Comenzando con los datos

Última actualización: 2026-11-11 | Mejora esta página

Hoja de ruta

Preguntas

  • Primer análisis de datos en R

Objetivos

  • Describa qué es un data.frame.
  • Cargar datos externos de un archivo .csv en una tabla de datos.
  • Resume el contenido de una tabla de datos.
  • Describa qué es un factor.
  • Convertir entre cadenas y factores.
  • Reordenar y renombrar factores.
  • Formatear fechas.
  • Exportar y guardar datos.

Este episodio se basa en la lección Data Analysis and Visualisation in R for Ecologists de Data Carpentries.

Presentación de los datos de expresión génica

Vamos a utilizar una parte de los datos publicados por Blackmore et al. (2017), The effect of upper-respiratory infection on transcriptomic changes in the CNS. El objetivo del estudio fue determinar el efecto de una infección de las vías respiratorias superiores sobre los cambios en la transcripción de ARN que ocurren en el cerebelo y la médula espinal tras la infección. Ratones C57BL/6 de ocho semanas de edad, emparejados por sexo, fueron inoculados con solución salina o con Influenza A por vía intranasal, y los cambios transcriptómicos en los tejidos del cerebelo y de la médula espinal se evaluaron mediante RNA-seq en los días 0 (no infectados), 4 y 8.

El conjunto de datos se almacena como un archivo de valores separados por comas (CSV). Cada fila contiene información sobre una sola medición de expresión de ARN, y las once primeras columnas representan:

Columna Descripción
gene El nombre del gen que se midió
sample El nombre de la muestra en la que se midió la expresión génica
expression El valor de la expresión génica
organism El organismo/especie - aquí todos los datos provienen de ratones
age La edad del ratón (aquí todos los ratones tenían 8 semanas)
sex El sexo del ratón
infection El estado de infección del ratón, es decir, infectado con Influenza A o no infectado.
strain La cepa de Influenza A.
time La duración de la infección (en días).
tissue El tejido que se utilizó para el experimento de expresión génica, es decir, el cerebelo o la médula espinal.
mouse El identificador único del ratón.

Vamos a utilizar la función de R download.file() para descargar el archivo CSV que contiene los datos de expresión génica, y utilizaremos read.csv() para cargar en memoria el contenido del archivo CSV como un objeto de clase data.frame. Dentro del comando download.file, la primera entrada es una cadena de caracteres con la URL de origen. Esta URL de origen descarga un archivo CSV de un repositorio de GitHub. El texto después de la coma ("data/rnaseq.csv") es el destino del archivo en su máquina local. Necesitará tener una carpeta en su máquina llamada "data" donde descargará el archivo. Por lo tanto, este comando descarga el archivo remoto, le asigna el nombre "rnaseq.csv" y lo añade a una carpeta preexistente llamada "data".

R 

download.file(url = "https://github.com/carpentries-incubator/bioc-intro/raw/main/episodes/data/rnaseq.csv",
              destfile = "data/rnaseq.csv")

Ya está listo para cargar los datos:

R 

rna <- read.csv("data/rnaseq.csv")

Esta instrucción no produce ninguna salida porque, como probablemente recuerde, las asignaciones no muestran nada. Si queremos comprobar que los datos se han cargado, podemos ver el contenido de la tabla de datos escribiendo su nombre:

R 

rna

Vaya… fue mucha salida. Al menos significa que los datos se cargaron correctamente. Revisemos la parte superior (las primeras 6 líneas) de esta tabla de datos utilizando la función head():

R 

head(rna)

SALIDA 

     gene     sample expression     organism age    sex  infection  strain time
1     Asl GSM2545336       1170 Mus musculus   8 Female InfluenzaA C57BL/6    8
2    Apod GSM2545336      36194 Mus musculus   8 Female InfluenzaA C57BL/6    8
3 Cyp2d22 GSM2545336       4060 Mus musculus   8 Female InfluenzaA C57BL/6    8
4    Klk6 GSM2545336        287 Mus musculus   8 Female InfluenzaA C57BL/6    8
5   Fcrls GSM2545336         85 Mus musculus   8 Female InfluenzaA C57BL/6    8
6  Slc2a4 GSM2545336        782 Mus musculus   8 Female InfluenzaA C57BL/6    8
      tissue mouse ENTREZID
1 Cerebellum    14   109900
2 Cerebellum    14    11815
3 Cerebellum    14    56448
4 Cerebellum    14    19144
5 Cerebellum    14    80891
6 Cerebellum    14    20528
                                                                       product
1                               argininosuccinate lyase, transcript variant X1
2                                       apolipoprotein D, transcript variant 3
3 cytochrome P450, family 2, subfamily d, polypeptide 22, transcript variant 2
4                         kallikrein related-peptidase 6, transcript variant 2
5                Fc receptor-like S, scavenger receptor, transcript variant X1
6          solute carrier family 2 (facilitated glucose transporter), member 4
     ensembl_gene_id external_synonym chromosome_name   gene_biotype
1 ENSMUSG00000025533    2510006M18Rik               5 protein_coding
2 ENSMUSG00000022548             <NA>              16 protein_coding
3 ENSMUSG00000061740             2D22              15 protein_coding
4 ENSMUSG00000050063             Bssp               7 protein_coding
5 ENSMUSG00000015852    2810439C17Rik               3 protein_coding
6 ENSMUSG00000018566           Glut-4              11 protein_coding
                            phenotype_description
1           abnormal circulating amino acid level
2                      abnormal lipid homeostasis
3                        abnormal skin morphology
4                         abnormal cytokine level
5 decreased CD8-positive alpha-beta T cell number
6              abnormal circulating glucose level
  hsapiens_homolog_associated_gene_name
1                                   ASL
2                                  APOD
3                                CYP2D6
4                                  KLK6
5                                 FCRL2
6                                SLC2A4

R 

## Try also
## View(rna)

Nota

read.csv() asume que los campos están delimitados por comas; sin embargo, en varios países, la coma se utiliza como separador decimal y el punto y coma (;) como delimitador de campos. Si desea leer este tipo de archivos en R, puede utilizar la función read.csv2(). Se comporta exactamente como read.csv(), pero utiliza parámetros diferentes para los separadores decimal y de campos. Si trabaja con otro formato, ambos pueden ser especificados por el usuario. Consulte la ayuda de read.csv() escribiendo ?read.csv para obtener más información. También existe la función read.delim() para leer archivos de datos separados por tabulaciones. Es importante tener en cuenta que todas estas funciones son, en realidad, funciones wrapper para la función principal read.table() con argumentos diferentes. Por lo tanto, los datos anteriores también podrían haberse cargado utilizando read.table() con el argumento de separación como ,. El código es el siguiente:

R 

rna <- read.table(file = "data/rnaseq.csv",
                  sep = ",",
                  header = TRUE)

El argumento header debe establecerse en TRUE para poder leer los encabezados, ya que, por defecto, read.table() tiene el argumento header establecido en FALSE.

¿Qué son las tablas de datos?

Las tablas de datos son la estructura de datos de facto para la mayoría de los datos en formato tabular, y es lo que utilizamos para estadísticas y gráficos.

Una tabla de datos puede crearse manualmente, pero lo más común es que se generen mediante las funciones read.csv() o read.table(); en otras palabras, al importar hojas de cálculo desde su disco duro (o de la web).

Una tabla de datos es la representación de los datos en formato de tabla, donde las columnas son vectores que tienen todos la misma longitud. Debido a que las columnas son vectores, cada columna debe contener un único tipo de dato (por ejemplo, caracteres, enteros, factores). Por ejemplo, aquí hay una figura que representa una tabla de datos compuesta por un vector numérico, uno de caracteres y uno lógico.

Schematic representation of a tablular structure with different colours representing different columns and variables types.
Conceptual representation of a data.frame

Podemos ver esto al inspeccionar la estructura de una tabla de datos con la función str():

R 

str(rna)

SALIDA 

'data.frame':	32428 obs. of  19 variables:
 $ gene                                 : chr  "Asl" "Apod" "Cyp2d22" "Klk6" ...
 $ sample                               : chr  "GSM2545336" "GSM2545336" "GSM2545336" "GSM2545336" ...
 $ expression                           : int  1170 36194 4060 287 85 782 1619 288 43217 1071 ...
 $ organism                             : chr  "Mus musculus" "Mus musculus" "Mus musculus" "Mus musculus" ...
 $ age                                  : int  8 8 8 8 8 8 8 8 8 8 ...
 $ sex                                  : chr  "Female" "Female" "Female" "Female" ...
 $ infection                            : chr  "InfluenzaA" "InfluenzaA" "InfluenzaA" "InfluenzaA" ...
 $ strain                               : chr  "C57BL/6" "C57BL/6" "C57BL/6" "C57BL/6" ...
 $ time                                 : int  8 8 8 8 8 8 8 8 8 8 ...
 $ tissue                               : chr  "Cerebellum" "Cerebellum" "Cerebellum" "Cerebellum" ...
 $ mouse                                : int  14 14 14 14 14 14 14 14 14 14 ...
 $ ENTREZID                             : int  109900 11815 56448 19144 80891 20528 97827 118454 18823 14696 ...
 $ product                              : chr  "argininosuccinate lyase, transcript variant X1" "apolipoprotein D, transcript variant 3" "cytochrome P450, family 2, subfamily d, polypeptide 22, transcript variant 2" "kallikrein related-peptidase 6, transcript variant 2" ...
 $ ensembl_gene_id                      : chr  "ENSMUSG00000025533" "ENSMUSG00000022548" "ENSMUSG00000061740" "ENSMUSG00000050063" ...
 $ external_synonym                     : chr  "2510006M18Rik" NA "2D22" "Bssp" ...
 $ chromosome_name                      : chr  "5" "16" "15" "7" ...
 $ gene_biotype                         : chr  "protein_coding" "protein_coding" "protein_coding" "protein_coding" ...
 $ phenotype_description                : chr  "abnormal circulating amino acid level" "abnormal lipid homeostasis" "abnormal skin morphology" "abnormal cytokine level" ...
 $ hsapiens_homolog_associated_gene_name: chr  "ASL" "APOD" "CYP2D6" "KLK6" ...

Inspección de objetos data.frame

Ya vimos cómo las funciones head() y str() pueden ser útiles para comprobar el contenido y la estructura de una tabla de datos. Aquí tienes una lista no exhaustiva de funciones para hacerte una idea del contenido/estructura de los datos. ¡Probémoslas!

Tamaño:

  • dim(rna) - devuelve un vector con el número de filas como primer elemento y el número de columnas como segundo elemento (las dimensiones del objeto).
  • nrow(rna) - devuelve el número de filas.
  • ncol(rna) - devuelve el número de columnas.

Contenido:

  • head(rna) - muestra las primeras 6 filas.
  • tail(rna) - muestra las últimas 6 filas.

Nombres:

  • names(rna) - devuelve los nombres de las columnas (sinónimo de colnames() para objetos data.frame).
  • rownames(rna) - devuelve los nombres de las filas.

Resumen:

  • str(rna) - estructura del objeto e información sobre la clase, la longitud y el contenido de cada columna.
  • summary(rna) - estadísticas resumidas para cada columna.

Nota: la mayoría de estas funciones son “genéricas”; pueden utilizarse con otros tipos de objetos además de data.frame.

Desafío

Desafío:

Basándote en la salida de str(rna), ¿puedes responder a las siguientes preguntas?

  • ¿Cuál es la clase del objeto rna?
  • ¿Cuántas filas y cuántas columnas tiene este objeto?
  • clase: tabla de datos
  • cuántas filas: 32428, cuántas columnas: 19

Indexación y selección de subconjuntos de tablas de datos

Nuestra tabla de datos rna tiene filas y columnas (tiene 2 dimensiones); si queremos extraer algunos datos específicos de ella, necesitamos especificar las “coordenadas” que deseamos. Los números de fila vienen primero, seguidos de los números de columna. No obstante, tenga en cuenta que las diferentes formas de especificar estas coordenadas dan lugar a resultados con clases distintas.

R 

# first element in the first column of the data frame (as a vector)
rna[1, 1]
# first element in the 6th column (as a vector)
rna[1, 6]
# first column of the data frame (as a vector)
rna[, 1]
# first column of the data frame (as a data.frame)
rna[1]
# first three elements in the 7th column (as a vector)
rna[1:3, 7]
# the 3rd row of the data frame (as a data.frame)
rna[3, ]
# equivalent to head_rna <- head(rna)
head_rna <- rna[1:6, ]
head_rna

: es una función especial que crea vectores numéricos de enteros en orden creciente o decreciente; pruebe 1:10 y 10:1, por ejemplo. Consulte la sección sobre la generación de vectores para obtener más detalles.

También puede excluir ciertos índices de una tabla de datos utilizando el signo “-”:

R 

rna[, -1]          ## The whole data frame, except the first column
rna[-c(7:66465), ] ## Equivalent to head(rna)

Se pueden seleccionar subconjuntos de las tablas de datos mediante sus índices (como se mostró anteriormente), pero también usando directamente los nombres de sus columnas:

R 

rna["gene"]       # Result is a data.frame
rna[, "gene"]     # Result is a vector
rna[["gene"]]     # Result is a vector
rna$gene          # Result is a vector

En RStudio, puede utilizar la función de autocompletado para obtener los nombres completos y correctos de las columnas.

Desafío

Desafío

  1. Crea un data.frame (rna_200) que contenga únicamente los datos de la fila 200 del conjunto de datos rna.

  2. ¿Observas cómo nrow() te dio el número de filas de un data.frame?

  • Utilice ese número para extraer únicamente esa última fila de la tabla de datos inicial rna.

  • Compáralo con lo que ves como la última fila usando tail() para asegurarte de que coincide con lo esperado.

  • Extraiga esa última fila utilizando nrow() en lugar del número de fila.

  • Crea una nueva tabla de datos (rna_last) a partir de esa última fila.

  1. Utilice nrow() para extraer la fila que se encuentra en el centro de la tabla de datos rna. Guarde el contenido de esta fila en un objeto llamado rna_middle.

  2. Combina nrow() con la notación - anterior para reproducir el comportamiento de head(rna), manteniendo únicamente las filas del 1 al 6 del conjunto de datos rna.

R 

## 1.
rna_200 <- rna[200, ]
## 2.
## Saving `n_rows` to improve readability and reduce duplication
n_rows <- nrow(rna)
rna_last <- rna[n_rows, ]
## 3.
rna_middle <- rna[n_rows / 2, ]
## 4.
rna_head <- rna[-(7:n_rows), ]

Factores

Los factores representan datos categóricos. Se almacenan como enteros asociados a etiquetas y pueden ser ordenados o no ordenados. Aunque los factores parecen (y a menudo se comportan) como vectores de caracteres, R los trata en realidad como vectores de enteros. Por lo tanto, es necesario tener mucho cuidado al tratarlos como cadenas.

Una vez creados, los factores solo pueden contener un conjunto de valores predefinidos, conocidos como niveles. Por defecto, R siempre ordena los niveles alfabéticamente. Por ejemplo, si tiene un factor con 2 niveles:

R 

sex <- factor(c("male", "female", "female", "male", "female"))

R asignará 1 al nivel "female" y 2 al nivel "male" (ya que f precede a m, a pesar de que el primer elemento de este vector es "male"). Puede comprobar esto utilizando la función levels() y puede encontrar el número de niveles usando nlevels():

R 

levels(sex)

SALIDA 

[1] "female" "male"

R 

nlevels(sex)

SALIDA 

[1] 2

A veces, el orden de los factores no es relevante; en otras ocasiones, es posible que desee especificar el orden porque tiene un significado (por ejemplo, “bajo”, “medio”, “alto”), mejora la visualización o es necesario para un tipo particular de análisis. En este caso, una forma de reordenar nuestros niveles en el vector sex sería:

R 

sex ## current order

SALIDA 

[1] male   female female male   female
Levels: female male

R 

sex <- factor(sex, levels = c("male", "female"))
sex ## after re-ordering

SALIDA 

[1] male   female female male   female
Levels: male female

En la memoria de R, estos factores se representan mediante enteros (1, 2, 3), pero son más informativos que estos porque se describen a sí mismos: las etiquetas "female" y "male" son más descriptivas que 1 y 2. ¿Cuál de los enteros corresponde a “male” (macho)? No se puede saber solo a partir de los valores enteros. Los factores, en cambio, incluyen esa información. Esto resulta especialmente útil cuando hay muchos niveles (como el biotipo génico en nuestro conjunto de datos de ejemplo).

Cuando sus datos se almacenan como un factor, puede utilizar la función plot() para obtener una vista rápida del número de observaciones representadas por cada nivel del factor. Veamos el número de machos y hembras en nuestros datos.

R 

plot(sex)
Barplot showing the number of 'male' and 'female' occurrences.
Bar plot of the number of females and males.

Conversión a carácter

Si necesita convertir un factor a un vector de caracteres, utilice as.character(x).

R 

as.character(sex)

SALIDA 

[1] "male"   "female" "female" "male"   "female"

Renombrar factores

Si queremos renombrar este factor, basta con cambiar sus niveles:

R 

levels(sex)

SALIDA 

[1] "male"   "female"

R 

levels(sex) <- c("M", "F")
sex

SALIDA 

[1] M F F M F
Levels: M F

R 

plot(sex)
Barplot showing the number of 'M' and 'F' occurrences.
Desafío

Desafío:

  • Cambiar el nombre de “F” y “M” a “Female” y “Male”, respectivamente.

R 

levels(sex)

SALIDA 

[1] "M" "F"

R 

levels(sex) <- c("Male", "Female")
Desafío

Desafío:

Hemos visto cómo se crean las tablas de datos al usar read.csv(), pero también pueden crearse manualmente con la función data.frame(). Hay algunos errores en esta data.frame creada a mano. ¿Puedes detectarlos y corregirlos? ¡No dudes en experimentar!

R 

animal_data <- data.frame(
       animal = c(dog, cat, sea cucumber, sea urchin),
       feel = c("furry", "squishy", "spiny"),
       weight = c(45, 8 1.1, 0.8))
  • faltan comillas alrededor de los nombres de los animales
  • falta un registro en la columna “feel” (probablemente de uno de los animales peludos)
  • falta una coma en la columna de peso
Desafío

Desafío:

¿Puedes predecir la clase de cada una de las columnas en el siguiente ejemplo?

Verifica tus conjeturas usando str(country_climate):

  • ¿Son lo que esperabas? ¿Por qué? ¿Por qué no?

  • Inténtalo de nuevo añadiendo stringsAsFactors = TRUE después de la última variable al crear la tabla de datos. ¿Qué está pasando ahora? También se puede establecer stringsAsFactors al leer hojas de cálculo basadas en texto en R utilizando read.csv().

R 

country_climate <- data.frame(
       country = c("Canada", "Panama", "South Africa", "Australia"),
       climate = c("cold", "hot", "temperate", "hot/temperate"),
       temperature = c(10, 30, 18, "15"),
       northern_hemisphere = c(TRUE, TRUE, FALSE, "FALSE"),
       has_kangaroo = c(FALSE, FALSE, FALSE, 1)
       )

R 

country_climate <- data.frame(
       country = c("Canada", "Panama", "South Africa", "Australia"),
       climate = c("cold", "hot", "temperate", "hot/temperate"),
       temperature = c(10, 30, 18, "15"),
       northern_hemisphere = c(TRUE, TRUE, FALSE, "FALSE"),
       has_kangaroo = c(FALSE, FALSE, FALSE, 1)
       )
str(country_climate)

SALIDA 

'data.frame':	4 obs. of  5 variables:
 $ country            : chr  "Canada" "Panama" "South Africa" "Australia"
 $ climate            : chr  "cold" "hot" "temperate" "hot/temperate"
 $ temperature        : chr  "10" "30" "18" "15"
 $ northern_hemisphere: chr  "TRUE" "TRUE" "FALSE" "FALSE"
 $ has_kangaroo       : num  0 0 0 1

La conversión automática del tipo de datos a veces es una ventaja y a veces una molestia. Tenga en cuenta que existe, aprenda las reglas y verifique dos veces que los datos que importa en R sean del tipo correcto dentro de su tabla de datos. Si no es así, utilícelo para detectar errores que pudieron haberse introducido durante la entrada de datos (por ejemplo, una letra en una columna que solo debería contener números).

Más información en este tutorial de RStudio

Matrices

Antes de continuar, ahora que hemos aprendido sobre las tablas de datos, repasemos la instalación de paquetes y conozcamos un nuevo tipo de dato: el matrix. Al igual que el data.frame, una matriz tiene dos dimensiones, filas y columnas. Pero la diferencia principal es que todas las celdas de una matrix deben ser del mismo tipo: numeric, character, logical, … En ese sentido, las matrices se asemejan más a un vector que a un data.frame.

El constructor predeterminado para una matriz es matrix. Recibe un vector de valores para llenar la matriz y el número de filas y/o columnas1. Los valores se colocan por columnas, como se ilustra a continuación.

R 

m <- matrix(1:9, ncol = 3, nrow = 3)
m

SALIDA 

     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9
Desafío

Desafío:

Utilizando la función installed.packages(), crea una matriz character que contenga la información sobre todos los paquetes actualmente instalados en tu computadora. Explórala.

R 

## create the matrix
ip <- installed.packages()
head(ip)
## try also View(ip)
## number of package
nrow(ip)
## names of all installed packages
rownames(ip)
## type of information we have about each package
colnames(ip)

A menudo resulta útil crear matrices de datos aleatorias de gran tamaño como datos de prueba. El siguiente ejercicio le pide que cree dicha matriz con datos aleatorios extraídos de una distribución normal de media 0 y desviación estándar 1, lo cual puede hacerse con la función rnorm().

Desafío

Desafío:

Construya una matriz de dimensiones 1000 por 3 con datos normalmente distribuidos (media 0, desviación estándar 1)

R 

set.seed(123)
m <- matrix(rnorm(3000), ncol = 3)
dim(m)

SALIDA 

[1] 1000    3

R 

head(m)

SALIDA 

            [,1]        [,2]       [,3]
[1,] -0.56047565 -0.99579872 -0.5116037
[2,] -0.23017749 -1.03995504  0.2369379
[3,]  1.55870831 -0.01798024 -0.5415892
[4,]  0.07050839 -0.13217513  1.2192276
[5,]  0.12928774 -2.54934277  0.1741359
[6,]  1.71506499  1.04057346 -0.6152683

Formato de fechas

Uno de los problemas más comunes que presentan los usuarios nuevos (¡y experimentados!) de R es convertir la información de fecha y hora en una variable adecuada y utilizable durante los análisis.

Nota sobre las fechas en programas de hojas de cálculo

Las fechas en las hojas de cálculo suelen almacenarse en una sola columna. Aunque esto parece la forma más natural de registrar las fechas, en realidad no es la mejor práctica. Una aplicación de hojas de cálculo mostrará las fechas de una manera aparentemente correcta (para un observador humano), pero la forma en que realmente gestiona y almacena las fechas puede resultar problemática. A menudo es mucho más seguro almacenar las fechas con el AÑO, el MES y el DÍA en columnas separadas, o como el AÑO y el DÍA DEL AÑO en columnas separadas.

Los programas de hojas de cálculo como LibreOffice, Microsoft Excel, OpenOffice, Gnumeric, … tienen formas diferentes (y a menudo incompatibles) de codificar las fechas (incluso dentro del mismo programa entre versiones y sistemas operativos). Además, Excel puede convertir elementos que no son fechas en fechas ( Zeeberg et al. (2004) ), por ejemplo, nombres o identificadores como MAR1, DEC1, OCT4. Por lo tanto, si se evita el formato de fecha en general, es más sencillo identificar estos problemas.

La sección Dates as data de la lección de Data Carpentry ofrece información adicional sobre los peligros de las fechas en las hojas de cálculo.

Vamos a utilizar la función ymd() del paquete lubridate (que pertenece a tidyverse; obtenga más información en el sitio web de tidyverse). lubridate se instala como parte de la instalación de tidyverse. Cuando carga el tidyverse (library(tidyverse)), se cargan los paquetes principales (los paquetes utilizados en la mayoría de los análisis de datos). lubridate, sin embargo, no pertenece al tidyverse principal, por lo que debe cargarlo explícitamente con library(lubridate).

Comience cargando el paquete necesario:

R 

library("lubridate")

ymd() acepta un vector que representa el año, el mes y el día, y lo convierte en un vector Date. Date es una clase de datos que R reconoce como una fecha y que puede manipularse como tal. El argumento que requiere la función es flexible, pero, como buena práctica, es un vector de caracteres formateado como “YYYY-MM-DD”.

Creemos un objeto de fecha y examinemos su estructura:

R 

my_date <- ymd("2015-01-01")
str(my_date)

SALIDA 

 Date[1:1], format: "2015-01-01"

Ahora concatenemos el año, el mes y el día, proporcionados por separado: obtenemos el mismo resultado:

R 

# sep indicates the character to use to separate each component
my_date <- ymd(paste("2015", "1", "1", sep = "-"))
str(my_date)

SALIDA 

 Date[1:1], format: "2015-01-01"

Ahora familiaricémonos con un flujo de trabajo típico para manipular fechas. El pequeño conjunto de datos que aparece a continuación almacena las fechas en columnas separadas: year, month y day.

R 

x <- data.frame(year = c(1996, 1992, 1987, 1986, 2000, 1990, 2002, 1994, 1997, 1985),
                month = c(2,  3,  3, 10,  1,  8,  3,  4,  5,  5),
                day = c(24,  8,  1,  5,  8, 17, 13, 10, 11, 24),
                value = c(4,  5,  1,  9,  3,  8, 10,  2,  6,  7))
x

SALIDA 

   year month day value
1  1996     2  24     4
2  1992     3   8     5
3  1987     3   1     1
4  1986    10   5     9
5  2000     1   8     3
6  1990     8  17     8
7  2002     3  13    10
8  1994     4  10     2
9  1997     5  11     6
10 1985     5  24     7

Ahora aplicamos esta función al conjunto de datos x. Primero creamos un vector de caracteres a partir de las columnas year, month y day de x utilizando paste():

R 

paste(x$year, x$month, x$day, sep = "-")

SALIDA 

 [1] "1996-2-24" "1992-3-8"  "1987-3-1"  "1986-10-5" "2000-1-8"  "1990-8-17"
 [7] "2002-3-13" "1994-4-10" "1997-5-11" "1985-5-24"

Este vector de caracteres puede utilizarse como argumento para ymd():

R 

ymd(paste(x$year, x$month, x$day, sep = "-"))

SALIDA 

 [1] "1996-02-24" "1992-03-08" "1987-03-01" "1986-10-05" "2000-01-08"
 [6] "1990-08-17" "2002-03-13" "1994-04-10" "1997-05-11" "1985-05-24"

El vector Date resultante puede añadirse a x como una nueva columna llamada date:

R 

x$date <- ymd(paste(x$year, x$month, x$day, sep = "-"))
str(x) # notice the new column, with 'date' as the class

SALIDA 

'data.frame':	10 obs. of  5 variables:
 $ year : num  1996 1992 1987 1986 2000 ...
 $ month: num  2 3 3 10 1 8 3 4 5 5
 $ day  : num  24 8 1 5 8 17 13 10 11 24
 $ value: num  4 5 1 9 3 8 10 2 6 7
 $ date : Date, format: "1996-02-24" "1992-03-08" ...

Asegurémonos de que todo haya funcionado correctamente. Una forma de inspeccionar la nueva columna es utilizar summary():

R 

summary(x$date)

SALIDA 

        Min.      1st Qu.       Median         Mean      3rd Qu.         Max.
"1985-05-24" "1988-01-11" "1993-03-24" "1993-03-18" "1997-01-20" "2002-03-13"

Tenga en cuenta que ymd() requiere que el año, el mes y el día estén en ese orden. Si, por ejemplo, dispone del día, el mes y el año, necesitaría dmy().

R 

dmy(paste(x$day, x$month, x$year, sep = "-"))

SALIDA 

 [1] "1996-02-24" "1992-03-08" "1987-03-01" "1986-10-05" "2000-01-08"
 [6] "1990-08-17" "2002-03-13" "1994-04-10" "1997-05-11" "1985-05-24"

lubdridate cuenta con numerosas funciones para gestionar todas las variaciones de fecha.

Resumen de los objetos de R

Hasta ahora, hemos visto varios tipos de objetos de R que varían en el número de dimensiones y en si podían almacenar un único tipo de dato o múltiples tipos de datos:

  • vector: una dimensión (tienen una longitud), un único tipo de dato.
  • matrix: dos dimensiones, un único tipo de dato.
  • data.frame: dos dimensiones, un tipo por columna.

Listas

Las listas son un tipo de datos que aún no hemos visto, pero que resulta útil conocer y que se desprende del resumen que acabamos de ver:

  • list: una dimensión, cada elemento puede ser de un tipo de dato diferente.

A continuación, creemos una lista que contenga un vector de números, caracteres, una matriz, una tabla de datos y otra lista:

R 

l <- list(1:10, ## numeric
          letters, ## character
          installed.packages(), ## a matrix
          cars, ## a data.frame
          list(1, 2, 3)) ## a list
length(l)

SALIDA 

[1] 5

R 

str(l)

SALIDA 

List of 5
 $ : int [1:10] 1 2 3 4 5 6 7 8 9 10
 $ : chr [1:26] "a" "b" "c" "d" ...
 $ : chr [1:261, 1:17] "litedown" "metabolomicsWorkbenchR" "mgcv" "MultiAssayExperiment" ...
  ..- attr(*, "dimnames")=List of 2
  .. ..$ : chr [1:261] "litedown" "metabolomicsWorkbenchR" "mgcv" "MultiAssayExperiment" ...
  .. ..$ : chr [1:17] "Package" "LibPath" "Version" "Priority" ...
 $ :'data.frame':	50 obs. of  2 variables:
  ..$ speed: num [1:50] 4 4 7 7 8 9 10 10 10 11 ...
  ..$ dist : num [1:50] 2 10 4 22 16 10 18 26 34 17 ...
 $ :List of 3
  ..$ : num 1
  ..$ : num 2
  ..$ : num 3

La selección de subconjuntos de una lista se realiza utilizando [] para obtener una nueva sublista o [[]] para extraer un único elemento de esa lista (mediante índices o nombres, si sus elementos tienen nombre).

R 

l[[1]] ## first element

SALIDA 

 [1]  1  2  3  4  5  6  7  8  9 10

R 

l[1:2] ## a list of length 2

SALIDA 

[[1]]
 [1]  1  2  3  4  5  6  7  8  9 10

[[2]]
 [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s"
[20] "t" "u" "v" "w" "x" "y" "z"

R 

l[1]   ## a list of length 1

SALIDA 

[[1]]
 [1]  1  2  3  4  5  6  7  8  9 10

Exportación y guardado de datos tabulares

Hemos visto cómo leer una hoja de cálculo basada en texto en R utilizando la familia de funciones read.table. Para exportar un data.frame a una hoja de cálculo basada en texto, podemos utilizar el conjunto de funciones write.table (write.csv, write.delim, …). Todas ellas reciben la variable a exportar y el archivo al que se desea exportar. Por ejemplo, para exportar los datos rna al archivo my_rna.csv en el directorio data_output, ejecutaríamos:

R 

write.csv(rna, file = "data_output/my_rna.csv")

Ahora se puede compartir este nuevo archivo CSV con otros colaboradores que no estén familiarizados con R. Tenga en cuenta que, aunque haya comas en algunos de los campos de data.frame (véase, por ejemplo, la columna “product”), R encerrará cada campo entre comillas por defecto y, por lo tanto, podremos leerlo correctamente en R, a pesar de que también se utilicen comas como separadores de columnas.

Puntos Clave
  • Datos en tabla en R
Zeeberg, Barry R., Joseph Riss, David W. Kane, et al. 2004. “Mistaken Identifiers: Gene Name Errors Can Be Introduced Inadvertently When Using Excel in Bioinformatics.” BMC Bioinformatics 5 (1): 80. https://doi.org/10.1186/1471-2105-5-80.

  1. Basta con indicar el número de filas o el de columnas, ya que la otra dimensión se puede deducir de la longitud del vector de valores. Pruebe qué ocurre si la cantidad de valores y el número de filas/columnas no son compatibles.↩︎