Comandos de R: resumen de los comandos más im­po­r­ta­n­tes

Los comandos de R, que son la base del análisis de datos y la mo­de­li­za­ción es­ta­dí­s­ti­ca en el entorno de R, pro­po­r­cio­nan las he­rra­mie­n­tas y la fle­xi­bi­li­dad ne­ce­sa­rias para co­m­pre­n­der los datos, reconocer patrones y tomar de­ci­sio­nes bien fu­n­da­me­n­ta­das.

¿Qué son los comandos de R?

Los comandos de R son in­s­tru­c­cio­nes o comandos que se utilizan en la pro­gra­ma­ción en R para realizar tareas es­pe­cí­fi­cas o iniciar acciones en el entorno de R. Estos comandos permiten analizar datos, realizar cálculos es­ta­dí­s­ti­cos o crear vi­sua­li­za­cio­nes. Los comandos de R pueden in­tro­du­ci­r­se y pro­ce­sar­se en la línea de comandos de R o en scripts de R. Es im­po­r­ta­n­te di­s­ti­n­guir los comandos de las funciones de R.

Las funciones de R son bloques de código definidos y nombrados en R que realizan tareas es­pe­cí­fi­cas. Estas pueden incluir el uso de ope­ra­do­res de R y datos R para aceptar ar­gu­me­n­tos o devolver valores. Esto significa que las funciones pueden almacenar, procesar y devolver datos asociados con di­fe­re­n­tes tipos de datos R.

Resumen de los comandos de R

La siguiente lista de comandos de R pretende ofrecer una visión general de las distintas áreas de apli­ca­ción de la pro­gra­ma­ción en R. De­pe­n­die­n­do de tus ne­ce­si­da­des y proyectos es­pe­cí­fi­cos, puedes se­le­c­cio­nar y combinar los comandos de R ne­ce­sa­rios.

Ma­ni­pu­la­ción y tra­ta­mie­n­to de datos

• read.csv(): para leer datos de un archivo CSV
• data.frame(): para crear un marco de datos
• subset(): para filtrar datos basándose en de­te­r­mi­na­das co­n­di­cio­nes
• merge(): para fusionar datos de di­fe­re­n­tes marcos
• aggregate(): para agregar datos en función de de­te­r­mi­na­dos criterios
• transform(): para crear nuevas variables en un marco de datos
• sort(): para ordenar vectores o marcos de datos
• unique(): para ide­n­ti­fi­car valores únicos en un vector o columna

Vi­sua­li­za­ción de datos

• plot(): para crear gráficos de di­s­pe­r­sión y otros tipos de gráficos básicos
• hist() : para crear hi­s­to­gra­mas
• barplot(): para crear gráficos de barras
• boxplot(): para crear gráficos de caja
• ggplot2::ggplot(): para vi­sua­li­za­cio­nes más so­fi­s­ti­ca­das y pe­r­so­na­li­za­bles con el paquete ggplot2

Análisis es­ta­dí­s­ti­cos

• summary(): para generar un resumen de los datos, in­clu­ye­n­do ratios es­ta­dí­s­ti­cos
• lm(): para realizar re­gre­sio­nes lineales
• t.test(): para pruebas T con el fin de co­n­tra­s­tar hipótesis
• cor(): para calcular co­efi­cie­n­tes de co­rre­la­ción entre variables
• anova(): para análisis de varianza (ANOVA)
• chi-sq.test(): para pruebas chi-cuadrado

Tra­ta­mie­n­to de datos

• ifelse(): para eva­lua­cio­nes co­n­di­cio­na­les y ex­pre­sio­nes co­n­di­cio­na­les
• apply(): para la apli­ca­ción de una función a matrices o marcos de datos
• dplyr::filter(): para el filtrado de datos en marcos de datos con el paquete dplyr
• dplyr::mutate(): para la creación de nuevas variables en marcos de datos con el paquete dplyr
• lapply(), sapply(), mapply(): para aplicar funciones a listas o vectores

Im­po­r­ta­ción y ex­po­r­ta­ción de datos

• readRDS(), saveRDS(): para leer y guardar objetos de datos de R
• write.csv(), read.table(): para exportar e importar datos en varios formatos

Gráficos y diagramas es­ta­dí­s­ti­cos

• qqnorm(), qqline(): para la creación de diagramas cuantil-cuantil
• plot(), acf(): para la re­pre­se­n­ta­ción de diagramas de au­to­co­rre­la­ción
• density(): para la vi­sua­li­za­ción de funciones de densidad e hi­s­to­gra­mas
• heatmap(): para la creación de mapas de calor

Ejemplos de uso de los comandos de R

Los si­guie­n­tes ejemplos de código ilustran el uso de los comandos más im­po­r­ta­n­tes de R en diversos contextos. En función de tus ne­ce­si­da­des de datos y análisis, puedes adaptar y ampliar estos comandos.

Importar datos de un archivo CSV

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

Read.csv() es un comando para leer datos de un archivo CSV en R. En nuestro ejemplo, los datos im­po­r­ta­dos se guardan en la variable datos. Este comando es útil para importar datos externos en R y ponerlos a di­s­po­si­ción para los análisis.

Crear un diagrama de di­s­pe­r­sión

plot(data$X, data$Y, main="Diagramadispersión")

Plot() es uno de los comandos de R para crear diagramas y gráficos en R. Dibuja un diagrama de di­s­pe­r­sión que muestra la relación entre las variables X e Y del marco de datos data. El argumento main define el título del diagrama.

Realizar una regresión lineal

regression_model <- lm(Y ~ X, data=data)

En este ejemplo, rea­li­za­mos una regresión lineal para modelar la relación entre las variables X e Y del marco de datos data. La función lm() se utiliza para calcular una regresión lineal en R. El resultado de la regresión se guarda en la variable regression_model y se puede utilizar para análisis po­s­te­rio­res.

Filtrar datos con el paquete dplyr

filtered_data <- dplyr::filter(data, column > 10)

La función dplyr::filter() proviene del paquete dplyr y se utiliza para la ma­ni­pu­la­ción de datos. El paquete dplyr ofrece potentes funciones para el filtrado de datos. Obtenemos la variable filtered_data se­le­c­cio­na­n­do filas del marco de datos data en las que el valor de la columna column es mayor que 10.

Crear diagramas cuantil-cuantil

qqnorm(data$Variable)
qqline(data$Variable)

Puedes utilizar qqnorm() para trazar un gráfico cuantil-cuantil en R. En este ejemplo, se dibuja un gráfico cuantil-cuantil para la variable Variable de data. qqline() añade una línea de re­fe­re­n­cia para comparar la di­s­tri­bu­ción con una di­s­tri­bu­ción normal.

Si estás empezando, te re­co­me­n­da­mos el tutorial para iniciarse en pro­gra­ma­ción R. Pro­po­r­cio­na in­te­re­sa­n­tes consejos y co­no­ci­mie­n­tos básicos que ne­ce­si­ta­rás para iniciarte en el lenguaje de pro­gra­ma­ción R. En­co­n­tra­rás más consejos y nociones básicas en nuestro artículo “Aprender a programar: los conceptos básicos” de la Digital Guide.