() # sumar elementos
min() # valor mínimo
max() # valor máximo
typeof() # tipo del objeto
is.na() # evaluar si es missing
as.numeric() # convertir a numérico

Funciones en vectores

Las funciones también pueden operar sobre vectores de datos.

población <- c(120, 340, 560, 230, 450)
prom_pob <- mean(población)
prom_pob
[1] 340

Es decir que la operación que hace la función se aplica a cada elemento del vector.

Pensemos las funciones como nuestras acciones, y los vectores como las columnas o variables de nuestras bases de datos.

Datos

Para cargar datos, tenemos que:

  • Tener un archivo y conocer su formato (Excel, Stata, CSV, etc.)
  • Saber dónde está el archivo en nuestro computador
  • Guardar el archivo dentro del proyecto de R 📂
  • Conocer una función que lea ese formato de archivos

Cargar datos

  • Las funciones de carga de datos usan como argumento la ruta del archivo.

Cargar un archivo en la misma carperta del proyecto:

datos <- read.csv("datos.csv")

Cargar un archivo en una subcarpeta del proyecto:

datos <- read.csv("carpeta/datos.csv")


Probemos cargando unos datos!

Descargar datos de pobreza

Paquetes

  • Extensiones de R que te permiten agregar nuevas y mejores funcionalidades.
  • Se instalan desde internet
  • Son creados y mantenidos por la comunidad
  • Se revisan para garantizar su seguridad y estabilidad
install.packages()

Paquetes para carga de datos

  • {readxl} es uno de los paquetes de lectura de planillas Excel. Para escribir un archivo Excel está {writexl}
  • {readr} lee y escribe datos de múltiples formatos (csv, rds, rdata), usualmente de forma más veloz y cómoda
  • {haven} permite cargar archivos SPSS, Stata, y SAS
  • {arrow} es un formato moderno de datos columnares, optimizado para grandes volúmenes y velocidad de carga, y pensado para usarse en distintos softwares

{dplyr}

  • Paquete de exploración, manipulación y transformación de datos
  • Sus funciones se escriben como verbos
  • Las acciones se encadenan con el operador de conexión o pipe: |>
library(dplyr)


Ver tutorial

Funciones comunes

  • head(), tail(), glimpse(): vistazos a los datos
  • select(): seleccionar columnas o variables de una tabla
  • slice(): extraer filas de una tabla por su posición o distintos criterios
  • pull(): extraer una columna como vector
  • filter(): filtrar observaciones en base a condiciones personalizadas
  • distinct(): filtrar observaciones repetidas en una o más columnas
  • count(): conteo de casos únicos en una o más columnas
  • mutate(): crear columnas entregando valores, funciones sobre columnas, o calculando a partir de otras columnas

Tutoriales de {dplyr}

Para que puedan repasar o guiarse con casos básicos de uso de {dplyr} con datos reales, dejo un par de tutoriales:

Tutorial con datos censales

Tutorial con datos sociales

Conector

Ver tutorial

El conector o pipe |> (o también %>%) nos permite encadenar varias funciones de forma más legible.

|> %>%

Se escribe con:

Windows:

Mac:

Usando el conector

Aplicar una función normalmente:

funcion(objeto) # a la función le pasamos un objeto

Otra forma de hacerlo con |> es:

objeto |> funcion() # al objeto luego le aplicamos la función

Luego podemos encadenar varias funciones:

objeto |> funcion() |> funcion() # al objeto le aplicamos dos funciones

También podemos ordenar las instrucciones hacia abajo:

resultado <- objeto |> 
  funcion() |> 
  funcion()

Seleccionar y ordenar

Ver tutorial

Cargamos un conjunto de datos de prueba:

library(dplyr)
library(readr)

datos <- read_csv2("datos/pobreza/estimaciones_pobreza.csv")

Estos datos son del Ministerio Desarrollo Social y Familia de Chile.


Seleccionar

datos |> 
  select(region, comuna, personas) |> 
  head()
# A tibble: 6 × 3
  region   comuna        personas
  <chr>    <chr>            <dbl>
1 Tarapacá Iquique         41967.
2 Tarapacá Alto Hospicio   45162.
3 Tarapacá Pozo Almonte     4563.
4 Tarapacá Camiña            308.
5 Tarapacá Colchane          473.
6 Tarapacá Huara            1185.

Ordenar

datos |> 
  select(region, comuna, personas) |> 
  arrange(desc(personas)) |> 
  head()
# A tibble: 6 × 3
  region        comuna       personas
  <chr>         <chr>           <dbl>
1 Metropolitana Puente Alto   125235.
2 Metropolitana Santiago       87355.
3 Metropolitana Maipú          86976.
4 Antofagasta   Antofagasta    73103.
5 Metropolitana San Bernardo   64276.
6 Valparaíso    Valparaíso     60901.

Filtrar datos

Ver tutorial

  • Para filtrar, realizamos una comparación entre los valores de una columna y un valor específico.
library(dplyr)

datos |> 
  filter(porcentaje > 0.35) |> 
  arrange(desc(porcentaje)) |> 
  head()
# A tibble: 6 × 10
  codigo region         comuna personas_proy personas porcentaje limite_inferior
   <dbl> <chr>          <chr>          <dbl>    <dbl>      <dbl>           <dbl>
1  15202 Arica y Parin… Gener…           668     392.      0.586           0.435
2   9116 La Araucanía   Saave…         12717    5654.      0.445           0.361
3   9204 La Araucanía   Ercil…          8422    3503.      0.416           0.361
4   9106 La Araucanía   Galva…         12594    5029.      0.399           0.313
5   8314 Biobío         Alto …          6784    2640.      0.389           0.319
6  10306 Los Lagos      San J…          7521    2923.      0.389           0.314
# ℹ 3 more variables: limite_superior <dbl>, casen <chr>, tipo_estimacion <chr>

Crear/modificar variables

Ver tutorial

Con mutate() para crear una nueva variable o columna

Le aplicamos mutate() a un data frame conectando los datos a la función con un conector (|> o %>%)

datos |> 
  select(codigo, comuna) |> 
  mutate(saludo = "hola") |> 
  head()
# A tibble: 6 × 3
  codigo comuna        saludo
   <dbl> <chr>         <chr> 
1   1101 Iquique       hola  
2   1107 Alto Hospicio hola  
3   1401 Pozo Almonte  hola  
4   1402 Camiña        hola  
5   1403 Colchane      hola  
6   1404 Huara         hola  
datos |> 
  select(comuna, personas) |> 
  mutate(miles = personas/1000) |> 
  head()
# A tibble: 6 × 3
  comuna        personas  miles
  <chr>            <dbl>  <dbl>
1 Iquique         41967. 42.0  
2 Alto Hospicio   45162. 45.2  
3 Pozo Almonte     4563.  4.56 
4 Camiña            308.  0.308
5 Colchane          473.  0.473
6 Huara            1185.  1.18

Variables condicionales

ifelse()

Si ocurre esto, entonces retorno lo primero, y si no, lo segundo.

datos |> 
  select(comuna, porcentaje) |> 
  mutate(nivel = ifelse(
    porcentaje >= 0.3,
    yes = "alta", 
    no = "baja")) |> 
  head()
# A tibble: 6 × 3
  comuna        porcentaje nivel
  <chr>              <dbl> <chr>
1 Iquique            0.183 baja 
2 Alto Hospicio      0.326 alta 
3 Pozo Almonte       0.250 baja 
4 Camiña             0.223 baja 
5 Colchane           0.300 alta 
6 Huara              0.386 alta

case_when()

Recodificación avanzada con múltiples condicionales.

datos |> 
  select(comuna, porcentaje) |> 
  mutate(miles = case_when(
    porcentaje >= 0.3 ~ "alta",
    porcentaje >= 0.2 ~ "media",
    porcentaje < 0.2 ~ "baja")) |> 
  head()
# A tibble: 6 × 3
  comuna        porcentaje miles
  <chr>              <dbl> <chr>
1 Iquique            0.183 baja 
2 Alto Hospicio      0.326 alta 
3 Pozo Almonte       0.250 media
4 Camiña             0.223 media
5 Colchane           0.300 alta 
6 Huara              0.386 alta

Resúmenes de datos

Ver tutorial

Aplicar una función para resumir todas las filas de una tabla en un sólo resultado:

datos |> 
  summarize(total = sum(personas))
# A tibble: 1 × 1
     total
     <dbl>
1 3368245.

Si agrupamos los datos, obtendremos una fila de resultado por cada grupo:

datos |> 
  group_by(region) |> 
  summarize(total = sum(personas)) |> 
  head(n = 4)
# A tibble: 4 × 2
  region               total
  <chr>                <dbl>
1 Antofagasta        121379.
2 Arica y Parinacota  48086.
3 Atacama             64481.
4 Aysén               15113.

Datos de texto

El paquete {stringr} se especializa en texto.

library(stringr)
texto <- "todxs pueden aprender a programar 💕" 

str_detect(texto, "todos")
[1] FALSE
str_detect(texto, "aprender")
[1] TRUE
datos |> 
  filter(str_detect(comuna, "Alto")) |> 
  select(region, comuna)
# A tibble: 4 × 2
  region        comuna         
  <chr>         <chr>          
1 Tarapacá      Alto Hospicio  
2 Atacama       Alto Del Carmen
3 Biobío        Alto Biobío    
4 Metropolitana Puente Alto

Trabajando con datos de texto

Ver tutorial

Descargar datos de noticias

  • Podemos usar un conteo de palabras generado con count() para hacer una nube de palabras.
  • Pero antes, tenemos que tokenizar el texto para convertirlo desde una cadena de texto a palabras independientes.
noticias <- readr::read_csv2("https://raw.githubusercontent.com/bastianolea/prensa_chile/refs/heads/main/prensa_datos_muestra.csv")

library(tidytext)

palabras <- noticias |> 
  tidytext::unnest_tokens(input = cuerpo, output = palabra) |> # tokenizar documentos
  filter(!palabra %in% stopwords::stopwords("spanish")) # eliminar palabras vacías

palabras_conteo <- palabras_conteo |> 
  slice_max(n, n = 1000) # sólo las más frecuentes

library(wordcloud2)

palabras_conteo |>
  wordcloud2::wordcloud2(backgroundColor = "#23102A", color = "#9F69C7")

Análisis de sentimiento

Ver tutorial

Podemos usar un modelo de lenguaje (LLM) local o remoto para que R analice los textos y retorne si son positivos, neutros o negativos.

library(ellmer)
chat <- chat_ollama(model = "llama3.2:3b") # elegir modelo

library(mall)
llm_use(chat) # configurar modelo

sentimiento <- noticias |> 
  slice_sample(n = 10) |> 
  # extraer sentimiento
  llm_sentiment(cuerpo, pred_name = "sentimiento",
                options = c("positivo", "neutro", "negativo"))

sentimiento

Cruzar datos

Ver tutorial

Para cruzar dos tablas de datos
usamos left_join() de {dplyr}


Cruzando datos

Veamos un ejemplo donde cruzamos dos tablas, la de pobreza y una nueva de clasificación comunal (urbana, mixta, rural según la PNDR), a partir de la columna que tienen en común: codigo

clasificacion <- readr::read_csv2("datos/clasificacion/clasificacion.csv")
clasificacion_b <- clasificacion |> 
  select(codigo, clasificacion)
datos_clasif <- datos |> 
  select(codigo, comuna, personas, porcentaje) |> 
  left_join(clasificacion_b, by = "codigo")

datos_clasif |> head()
# A tibble: 6 × 5
  codigo comuna        personas porcentaje clasificacion
   <dbl> <chr>            <dbl>      <dbl> <chr>        
1   1101 Iquique         41967.      0.183 Urbana       
2   1107 Alto Hospicio   45162.      0.326 Urbana       
3   1401 Pozo Almonte     4563.      0.250 Rural        
4   1402 Camiña            308.      0.223 Rural        
5   1403 Colchane          473.      0.300 Rural        
6   1404 Huara            1185.      0.386 Rural

Transformar datos

Ver tutorial

  • El paquete {tidyr} se especializa en transformar la estructura de los datos.
  • Esto nos permite manipular los datos para que sea más cómodo o lógico realizar ciertas operaciones.
    • Por ejemplo:
      • Si necesitamos sumar varias variables, es más cómodo tenerlas en filas (para poder usar algo como sum(valores)) que en columnas (y tener que sumar a+b+c+d…)
      • Si queremos comparar varias variables, o mostrarlas a un público, es mejor que estén lado a lado, como en las tablas comunes.

Transformando datos

  • Pivotar una tabla sirve para cambiar su forma:
    • De variables en columnas a filas: pivot_longer()
    • De variables en filas a columnas: pivot_wider()

Datos para practicar

Estimaciones de población Censo

Variables educacionales Censo 2024

Estimación de pobreza multidimensional 2022

Clasificaciones comunales 2024

Puedes encontrar más datos en mi repositorio de datos sociales, en el banco integrado de datos del Ministerio de Desarrollo, en los datos abiertos del Estado Chile, y muchos más.

Consejos

  • Mantengan su propio libro de aprendizajes
  • Leer bien los errores
  • Probar paso a paso
  • Devolverse y empezar de nuevo
  • No se vuelvan dependientes de la IA
  • Asistencia con IA: autocompletado de GitHub Copilot
  • Mensaje de sistema para su proveedor de IA
  • Aprender a googlear bien

Gracias ♥

Puedes escribirme cualquier duda o comentario por aquí


Aprende R

Curso

Código

Grabaciones