13_manipulacion.Rmd

---
title: "Manipulación de data.frame con dplyr"
author: "Luciano Selzer"
date: "`r format(Sys.time(), '%d %B, %Y')`"
output:
  revealjs::revealjs_presentation:
    self_contained: false
    lib_dir: libs
    css: style.css
    reveal_options:
      slideNumber: true
      previewLinks: true
      highlight: pygments
      center: true
    includes:
      after_body: doc_suffix.html
---

```{r setup, include=FALSE}
source("_chunk_opts.R")
gapminder <- read.csv("data/gapminder-FiveYearData.csv")
```


La manipulación de datos es una de las operaciones más comunes:

+ seleccionar observaciones
+ seleccionar variables
+ agrupar por características
+ calcular estadísticas

---

Podemos hacerlo en R base:

```{r}
mean(gapminder[gapminder$continent == "Africa", "gdpPercap"])
mean(gapminder[gapminder$continent == "Americas", "gdpPercap"])
mean(gapminder[gapminder$continent == "Asia", "gdpPercap"])
```

Pero lleva mucha repetición


## El paquete `dplyr`

El paquete [`dplyr`](https://cran.r-project.org/web/packages/dplyr/dplyr.pdf)
tiene varias funciones útiles que:

+ Reducen la repetición
+ Reducen la probabilidad de cometer errores
+ Reducen la cantidad de tipeo
+ Es más fácil de leer

---

Vamos a usar las 6 más comunes y también el *pipe* (tubo) (`%>%`) para 
combinarlas:

1. `select()`
2. `filter()`
3. `group_by()`
4. `summarize()`
5. `mutate()`

---

Si no lo han instalado antes, háganlo con:


```{r,eval=FALSE}
install.packages('dplyr')
```

Y carguen el paquete:

```{r,message=FALSE}
library(dplyr)
```

## Usando select()

Seleccionar variables

```{r}
year_country_gdp <- select(gapminder,year,country,gdpPercap)
```


```{r, out.height="90%",out.width="90%", echo=FALSE, fig.retina=NULL}
knitr::include_graphics("img/13-dplyr-fig1.png")
```

---

El verdadero poder aparece usando los pipes

```{r}
year_country_gdp <- gapminder %>% select(year,country,gdpPercap)
```


¿Cómo funcionan los pipes?

## Usando filter()

Podemos filtrar usando `filter()`

```{r}
year_country_gdp_euro <- gapminder %>%
    filter(continent == "Europe") %>%
    select(year, country, gdpPercap)
```

## Ejercicio 1{.challenge}

Escribe en una sola operación (que puede tener varias lineas e incluir pipes) 
que produzca un data.frame que tenga los valores de África para `lifeExp`, 
`country` y `year`, pero no otros continentes.

¿Cuántas filas tiene tu data.frame? ¿Por qué?


## Usando group_by() y summarize()

Podemos definir variables de agrupación usando `group_by()`

```{r}
str(gapminder)

```

---

```{r}
str(gapminder %>% group_by(continent))
```


La estructura no es igual que en original.  
Una `list` que contiene las filas que corresponden a un continente en particular.

---

```{r, echo=FALSE, fig.retina=NULL, out.height="90%"}
knitr::include_graphics("img/13-dplyr-fig2.png")
```



## Usando summarize()

`group_by()` no es muy interesante por si solo. Es más interesante de
usar con `summarize()`. Esto nos permite usar otras funciones como `mean`
o `sd` de forma similar a `plyr`


```{r}
gdp_bycontinents <- gapminder %>%
    group_by(continent) %>%
    summarize(mean_gdpPercap = mean(gdpPercap))
```

---

```{r, echo=FALSE, fig.retina=NULL, out.height="90%", out.width="90%"}
knitr::include_graphics("img/13-dplyr-fig3.png")
```


## Ejercicio 2{.challenge}

Calcula la expectativa de vida promedio por país ¿Cuál tiene la mayor?¿Y cuál 
la menor?

---

Nos permite calcular la media de PBI por continente pero se pueden hacer más cosas.
También podemos agrupar por varias variables. Por ejemplo `year` y `continent`.


```{r}
gdp_bycontinents_byyear <- gapminder %>%
    group_by(continent, year) %>%
    summarize(mean_gdpPercap = mean(gdpPercap))
```

---

Eso de por si es bastante útil, pero además podemos calcular ¡varias variables
por vez!


```{r}
gdp_pop_bycontinents_byyear <- gapminder %>%
    group_by(continent, year) %>%
    summarize(mean_gdpPercap = mean(gdpPercap),
              sd_gdpPercap = sd(gdpPercap),
              mean_pop = mean(pop),
              sd_pop = sd(pop))
```

## Usando mutate()

Podemos crear nuevas antes de (o incluso después) de resumir la información 
usando `mutate()`.

```{r}
gdp_pop_bycontinents_byyear <- gapminder %>%
    mutate(gdp_billion = gdpPercap*pop/10^9) %>%
    group_by(continent,year) %>%
    summarize(mean_gdpPercap = mean(gdpPercap),
              sd_gdpPercap = sd(gdpPercap),
              mean_pop = mean(pop),
              sd_pop = sd(pop),
              mean_gdp_billion = mean(gdp_billion),
              sd_gdp_billion = sd(gdp_billion))
```



## Ejercicio Avanzdo

Calcula la expectativa de vida promedio en 2002 para dos países seleccionados
al azar de cada continente. Luego ordena los nombres de los continentes 
en el orden inverso a la expectativa de vida.  
**Pista**: usa las funciones de `dplyr`, `arrange()` y `sample_n()`, tienen
una sintaxis similar a otras funciones del paquete.

## Otros recursos muy buenos

* [Data Wrangling Cheat sheet](https://www.rstudio.com/wp-content/uploads/2015/02/data-wrangling-cheatsheet.pdf)
* [Introduction to dplyr](https://cran.rstudio.com/web/packages/dplyr/vignettes/introduction.html)