R for Reproducible Scientific Analysis: Referencia

Key Points

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 hacer 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 difusa 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 elementos de lista).

Estructuras de datos básicas en R:

• atómico ?vector (sólo puede conener 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 coercion.
• 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 tipo.

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 list de vectors.
• 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 ¿Cuál 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 recuperar o modificar los nombres de fila y columna de un objeto.
• ?names recuperar omodificar los nombres de un vector o lista atómica (o columnas de un dataframe).
• ?length obtener el número de elementos de un vector atómico
• ?nrow, ?ncol, ?dim obtener 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:
  • extraer elementos individuales o subset vectores
  • por ejemplo,x[1] extrae el primer elemento del vector x.
  • extraer elementos individuales de una lista. El valor devuelto será otra list().
  • extraer columnas de un data.frame
• [ con dos argumentos para:
  • extraer 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 numeros 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 functions change the mapping from data to aesthetics
  • facet functions stratify the figure into panels
  • aesthetics apply to individual layers, or can be set for the whole plot inside ggplot.
  • theme cambia el aspecto general del gráfico
  • order of layers matters!
  • ggsave para salvar una figura.

Vectorización

• Most functions and operations apply to each element of a vector
• * applies element-wise to matrices
• %*% for true matrix multiplication
• any() will return TRUE if any element of a vector is TRUE
• all() will return TRUE if all elements of a vector are TRUE

Funciones

• ?"function"
• Put code whose parameters change frequently in a function, then call it with different parameter values to customize its behavior.
• The last line of a function is returned, or you can use return explicitly
• Any code written in the body of the function will preferably look for variables defined inside the function.
• Document Why, then What, then lastly How (if the code isn’t self explanatory)

Escribiendo datos

• write.table to write out objects in regular format
• set quote=FALSE so that text isn’t wrapped in " marks

Split-apply-combine

• Use the xxply family of functions to apply functions to groups within some data.
• the first letter, array , data.frame or list corresponds to the input data
• the second letter denotes the output data structure
• Anonymous functions (those not assigned a name) are used inside the plyr family of functions on groups within data.

Manejo de dataframe con dplyr

• library(dplyr)
• ?select to extract variables by name.
• ?filter return rows with matching conditions.
• ?group_by group data by one of more variables.
• ?summarize summarize multiple values to a single value.
• ?mutate add new variables to a data.frame.
• Combine operations using the ?"%>%" pipe operator.

Manejo de dataframe con tidyr

• library(tidyr)
• ‘?gather’ convert data from wide to long format.
• ‘?spread’ convert data from long to wide format.
• ‘?separate’ split a single value into multiple values.
• ‘?unite’ merge multiple values into a single value.

Generando reportes con knitr

• Value of reproducible reports
• Basics of Markdown
• R code chunks
• Chunk options
• Inline R code
• Other output formats

Buenas prácticas para escribir un buen código

• Program defensively, i.e., assume that errors are going to arise, and write code to detect them when they do.
• Write tests before writing code in order to help determine exactly what that code is supposed to do.
• Know what code is supposed to do before trying to debug it.
• Make it fail every time.
• Make it fail fast.
• Change one thing at a time, and for a reason.
• Keep track of what you’ve done.
• Be humble

Glosario

argument

A value given to a function or program when it runs. The term is often used interchangeably (and inconsistently) with parameter.

assign

To give a value a name by associating a variable with it.

body

(of a function): the statements that are executed when a function runs.

comment

A remark in a program that is intended to help human readers understand what is going on, but is ignored by the computer. Comments in Python, R, and the Unix shell start with a # character and run to the end of the line; comments in SQL start with --, and other languages have other conventions.

comma-separated values

(CSV) A common textual representation for tables in which the values in each row are separated by commas.

delimiter

A character or characters used to separate individual values, such as the commas between columns in a CSV file.

documentation

Human-language text written to explain what software does, how it works, or how to use it.

floating-point number

A number containing a fractional part and an exponent. See also: integer.

for loop

A loop that is executed once for each value in some kind of set, list, or range. See also: while loop.

index

A subscript that specifies the location of a single value in a collection, such as a single pixel in an image.

integer

A whole number, such as -12343. See also: floating-point number.

library

In R, the directory(ies) where packages are stored.

package

A collection of R functions, data and compiled code in a well-defined format. Packages are stored in a library and loaded using the library() function.

parameter

A variable named in the function’s declaration that is used to hold a value passed into the call. The term is often used interchangeably (and inconsistently) with argument.

return statement

A statement that causes a function to stop executing and return a value to its caller immediately.

sequence

A collection of information that is presented in a specific order.

shape

An array’s dimensions, represented as a vector. For example, a 5×3 array’s shape is (5,3).

string

Short for “character string”, a sequence of zero or more characters.

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. See also: for loop.