Data Frames, Matrices y Arreglos
Miguel Tripp
Last updated: 2021-07-25
Checks: 7 0
Knit directory: 2021/
This reproducible R Markdown analysis was created with workflowr (version 1.6.2). The Checks tab describes the reproducibility checks that were applied when the results were created. The Past versions tab lists the development history.
Great! Since the R Markdown file has been committed to the Git repository, you know the exact version of the code that produced these results.
Great job! The global environment was empty. Objects defined in the global environment can affect the analysis in your R Markdown file in unknown ways. For reproduciblity it’s best to always run the code in an empty environment.
The command set.seed(20210412) was run prior to running the code in the R Markdown file. Setting a seed ensures that any results that rely on randomness, e.g. subsampling or permutations, are reproducible.
Great job! Recording the operating system, R version, and package versions is critical for reproducibility.
Nice! There were no cached chunks for this analysis, so you can be confident that you successfully produced the results during this run.
Great job! Using relative paths to the files within your workflowr project makes it easier to run your code on other machines.
Great! You are using Git for version control. Tracking code development and connecting the code version to the results is critical for reproducibility.
The results in this page were generated with repository version fbb2514. See the Past versions tab to see a history of the changes made to the R Markdown and HTML files.
Note that you need to be careful to ensure that all relevant files for the analysis have been committed to Git prior to generating the results (you can use wflow_publish or wflow_git_commit). workflowr only checks the R Markdown file, but you know if there are other scripts or data files that it depends on. Below is the status of the Git repository when the results were generated:
Ignored files:
Ignored: .Rhistory
Ignored: .Rproj.user/
Untracked files:
Untracked: Curso_Bioestadistica_MTripp_cuatriII.docx
Untracked: Curso_Bioestadistica_MTripp_cuatriII.pdf
Untracked: Diapositivas/
Untracked: Prueba_markdown.Rmd
Untracked: Prueba_markdown.pdf
Untracked: README.html
Untracked: Resources/
Untracked: Tarea_Tstudent.Rmd
Untracked: Tarea_Tstudent.docx
Untracked: Tarea_Tstudent.html
Untracked: Tarea_Tstudent.pdf
Untracked: analysis/Clase13_noParam.Rmd
Untracked: analysis/images/
Untracked: code/tarea_macrograd.R
Untracked: data/CS_subset.csv
Untracked: data/Consumo_oxigeno_wide.csv
Untracked: data/Darwin_esp.csv
Untracked: data/Data_enzimas_Experimento1.txt
Untracked: data/Data_enzimas_Experimento2.txt
Untracked: data/Data_enzimas_Experimento3.txt
Untracked: data/Data_enzimas_Experimento4.txt
Untracked: data/DownloadFestival(No Outlier).dat
Untracked: data/Festival.csv
Untracked: data/Hful_metabolitos_ver2.csv
Untracked: data/Longitud_noParam.csv
Untracked: data/LungCapData.txt
Untracked: data/LungCapDataEsp.csv
Untracked: data/PalmerPenguins.csv
Untracked: data/Pokemon_tabla.csv
Untracked: data/Pokemon_tabla.xls
Untracked: data/RExam.dat
Untracked: data/Rexamendat.csv
Untracked: data/Tabla1_Muestreo.txt
Untracked: data/Transcriptome_Anotacion.csv
Untracked: data/Transcriptome_DGE.csv
Untracked: data/Vinogradov_2004_Titanic.tab
Untracked: data/Vinogradov_2004_Titanic.tab.csv
Untracked: data/data_tukey.txt
Untracked: data/exp_macrogard_growth.tab
Untracked: data/exp_macrogard_rna-dna.tab
Untracked: data/fertilizantes_luz.csv
Untracked: data/gatos_sueno.csv
Untracked: data/macrogard_crecimiento.csv
Untracked: data/pokemon_extended.csv
Untracked: output/Plot_all_penguins.pdf
Untracked: output/Plot_all_penguins.tiff
Untracked: output/graficos/
Unstaged changes:
Modified: analysis/_site.yml
Note that any generated files, e.g. HTML, png, CSS, etc., are not included in this status report because it is ok for generated content to have uncommitted changes.
These are the previous versions of the repository in which changes were made to the R Markdown (analysis/Clase2_Data_Frames.Rmd) and HTML (docs/Clase2_Data_Frames.html) files. If you’ve configured a remote Git repository (see ?wflow_git_remote), click on the hyperlinks in the table below to view the files as they were in that past version.
| File | Version | Author | Date | Message |
|---|---|---|---|---|
| html | fcb9047 | Miguel Tripp | 2021-07-25 | Build site. |
| Rmd | 9a992a0 | Miguel Tripp | 2021-07-25 | workflowr::wflow_publish(c(“analysis/index.Rmd”, “analysis/about.Rmd”, |
| html | 2adc7a9 | Miguel Tripp | 2021-07-24 | Build site. |
| Rmd | 4f1cff5 | Miguel Tripp | 2021-07-24 | workflowr::wflow_publish(c(“analysis/index.Rmd”, “analysis/about.Rmd”, |
| html | 9d09420 | Miguel Tripp | 2021-07-22 | Build site. |
| html | 0f7eb2d | Miguel Tripp | 2021-07-12 | Build site. |
| html | 82e4deb | Miguel Tripp | 2021-07-08 | Build site. |
| html | bc7c1d7 | Miguel Tripp | 2021-07-07 | Build site. |
| html | 01ac301 | Miguel Tripp | 2021-07-04 | Build site. |
| html | 392444f | Miguel Tripp | 2021-07-04 | Build site. |
| html | c188ae8 | Miguel Tripp | 2021-06-29 | Build site. |
| html | 1136768 | Miguel Tripp | 2021-06-28 | Build site. |
| html | a33d4bb | Miguel Tripp | 2021-06-23 | Build site. |
| html | 209299f | Miguel Tripp | 2021-06-21 | Build site. |
| html | d025507 | Miguel Tripp | 2021-06-17 | Build site. |
| html | fb9e91e | Miguel Tripp | 2021-06-16 | Build site. |
| html | c5dfe6a | Miguel Tripp | 2021-06-14 | Build site. |
| html | 2352c47 | Miguel Tripp | 2021-06-12 | Build site. |
| html | 99c3644 | Miguel Tripp | 2021-06-05 | Build site. |
| html | fbd7857 | Miguel Tripp | 2021-06-05 | Build site. |
| html | 87a646f | Miguel Tripp | 2021-06-02 | Build site. |
| html | 47a7147 | Miguel Tripp | 2021-05-31 | Build site. |
| html | 95c661f | Miguel Tripp | 2021-05-31 | Build site. |
| html | 34660de | Miguel Tripp | 2021-05-24 | Build site. |
| html | da04854 | Miguel Tripp | 2021-05-24 | Build site. |
| html | 3321935 | Miguel Tripp | 2021-05-24 | Build site. |
| html | 3d12902 | Miguel Tripp | 2021-05-16 | Build site. |
| html | 20b3aab | Miguel Tripp | 2021-05-16 | Build site. |
| html | f20dcb1 | Miguel Tripp | 2021-05-16 | Build site. |
| html | b1ca7f3 | Miguel Tripp | 2021-05-16 | Build site. |
| html | b3002cc | Miguel Tripp | 2021-05-04 | Build site. |
| html | 2c60db3 | Miguel Tripp | 2021-05-04 | Build site. |
| html | 65fa0ee | Miguel Tripp | 2021-05-04 | Build site. |
| html | b3c3d89 | Miguel Tripp | 2021-04-26 | Build site. |
| html | 195c2e9 | Miguel Tripp | 2021-04-25 | Build site. |
| html | e322dac | Miguel Tripp | 2021-04-25 | Build site. |
| Rmd | 7d0111c | Miguel Tripp | 2021-04-25 | Publish the initial files for myproject |
| html | b237a5e | Miguel Tripp | 2021-04-22 | Build site. |
| Rmd | cd132b5 | Miguel Tripp | 2021-04-22 | Publish the initial files for myproject |
| html | 4c3c22d | Miguel Tripp | 2021-04-20 | Build site. |
| Rmd | 43a6b26 | Miguel Tripp | 2021-04-20 | Publish the initial files for myproject |
| html | 945bc0f | Miguel Tripp | 2021-04-18 | Build site. |
| html | 527e486 | Miguel Tripp | 2021-04-18 | Build site. |
| html | cddaa8a | Miguel Tripp | 2021-04-18 | Build site. |
| html | 02e6728 | Miguel Tripp | 2021-04-18 | Build site. |
| html | 2af07d8 | Miguel Tripp | 2021-04-18 | Build site. |
| Rmd | f24eb8f | Miguel Tripp | 2021-04-18 | Publish the initial files for myproject |
1 Data.frames
Los data frames son estructuras de datos de dos dimensiones que pueden contener datos de diferentes tipos, por lo tanto, son heterogeneas. En términos generales, los renglones de una data.frame representan casos, individuos u observaciones, mientras que las columnas contiene datos de un solo tipo.
1.1 Creación de data frames
Genera un data.frame con los siguientes elementos:
Nombre <- c("Alex", "Lilly", "Mark", "Oliver", "Martha", "Lucas", "Caroline")
Edad <- c(25, 31, 23, 52, 76, 49, 26)
Altura <- c(177, 163, 190, 179, 163, 183, 164)
Peso <- c(57, 69, 83, 75, 70, 83, 53)
Sexo <- as.factor(c("M", "M", "H", "H", "M", "H", "M"))
df <- data.frame (row.names = Nombre, Edad, Altura, Peso, Sexo)Esto nos produce la tabla
df Edad Altura Peso Sexo
Alex 25 177 57 M
Lilly 31 163 69 M
Mark 23 190 83 H
Oliver 52 179 75 H
Martha 76 163 70 M
Lucas 49 183 83 H
Caroline 26 164 53 MAcceder a las variables del data.frame:
Utilizando el symbolo
$.Utilizando indices
[F, C].
para obtener los pesos:
df$Peso[1] 57 69 83 75 70 83 53Para obtener las edades
df[,2][1] 177 163 190 179 163 183 164Otra opción:
df[, "Edad"][1] 25 31 23 52 76 49 26Ejercicio: ¿como puedo acceder a toda la información de Mark?
df["Mark",] Edad Altura Peso Sexo
Mark 23 190 83 H*Para que esto funcione, nuestra tabla tiene que tener colnames y rownames
Ahora, deseamos agregar una columna trabajo con la siguiente información
| Nombre | Trabaja |
|---|---|
| Alex | si |
| Lilly | no |
| Mark | no |
| Oliver | si |
| Martha | si |
| Lucas | no |
| Caroline | si |
En la clase anterior, vimos que se puede agregar una columna nueva usando el operador $.
Otra forma de agregar elementos nuevos a una tabla es mediante el uso de cbind y rbind.
Trabajo <- c("si","no","no","si","si","no","si")
df2 <- data.frame(row.names = Nombre,Trabajo)
df2Ahora añade esta nueva columna a df.
- ¿Cuantas filas y columnas tiene la tiene tabla?
- ¿Que tipod de dato (clase) esta en cada columna
df_bind <- cbind(df, df2)Verificar las dimensiones de la tabla con dim()
dim(df)[1] 7 4dim(df2)[1] 7 1dim(df_bind)[1] 7 52 Matrices y arreglos
Las matrices y arrays pueden ser definidos como vectores multidimencionales. Especificamente las matrices poseen dos dimensiones y unicamente pueden contener datos de un solo tipo.
2.1 Creación de matrices
Para crear una matriz se usa la función matrix(), la cual usa los argumentos nrow y ncol. Con ellos se especifica el número de renglones y columnas que tendrá nuestra matriz.
#matriz sin especificar renglones ni columnas
matrix(1:12) [,1]
[1,] 1
[2,] 2
[3,] 3
[4,] 4
[5,] 5
[6,] 6
[7,] 7
[8,] 8
[9,] 9
[10,] 10
[11,] 11
[12,] 12Ahora usamos la misma serie de números pero definiendo 3 filas y 4 columnas
matrix(1:12, nrow = 3, ncol = 4) [,1] [,2] [,3] [,4]
[1,] 1 4 7 10
[2,] 2 5 8 11
[3,] 3 6 9 12Ahora usando la misma serie de números pero con 4 filas y 3 columnas
matrix(1:12, nrow = 4, ncol = 3) [,1] [,2] [,3]
[1,] 1 5 9
[2,] 2 6 10
[3,] 3 7 11
[4,] 4 8 12- ¿Que pasa si definimos un menor número de filas y columnas que el número de elementos?
- ¿Que pasa si usamos un número mayor de filas y columnas que el número total de elementos
Al igual que como lo vimos con las data frame, es posible unir vectores con las funciones:
cbind()rbind()
De este modo podemos generar una matriz a partir de varios vectores
vec1 <- 1:4
vec2 <- 5:8
vec3 <- 9:12
vec4 <- 13:16Ahora une los vectores usando rbind y cbind. ¿cual es la diferencia?
Genera los siguientes vectores:
vec1 <- 1:2
vec2 <- 1:3
vec3 <- 1:5Trata de unir los vectores como en el ejercicio anterior. ¿cual es la diferencia?
2.2 Convertir matrices a data frames y viceversa
Para convertir una matriz a data frame, se usa la función as.data.frame() mientras que para el caso contrario se usa as.matrix(). Es importante tomar en cuenta la naturaleza de cada estructura: las matrices solo aceptan un solo tipo de dato
Por ejeplo, tenemos la matriz:
matriz <- matrix(1:12, 3,4)
matriz [,1] [,2] [,3] [,4]
[1,] 1 4 7 10
[2,] 2 5 8 11
[3,] 3 6 9 12se convierte a data.frame
matriz_df <- as.data.frame(matriz)
matriz_df V1 V2 V3 V4
1 1 4 7 10
2 2 5 8 11
3 3 6 9 12Ahora trataremos de convertir la tabla df_bind a una matriz.
df_matriz <- as.matrix(df_bind)
df_matriz Edad Altura Peso Sexo Trabajo
Alex "25" "177" "57" "M" "si"
Lilly "31" "163" "69" "M" "no"
Mark "23" "190" "83" "H" "no"
Oliver "52" "179" "75" "H" "si"
Martha "76" "163" "70" "M" "si"
Lucas "49" "183" "83" "H" "no"
Caroline "26" "164" "53" "M" "si" ¿que tipo de dato contiene la matriz?
¿como podemos generar una matriz solamente con datos númericos?
2.3 Arreglos
son similares a las matrices pero pueden contener 2 o mas dimensiones
arreglo <- array(1:24, dim = c(2,3,4))
arreglo, , 1
[,1] [,2] [,3]
[1,] 1 3 5
[2,] 2 4 6
, , 2
[,1] [,2] [,3]
[1,] 7 9 11
[2,] 8 10 12
, , 3
[,1] [,2] [,3]
[1,] 13 15 17
[2,] 14 16 18
, , 4
[,1] [,2] [,3]
[1,] 19 21 23
[2,] 20 22 243 Factores
Regresando a nuestra tabla df_bind, despliega la columna de "Sexo:
df_bind$Sexo[1] M M H H M H M
Levels: H MObserva que nos muestra un vector en los valores de cada individuo pero también nos muestra los niveles (categorías), es decir, puede ser H o M. Esto se debe a que estos datos son de tipo factor
Los factores, son vectores que contienen información categórica la cual es de utilidad para agrupar los valores de la data frame.
Para convertir una variable de tipo caracter a factor podemos ejecutar la función as.factor()
Nota Para hacer cambios puntuales a una tabla se puede usar la función fix().
4 Flujo de trabajo: rutas relativas y absolutas
R posee el poderoso concepto de directorio de trabajo (working directory en inglés). Aquí es donde R busca los archivos que le pides que lea y donde colocará todos los archivos que le pidas que guarde. RStudio muestra tu directorio de trabajo actual en la parte superior de la consola.
Puedes imprimir esto en código de R ejecutando el comando getwd() (en inglés get working directory, que significa obtener directorio de trabajo):
getwd()Pero también es posible definir el directorio de trabajo desde R:
setwd("data/")Ahora, nuuestro directorio de trabajo es ~/data, por lo que cualquier cosa que guardemos, se hara en este directorio.
Ahora regresemos a nuestro directorio principal y lo definimos nuevamente como nuestro directorio de trabajo; esto tambien se puede realizar directamente desde la ventana de Rstudio en more: Set as working directory.
5 Uso de proyecto en Rstudio
Usar proyectos dentro de Rstudio soluciona el problema de rutas “frágiles”. Cuando estas trabajando dentro de un proeycto (.Rproj), el directorio de trabajo corresponde al directorio raíz.
Además, el uso de proyectos dentro de Rstudio ofrece otras ventajas como la de hacer mas simple compartir el código con colaboradores o revisores, ya que puedes guardar todo lo contenido en un proyecto como un archivo .zip y compartirlo, de manera que la otra persona tendra acceso a todos los scripts y datos sin necesidad de modificar rutas absolutas.
Una guía mas detallada de como generar un proyecto dentro de Rstudio esta disponible aquí.
Un aspecto importante de trabajar en proyectos es la forma de organizar nuestra información. Se recomienda ampliamente crear una carpeta (en este caso llamada “Data”) donde se guarden todas las bases de datos crudas y en una carpeta diferente toas las modificaciones realizadas a dichas bases de datos, de manera que los datos crudos se mantengan siempre intactos.
6 Importar un archivo de texto
La forma mas sencilla de transferir datos hacia R es mediante un archivo sin formato (plain text). Estos puede ser:
- Archivos separados por comma (.csv)
- Archivos separados por tabulación (.txt)
- Data iterchange format (.dif)
Estos tipos de archivos son de gran utilidad ya que pueden ser leidos por na gran variedad de bases y paquetes estadisticos.
Para importar una base de datos a R se pueden utilizar la funcion read.table().
A continuación vamos a abrir un archivo de texto que esta dentro de la carpeta data
tabla <- read.table("data/Tabla1_Muestreo.txt", sep = "\t", header = TRUE)Exploracdión general de los datos
usar la funcion head() o tail para tener una visualización de los datos
head(tabla) Individuo Sitio Estacion Sexo Profundidad Longitud_mm
1 1 Bahia La Paz Verano H Superficie 30.27
2 2 Bahia La Paz Verano M Superficie 35.50
3 3 Bahia La Paz Verano H Superficie 30.36
4 4 Bahia La Paz Verano H Superficie 24.86
5 5 Bahia La Paz Verano M Superficie 31.81
6 6 Bahia La Paz Verano H Superficie 29.51tail(tabla) Individuo Sitio Estacion Sexo Profundidad Longitud_mm
139 139 Todos Santos Invierno H Fondo 16.12
140 140 Todos Santos Invierno H Fondo 30.14
141 141 Todos Santos Invierno H Fondo 6.20
142 142 Todos Santos Invierno H Fondo 23.01
143 143 Todos Santos Invierno H Fondo 19.09
144 144 Todos Santos Invierno M Fondo 18.12Podemos ver la estructura de la tabla con la función str()
str(tabla)'data.frame': 144 obs. of 6 variables:
$ Individuo : int 1 2 3 4 5 6 7 8 9 10 ...
$ Sitio : chr "Bahia La Paz" "Bahia La Paz" "Bahia La Paz" "Bahia La Paz" ...
$ Estacion : chr "Verano" "Verano" "Verano" "Verano" ...
$ Sexo : chr "H" "M" "H" "H" ...
$ Profundidad: chr "Superficie" "Superficie" "Superficie" "Superficie" ...
$ Longitud_mm: num 30.3 35.5 30.4 24.9 31.8 ...Ademas podemos ver el resumen general de los datos con summary()
summary(tabla) Individuo Sitio Estacion Sexo
Min. : 1.00 Length:144 Length:144 Length:144
1st Qu.: 36.75 Class :character Class :character Class :character
Median : 72.50 Mode :character Mode :character Mode :character
Mean : 72.50
3rd Qu.:108.25
Max. :144.00
Profundidad Longitud_mm
Length:144 Min. : 6.20
Class :character 1st Qu.:21.45
Mode :character Median :29.43
Mean :28.97
3rd Qu.:35.89
Max. :56.93 Ejercicio: Usando lo que vimos en la lección pasada: (1) calcula la longitud promedio de todas las estaciones. (2) crea un nuevo vector que contenga solamente las longitudes con el nombre de cada individuo.
Tambien es posible usar read.table o read.csv para abrir datos remotos usando la URL
url <- "https://raw.githubusercontent.com/trippv/Miguel_Tripp/master/Datos_metabolitos.csv"
metabolitos <- read.csv(url)
head(metabolitos) ID Lipidos Carbohidratos Proteinas Valina Leucina Isoleucina
1 1 5.136842 5.421053 187.46842 0.6815789 9.634211 8.197368
2 2 3.592593 3.651852 224.55185 0.4703704 9.448148 6.777778
3 3 2.383673 4.306122 142.19796 0.7040816 6.228571 4.553061
4 4 7.003571 8.196429 479.80357 0.5964286 16.857143 16.450000
5 5 1.132143 2.407143 98.78571 0.4000000 5.946429 3.514286
6 6 3.268182 9.154545 408.42727 1.8818182 9.836364 13.3772737 Filtrar o rearreglar variables
7.1 Función subset()
Cuando se tiene un set de datos bastante grande, resulta conveniente remover o filtrar aquellas variables innecesarias y arreglar el restos de las variables de manera práctica.
La función subset() permite seleccionar un subset de datos que cumplen determinadas condiciones, mientras que select permite definir cuales variables mantener.
De nuetra tabla, vamos a generar una nueva tabla que contenga solamente los individuos, sitios y longitudes.
tabla1 <- subset(tabla, select=c(Individuo, Sitio, Longitud_mm))Ahora vamos a generar una nueva tabla que contenga solamente los individuos de verano
tabla_verano <- subset(tabla, Estacion == "Verano")
head(tabla_verano) Individuo Sitio Estacion Sexo Profundidad Longitud_mm
1 1 Bahia La Paz Verano H Superficie 30.27
2 2 Bahia La Paz Verano M Superficie 35.50
3 3 Bahia La Paz Verano H Superficie 30.36
4 4 Bahia La Paz Verano H Superficie 24.86
5 5 Bahia La Paz Verano M Superficie 31.81
6 6 Bahia La Paz Verano H Superficie 29.51Ejercicio: Crea una nueva tabla que contenga (1) solamente los organismos de superfice, (2) los individuos que tengan una longitud mayor al promedio total. ¿Cuantos individuos tienen una longitud mayor al promedio total?
Es posible seleccionar varios parametros simultaneamente usando el simbolor &.
Por ejemplo: seleccionar a los individuos de superficie y verano
tabla_sup_ver <- subset(tabla, Estacion == "Verano" & Profundidad == "Superficie")
head(tabla_sup_ver) Individuo Sitio Estacion Sexo Profundidad Longitud_mm
1 1 Bahia La Paz Verano H Superficie 30.27
2 2 Bahia La Paz Verano M Superficie 35.50
3 3 Bahia La Paz Verano H Superficie 30.36
4 4 Bahia La Paz Verano H Superficie 24.86
5 5 Bahia La Paz Verano M Superficie 31.81
6 6 Bahia La Paz Verano H Superficie 29.51Ejercicio: Crea una nueva tabla que contenga los individuos que NO sean de Bahia de La Paz y que tengan una longitud mayor o igual a 20 mm.
7.2 Indices
Tambien es posible generar subsets de datos usando indicies []. Recuerda que se aplica es mismo principio [filas, columnas].
Ahora queremos recrear la tabla tabla_verano. Primero verificamos cuales individuos tienen la etiqueta “Verano”:
tabla$Estacion == "Verano" [1] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[13] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[25] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[37] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[49] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[61] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[73] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[85] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[97] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[109] TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE
[121] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE
[133] FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSE FALSEEsto nos genera un vector con las filas que contienen la etiqueta (TRUE), con lo que podemos usar [] para filtrar las filas TRUE con todas las columnas
tabla_verano2 <- tabla[tabla$Estacion=="Verano", ]
head(tabla_verano2) Individuo Sitio Estacion Sexo Profundidad Longitud_mm
1 1 Bahia La Paz Verano H Superficie 30.27
2 2 Bahia La Paz Verano M Superficie 35.50
3 3 Bahia La Paz Verano H Superficie 30.36
4 4 Bahia La Paz Verano H Superficie 24.86
5 5 Bahia La Paz Verano M Superficie 31.81
6 6 Bahia La Paz Verano H Superficie 29.51Ejercicio Utilizando indices, genera un vector solamente con los valores de longitud de los indivuos de verano. Agrega las etiquetas de individuos
Ejercicio (1) ¿Cual individuo tiene la mayor longitud?. (2)¿Cuantos individuos tienen una longitud igual o menor al promedio total?. (3) ¿Cual es el la longitud promedio de los Individuos de Verano?
8 Exportar una base de datos
Pära exportar un tabla, por ejemplo nuestro objeto tabla_verano2 se usa la funcion write.table()
write.table(tabla_verano2, "Tabla_subset-verano.txt", sep = "\t", row.names = FALSE)9 Ejercicio
Descarga las bases de datos de Data_enzimas_experimento(n).txt y guardalos dentro de tu carpeta local. Estos cuatro archivos contienen los resultados de la actividad enzimática de la lactado deshidrogenasa (LDH), citrato sintasa (CS) y tauropina deshidrogenasa (TDH) analizadas en cuatro experimentos diferentes (Experimento1, Experimento2, Experimento3 y Experimento4).
Usando lo que hemos visto hasta ahora, realiza lo siguiente
- Importa cada archivo como data.frame
- Une todas los data frames en uno solo,
- Filtra todas las mediciones con Meas_Temp (Measured Temperature) igual a 18°C
- Para cada enzima, genera un subconjunto preservando solamente las columnas
ExpNumTreatTemp, y la actividad correspondiente a cada enzimaActivityxxx - Dentro de la carpeta de
outputCrea un nuevo directorio de trabajo llamadodatos_enzimasy guarda cada subconjunto como archivo separado por comascsv.
sessionInfo()R version 4.0.5 (2021-03-31)
Platform: x86_64-w64-mingw32/x64 (64-bit)
Running under: Windows 10 x64 (build 19043)
Matrix products: default
locale:
[1] LC_COLLATE=English_United States.1252
[2] LC_CTYPE=English_United States.1252
[3] LC_MONETARY=English_United States.1252
[4] LC_NUMERIC=C
[5] LC_TIME=English_United States.1252
attached base packages:
[1] stats graphics grDevices utils datasets methods base
other attached packages:
[1] workflowr_1.6.2
loaded via a namespace (and not attached):
[1] Rcpp_1.0.5 whisker_0.4 knitr_1.30 magrittr_2.0.1
[5] R6_2.5.0 rlang_0.4.11 fansi_0.4.2 stringr_1.4.0
[9] tools_4.0.5 xfun_0.23 utf8_1.2.1 git2r_0.27.1
[13] htmltools_0.5.1.1 ellipsis_0.3.1 rprojroot_2.0.2 yaml_2.2.1
[17] digest_0.6.27 tibble_3.0.4 lifecycle_1.0.0 crayon_1.4.1
[21] later_1.1.0.1 vctrs_0.3.8 promises_1.1.1 fs_1.5.0
[25] glue_1.4.2 evaluate_0.14 rmarkdown_2.6 stringi_1.5.3
[29] compiler_4.0.5 pillar_1.6.0 httpuv_1.5.4 pkgconfig_2.0.3