Armando Un Proyecto de Trabajo

Armando un proyecto de trabajo
R + Ciencias Sociales
Hoja de ruta
✔️Paquetes
✔️Lectura / escritura de archivos
✔️Proyectos
2 / 23
Paquetes
3 / 23
Paquetes
Con R podemos aumentar las funciones para realizar operaciones a través de los
paquetes.
4 / 23
Paquetes
Para poder usar un paquete, primero Cada vez que queremos utilizar una
debemos instalarlo: función del paquete, debemos
convocarlo:
install.packages("nombre_del_paquete")
library(nombre_del_paquete)
Tener en cuenta:
Tener en cuenta:
El nombre del paquete va entre comillas.
El nombre del paquete va sin comillas.
Esta función se corre una sóla vez (por
computadora) Se corre cada vez que quiero usar una
función del paquete en cuestión.
5 / 23
Proyectos y rutas de trabajo
6 / 23
Supongamos que descargo la base de datos de registros de certificados CUIDAR-
VERANO en formato separado por comas (.csv) y la quiero importar con R.
la función que me permite importar una base de datos de tipo .csv se llama
read.csv() :
base_cuidar <- read.csv(

file = "C:/Users/pablo/Documents/Pablo/Cursos R/R+BigData/entradas/certificados-personas-por-f
header = TRUE,
sep = ",",
dec = ".")
7 / 23
A tener en cuenta respecto a la ruta donde se ubica el archivo (nuestra base):

'file = "C:/Users/pablo/Documents/Pablo/Cursos R/R+BigData/entradas/certificados-personas-por-
header = TRUE,
sep = ",",
dec = ".")
Si se la compartimos a otra persona, se rompe
Si cambiamos de computadora, se rompe
Si lo cambiamos de lugar, se rompe
8 / 23
9 / 23
Armar un nuevo proyecto
Paso 1: Paso 2:
10 / 23
Armar un nuevo proyecto
Paso 3: Resultado:
11 / 23
Armando un proyecto con Rstudio, la función se escribiría de esta forma:

'file = "entradas/certificados-personas-por-fecha-ingreso-provincia-localidad.csv",'
header = TRUE,
sep = ",",
dec = ".")
Ventajas:
- Le indicamos a R dónde "vive" nuestra carpeta de trabajo
- La ruta ya no contiene ninguna referencia personal que impida ser abierto en otra computadora
12 / 23
Lectura / escritura de datos
13 / 23
R base tiene una función para cada extensión de archivo:
read.table() --> .txt
read.csv() --> .csv
readRDS() --> .rds
14 / 23
Pero... ¿no están todas, no?
Para ello, instalaremos algunos paquetes que nos permiten incorporar más
funciones para leer más tipos de datos.
Por ejemplo, el paquete haven incorpora:
read_sas() --> .sas (SAS)
read_spss() --> .sav (SPSS)
read_stata() --> .dta (STATA)
y el paquete readxl :
read_xlsx() --> .xlsx (Excel)

15 / 23
Supongamos que queremos comenzar un nuevo proyecto para analizar el conjunto
de certificados solicitados para vacacionar durante la temporada verano del año
2021
El flujo de trabajo sería el siguiente:
1) Armo la carpeta del proyecto, por ejemplo con la estructura siguiente:
📂 cuidar
📂 entradas
📂 salidas
📂 scripts
📂 docs_metodologicos 16 / 23
2) Ubico la base de datos en la carpeta correspondiente (entradas):
📂 cuidar
📂 entradas
📄 certificados-personas-por-fecha-ingreso-provincia-localidad.csv
📂 salidas
📂 scripts
📂 docs_metodologicos
17 / 23
3) Abro Rstudio y creo un proyecto, ubicado en la carpeta principal (cuidar)
📂 cuidar
proyecto_cuidar.Rproj
📂 entradas
📂 salidas
📂 scripts
18 / 23
4) Creo un script llamado levantar_datos.R para trabajar en R y lo guardo en la carpeta script
📂 cuidar
proyecto_cuidar.Rproj
📂 entradas
📂 salidas
📂 scripts
📄 1_levantar_datos.R
19 / 23
5) En el script, cargo los paquetes cuyas funciones voy a utilizar. En este caso, el paquete readxl para
poder importar bases de datos de una extensión .xlsx (Excel):
library(readxl)
6) Creo un objeto en el cual voy a importar la base de datos y utilizo la función read_xlsx() para
hacerlo.
Recordar: Estamos en un proyecto, por lo que la ruta es a partir de la carpeta en la que se encuentra el
mismo
base_cuidar <- read_xlsx(file = "entradas/cuidar_verano_excel.xlsx")
20 / 23
Funciones para una primera mirada a la base de datos:
Función Acción
dim() Nos dice cuántas filas y columnas tiene la base
colnames() Devuelve todos los nombres de las variables de la base
str() Devuelve una vista preliminar de la estructura de las variables
Devuelve un resúmen de medidas centrales para variables numéricas y características

summary()
para variables de texto
class() Chequeo el tipo de objeto
length() Devuelve la cantidad de elementos de un objeto
table() Frecuencia simple o bivariada de una variable

is.na() Verifica la presencia de valores NA (missinh) en la base/variable
mean() Calcula el valor promedio de una variable numércia

21 / 23
PRÁCTICA
22 / 23
Práctica
1. Crear una carpeta donde alojar el proyecto de trabajo
2. Crear la estructura de carpetas propuesta
3. En la carpeta entradas incorporar una base de datos, preferentemente que usemos cotidianamente
(no importa el formato)
4. Crear un script de trabajo y alojarlo en la carpeta scripts
5. Importar la base de datos y aplicar alguna de las funciones descritas previamente
05:00
23 / 23

Armando Un Proyecto de Trabajo

Cargado por

Copyright:

Formatos disponibles

Armando Un Proyecto de Trabajo

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Armando Un Proyecto de Trabajo

Cargado por

Copyright:

Formatos disponibles

Armando un proyecto de trabajo

base_cuidar <- read.csv(

base_cuidar <- read.csv(

Si se la compartimos a otra persona, se rompe

Si cambiamos de computadora, se rompe

Si lo cambiamos de lugar, se rompe

base_cuidar <- read.csv(

read.table() --> .txt

read.csv() --> .csv

readRDS() --> .rds

read_sas() --> .sas (SAS)

read_spss() --> .sav (SPSS)

read_stata() --> .dta (STATA)

read_xlsx() --> .xlsx (Excel)

El flujo de trabajo sería el siguiente:

1) Armo la carpeta del proyecto, por ejemplo con la estructura siguiente:

base_cuidar <- read_xlsx(file = "entradas/cuidar_verano_excel.xlsx")

dim() Nos dice cuántas filas y columnas tiene la base

colnames() Devuelve todos los nombres de las variables de la base

str() Devuelve una vista preliminar de la estructura de las variables

Devuelve un resúmen de medidas centrales para variables numéricas y características

table() Frecuencia simple o bivariada de una variable

mean() Calcula el valor promedio de una variable numércia

2. Crear la estructura de carpetas propuesta

4. Crear un script de trabajo y alojarlo en la carpeta scripts

5. Importar la base de datos y aplicar alguna de las funciones descritas previamente

También podría gustarte