Content from Introducción a R y Rstudio

Última actualización: 2024-10-08 | Mejora esta página

Hoja de ruta

Preguntas

¿Cómo se utilizan R y RStudio en el análisis de datos y la salud pública?

Objetivos

Al final de este taller usted podrá:

Reconocer y hacer uso de R y RStudio.
Conocer los tipos de datos y operados básicos en R.
Comprender las estructuras básicas de datos en R tales como vectores y tablas de datos.
Comprender el proceso de creación de funciones.
Reconocer el proceso de importación, exportación y transformación de bases de datos con Tidyverse.

Pre requisito

Esta unidad no tiene prerequisitos

Tabla de contenido

Lista de verificación

Módulo 2 : Ciencia de datos en salud pública
- Unidad 1: Introducción a R y RStudio
  - Tema 1: Introducción
  - Tema 2: Instalación de R y RStudio
  - Tema 3: Ambiente de RStudio
  - Tema 4: Configuración de un proyecto en RStudio
  - Tema 5: Tipos de datos y operadores en R
  - Tema 6: Estructuras de datos en R
  - Tema 7: Funciones
  - Tema 8: Manipulación de datos con Tidyverse

Tema 1: Introducción

R es un lenguaje de programación especializado para análisis de datos, es de uso gratuito y software libre. Por otra parte, RStudio es un editor de R también disponible de manera gratuita. La diferencia entre R y RStudio radica en que en R es el lenguaje de programación en el que escribimos el código y RStudio es el ambiente de desarrollo que permite trabajar con R de manera más fácil y amigable.

En los últimos años el uso de R ha crecido en el ámbito académico y de la industria. R, además de ser un lenguaje de programación, es también un entorno para computación estadística y creación de visualizaciones. R y RStudio son herramientas esenciales para el estudio, análisis y toma de decisiones en salud pública, ya que permiten realizar análisis estadísticos detallados, modelar la propagación de enfermedades, visualizar datos de manera efectiva y automatizar tareas. Estas herramientas facilitan la manipulación y preparación de datos, fomentan la colaboración en proyectos de ciencia de datos, y la toma de decisiones basadas en evidencia. Además, son útiles en la formación y educación en análisis de datos para profesionales de la salud, áreas STEM y toma de decisiones.

Tema 2: Instalación de R y RStudio

Para instalar R y RStudio debemos ir a nuestro navegador de confianza. Allí vamos a buscar r-project, que es la página oficial de R (https://www.r-project.org/). Recordemos que este es un software de uso libre, no hay que hacer ningún pago por su descarga o uso.

Busca la opción de descarga “download R” y sigue las instrucciones.

Para instalar Rstudio debemos ir a https://posit.co/download/rstudio-desktop/ y buscar donde diga Install RSudio. Si tenemos Windows podemos dar click en el recuadro azul. Si es otro sistema operativo abajo encontraremos una lista con las diferentes opciones. Para instalar, sigue las instrucciones.

Recuerda ejecutar el archivo que se descargó siguiendo los pasos. Es recomendable que en el momento de la instalación elijamos la opción de dejar un acceso directo en el escritorio.

Para comprobar que la instalación fue satisfactoria y en general para hacer uso de R y RStudio debemos buscar en la ubicación que hayamos elegido en la instalación donde quedó Rstudio y dar doble clic o clic derecho y abrir. Lo primero que vemos al momento de abrir Rstudio es la siguiente pantalla:

Escribe 2+2 donde aparece el curso y da enter, si te aparece el resultado 4 ¡Está todo listo para empezar!

Tema 3: Ambiente de RStudio

RStudio está compuesto por 4 secciones principales:

Editor (sección superior izquierda): en esta sección escribimos y editamos el código a través de la creación de Scripts . Esta sección es fundamental para la reproducibilidad del código. Este editor permite guardar el código para que sea usado en futuras ocasiones. El código puede ser ejecutado en esta sección posicionando el cursor de texto al final de la línea de código que se ejecutará; otra opción es seleccionando la misma y empleando el comando Control+Enter para Windows o Command+Enter para Mac.
Entorno (sección superior derecha): en esta sección se pueden visualizar los objetos, datos y funciones creados o importados en el codigo que escribimos en los Scripts por ejemplo objetos como vectores, arreglos, data.frames o tablas de datos, objetos gráficos de ggplot , entre otros.
Consola (sección inferior izquierda): esta sección es donde se ejecuta el código. No solo se ejecuta el código que hemos escrito en el editor, sino que también el código puede escribirse y ejecutarse aquí directamente presionando Enter. Sin embargo, cuando el código se ejecuta directamente en la consola, no se almacenan los comandos que ejecutamos, cuando se cierra la sesión de R se pierde.
Visualizador (sección inferior derecha): en esta sección se pueden visualizar los archivos en “Files”, los gráficos en “Plots”, los paquetes que ya están instalados en “Packages”, la ayuda de R con información de los paquetes y el funcionamiento en “Help”, y páginas web en “Viewer”.

Tema 4: Configuración de un proyecto en RStudio

Una de las grandes ventajas de usar RStudio es la posibilidad de usar los Proyectos en R (R Project)(indicado por un archivo .Rproj) lo que permite organizar el espacio de trabajo, el historial y los documentos fuente. Para crear un Proyecto en R, es importante seguir los siguientes pasos:

Desafío

Abrir RStudio y, en la esquina superior derecha, seleccionar la pestaña File (Archivo) -> New Project… (Proyecto Nuevo).
Se desplegará una ventana con encabezado New Project Wizard: Create Project, ahora se debe seleccionar New Directory (Directorio Nuevo).

En la ventana Project Type, se debe seleccionar New Project -> Create New Project. En la casilla Directory Name (Nombre del Directorio) coloque el nombre deseado para su proyecto (e.g. “IntroR”).
Hacemos clic en el botón Browse…. Para buscar la ubicación dentro de nuestro computador donde deseamos guardar el proyecto
Creamos una nueva carpeta con el mismo nombre del proyecto (e.g. “IntroR”), así como las subcarpetas que necesitamos para organizar nuestro trabajo y resultados: datos, scripts y figuras. Al final, el proyecto debería parecerse a esta imagen:

Tema 5: Tipos de datos y operadores en R

Lista de verificación

Tipos de datos

R tiene la capacidad de almacenar y procesar distintos tipos de datos. Entre estos se encuentran:

Numéricos decimales(double. Ej: 3.3)
Enteros (integer. Ej: 3)
Caracteres (character. Ej: Municipio, sexo o nombre.)
Booleanos o lógicos (logic. Ej: FALSE, TRUE)
Tipo fechas (date. Ej: 01/01/2022)
Datos NA, NAN e Inf. La diferencia entre NA, NAN e Inf es que NA indica que hay dato faltante “missing”, NAN significa “not a number”; es decir, hay información, pero es un error y el resultado no es numérico, por ejemplo 0/0. Inf indica que hay operaciones cuyo resultado es infinito como por ejemplo 1/0. Si se hace operaciones entre tipos variables se pueden obtener Inf.

Lista de verificación

Operadores matemáticos y lógicos

Los operadores son herramientas matemáticas que nos permiten realizar diferentes tareas con los datos que tenemos disponibles; por ejemplo, con el operador + podemos efectuar una suma o incrementar un índice. Algunos de los operadores más utilizados en R son los siguientes:
1. Operadores aritméticos (Ej: +, -, *, que corresponden a suma, resta y multiplicación respectivamente)
2. Operadores de comparación (Ej: <, >, ==, >=, <=, !=) 3. Operadores booleanos (& (and), | (or), ! (not))

Operadores de asignación

<- Este es un operador común en R para asignar un determinado valor a una variable y el alcance está dentro de la función y también fuera de ella.

Ejemplo

R

nombre <- "Laura"

= Este operador se utiliza para establecer un parámetro en un valor dentro de una función. El alcance está solo dentro de la función. La variable todavía contiene su valor original fuera de la función.

Tema 6: Estructuras en R

Vector

En R, un vector es una estructura de datos indexada que permite almacenar varios elementos del mismo tipo en una única estructura. Por ejemplo, podríamos tener un vector que contenga las edades de varias personas, o un vector que contenga los nombres de diferentes ciudades.

Los vectores en R son útiles porque permiten realizar operaciones y cálculos con facilidad. Los elementos del vector se pueden sumar, restar, multiplicar o dividir, y sus elementos son accesibles por medio posición o índice.

En resumen, un vector en R es una colección ordenada de elementos del mismo tipo de datos (ver Tema 5) que permite almacenar y manipular datos de manera eficiente.

Para crear un vector en el código o script se escribe el nombre con el que se va a reconocer (por ejemplo, edad o ciudad) y luego se debe escribir el símbolo <- (que da la orden a R para crear el vector). Luego se escribe letra c que es la asignación que permite inicializar el vector. Cada componente debe ir separado por comas, si son caracteres debe ir entre comillas (si son números no), si es dato booleano (falso o verdadero) tampoco va en comillas.

Desafío

Así, los vectores se pueden crear ejecutando el comando c(), como se puede visualizar a continuación:

Ejemplos

R

nombre <- c("Emilia", "Maximo", "Axel", "Diana") # Nombre de las personas

ciudad <- c("La Plata","Concepción", "Cuzco", "Bogota") # Ciudad de residencia

edad <- c(18, 20, 37, 42)  # Edad de las personas

vacunado <- c(TRUE, FALSE, FALSE, TRUE) # Estado de vacunación

dosis <- c(2L, 0L, 1L, 2L) # Número de dosis recibidas`

Aviso

Nota: El uso del símbolo # permite comentar el código, es decir poner notas que expliquen una o más líneas del código.

Data.frame (Tabla de datos)

Imaginemos un data.frame como una tabla con filas y columnas, similar a una hoja de cálculo en Excel. Cada columna representa un tipo de información específica (un vector) o variable (Por ejemplo, la edad, el departamento o el nombre). En este ejemplo, cada fila corresponde al registro de esas variables para un individuo. Es importante tener en cuenta que los data.frame (Tabla de datos) están compuestos por vectores cuyas dimensiones deben ser iguales, es decir que todas las columnas deben tener el mismo número de filas. Siguiendo la analogía de Excel, podemos pensar que cada vector es una columna de una hoja de Excel.

Una ventaja de trabajar con Data.frame en R en vez de una hoja de excel es que a medida que el tamaño de la tabla va aumentando, en R se puede trabajar más rápido y eficientemente.

Para crear una tabla de datos se debe ejecutar el comando data.frame(). Por ejemplo, utilizando los vectores que definimos en la sección anterior:

R

datos_vacunas <- data.frame(
  nombre = nombre, 
  ciudad = ciudad,
  edad = edad,
  vacunado = vacunado,
  dosis = dosis)

Ahora observemos cómo quedó la tabla de datos

R

datos_vacunas
  nombre     ciudad edad vacunado dosis
1 Emilia   La Plata   18     TRUE     2
2 Maximo Concepción   20    FALSE     0
3   Axel      Cuzco   37    FALSE     1
4  Diana     Bogota   42     TRUE     2

Lista de verificación

Algunas funciones que permiten conocer características como nombres o tamaños de las filas o columnas del data.frame son:

colnames(): nombres de las columnas
rownames(): nombres de las filas
nrow(): número de filas
ncol(): número de columnas
length(): longitud de la tabla de datos

Ahora, para acceder a la descripción de la estructura general de una tabla de datos (y en general cualquier objeto de R) usamos el comando str, en este caso escribimos:

R

str(datos_vacunas)
'data.frame':	4 obs. of  5 variables:
 $ nombre  : chr  "Emilia" "Maximo" "Axel" "Diana"
 $ ciudad  : chr  "La Plata" "Concepción" "Cuzco" "Bogota"
 $ edad    : num  18 20 37 42
 $ vacunado: logi  TRUE FALSE FALSE TRUE
 $ dosis   : int  2 0 1 2

Esto nos indica que la estructura (datos_vacunas) corresponde a un data.frame con 4 observaciones y 5 variables.

Si usamos el comando str(datos_vacunas$nombre) podemos ver la estructura de esa variable, que en este caro es un vector de caracteres con longitud de 1 a 4.

R

str(datos_vacunas$nombre)
 chr [1:4] "Emilia" "Maximo" "Axel" "Diana"

Para acceder a los diferentes componentes de la tabla de datos usamos la sintaxis [,], donde la primera dimensión corresponde a filas y la segunda dimensión a columnas.

Discusión

Por ejemplo, si queremos saber cuántas dosis de vacunas se aplicó Maximo ¿qué debemos hacer?

Veamos a qué fila y columna corresponde este dato:

R

datos_vacunas

Vemos que Maximo está en la fila 2 y las dosis en la columna 5. Por lo tanto, la intersección de estas dos variables nos dará el número de dosis que tiene Maximo.

R

datos_vacunas[2, 5] 
[1] 0

Crear y abrir tablas de datos

R nos permite no solo crear tablas de datos sino también abrir archivos que las contengan. De hecho, la mayoría de las veces no se crean directamente los data.frame en R sino que se importa un data.frame de alguna fuente de datos, por ejemplo, la base de datos del sistema de vigilancia de algún evento de interés.

Lista de verificación

Para esto, en R hay tres fuentes de conjuntos de datos que podemos utilizar:

Tabla de datos importada (desde los formatos .xlsx, .csv, .stata, o .RDS, entre otros)
Tabla de datos que forma parte de un paquete en R (Ej. MASS, islands, etc)
Tabla de datos creada durante la sesión en R (Ej. las estructuras de los primeros ejercicios)

Importar una tabla de datos

Para importar una tabla de datos de diferentes fuentes necesitamos emplear diferentes tipos de funciones.

Aviso

Aquí algunos ejemplos del tipo de datos, y la librería que es necesario cargar y la función a utilizar.

Tipo de datos	Función	Paquete
csv	`read_csv`	`readr`
xls	`read_excel, read_xls,read_xlsx`	`readxl`
RDS	`readRDS`	`base`
dta	`read_dta`	`haven`
sas	`read_sas`	`haven`

Tema 7: Funciones

Imaginemos una función como una especie de “caja mágica” que recibe ciertos datos o información como entrada y produce un resultado o respuesta específica como salida. Es como seguir una receta que toma ingredientes y como resultado tenemos un plato delicioso.

Para qué podamos utilizar una función debemos proporcionar unos datos de entrada (input) que entran a la caja (la función) y de ahí sale un resultado o datos de salida (output). La función puede ser suma, resta, regresión logística o un modelo matemático. Entran datos y salen otros que son producto de las operaciones en la función.

Lista de verificación

Los componentes básicos de una función son:

name (nombre): es el nombre que se da a la función (Por ejemplo: myfun).
formals (argumentos): son la serie de elementos que controlan cómo llamar a la función.
body (cuerpo): es la serie de operaciones o modificaciones a los argumentos.
output (salida o resultado): son los resultados después de modificar los argumentos. Si esta salida corresponde a una serie de datos, podemos extraerla usando el comando return.

Ejemplo: con una base de datos queremos generar una variable que es producto de una operación, por ejemplo, IMC (índice masa corporal).

La función del IMC es conocida (\[peso/(talla^2 )\]) , y sus argumentos son peso y talla.

Recordemos que en esta fórmula el peso debe estar en kg y la talla en metros.

Para este ejemplo el input, o datos de entrada son el peso y la variable talla, y el output sería el índice de masa corporal. Si tenemos que el peso es 50kg y la talla 1.5m, el IMC será igual a 22.2.

(Ilustración adaptada por Maria Paula Forero)

En R podemos producir la función IMC mediante el siguiente código:

R

IMC <- function(peso_kg, talla_m) { # Aquí van los argumentos o input
    resultado <- peso_kg/ talla_m^2  # Esta es el cuerpo u operación       
    return(resultado)           # Este es el output o resultado
 }

Ahora, utilicemos la función para calcular el IMC de una persona de talla 1.75 cm y peso 80 kg, mediante el siguiente código

R

IMC(peso_kg = 80, talla_m = 1.75)
[1] 26.12245

Como se puede ver, para usar la función una vez establecida solo se requiere el nombre y los argumentos.

Desafío

Reto: Usando la misma función calcula tu IMC.

En general, una función consiste en una secuencia de instrucciones con el fin de llevar a cabo una tarea. De esta forma, por medio del uso de funciones es posible sistematizar procesos complejos que se realizan de manera rutinaria.

Librerías

En R, las “librerías” se refieren a conjuntos de funciones organizadas de manera lógica que pueden ser utilizadas para llevar a cabo diversas tareas, como análisis, limpieza y visualización de datos, ente otros.

Lista de verificación

Las librerías más usadas en R son:

ggplot2: sirve para la creación de gráficos y visualizaciones de datos de alta calidad.
dplyr: permite la manipulación y transformación eficiente de datos.
tidyr: utilizada para organizar y reorganizar datos en un formato tabular ordenado.
readr: sirve para leer y escribir datos en formatos como CSV, TSV y otros.
plyr: funciona para dividir, aplicar y combinar datos de manera eficiente.

A su vez, hay meta-librerías, es decir, aquellas que combinan varias librerías. Un ejemplo de estas es la librería tidyverse.

Tema 8: Manipulación de datos con `tidyverse`

tidyverse es una meta-librería que combina varias librerías. tidyverse viene de la palabra “tidy” que en inglés hacer referencia a ordenar, limpiar y arreglar, en este caso hacer estas acciones, pero para los datos. Por tanto, tidyverse es una manera de referirse al universo de estas acciones en R.

tidyverse al ser una meta-librería va a cargar automáticamente varias librerías como (dplyr, tidyr, tibble, readr, purr, entre otros) que son útiles para la manipulación de datos.

Para instalar una librería usamos el comando install.packages. Esto sólo lo debemos hacer una vez en nuestro computador. Veamos cómo podemos utilizarlo para instalar tidyverse:

R

install.packages('tidyverse')

Mientras que para llamar o importar una librería ya instalada usamos el comando library. Este en cambio debemos ejecutarlo cada vez que re-iniciamos R o abrimos RStudio.

R

library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.1     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

Abrir y explorar una tabla de datos importados de Excel

Aviso

Este es el conjunto de datos para esta práctica: datos_covid.xlsx

Dentro del directorio en el que estamos trabajando actualmente, debemos crear una carpeta llamada data.
Ahora debemos guardar la tabla de datos descargado en la carpeta data que acabamos de crear.

Para importar tablas de datos desde RDS, se puede usar la función read_excel, que está en el paquete readxl vinculado a tidyverse. Sin embargo, todavía es necesario cargar la biblioteca readxl, ya que no es un paquete tidyverse principal. Para esto, escribimos en la consola:

R

library(readxl) 
 
dat <- read_excel("data/datos_covid.xlsx")

A continuación, veremos algunas de las funciones más utilizadas de tidyverse.

Operador tubería (pipe)

El operador tubería (pipe) %>% es un operador clave en tidyverse, el cual permite al usuario enfatizar una secuencia de acciones en un objeto. Además, el uso de este operador reduce la cantidad de código y mejora el desempeño.

Ejemplo 1: En el siguiente diagrama podemos ver el funcionamiento de la función pipe que permite en este caso aplicar diferentes funciones a un conjunto de datos y sus resultados.

(Ilustración adaptada por Maria Paula Forero)

Vamos a comparar el código cuando usamos vs cuando no usamos el pipe. Para esto, debemos cargar la librería dplyr y vamos a hacer una tabla de datos de ejemplo

R

library(dplyr) # Esta librería se carga automáticamente con tidyverserse 

datos <- data.frame(edad = c(12, 23, 32, 60), dosis = c(1, 2, 3, 1))

El código del diagrama anterior sin el uso del operador pipe sería el siguiente :

R

datos_filtrados <- filter(datos, edad > 18) 

datos_con_esquema <- mutate(datos_filtrados, 
                            esquema = ifelse(dosis > 2, "Completo", "Incompleto")) 

datos_agrupados <- group_by(datos_con_esquema, esquema)

datos_por_esquema <- summarize(datos_agrupados, personas = n())

Ahora, con la ayuda de una tubería o pipe, tenemos:

R

datos_por_esquema <- filter(datos, edad > 18) %>% 
  mutate( esquema = ifelse(dosis > 2, "Completo", "Incompleto")) %>%
  group_by(esquema) %>% summarise(personas = n())

Lista de verificación

Funciones básicas de tidyverse

glimpse(): utilizado para explorar rápidamente una tabla de datos.
group_by(): crea grupos dentro de una tabla de datos.
summarise(): devuelve una fila para cada combinación de variables que han sido agrupadas
select(): selecciona columnas de una tabla de datos.
filter(): filtra filas de una tabla de datos según una condición de valores.
arrange(): ordena filas de una tabla de datos por el valor de una variable particular si es numérico, o por orden alfabético si es un carácter.
mutate(): genera una nueva variable
rename(): cambia el nombre de la variable

Veamos en más detalle las funciones más comunes del paquete dyplr dentro de tidyverse.

glimpse (parpadeo)

Esta función se utiliza para dar un vistazo rápido o parpadeo a nuestros datos y explorar información como: número de filas (que en este caso sería el número de observaciones o datos de nuestra población), número de columnas y sus nombres (que en este caso serían el número de variables y sus nombres). Entre “< >” encontraremos el tipo de dato (dbl para double, chr para character, entre otros) y un breve listado de algunos de los primeros valores de los datos. Por ejemplo, la función glimpse se puede aplicar sobre el elemento dat (que se cargó arriba), así:

R

dat %>% glimpse()
Rows: 50,000
Columns: 19
$ fecha_reporte_web                     <dttm> 2021-07-14, 2021-04-24, 2021-05…
$ id_de_caso                            <dbl> 4565159, 2747373, 2963299, 15526…
$ fecha_de_notificacion                 <dttm> 2021-07-07, 2021-04-21, 2021-05…
$ edad                                  <dbl> 23, 15, 11, 39, 25, 8, 53, 29, 4…
$ sexo                                  <chr> "masculino", "femenino", "mascul…
$ tipo_de_contagio                      <chr> "Comunitaria", "Relacionado", "R…
$ ubicacion_del_caso                    <chr> "Casa", "Casa", "Casa", "Casa", …
$ estado                                <chr> "Leve", "Leve", "Leve", "Leve", …
$ recuperado                            <chr> "Recuperado", "Recuperado", "Rec…
$ fecha_de_inicio_de_sintomas           <dttm> 2021-06-22, 2021-04-16, 2021-04…
$ fecha_de_muerte                       <dttm> NA, NA, NA, NA, NA, NA, NA, NA,…
$ fecha_de_diagnostico                  <dttm> 2021-07-07, 2021-04-23, 2021-05…
$ fecha_de_recuperacion                 <dttm> 2021-07-15, 2021-05-05, 2021-05…
$ fecha_de_nacimiento                   <dttm> 1975-06-23, 1975-07-01, 1975-07…
$ nombre_del_pais                       <chr> "Argentina", "Paraguay", "Ecuado…
$ sintomas                              <chr> "Leve", "Leve", "Leve", "Leve", …
$ numero_de_hospitalizaciones_recientes <dbl> 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0,…
$ tension_sistolica                     <dbl> 105, 122, 121, 101, 101, 134, 10…
$ tension_diastolica                    <dbl> 83, 72, 85, 69, 101, 80, 85, 67,…

summarise (resumir)

La función summarise nos permite aplicar ciertas operaciones de interés sobre una tabla de datos. Por ejemplo, para calcular la media de la edad, utilizamos la función mean() y para el conteo total de casos la función n():
R
```
dat %>% summarise(media = mean(edad), casos= n())
# A tibble: 1 × 2
  media casos
  <dbl> <int>
1  40.1 50000
```
group_by

La función group_by no tiene un uso evidente si es empleada sola, dado que ocurre un proceso interno de agrupación de los datos. Pero, al ser usada con otras funciones como por ejemplo summarise es posible ver su efecto. Por ejemplo, el siguiente comando agrupa los datos por sexo y calcula, para cada grupo el conteo de casos y su correspondiente media de la edad:

R

dat %>% group_by(sexo) %>% 
  summarise(casos = n(), media_edad = mean(edad))
# A tibble: 2 × 3
  sexo      casos media_edad
  <chr>     <int>      <dbl>
1 femenino  26799       40.3
2 masculino 23201       39.9

select (seleccionar)

La función select es útil en caso de querer seleccionar una o varias columnas de un data.frame o tabla de datos. Por ejemplo, se pueden seleccionar las variables edad y sexo de dat mediante el siguiente comando:

R

dat %>% select(edad, sexo) #empleando el nombre de la columna
# A tibble: 50,000 × 2
    edad sexo     
   <dbl> <chr>    
 1    23 masculino
 2    15 femenino 
 3    11 masculino
 4    39 femenino 
 5    25 masculino
 6     8 femenino 
 7    53 masculino
 8    29 masculino
 9    41 femenino 
10    61 masculino
# ℹ 49,990 more rows

filter (filtrar)

Esta función se puede usar para filtrar una tabla de datos a partir de una condición lógica del valor de sus filas. Por ejemplo, para filtrar los registros menores de 28 años, usamos:

R

dat %>% filter(edad < 28)
# A tibble: 13,235 × 19
   fecha_reporte_web   id_de_caso fecha_de_notificacion  edad sexo     
   <dttm>                   <dbl> <dttm>                <dbl> <chr>    
 1 2021-07-14 00:00:00    4565159 2021-07-07 00:00:00      23 masculino
 2 2021-04-24 00:00:00    2747373 2021-04-21 00:00:00      15 femenino 
 3 2021-05-07 00:00:00    2963299 2021-05-04 00:00:00      11 masculino
 4 2020-10-26 00:00:00    1018415 2020-10-23 00:00:00      25 masculino
 5 2020-08-09 00:00:00     380193 2020-07-25 00:00:00       8 femenino 
 6 2020-09-25 00:00:00     798355 2020-09-25 00:00:00      13 femenino 
 7 2022-07-07 00:00:00    6184438 2022-07-03 00:00:00      23 masculino
 8 2020-11-26 00:00:00    1276271 2020-11-11 00:00:00      26 femenino 
 9 2020-12-27 00:00:00    1592983 2020-12-13 00:00:00      25 femenino 
10 2022-01-26 00:00:00    5798751 2022-01-22 00:00:00      18 femenino 
# ℹ 13,225 more rows
# ℹ 14 more variables: tipo_de_contagio <chr>, ubicacion_del_caso <chr>,
#   estado <chr>, recuperado <chr>, fecha_de_inicio_de_sintomas <dttm>,
#   fecha_de_muerte <dttm>, fecha_de_diagnostico <dttm>,
#   fecha_de_recuperacion <dttm>, fecha_de_nacimiento <dttm>,
#   nombre_del_pais <chr>, sintomas <chr>,
#   numero_de_hospitalizaciones_recientes <dbl>, tension_sistolica <dbl>, …

Como se puede observar, el resultado contiene todas las variables de la tabla, pero los datos se limitan a aquellos que en edad sean menores de 28 años. Ahora, filtremos por los registros que tengan una edad menor a 28 años y con sexo femenino. En este caso, al pedir que se incluyan adicionalmente los registros de 28 años también ya no se emplea únicamente el signo “<” sino que se lo acompaña del símbolo “=”:

Veamos un ejemplo con doble fitro:

R

dat %>% filter(sexo == "F", edad <= 28) #Ahora sabe como filtrar el sexo
# A tibble: 0 × 19
# ℹ 19 variables: fecha_reporte_web <dttm>, id_de_caso <dbl>,
#   fecha_de_notificacion <dttm>, edad <dbl>, sexo <chr>,
#   tipo_de_contagio <chr>, ubicacion_del_caso <chr>, estado <chr>,
#   recuperado <chr>, fecha_de_inicio_de_sintomas <dttm>,
#   fecha_de_muerte <dttm>, fecha_de_diagnostico <dttm>,
#   fecha_de_recuperacion <dttm>, fecha_de_nacimiento <dttm>,
#   nombre_del_pais <chr>, sintomas <chr>, …

arrange (organizar)

Para los casos donde se necesita organizar los datos por una o más variables, se puede emplear la función arrange. Por ejemplo, para organizar los datos por edad, o por edad y sexo:

R

dat %>% arrange(edad) 
# A tibble: 50,000 × 19
   fecha_reporte_web   id_de_caso fecha_de_notificacion  edad sexo     
   <dttm>                   <dbl> <dttm>                <dbl> <chr>    
 1 2021-06-19 00:00:00    3896591 2021-06-17 00:00:00       1 femenino 
 2 2021-04-11 00:00:00    2525260 2021-04-07 00:00:00       1 femenino 
 3 2022-07-28 00:00:00    6264159 2022-07-25 00:00:00       1 masculino
 4 2022-01-03 00:00:00    5184827 2021-12-26 00:00:00       1 masculino
 5 2022-02-19 00:00:00    6039958 2022-02-16 00:00:00       1 femenino 
 6 2021-10-07 00:00:00    4967494 2021-09-24 00:00:00       1 masculino
 7 2022-01-13 00:00:00    5410872 2021-12-30 00:00:00       1 masculino
 8 2021-06-23 00:00:00    4006796 2021-06-18 00:00:00       1 masculino
 9 2020-09-02 00:00:00     628110 2020-08-21 00:00:00       1 masculino
10 2021-07-09 00:00:00    4453365 2021-06-29 00:00:00       1 femenino 
# ℹ 49,990 more rows
# ℹ 14 more variables: tipo_de_contagio <chr>, ubicacion_del_caso <chr>,
#   estado <chr>, recuperado <chr>, fecha_de_inicio_de_sintomas <dttm>,
#   fecha_de_muerte <dttm>, fecha_de_diagnostico <dttm>,
#   fecha_de_recuperacion <dttm>, fecha_de_nacimiento <dttm>,
#   nombre_del_pais <chr>, sintomas <chr>,
#   numero_de_hospitalizaciones_recientes <dbl>, tension_sistolica <dbl>, …

dat %>% arrange(edad,sexo)
# A tibble: 50,000 × 19
   fecha_reporte_web   id_de_caso fecha_de_notificacion  edad sexo    
   <dttm>                   <dbl> <dttm>                <dbl> <chr>   
 1 2021-06-19 00:00:00    3896591 2021-06-17 00:00:00       1 femenino
 2 2021-04-11 00:00:00    2525260 2021-04-07 00:00:00       1 femenino
 3 2022-02-19 00:00:00    6039958 2022-02-16 00:00:00       1 femenino
 4 2021-07-09 00:00:00    4453365 2021-06-29 00:00:00       1 femenino
 5 2020-12-28 00:00:00    1596742 2020-12-24 00:00:00       1 femenino
 6 2021-08-29 00:00:00    4905206 2021-08-12 00:00:00       1 femenino
 7 2022-07-28 00:00:00    6263673 2022-07-24 00:00:00       1 femenino
 8 2020-10-14 00:00:00     929871 2020-10-02 00:00:00       1 femenino
 9 2021-03-28 00:00:00    2381786 2021-03-25 00:00:00       1 femenino
10 2021-01-06 00:00:00    1708679 2021-01-04 00:00:00       1 femenino
# ℹ 49,990 more rows
# ℹ 14 more variables: tipo_de_contagio <chr>, ubicacion_del_caso <chr>,
#   estado <chr>, recuperado <chr>, fecha_de_inicio_de_sintomas <dttm>,
#   fecha_de_muerte <dttm>, fecha_de_diagnostico <dttm>,
#   fecha_de_recuperacion <dttm>, fecha_de_nacimiento <dttm>,
#   nombre_del_pais <chr>, sintomas <chr>,
#   numero_de_hospitalizaciones_recientes <dbl>, tension_sistolica <dbl>, …

Por configuración predeterminada la función organiza los valores de menor a mayor; en caso de querer organizarlos de mayor a menor se puede emplear desc al interior de la función arrange.

R

dat %>% arrange(desc(edad))
# A tibble: 50,000 × 19
   fecha_reporte_web   id_de_caso fecha_de_notificacion  edad sexo     
   <dttm>                   <dbl> <dttm>                <dbl> <chr>    
 1 2021-06-27 00:00:00    4128658 2021-06-25 00:00:00     101 femenino 
 2 2022-02-03 00:00:00    5928342 2022-01-28 00:00:00     101 femenino 
 3 2021-04-17 00:00:00    2625780 2021-04-16 00:00:00     101 femenino 
 4 2021-07-14 00:00:00    4557691 2021-07-09 00:00:00     101 femenino 
 5 2022-06-30 00:00:00    6153260 2022-06-22 00:00:00     100 femenino 
 6 2020-10-16 00:00:00     942890 2020-10-13 00:00:00     100 femenino 
 7 2022-02-10 00:00:00    6000702 2022-01-16 00:00:00     100 masculino
 8 2021-07-19 00:00:00    4650913 2021-07-05 00:00:00      99 femenino 
 9 2021-06-11 00:00:00    3680598 2021-06-07 00:00:00      99 femenino 
10 2021-02-24 00:00:00    2236252 2021-02-23 00:00:00      99 masculino
# ℹ 49,990 more rows
# ℹ 14 more variables: tipo_de_contagio <chr>, ubicacion_del_caso <chr>,
#   estado <chr>, recuperado <chr>, fecha_de_inicio_de_sintomas <dttm>,
#   fecha_de_muerte <dttm>, fecha_de_diagnostico <dttm>,
#   fecha_de_recuperacion <dttm>, fecha_de_nacimiento <dttm>,
#   nombre_del_pais <chr>, sintomas <chr>,
#   numero_de_hospitalizaciones_recientes <dbl>, tension_sistolica <dbl>, …

mutate (mudar)

Para crear una nueva columna con datos en un data.frame de una ya existente resulta de utilidad la función mutate. Esta función requiere el nombre de la columna a crear y de la columna de la que queremos copiar los datos. La columna nueva por configuración predeterminada se ubicará al final de las variables en la tabla de datos. En este ejemplo, vamos a crear una variable llamada pais en la cual usamos la variable nombre_pais pero en forma de mayúsculas con toupper
R
```
dat %>% mutate(SEXO= toupper(sexo)) %>% select(SEXO)
# A tibble: 50,000 × 1
   SEXO     
   <chr>    
 1 MASCULINO
 2 FEMENINO 
 3 MASCULINO
 4 FEMENINO 
 5 MASCULINO
 6 FEMENINO 
 7 MASCULINO
 8 MASCULINO
 9 FEMENINO 
10 MASCULINO
# ℹ 49,990 more rows
```
rename (renombrar)

En caso de que no queramos crear una nueva variable sino renombrar una ya existente, conviene usar la función rename. Por ejemplo, para cambiar el nombre nombre_del_pais por el nombre pais usamos:

R

dat %>% rename(edad_años = edad)
# A tibble: 50,000 × 19
   fecha_reporte_web   id_de_caso fecha_de_notificacion edad_años sexo     
   <dttm>                   <dbl> <dttm>                    <dbl> <chr>    
 1 2021-07-14 00:00:00    4565159 2021-07-07 00:00:00          23 masculino
 2 2021-04-24 00:00:00    2747373 2021-04-21 00:00:00          15 femenino 
 3 2021-05-07 00:00:00    2963299 2021-05-04 00:00:00          11 masculino
 4 2020-12-24 00:00:00    1552683 2020-12-21 00:00:00          39 femenino 
 5 2020-10-26 00:00:00    1018415 2020-10-23 00:00:00          25 masculino
 6 2020-08-09 00:00:00     380193 2020-07-25 00:00:00           8 femenino 
 7 2021-06-04 00:00:00    3503818 2021-06-02 00:00:00          53 masculino
 8 2021-05-26 00:00:00    3270945 2021-05-14 00:00:00          29 masculino
 9 2021-02-16 00:00:00    2201217 2021-02-13 00:00:00          41 femenino 
10 2020-10-30 00:00:00    1056515 2020-10-26 00:00:00          61 masculino
# ℹ 49,990 more rows
# ℹ 14 more variables: tipo_de_contagio <chr>, ubicacion_del_caso <chr>,
#   estado <chr>, recuperado <chr>, fecha_de_inicio_de_sintomas <dttm>,
#   fecha_de_muerte <dttm>, fecha_de_diagnostico <dttm>,
#   fecha_de_recuperacion <dttm>, fecha_de_nacimiento <dttm>,
#   nombre_del_pais <chr>, sintomas <chr>,
#   numero_de_hospitalizaciones_recientes <dbl>, tension_sistolica <dbl>, …

slice

Ya se vio previamente cómo seleccionar columnas por medio de la función select. En caso de requerir seleccionar filas específicas de un data.frame, la función slice resulta de gran utilidad. Por ejemplo, para seleccionar de la fila 10 a la 15:

R

dat %>% slice(10:15)
# A tibble: 6 × 19
  fecha_reporte_web   id_de_caso fecha_de_notificacion  edad sexo     
  <dttm>                   <dbl> <dttm>                <dbl> <chr>    
1 2020-10-30 00:00:00    1056515 2020-10-26 00:00:00      61 masculino
2 2020-09-25 00:00:00     798355 2020-09-25 00:00:00      13 femenino 
3 2021-01-04 00:00:00    1680221 2020-12-29 00:00:00      57 masculino
4 2022-07-07 00:00:00    6184438 2022-07-03 00:00:00      23 masculino
5 2022-01-16 00:00:00    5535687 2022-01-15 00:00:00      29 masculino
6 2021-05-27 00:00:00    3294426 2021-05-15 00:00:00      52 masculino
# ℹ 14 more variables: tipo_de_contagio <chr>, ubicacion_del_caso <chr>,
#   estado <chr>, recuperado <chr>, fecha_de_inicio_de_sintomas <dttm>,
#   fecha_de_muerte <dttm>, fecha_de_diagnostico <dttm>,
#   fecha_de_recuperacion <dttm>, fecha_de_nacimiento <dttm>,
#   nombre_del_pais <chr>, sintomas <chr>,
#   numero_de_hospitalizaciones_recientes <dbl>, tension_sistolica <dbl>,
#   tension_diastolica <dbl>

Actividad de afianzamiento:

Para esta actividad, debemos cargar un tipo diferente de datos. En el siguiente link podrás descargarlos datos_reto. Los datos pueden ser cargados desde el computador o desde una ubicación en internet. Para cargar los datos datos_limpios_covid.RDS directamente desde internet se deben usar los comandos:

R

url <- "https://github.com/TRACE-LAC/TRACE-LAC-data/raw/refs/heads/main/otros/datos_limpios_covid.RDS"

covid19 <- readr::read_rds(url)

Después de cargar los datos debe realizar lo siguiente:

Explorar los datos
Agrupar los datos por nombre_del_pais y cuenta los casos por cada uno.
Filtra los datos para Perú (Tip: observa cómo está escrito el nombre del país en la variable “nombre_del_pais”).
Agrupa los datos por sexo y cuenta los casos por cada uno.
Agrupa los datos por nombre_del_pais y calcula la media de edad de cada uno.
Cambia el nombre de “estado” por “gravedad”.
Ordena los datos por sexo y selecciona las 5 primeras filas de cada uno.
Realiza una tabla que muestre cuántas personas de cada sintoma aparecen en la base ubicados en Colombia.
Selecciona las 5 primeras filas de solo el número de identificación del caso (id_de_caso).

Puntos clave

Revise si al final de esta lección adquirió estas competencias:

Reconocer y hacer uso de R y RStudio.
Conocer los tipos de datos y operados básicos en R.
Comprender las estructuras básicas de datos en R tales como vectores y tablas de datos.
Comprender el proceso de creación de funciones.
Reconocer el proceso de importación, exportación y transformación de bases de datos con Tidyverse.

Contribuciones

Zulma M. Cucunuba: Versión inicial
Zhian N. Kamvar: Ediciones menores
Kelly A. Charniga: Ediciones menores
José M. Velasco-España: Traducción de Inglés a Español y edición
Andree Valle-Campos: Ediciones menores
Miguel E. Gámez López: Ediciones menores
Nicolás T. Domínguez: Ediciones menores
Laura Gómez-Bermeo: Ediciones menores
Geraldine Gomez: Ediciones menores
Jaime A. Pavlich-Mariscal: Edición

Asuntos legales

Copyright: Zulma M. Cucunuba, 2019

Content from Introduccion a la visualizacion de datos en R con ggplot2.

Última actualización: 2024-10-08 | Mejora esta página

Hoja de ruta

Preguntas

¿Cómo visualizar datos epidemiologicos con ggplot2?

Objetivos

Al final de este taller usted podrá:

Reconocer las funciones que componen el paquete ggplot2.
Realizar gráficos básicos con la estructura de ggplot2
Reconocer las funciones que componen el paquete ggplot2.
Realizar gráficos básicos con la estructura de ggplot2

Pre requisito

Esta unidad tiene como prerequisitos:

Introducción a R y RStudio

Tabla de contenido

Tema 1: Principios de la gramática de gráficos con ggplot2
Tema 2: Gramática de gráficos
- Datos (Data)
- Estética (Aesthetics)
- Geometría (Geometry)
- Escala (Scale)
- Facetas (Facets)
- Temas (Themes)

Desarrollo del contenido (desarrolle cada uno de los temas teniendo en cuenta la tabla de contenido)

Introducción

En el ámbito de la ciencia de datos y la toma de decisiones, la habilidad para transformar datos en información comprensible y que genere impacto es esencial. Esta unidad brindará una introducción a las herramientas necesarias para convertir conjuntos de datos en gráficos. En esta unidad haremos uso de ggplot2, una poderosa librería de gráficos de R basada en la gramática de gráficos, para crear visualizaciones impactantes.

Tema 1: Principios de la gramática de gráficos con ggplot2

ggplot2 es un paquete de R basado en la gramática de gráficos que permite visualizar datos de una manera consistente y estructurada.

ggplot2recibe su nombre precisamente de la abreviación del término gramática de gráficos (gg). La gramática de gráficos se refiere a un enfoque conceptual propuesto y desarrollado por Leland Wilkinson para la creación de gráficos, el cual sirvió como base para el desarrollo de ggplot2 a manos de Hadley Wickham.

La gramática de gráficos proporciona un marco conceptual para pensar sobre cómo construir y entender visualizaciones de datos de una manera coherente y estructurada. En términos simples, la gramática de gráficos descompone un gráfico en sus componentes fundamentales y define cómo se combinan estos componentes para representar datos.

Lista de verificación

Estos componentes básicos son:

1. Datos (Data): representan los datos que queremos visualizar. Puede ser una tabla de datos (data.frame) en R u otra fuente de datos.

2. Estética (Aesthetics): definen cómo se mapean los atributos de los datos a propiedades visuales del gráfico, como posición en el eje X (x), posición en el eje Y (y), color, forma, tamaño, etc. Esto se especifica mediante la función aes() en ggplot2.

3. Geometría (Geometry): representa la forma en que los datos se visualizan en el gráfico, como puntos, líneas, barras, áreas, etc. Cada tipo de gráfico tiene su función correspondiente enggplot2, como geom_point() para un gráfico de dispersión o geom_bar() para un gráfico de barras.

4. Escala (Scale): define cómo se mapean los valores de los datos a los valores visuales, como el rango de colores o el rango de los ejes. ggplot2ajusta automáticamente las escalas, pero también podemos ggplot2ajusta automáticamente las escalas, pero también podemos personalizarlas con funciones como scale_log10(), scale_x_continuous() o scale_color_manual().

5. Facetas (Facets): permiten dividir los datos en subconjuntos y mostrarlos en paneles múltiples (facetas) según ciertas variables. Podemos usar facet_wrap() o facet_grid() en ggplot2para implementar Podemos usar facet_wrap() o facet_grid() en ggplot2para implementar esta funcionalidad.

6. Temas (Themes): controlan la apariencia visual general del gráfico, como títulos, etiquetas de ejes, fondos, etc. Podemos gráfico, como títulos, etiquetas de ejes, fondos, etc. Podemos personalizar el tema con la función theme() en ggplot2.

Por ejemplo, una estructura clásica de un gráfico de puntos será:

ggplot(data, \# Los datos

   Aes(x, y) \# La estética

   Geom_point()) + \# la geometría

Tema 2: Ejemplos del uso de la gramática de gráficos con ggplot

Aquí vamos a ir explicando cómo puedes hacer uso de esta herramienta en tu computador. A medida que avanzas trata de ir replicando los ejercicios.

Aviso

NOTA. Para hacer más versátil su uso, se recomienda conocer el funcionamiento del paquete dplyr y el uso de tuberías (pipes %>%), puedes repasar estos temas en la Unidad 1 de este módulo “Introducción a R y RStudio”. Por su parte, ggplot2 está contenido dentro de la librería Tidyverse. Además, Tidiverse incluye otras librerías como dplyr que, a su vez, incluye las pipes (%>%). Para más detalles sobre Tidyverse consulta la unidad de “Introducción a R y RStudio”.

Para los ejercicios prácticos de esta unidad es necesario cargar las siguientes librerías:

R

library(ggplot2)

R

library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ lubridate 1.9.3     ✔ tibble    3.2.1
✔ purrr     1.0.2     ✔ tidyr     1.3.1
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

Ahora, veremos cada uno de los componentes para realizar gráficos de datos con ggplot2 a través de un ejercicio práctico. Se requiere una tabla de datos (una estructura con filas y columnas) para poder ser usada en la estética de los gráficos. Previo al uso de ggplot2, suele ser necesario realizar un proceso de limpieza y organización de los datos. Para este ejercicio práctico usaremos una base de datos limpia, que nos permita hacer las visualizaciones sin la necesidad de pre-procesar los datos.

Aviso

La tabla de datos para este ejercicio puedes encontrarla en: https://github.com/TRACE-LAC/TRACE-LAC-data/blob/main/otros/muestra_covid.RDS?raw=true

Cuando ya tengas los datos descargados en tu computador y en la carpeta de data de tu proyecto puedes ejecutar el siguiente comando:

R

covid19 <- readRDS("data/muestra_covid.RDS")

Una vez obtenida la tabla de datos vamos a explorar los datos para conocer el estado actual y revisar qué variables podríamos usar para las visualizaciones. Para esto utilizamos una de las funciones vistas en la unidad de “Introducción a R y RStudio” llamada glimpse.Úsala y verifica la estructura de la tabla de datos

R

glimpse(covid19)
Rows: 100,000
Columns: 19
$ fecha_reporte_web                     <date> 2021-04-09, 2021-03-18, 2022-01…
$ id_de_caso                            <dbl> 2493495, 2318883, 5290100, 43526…
$ fecha_de_notificacion                 <date> 2021-03-27, 2021-03-06, 2022-01…
$ edad                                  <dbl> 45, 38, 34, 64, 24, 16, 25, 72, …
$ sexo                                  <fct> femenino, masculino, masculino, …
$ tipo_de_contagio                      <chr> "Comunitaria", "Comunitaria", "C…
$ ubicacion_del_caso                    <chr> "Casa", "Casa", "Casa", "Casa", …
$ estado                                <fct> Leve, Leve, Leve, Leve, Leve, Le…
$ recuperado                            <fct> Recuperado, Recuperado, Recupera…
$ fecha_de_inicio_de_sintomas           <date> 2021-03-24, 2021-03-03, 2022-01…
$ fecha_de_muerte                       <date> NA, NA, NA, NA, NA, NA, NA, NA,…
$ fecha_de_diagnostico                  <date> 2021-04-07, 2021-03-17, 2022-01…
$ fecha_de_recuperacion                 <date> 2021-04-10, 2021-03-19, 2022-01…
$ fecha_de_nacimiento                   <date> 1975-06-01, 1975-06-08, 1975-06…
$ nombre_del_pais                       <chr> "Colombia", "Cuba", "Nicaragua",…
$ sintomas                              <fct> Leve, Leve, Leve, Leve, Leve, Le…
$ numero_de_hospitalizaciones_recientes <dbl> 0, 2, 1, 0, 0, 0, 0, 0, 0, 0, 1,…
$ tension_sistolica                     <dbl> 107, 126, 107, 134, 126, 156, 14…
$ tension_diastolica                    <dbl> 87, 64, 73, 76, 83, 96, 76, 87, …

Estética (Aesthetics)

En el contexto de la gramática de gráficos, la estética (aesthetics) se refiere a cómo mapeamos los atributos de nuestros datos a propiedades visuales en el gráfico. Estas propiedades visuales pueden ser elementos tales como la posición en el eje X (x), la posición en el eje Y (y), el color (color), la forma(shape), el tamaño(size), etc. Al mapear estos atributos podemos crear visualizaciones que nos permiten comprender y comunicar patrones y relaciones en los datos de manera efectiva.

En ggplot2 la función principal para especificar la estética es aes(). A continuación algunos ejemplos para ilustrar cómo usar la estética en ggplot2.

Ejemplo 1: Gráfico de dispersión (scatter plot)

Supongamos que tenemos una tabla que cuenta con las variables x e y. Queremos crear un gráfico de dispersión donde la variable x se mapea en el eje X y la variable y en el eje Y. Además, queremos que los puntos se coloreen según la variable grupo. Mediante la función aes() de ggplot2 es posible asignar estas variables a los correspondientes atributos visuales del gráfico, como veremos en el ejemplo a continuación.

Consideremos la base covid19 que cargamos previamente. El requerimiento es realizar un gráfico de dispersión que muestre el número de casos por fecha de reporte y desagregados por sexo. Para esto, primero organizamos los datos para lograr una tabla resumen con la información que queremos graficar, usando las funciones vistas en la unidad de “Introducción a R y RStudio” de la siguiente manera:

R

covid19_resumen <- covid19 %>%
  group_by(fecha_reporte_web, sexo) %>%
  summarise(casos = n())
`summarise()` has grouped output by 'fecha_reporte_web'. You can override using
the `.groups` argument.

Luego, podemos usar la estética de los gráficos de ggplot2 indicando las variables a usar en cada dimensión, en este caso en el eje X tendremos la variable de tiempo (fecha_reporte_web) y en el eje Y el número de casos (casos). Para ver la desagregación por sexo haremos uso de uno de los atributos como el color. Estas instrucciones pueden seguirse a través del siguiente código:

R

ggplot(data = covid19_resumen,
       aes(x = fecha_reporte_web, y = casos, colour = sexo)) +
  geom_point()

La visualización que generamos es la siguiente:

Geometría (Geometry):

La geometría representa la forma en que los datos se visualizan en el gráfico; como puntos, líneas, barras, áreas, etc. Cada tipo de gráfico tiene su función correspondiente en ggplot2; por ejemplo geom_point() para un gráfico de dispersión o geom_bar() para un gráfico de barras.

Lista de verificación

En la siguiente tabla se muestran algunos ejemplos de los distintos tipos de geometrías más usados en ggplot2 con su correspondiente comando:

Ejemplo 2: Gráfico de líneas

Supongamos que queremos visualizar la evolución del número de casos de covid-19 a lo largo del tiempo. Para esto, primero debemos preparar el conjunto de datos que formarán el gráfico:

R

covid19_fecha <- covid19 %>%
  group_by(fecha_reporte_web) %>%
  summarise(casos = n())

Una vez el conjunto de datos esté listo, procedemos a usar la geometría de ggplot2:

R

ggplot(data = covid19_fecha, 
       aes(x = fecha_reporte_web, y = casos)) +
  geom_line()

Y obtenemos el siguiente gráfico:

Ejemplo 3: Gráfico de barras

Ahora, hagamos una visualización en forma de gráfico de barras del total de casos positivos por sexo, para esto utilizamos el comando geom_bar() así:

R

ggplot(data = covid19) +
  geom_bar(aes(x = sexo))

En este ejemplo podemos observar que ggplot2 automáticamente calcula el eje Y.

Ejemplo 4. Gráfico de barras más complejo

Primero vamos a preparar los datos en una tabla de datos que permita contar el número de casos por ubicación del caso:

R

covid19_ubicacion <- covid19 %>%  
group_by(ubicacion_del_caso) %>%
  summarise(casos = n())

Ahora, por medio de la geometría de ggplot, hacemos la visualización usando el argumento stat = "identity" que calcula la suma de la variable y = casos agrupando por la variable x = ubicacion_del_caso:

R

ggplot(data = covid19_ubicacion, aes(x = ubicacion_del_caso, y = casos)) + 
  geom_bar(stat = "identity")

Se obtendrá la siguiente gráfica:

En este caso tenemos las barras en orientación vertical. Si desearamos poner las barras en orientación horizontal podemos lograrlo, usando al final el comando coord_flip de la siguiente manera:

R

ggplot(data = covid19_ubicacion, aes(x = ubicacion_del_caso, y = casos)) +
  geom_bar(stat = "identity") +
  coord_flip()

Obteniendo como resultado:

Si queremos ordenar la ubicación del caso por el número de casos, podemos utilizar el comando reorder en el eje donde está la ubicación del caso. La función reorder tiene dos argumentos: el primero es la variable a ordenar y el segundo es la variable que otorga el orden. En este caso sería reorder(ubicacion_del_caso, +casos) si queremos ordenar de mayor a menor cantidad de casos. El código sería el siguiente:

R

ggplot(covid19_ubicacion, 
       aes(x = reorder(ubicacion_del_caso, +casos), y = casos)) +
  geom_bar(stat = "identity") +
  coord_flip()

Y la gráfica queda así:

Desafío

Pregunta ¿cómo produciría esta misma gráfica, pero en orden ascendente?

Escala:

En la gramática de gráficos en ggplot2, la escala se refiere a la forma en que los valores de los datos se traducen en propiedades visuales. La elección adecuada de las escalas es esencial para que los gráficos sean interpretables y precisos.

A continuación, veremos algunos de los diferentes tipos de escalas disponibles en ggplot2 y sus funciones:

Lista de verificación

Para datos de tipo continuo o numéricos tenemos escalas continuas como:

scale_x_continuous() y scale_y_continuous() : para el eje x y el eje y, respectivamente.
scale_color_continuous(): asigna colores a los valores continuos.
scale_size_continuous(): asigna tamaño a los valores.

Lista de verificación

Para datos categóricos o de carácter tenemos escalas discretas como:

scale_x_discrete() y scale_y_discrete(): para el eje x y el eje y, respectivamente.
scale_color_discrete(): asigna colores a los valores discretos.
scale_shape_discrete(): asigna diferentes formas a los diferentes valores discretos.

Lista de verificación

Para datos de fecha tenemos escalas de fechas como:

scale_x_date() y scale_y_date(): para el eje x y el eje y, respectivamente cuando se tengan datos de fecha.

Lista de verificación

Para hacer uso de escalas personalizadas se hace uso de escalas manuales en las que podemos especificar nuestros propios valores.

scale_color_manual(): se especifica manualmente los colores para los valores.
scale_shape_manual(): se especifica manualmente las formas para los valores.

Lista de verificación

Otras escalas:

scale_fill_*: se usa similar a las escalas de color pero para colores que queramos con relleno.
scale_size_area(): Asigna los valores al área en lugar del diámetro, lo que puede ser útil para los puntos.
scale_linetype(): para diferente tipos de línea
scale_y_log10(): para hacer uso de escala logarítmica en eje y.
scale_colour_gradient(): crea un degradé de color entre bajo y alto o scale_colour_gradient2() en bajo, medio y alto.

A continuación, veremos algunos ejemplos de cómo usar la escala en ggplot2con el data.frame previamente cargada covid19.

Ejemplo 5. Gráfico con escala logarítmica

Usaremos exactamente el mismo ejemplo anterior, pero en este caso al final agregamos la escala logarítmica scale_y_log10() así:

R

ggplot(covid19_ubicacion, 
       aes(x = reorder(ubicacion_del_caso, -casos), y = casos)) +
  geom_bar(stat = "identity") +
  coord_flip() +
  scale_y_log10(name = "Casos Confirmados (escala log)")

De esta manera, el nuevo gráfico se vería así:

Discusión

¿Qué diferencias ve con la última gráfica del Ejemplo 4.?

Facetas

Las Facetas (Facets) en la gramática de gráficos son una forma de dividir los datos en subconjuntos y representarlos en múltiples paneles dentro del mismo gráfico. Esto nos permite visualizar diferentes aspectos de los datos o comparar grupos de manera más efectiva. En ggplot2, podemos usar la función facet_wrap() o facet_grid() para implementar las facetas, dependiendo del número de variables a usar para la creación de los paneles.

Ejemplo 5. Gráfico con facet wrap

Primero vamos a preparar los datos en una tabla de datos que permita contar el número de casos por edad y sexo:

R

covid19_sexo <- covid19 %>%
  group_by(edad, sexo) %>%
  summarise(casos = n())
`summarise()` has grouped output by 'edad'. You can override using the
`.groups` argument.

Usando los datos de covid-19, vamos a representar la variable casos por edad en dos paneles por sexo usando facet_wrap así:

R

ggplot(data = covid19_sexo, aes(x = edad, y = casos)) +
  geom_point() +
  facet_wrap(~sexo)

Desafío

De acuerdo con lo aprendido anteriormente, piense cómo podría hacer que cada faceta quede de un color diferente, es decir, asignando color a la variable sexo ¿cómo cambiaría el código?

El gráfico que debe producir es el siguiente:

Mostrar la solución

R

ggplot(data = covid19_sexo, aes(x = edad, y = casos)) +
  geom_point(aes(colour = sexo)) +
  facet_wrap(~sexo)

Agregando una escala de color degradé tenemos:

R

ggplot(covid19_sexo, aes(edad, casos)) + 
  geom_point(aes(colour = casos)) +
  scale_colour_gradient2() +
  facet_wrap(~sexo)

Tema

En la gramática de gráficos, el tema se refiere a la personalización de la apariencia visual general del gráfico; como los títulos, etiquetas de ejes, fondos, colores, tamaños de fuente, entre otros elementos. Con los temas, podemos mejorar la legibilidad y estética de los gráficos, asegurando que la información se comunique de manera efectiva y atractiva.

En ggplot2, podemos aplicar un tema predeterminado utilizando la función theme(). A continuación, proporcionamos algunos ejemplos de cómo utilizar los temas en ggplot2 con la base de datos covid19.

Usando la misma gráfica del ejemplo anterior, comparemos dos temas: theme_classic() y theme_dark().

Discusión

¿Qué diferencias encuentra?

Ejemplo 6. Usando theme classic

Para usar el tema clásico tenemos:

R

ggplot(data = covid19_sexo, aes(x = edad, y = casos)) +
  geom_point() +
  facet_wrap(~sexo) +
  theme_classic()

Ejemplo 7. Usando theme classic

Para este tema tendríamos lo siguiente:

R

ggplot(data = covid19_sexo, aes(x = edad, y = casos)) +
  geom_point() +
  facet_wrap(~sexo) +
  theme_dark()

Aviso

Para revisar la lista de theme() que tiene disponible ggplot2, puede consultarse en https://ggplot2.tidyverse.org/reference/ggtheme.html

Finalmente, veamos un ejemplo de cómo modificar los themes manualmente.

Ejemplo 8. Cambiando títulos, subtítulos y ejes

Podemos usar comandos como xlab, ylab para cambiar los nombres de los ejes. Igualmente, comandos como title y subtitle de la siguiente forma:

R

ggplot(data = covid19_sexo, 
       aes(x = edad, y = casos, colour = sexo)) +
  geom_point() +
  facet_wrap(~sexo) +
  labs(
    y = "Casos diarios", x = "Edad en años",
    colour = "Sexo",
    title = "Distribución de casos de COVID-19 por edad y sexo en Latinoamerica"
  )

Puntos clave

Revise si al final de esta lección adquirió estas competencias:

Reconocer las funciones que componen el paquete ggplot2.
Realizar gráficos básicos con la estructura de ggplot2.

Contribuciones

Zulma M. Cucunuba: Versión inicial
Geraldine Gomez: Edición
Andree Valle: Ediciones menores
Laura Gómez-Bermeo: Ediciones menores
José M. Velasco-España: Ediciones menores

Asuntos legales

Copyright: Zulma M. Cucunuba, 2019

Content from Reporte e informes tecnicos en R Markdown

Última actualización: 2024-10-17 | Mejora esta página

Hoja de ruta

Preguntas

¿Cómo se utilizan R markdown para presentar un reporte?

Objetivos

Al final de este taller usted podrá:

Reconocer la importancia de generar informes en R Markdown
Aprender a utilizar R markdown de forma básica

Pre requisito

Esta unidad tiene como prerequisitos:

Introducción a R y RStudio

Introducción

En esta unidad aprenderemos sobre el uso del formato R Markdown, el cual permite integrar código en la generación de informes sin la necesidad de importar gráficas o crear tablas manualmente. De esta manera, el formato R Markdown facilita la generación automática, actualización y redacción de informes técnicos al combinar la sintaxis del formato Markdown con código en R incrustado en el documento.

Tema 1: ¿Qué es R Markdown?

R Markdown es una extensión del formato Markdown que permite combinar texto con código R incrustado en el documento. De esta manera, los análisis y visualizaciones generados por medio del código se pueden incorporar de manera natural en el texto.

R Markdown es ampliamente utilizado por científicos de datos, analistas, investigadores y profesionales que necesitan presentar sus análisis y resultados de manera clara y reproducible. Además, es una herramienta muy valiosa para generar informes automatizados y documentos técnicos interactivos

Tema 2: Estructura de R Markdown

Un documento de R Markdown consta de tres tipos principales de elementos:

1. Yaml: Corresponde a especificaciones del estilo del documento, título, fecha, autores, etc.

2. Texto: Texto enriquecido con formato y explicaciones.

3. Chunk: Bloque de código R en donde se ejecutan y se muestran sus resultados.

Tema 3: Paso a Paso en R Markdown

A continuación, seguiremos un paso a paso para crear un R Markdown.

Paso 1. Abrir R Studio desde R Project

De acuerdo a lo aprendido en la unidad de Introducción a R y Rstudio, es recomendable tener un R project donde quedará alojado el informe de R Markdown. Abre un R Project y sigue con el Paso 2.

Paso 2. Crear un nuevo archivo R Markdown

Siguiendo la ruta File>New File>R Markdown podemos crear un archivo de R Markdown definiendo: título, autor(es) y con formato de salida preferido (html, pdf o word).

Siga los pasos, que también pueden verse en la imagen, y cree su archivo R Markdown con tu nombre y el título de Reporte.

Paso 3. Editar el archivo de R Markdown y el código

Aviso

Es importante recordar que R Markdown tiene tres secciones, todas editables: Yaml, Texto y Chunk de código.

Al haber creado su archivo de R Markdown podrá observar e identificar las diferentes secciones que se muestran en la imagen.

A continuación, veremos cómo editar cada una de estas partes:

¿Cómo editar el texto?

Para incluir el título de una sección se escribe el símbolo numeral # y a continuación el nombre de la sección en una línea única.
Para poner subtítulos se utiliza dos símbolos numeral ##.
Para cada subtítulo en la estructura se agrega otro símbolo numeral #.
Para escribir palabra en negritas use dos asteriscos a cada lado **palabra**
Para escribir una palabra en cursiva use un asterisco a cada lado *palabra*(uno a cada lado)
Para situar el texto en un bloque aparte, se antecede este texto con el símbolo > en una línea única.

¿Cómo editar el chunk de código?

Para incluir código en R, es necesario introducir un chunk en el documento marcando en la barra de herramientas el icono +C de color verde como se muestra en la siguiente imagen.

Al dar click en este ícono, aparecerá un espacio delimitado por los siguientes símbolos que corresponde al chunk:

```{r}

```

Luego que haya creado el chunk debemos cargar las librerías para esta práctica. En el chunk cargamos las librerías a utilizar en R. En este caso, necesitaremos dos

```{r}

R

library(tidyverse)

library(knitr)

```

Ahora debemos correr el Chunk dando click en el ícono de “Run” y seleccionando el Chunk que queremos correr.

Otra opción es dar click al ícono de play verde que se encuentra en la parte superior derecha de cada Chunk.

Especificar configuración del chunk

Dentro de un “chunk”, podemos elegir si queremos que el código se muestre en el reporte impreso o no; utilizando los comandos “echo = FALSE” (para ocultarlo) o “echo = TRUE” (para mostrarlo).

La siguiente tabla incluye otras opciones que se pueden utilizar para configurar un chunk. En la tabla se muestra que tipo de salidas quedan suprimidas al especificar cada opción como FALSE:

Por ejemplo, en nuestra práctica especificaremos que se ejecute el código, como se muestra aquí.

```{r, eval = TRUE}

```

Hacer tablas en R Markdown

Aviso

La tabla de datos para esta práctica será la misma de la Unidad de Introducción a la visualización de datos en R con ggplot2. Puede encontrarla en: https://github.com/TRACE-LAC/TRACE-LAC-data/blob/main/otros/muestra_covid.RDS?raw=true

Para hacer tablas en R Markdown podemos utilizar la función kable de la librería knitr, como se muestra a continuación:

R

library(knitr)
library(tidyverse)

dat <- readRDS("data/muestra_covid.RDS")

covid_paises <- dat %>% 
  group_by(nombre_del_pais) %>% 
  summarise (casos = n()) %>% 
  filter (casos > 300)

kable(covid_paises)

Como resultado, obtenemos la siguiente tabla:

nombre_del_pais	casos
Argentina	5059
Bolivia	5056
Brasil	4886
Chile	5017
Colombia	5189
Costa Rica	4981
Cuba	4988
Ecuador	5082
El Salvador	4872
Guatemala	5078
Haití	4894
Honduras	5014
México	5025
Nicaragua	4995
Panamá	5036
Paraguay	4951
Perú	4923
República Dominicana	5021
Uruguay	4986
Venezuela	4947

Poner parámetros automatizados en el texto

En un reporte también es posible combinar código y texto, utilizando los resultados obtenidos en el código como parte del texto del reporte. Es decir, para evitar que debamos poner un resultado manualmente en el texto del reporte, podemos utilizar el resultado que obtuvimos al ejecutar el chunk y hacer que este resultado aparezca en el texto de manera automática. Para esto, simplemente se debe parametrizar un valor y luego incluirlo en el texto usando su nombre correspondiente.

Por ejemplo, para calcular el total de casos de COVID-19 de sexo femenino en nuestro conjunto de datos de datos dat dentro de un chunk de R haríamos lo siguiente:

R

total_casos_fem <- nrow(dat %>% filter (sexo == "femenino"))

Ahora, si queremos incluir este resultado en el texto del reporte, debemos especificar el parámetro que queremos usar de esta manera ` r total_casos_fem `, y por ejemplo escribir directamente como texto:

El total de casos de sexo femenino es ` r total_casos_fem`

Cuyo valor debe coincidir con el valor que obtenemos al imprimir el objeto total_casos_fem

R

total_casos_fem
[1] 52453

Aviso

Al tejer el informe tendremos una línea similar a esta:

El total de casos de sexo femenino es 52453

Para ver cómo queda combinado el resultado del código con este texto debemos seguir el siguiente paso.

Paso 4. “Tejer” (generar) el informe

Para “tejer” el informe, es decir, generar el informe en un formato específico (HTML, PDF o Word), debemos dar click en el símbolo “Knit” en la parte superior del editor del archivo de Rmarkdown. Tal como se ve en la siguiente imagen:

Después de este paso debe aparecer el informe final en la presentación que hayamos seleccionado (html, pdf o word).

Desafío

Observe cómo aparece la tabla y el texto del total de casos de sexo femenino.

¡Felicitaciones, ha producido su primer reporte R Markdown en html!

Puntos clave

Revise si al final de esta lección adquirió estas competencias:

Reconocer la importancia de generar informes en R Markdown
Aprender a utilizar R markdown de forma básica

Contribuciones

Zulma M. Cucunuba: Versión inicial
Laura Gómez-Bermeo: Edición
Geraldine Gomez: Ediciones menores
Andree Valle: Ediciones menores
José M. Velasco España: Ediciones menores

Asuntos legales

Copyright: Zulma M. Cucunuba, 2019

Content from Unidad de Limpieza de datos epidemiológicos

Última actualización: 2024-10-08 | Mejora esta página

Hoja de ruta

Preguntas

¿Cómo limpiar datos epidemiológicos con R?

Objetivos

Al final de este taller usted podrá:

Reconocer las herramientas que facilitan la limpieza de datos epidemiológicos.
Identificar las buenas prácticas de la limpieza de datos epidemiológicos.
Explorar el proceso de limpieza, organización y caracterización de datos epidemiológicos.

Pre requisito

Esta unidad tiene como prerequisitos:

Introducción a R y RStudio

Aviso

Tabla de contenido

Tema 1: Introducción a la limpieza de datos (Ver en plataforma del curso)
Tema 2: Exploración y caracterización de los datos
Tema 3: Limpieza y corrección de los datos: errores frecuentes y sus soluciones
Tema 4: Organización de los datos

Introducción

En esta unidad abordaremos el proceso de limpieza de datos epidemiológicos, utilizando los conocimientos previos de la unidad de la introducción a R y RStudio, abordaremos la limpieza de datos como un proceso fundamental para obtener insumos idóneos para el análisis de los datos, la visualización y la creación de reportes epidemiológicos.

En esta unidad, aprenderá a reconocer las actividades necesarias para llevar a cabo el proceso de limpieza de datos, aprenderá cómo solucionar los errores más comunes en las bases de datos que pueden afectar el análisis y comprenderá cómo describir y organizar los datos, clasificar variables, aplicar formatos a las variables, manejar datos duplicados y abordar la ausencia de datos.

Tema 2: Exploración y caracterización de los datos

2.2. Exploración de la estructura de los datos en R

Una vez hecha la exploración y la caracterización de los datos mediante la documentación se procederá a explorar el dataset.

2.2.1. Carga de la información

Lista de verificación

⚠️ Instrucciones:

Antes de empezar a trabajar verifique que ya cuenta con los siguientes pasos:

Cree un proyecto en R
Cree carpeta llamada “datos” dentro del proyecto
Descargue el archivo data_limpieza.zip que contiene el dataset “covid_LA.csv” y el documento de información “covid_LA_info.txt”, disponible en el siguiente enlace https://github.com/TRACE-LAC/TRACE-LAC-data/raw/main/data_limpieza.zip
Descomprima los archivos y guarde el dataset “covid_LA.csv” en la carpeta “datos”
Cree un R script

Aviso

Si tiene dudas con el proceso por favor regrese a la unidad de Introducción a R.

Resultado esperado: Hasta este punto, el proyecto se debería ver así:

Cargue las librerías: tidyverse, rio y cleanepi.

Aviso

Si aún no las ha instalado puede hacerlo con el siguiente código

R

if(!require("tidyverse")) install.packages("tidyverse") #si necesita instalar tidyverse
if(!require("cleanepi")) install.packages("cleanepi") #si necesita instalar cleanepi
if(!require("rio")) install.packages("rio") #si necesita instalar rio

R

library("tidyverse")
library("cleanepi")
library("rio")

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.1     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

Cargue el dataset

⚠️ Instrucción: Cargue el dataset en R con el siguiente código:

R

covid <- rio::import("datos/covid_LA.csv")

Ahora que la base está cargada podemos hacer la revisión del formato de los datos.

2.2.2. Exploración del dataset

En este ejercicio para explorar las variables contenidas en el objeto covid se puede realizar una aproximación general o específica a cada variable.

Por ejemplo, puede hacer una aproximación general usando la función str para identificar el tipo de objeto, tipo de variables y valores de la variable. Una opción dentro de tidyverse la función glimpse que permite identificar rápidamente el contenido del dataset.

⚠️ Instrucción: Emplee la función glimpse o str

R

covid %>%
  dplyr::glimpse()

Resultado esperado : Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

Rows: 79,200
Columns: 25
$ `fecha reporte web`           <chr> "2021-03-15", "21-03-23", "2021-mar-15",…
$ `ID de caso`                  <int> 1804713, 3202309, 5651419, 59067, 523826…
$ `Fecha de notificación`       <chr> "31/12/2020", "26/04/2021", "08/01/2022"…
$ Edad                          <int> 26, 28, 61, 24, 51, 25, 35, 56, 27, 8, 3…
$ Sexo                          <chr> "M", "F", "M", "M", "M", "M", "M", "M", …
$ `Ubicación del caso`          <chr> "Casa", "Casa", "Casa", "Casa", "Casa", …
$ Estado                        <chr> "Leve", "Leve", "Leve", "Leve", "Leve", …
$ Recuperado                    <chr> "Recuperado", "Recuperado", "Recuperado"…
$ `Fecha de inicio de síntomas` <chr> "21/12/2020", "24/04/2021", "04/01/2022"…
$ `Fecha de muerte`             <chr> "No registra", "No registra", "No regist…
$ `Fecha de diagnóstico`        <chr> "02/01/2021", "06/05/2021", "19/01/2022"…
$ `Fecha de recuperación`       <chr> "13/01/2021", "23/05/2021", "21/01/2022"…
$ `Tipo de recuperación`        <chr> "Tiempo", "Tiempo", "Tiempo", "Tiempo", …
$ `fecha de nacimiento`         <dbl> 1996, 1994, 1961, 1998, 1971, 1997, 1987…
$ `Nombre del país`             <chr> "Argentina", "Haití", "Perú", "Ecuador",…
$ Sintomas                      <chr> "Leve", "Leve", "Leve", "Leve", "Leve", …
$ `Edad repetida`               <int> 26, 28, 61, 24, 51, 25, 35, 56, 27, 8, 3…
$ Num_Hos_Rec                   <chr> "cero", "0", "0", "0", "0", "cero", "cer…
$ `Tensión arterial`            <chr> "102/85", "148/72", "92/84", "122/71", "…
$ `año última actualización`    <int> 2024, 2024, 2024, 2024, 2024, 2024, 2024…
$ `método recolección`          <chr> "Llamada telefónica", "Llamada telefónic…
$ `Central de reporte`          <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
$ Vacunado                      <lgl> FALSE, TRUE, FALSE, TRUE, TRUE, TRUE, TR…
$ talla                         <chr> "1.73", "1.67", "1m69", "1.66", "1.63", …
$ peso                          <dbl> 69.6, 73.9, 66.4, 72.5, 64.6, 66.7, 68.9…

2.2.3. Aplicación de buenas prácticas para nombrar variables

Aviso

Tip de buena práctica: De acuerdo con las buenas prácticas de programación se recomienda que los nombres de las variables tengan características como:

Estar en minúsculas
No contener caracteres especiales
No contener espacios

Estas recomendaciones dependen de la preferencia del analista y su equipo. Para este módulo vamos a hacer uso de la función standardize_column_names del paquete cleanepi.

Aviso

La función standardize_column_names tiene como argumento principal:

data: el dataset (o linelist) con los datos a modificar.

Y dos argumentos opcionales:

keep: un vector con los nombres de las columnas que se mantendrán.
rename: un vector con los nombres de las columnas que se renombraran. Ej. c(nombre_nuevo1 = “nombre_viejo1”, nombre_nuevo2 = “nombre_viejo2”)

⚠️ Instrucción: Emplee la función standardize_column_names para limpiar los nombres del dataset covid:

R

covid <- covid %>% 
  cleanepi::standardize_column_names()

Resultado esperado: El código anterior no arroja un resultado visible en la consola para observar el cambio, sin embargo, empleando la función glimpse podemos observar los nombres de las variables de la base covid ajustados.

⚠️ Instrucción: Emplee la función glimpse y observe el cambio en el nombre de la variable Tipo de recuperación:

R

covid %>% 
  dplyr::glimpse()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

Rows: 79,200
Columns: 25
$ fecha_reporte_web           <chr> "2021-03-15", "21-03-23", "2021-mar-15", "…
$ id_de_caso                  <int> 1804713, 3202309, 5651419, 59067, 5238264,…
$ fecha_de_notificacion       <chr> "31/12/2020", "26/04/2021", "08/01/2022", …
$ edad                        <int> 26, 28, 61, 24, 51, 25, 35, 56, 27, 8, 35,…
$ sexo                        <chr> "M", "F", "M", "M", "M", "M", "M", "M", "F…
$ ubicacion_del_caso          <chr> "Casa", "Casa", "Casa", "Casa", "Casa", "F…
$ estado                      <chr> "Leve", "Leve", "Leve", "Leve", "Leve", "F…
$ recuperado                  <chr> "Recuperado", "Recuperado", "Recuperado", …
$ fecha_de_inicio_de_sintomas <chr> "21/12/2020", "24/04/2021", "04/01/2022", …
$ fecha_de_muerte             <chr> "No registra", "No registra", "No registra…
$ fecha_de_diagnostico        <chr> "02/01/2021", "06/05/2021", "19/01/2022", …
$ fecha_de_recuperacion       <chr> "13/01/2021", "23/05/2021", "21/01/2022", …
$ tipo_de_recuperacion        <chr> "Tiempo", "Tiempo", "Tiempo", "Tiempo", "T…
$ fecha_de_nacimiento         <dbl> 1996, 1994, 1961, 1998, 1971, 1997, 1987, …
$ nombre_del_pais             <chr> "Argentina", "Haití", "Perú", "Ecuador", "…
$ sintomas                    <chr> "Leve", "Leve", "Leve", "Leve", "Leve", "C…
$ edad_repetida               <int> 26, 28, 61, 24, 51, 25, 35, 56, 27, 8, 35,…
$ num_hos_rec                 <chr> "cero", "0", "0", "0", "0", "cero", "cero"…
$ tension_arterial            <chr> "102/85", "148/72", "92/84", "122/71", "15…
$ ano_ultima_actualizacion    <int> 2024, 2024, 2024, 2024, 2024, 2024, 2024, …
$ metodo_recoleccion          <chr> "Llamada telefónica", "Llamada telefónica"…
$ central_de_reporte          <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA…
$ vacunado                    <lgl> FALSE, TRUE, FALSE, TRUE, TRUE, TRUE, TRUE…
$ talla                       <chr> "1.73", "1.67", "1m69", "1.66", "1.63", "1…
$ peso                        <dbl> 69.6, 73.9, 66.4, 72.5, 64.6, 66.7, 68.9, …

2.2.4. Resumen de variables

Para empezar la exploración de las variables, emplearemos la función summary.

⚠️️ Instrucción: Emplee la función summary para explorar las variables:

R

covid %>%
  base::summary()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

 fecha_reporte_web    id_de_caso      fecha_de_notificacion      edad
 Length:79200       Min.   :    150   Length:79200          Min.   :  1.00
 Class :character   1st Qu.:1555387   Class :character      1st Qu.: 27.00
 Mode  :character   Median :3134996   Mode  :character      Median : 38.00
                    Mean   :3128082                         Mean   : 39.84
                    3rd Qu.:4691283                         3rd Qu.: 52.00
                    Max.   :6265661                         Max.   :109.00

     sexo           ubicacion_del_caso    estado           recuperado
 Length:79200       Length:79200       Length:79200       Length:79200
 Class :character   Class :character   Class :character   Class :character
 Mode  :character   Mode  :character   Mode  :character   Mode  :character




 fecha_de_inicio_de_sintomas fecha_de_muerte    fecha_de_diagnostico
 Length:79200                Length:79200       Length:79200
 Class :character            Class :character   Class :character
 Mode  :character            Mode  :character   Mode  :character




 fecha_de_recuperacion tipo_de_recuperacion fecha_de_nacimiento
 Length:79200          Length:79200         Min.   :1913
 Class :character      Class :character     1st Qu.:1970
 Mode  :character      Mode  :character     Median :1984
                                            Mean   : Inf
                                            3rd Qu.:1995
                                            Max.   : Inf
                                            NA's   :1393
 nombre_del_pais      sintomas         edad_repetida    num_hos_rec
 Length:79200       Length:79200       Min.   :  1.00   Length:79200
 Class :character   Class :character   1st Qu.: 27.00   Class :character
 Mode  :character   Mode  :character   Median : 38.00   Mode  :character
                                       Mean   : 39.84
                                       3rd Qu.: 52.00
                                       Max.   :109.00

 tension_arterial   ano_ultima_actualizacion metodo_recoleccion
 Length:79200       Min.   :2024             Length:79200
 Class :character   1st Qu.:2024             Class :character
 Mode  :character   Median :2024             Mode  :character
                    Mean   :2024
                    3rd Qu.:2024
                    Max.   :2024

 central_de_reporte  vacunado          talla                peso
 Mode:logical       Mode :logical   Length:79200       Min.   :53.60
 NA's:79200         FALSE:19186     Class :character   1st Qu.:67.30
                    TRUE :60014     Mode  :character   Median :70.00
                                                       Mean   :69.99
                                                       3rd Qu.:72.70
                                                       Max.   :87.10

Aviso

Para conocer las unidades de las variables recuerde ver la documentación llamada “covid_LA_info.txt”.

Además de poder usar summary como en el caso anterior, también se puede obtener esta información para cada variable de forma individual. Por ejemplo, para la variable edad, empleamos summary llamando a la variable dentro del dataset.

⚠️️ Instrucción: Emplee la función summary para explorar la variable edad:

R

covid %>%
  dplyr::select(edad) %>%
  base::summary()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

      edad
 Min.   :  1.00
 1st Qu.: 27.00
 Median : 38.00
 Mean   : 39.84
 3rd Qu.: 52.00
 Max.   :109.00

2.2.5. Exploración de variables cuantitativas

Otra forma de explorar variables cuantitativas es en forma de gráfica. Empleando gráficos como histogramas, diagrama de cajas y bigotes, líneas de tendencia, nubes de puntos, diagrama de violines, entre otros. A continuación, se muestran ejemplos para histograma y diagrama de cajas y bigotes.

⚠️ Instrucción: Emplee la función hist para generar un histograma de la variable edad:

R

covid %>% 
  dplyr::pull(edad) %>% #pull extrae el vector
  graphics::hist()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

⚠️ Instrucción: Emplee la función boxplot para generar un boxplot de la variable edad:

R

covid %>% 
  dplyr::pull(edad) %>% 
  graphics::boxplot()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

Estos gráficos pueden resultar útiles para examinar la tendencia y distribución de los datos, así como observar datos atípicos.

Aviso

Para explorar más temas de visualización por favor diríjase a la Unidad. Introducción a la visualización de datos en R con ggplot2.

2.2.6. Exploración de variables cualitativas

Ahondemos un poco más en la exploración de variables cualitativas. Cuando usamos summary, al inicio de esta sección, pudimos ver que sucedía con algunas variables cualitativas. Ahora observaremos lo que pasa con la variable nombre_del_pais.

⚠️ Instrucción: Seleccione la variable nombre_del_pais empleando la función select y emplee la función summary para ver el resumen de esta variable.

R

covid %>% 
  dplyr::select(sintomas) %>% 
  base::summary()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

   sintomas
 Length:79200
 Class :character
 Mode  :character

¿Qué puede observar?

Para obtener detalles sobre las categorías de las variables, podemos usar otras opciones como tablas, tablas de proporciones, extracción de valores únicos y creación de gráficos. Veamos cada uno:

⚠️ Instrucción: Emplee la función table para generar una tabla de la variable sintomas :

R

covid %>% 
  dplyr::pull(sintomas) %>% 
  base::table()

Resultado esperado: Al usar el anterior código con el mismo dataset debió obtener los siguientes resultados:

.
     Critico        Grave         Leve     Moderado Sin sintomas
        1781            1        76976           13          429

¿Qué puede observar?

En caso que deseemos observar una tabla con los porcentajes de cada elemento al interior de la variable podemos recurrir a la función prop.table.

⚠️ Instrucción: Emplee la función prop.table para generar una tabla con porcentajes de la variable sintomas:

R

covid %>%
  dplyr::pull(sintomas) %>%
  base::table() %>%
  base::prop.table()*100 #si desea las propociones puede eliminar el "*100"

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

.
     Critico        Grave         Leve     Moderado Sin sintomas
 2.248737374  0.001262626 97.191919192  0.016414141  0.541666667

Como puede observar ahora podemos ver cada categoría con su respectivo porcentaje. En caso de que sólo deseemos ver los objetos contenidos sin otros datos podemos emplear la función unique.

⚠️ Instrucción: Emplee la función unique para extraer los valores únicos de la variable sintomas:

R

covid %>%
  dplyr::pull(sintomas) %>%
  base::unique()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

[1] "Leve"         "Critico"      "Moderado"     "Sin sintomas" "Grave"

Con esto pudimos obtener los diferentes valores de la variable sintomas. Además, las variables cualitativas pueden ser examinadas mediante gráficos de barras o de torta.

⚠️ Instrucción: Emplee la función barplot a compañado de la función tablepara generar un gráfico de barras del contenido de la variable sexo:

R

covid %>%
  dplyr::pull(sintomas) %>%
  base::table() %>%
  graphics::barplot()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

Tema 3: Modificación, limpieza y corrección de los datos: Errores frecuentes y sus soluciones

3.1. Revisión de la coherencia del contenido de las variables.

Para emplear estas funciones de conversión podemos emplearlas directamente a cada variable (ej. as.factor(covid$sexo)) o hacer uso de la función across. La función across es una función del paquete dplyr que permite aplicar transformaciones a múltiples variables de un data frame de manera simultánea.

Aviso

La función across tiene dos argumentos

.cols: el vector de variables a transformar.
.fns: la función que se aplicará.

⚠️ Instrucción: Convierta las variables sexo, sintomas y nombre_del_pais a tipo factor con las funciones across y as.factor.

R

covid <- covid %>% 
  dplyr::mutate(
    dplyr::across(
    .cols = c("sexo", "sintomas", "nombre_del_pais"), 
    .fns = as.factor))

Resultado esperado: Se puede observar el resultado del código anterior empleando funciones de visualización como summary.

⚠️ Instrucción: Emplee la función summary para explorar las variables transformadas a tipo factor:

R

covid %>% 
  dplyr::select(c(sexo, sintomas, nombre_del_pais)) %>%
  base::summary()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

 sexo              sintomas       nombre_del_pais
 F:42336   Critico     : 1781   Honduras  : 3730
 M:36864   Grave       :    1   Ecuador   : 3715
           Leve        :76976   Nicaragua : 3690
           Moderado    :   13   Brasil    : 3665
           Sin sintomas:  429   Bolivia   : 3661
                                Costa Rica: 3658
                                (Other)   :57081

Al utilizar la función summary con las variables que acabamos de convertir en tipo factor, podemos observar que a diferencia de la primera vez que usamos summary en el paso 4 del tema 2 los resultados han cambiado.

Discusión

¿Qué cambios puede observar?

Para dar un orden a las categorías de una variable factor podemos usar la función fct_relevel.

⚠️ Instrucción: Emplee la función fct_relevel para modificar el orden de las categorías de la variable:

Aviso

Pista: En el primer argumento llamamos la variable a modificar y en el segundo argumento ponemos un vector con los niveles en el orden deseado.

R

covid <- covid %>%
  dplyr::mutate(sintomas = 
                  forcats::fct_relevel(sintomas,
                                       "Sin sintomas", 
                                       "Leve", "Moderado", 
                                       "Grave", "Critico"))

⚠️ Instrucción: Verifique si los niveles de la variable están en el orden deseado:

R

covid %>% 
  dplyr::count(sintomas)

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

      sintomas     n
1 Sin sintomas   429
2         Leve 76976
3     Moderado    13
4        Grave     1
5      Critico  1781

Tener en orden los niveles de las variables es fundamental para un adecuado análisis estadístico y una correcta interpretación de los resultados.

Sin embargo, aunque la documentación especifique que la variable debe tener un tipo de dato determinado. Por ejemplo, para variables numéricas, a veces un dataset podría contener los números escritos en letras. En este caso, al realizar la conversión a tipo numérico el sistema no los detectará como valores numéricos y los reemplazará por valores NA, lo que resultará en la pérdida de esa información. Veamos un ejemplo.

⚠️ Instrucciones:

Usando la función table explore los primeros 1000 registros contenidos de la variable num_hos_rec ¿Qué elementos puede observar?

R

covid %>%
  dplyr::slice(1:1000) %>%
  dplyr::pull(num_hos_rec) %>%
  base::table(useNA = "always")

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

.
          0           1           2           3        cero         dos
        545          18          22          19         180          26
no registra No registra        tres         uno        <NA>
         81          72          22          15           0

Esta variable contiene elementos numéricos, caracteres y NA para convertir la variable a numérica se emplea la función as.numeric.

Antes de convertir el dataset, usando la función as.numeric obtenga una tabla de la columna en formato numérico que le permita explorar las consecuencias de convertirla a numérica.

R

covid %>% 
  dplyr::slice(1:1000) %>%
  dplyr::pull(num_hos_rec) %>%
  base::as.numeric() %>%
  base::table(useNA = "always")

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

Warning in base::table(., useNA = "always"): NAs introduced by coercion
.
   0    1    2    3 <NA>
 545   18   22   19  396

¿Qué cambios pudo observar?

Al explorar la variable en formato numérico notamos que los números permanecen mientras que los elementos no numéricos (“no registra” y “No registra”) se unieron al grupo de NA. Más adelante profundizaremos en los datos NA. Si esta conforme con los cambios, puede convertir el dataset:

R

covid <- covid %>%
  cleanepi::convert_to_numeric(
    target_columns = "num_hos_rec",
    lang = "es")

3.2. Identificación de valores erróneos o faltantes.

Además de los valores NA en nuestro procesamiento de datos podemos encontrar otros valores Inf (valores infinitos) o NaN (valores numéricos indeterminados).

La identificación de datos faltantes requiere en primera instancia identificar la causa de la ausencia de estos datos.

3.2.1. Valores NA

NAs relacionados con separadores incorrectos

Veamos un ejemplo común de aparición de NA: cuando tenemos diferentes separadores para números (ej. en talla).

⚠️ Instrucción: Antes de convertir el dataset, obtenga una tabla (usando la función table) que cuantifique los NA resultantes de convertir la variable talla en formato numérico con la función as.numeric. Para comprobar si un valor es NA puede usar la función is.na.

R

covid %>%
  dplyr::pull(talla) %>%
  base::as.numeric() %>%
  base::is.na() %>%
  base::table()
Warning in base::table(.): NAs introduced by coercion
.
FALSE  TRUE 
54068 25132

Ahora use el siguiente código para comprender por qué se generan estos NA

R

covid %>%
  dplyr::pull(talla) %>%
  utils::head()
[1] "1.73" "1.67" "1m69" "1.66" "1.63" "1 68"

Resultado esperado: Como puede observar aparece una advertencia indicando que algunos de los valores han sido convertidos en valores NA. Esto se debe a que hay elementos no numéricos en la variable. Al explorar el contenido de la variable podemos notar que la talla está como un vector de caracteres y los separadores incluyen puntos, comas, espacios, etc, pero en este caso es un sólo separador en todos los casos.

Cuando trabajamos con una variable numérica, es fundamental conocer si su recolección y digitación se realizaron de manera estandarizada y limitada a valores numéricos. Para corregir errores como el uso de caracteres en lugar de números, podemos recurrir a funciones de búsqueda y reemplazo de caracteres dentro del contenido de la variable. Una opción es utilizar la función str_replace que se encuentra en el paquete stringr de R.

Aviso

La función str_replace requiere de tres argumentos:

string: el vector de la variable que se modificará.
pattern: el carácter que se desea reemplazar. Sin embargo, por practicidad podemos emplear expresiones regulares. Por ejemplo, la expresión "[^0-9]" indica que se selecciona cualquier carácter que no sea un número. . Se pone entre comillas.
replacement: el carácter que reemplazará al del primer argumento. Se pone entre comillas.

⚠️ Instrucción: Utilice la función str_replace para reemplazar dentro de la variable talla (introducida como carácter) todos los elementos que no sean (^) números del 0 al 9 o un punto: por un punto.

R

covid <- covid %>%
  dplyr::mutate(talla = 
                  stringr::str_replace(
                    string = talla, 
                    pattern= "[^0-9.]",
                    replacement=".")
                )

⚠️ Instrucción: Verifique si se realizo el cambio deseado:

R

covid %>%
  dplyr::pull(talla) %>%
  utils::head()
[1] "1.73" "1.67" "1.69" "1.66" "1.63" "1.68"

⚠️ Instrucción: Compruebe el efecto de la transformación y usando la función table obtenga una tabla que cuantifique los NA resultante de convertir la variable talla en formato numérico con la función as.numeric. Para comprobar si un dato es NA puede usar la función is.na.

R

covid %>%
  dplyr::pull(talla) %>%
  base::as.numeric() %>%
  base::is.na() %>%
  base::table()
.
FALSE 
79200

Resultado esperado: Si el cambio de decimales fue exitoso con el dataset y que en caso de reemplazarlo por numérico no tendría NAs. Por lo tanto está bien hacer el cambio a numérico.

⚠️ Instrucción: Transforme la variable talla a formato numérico e imprima las primeras filas.

R

covid <- covid %>%
  dplyr::mutate(talla = as.numeric (talla))

covid %>%
  dplyr::pull(talla) %>%
  utils::head()
[1] 1.73 1.67 1.69 1.66 1.63 1.68

Como podemos ver, una vez hecha la transformación ya no aparecen comillas ““, indicando que ya se hizo la conversión a numéricos.

NAs relacionados con errores en la escritura de fechas

En algunas ocasiones puede ocurrir que la escritura de fechas sigue el criterio de quién recolecta los datos. Por ejemplo, en un formulario que contiene día/mes/año podemos encontrar diligenciamientos como: “2015-03-15”, “15-03-15”, “2015-mar-15”, “01/mar/2023”, “15/15/03”, “ene/15”. Dado que corregir una innumerable cantidad de fechas puede ser una tarea inviable, la función standardize_dates del paquete cleanepi ofrece una alternativa para hacer corrección automática, además de convertir la columna al formato fecha (date).

Aviso

La función standardize_dates además del argumento data tiene un argumento principal que es:

target_columns: las columnas que contienen las fechas que se van a estandarizar.

Y tres argumentos opcionales:

error_tolerance: el porcentaje permitido de fechas que no se pueden corregir antes de que se detenga la función.
format: el formato de las fechas. Si se deja como NULL, la función intentará adivinar el formato.
timeframe: el rango de fechas permitido. Si se deja como NULL, la función no restringirá las fechas.

⚠️ Instrucción: Observe cómo está compuesta la variable fecha_reporte_web.

R

covid %>%
  dplyr::select(fecha_reporte_web) %>%
  dplyr::slice(1:10)
   fecha_reporte_web
1         2021-03-15
2           21-03-23
3        2021-mar-15
4        01/mar/2021
5           21/15/01
6             ene/15
7         28/01/2022
8         07/07/2022
9         21/01/2022
10        22/03/2021

Como puede observar las fechas se presentan en varios formatos, además como se vio cuando usamos glimpse la columna está en formato carácter. Para estandarizar estos formatos de fechas y dar formato fecha a la variable emplearemos la función standarize_dates.

⚠️ Instrucción: Convierta la variable fecha_reporte_web a tipo fecha usando la función standardize_dates.

R

covid %>%
  dplyr::select(fecha_reporte_web) %>%
  dplyr::slice(1:10) %>%
  cleanepi::standardize_dates() 
   fecha_reporte_web
1         2021-03-15
2         2023-03-21
3         2021-03-15
4         2021-03-01
5               <NA>
6               <NA>
7         2022-01-28
8         2022-07-07
9         2022-01-21
10        2021-03-22

Como puede observar, dado que no especificamos el formato, la función lo identificó de forma automática. En los casos en que la identificación falló, los datos fueron transformados a NA. Además, ahora la columna está en formato fecha (date).

⚠️ Instrucción: Almacene el cambio en la variable fecha_reporte_web

R

covid <- covid %>%
  cleanepi::standardize_dates(
    target_columns = "fecha_reporte_web")

NAs relacionados con errores en la escritura de números

En algunos casos pueden ocurrir errores en la recolección que no se corrigen en la digitación como, por ejemplo, escribir el nombre de un número (ej. “tres”) en lugar del símbolo que representa al número (ej. “3”).

⚠️ Instrucción: Usando la función table explore la variable num_hos_rec

R

covid %>%
  dplyr::pull(num_hos_rec) %>%
  base::table(useNA = "always")
.
    0     1     2     3  <NA> 
57789  3094  3059  3100 12158

Como puede observar hay números escritos como letras y en símbolos, así como dos categorías de datos que no se registraron y no hay NA es decir que todos los registros cuentan con algún valor.

Para corregir estos errores luego de identificarlos podemos sustituirlos uno por uno con gsub o podemos aprovechar la función convert_to_numeric del paquete cleanepi.

Aviso

La función convert_to_numeric tiene 3 argumentos:

data: el dataset (o linelist) con los datos a modificar.
target_colum: el vector que contiene los nombres de la(s) columna(s) a modificar.
lang: El idioma en el que están los números lang = c(“en”, “fr”, “es”).

⚠️ Instrucción: Usando la función convert_to_numeric corrija los errores de la variable num_hos_rec

R

covid <- covid %>%
  cleanepi::convert_to_numeric(
    target_columns = "num_hos_rec",
    lang = "es")

⚠️ Instrucción: Usando la función table compruebe el cambio en la variable num_hos_rec

R

covid %>%
  dplyr::pull(num_hos_rec) %>%
  base::table(useNA = "always")
.
    0     1     2     3  <NA> 
57789  3094  3059  3100 12158

Como puede observar los números en letras fueron convertidos a sus respectivos equivalentes numéricos. Mientras que todo elemento no reconocido como número fue convertido en NA.

NAs relacionados con dos datos en la misma columna

En algunos casos un dataset puede contener dos variables en una misma columna.

⚠️ Instrucción: Explore las primeras filas de la variable tension_arterial.

R

covid %>%
  dplyr::pull(tension_arterial) %>%
  utils::head()
[1] "102/85" "148/72" "92/84"  "122/71" "153/88" "129/87"

Resultado esperado: En consistencia con lo mencionado en la documentación del dataset “covid_LA_info.txt”, la variable tension_arterial contiene dos datos en una misma columna (tensión sistólica y tensión diastólica separada por “/”).

Para solucionar este problema podemos utilizar la función separate_wider_delim de la librería tidyr dentro del conjunto de librerías de tidyverse.

Aviso

La función separate_wider_delim además de data tiene tres argumentos principales.

cols: requiere el vector que contiene la columna de un data frame.
delim: requiere el separador que se empleó para separar los datos.
names: requiere el nombre de las columnas que se crearán.

⚠️ Instrucción: Empleando la función separate_wider_delim separe la variable tension_arterial en dos variables: tension_sistolica y tension_diastolica.

R

covid <- covid %>%
  tidyr::separate_wider_delim(cols = tension_arterial,
                              delim = "/",
                              names = c("tension_sistolica",
                                        "tension_diastolica"))

covid %>%
  dplyr::pull(tension_sistolica) %>%
  utils::head()
[1] "102" "148" "92"  "122" "153" "129"

R

covid %>%
  dplyr::pull(tension_diastolica) %>%
  utils::head()
[1] "85" "72" "84" "71" "88" "87"

Resultado esperado: El código anterior genera los cambios directamente en el dataset covid y se obtienen las dos columnas nuevas.

Es importante recordar que todos estos cambios dependen de las variables trabajadas y el analista de datos debe usar su criterio en cada circunstancia y hacer pruebas que le permitan revisar si los resultados son los esperados.

3.2.2. Valores infinitos (`Inf`)

Los valores infinitos pueden generarse cuando una operación resulta en un número demasiado grande (Inf+) o demasiado pequeño (Inf -) para R. En R si intentamos calcular valores superiores o iguales a 2^1024 (más grande que el número de granos de arena en el planeta tierra) o cuando dividimos un número por valores muy cercanos a 0, específicamente menores de 1/1e-309, obtendremos Inf. En el caso de valores inferiores a 1e-324 R los asume como 0:

⚠️ Instrucción: Observe los resultados de las siguientes operaciones:

R

2^1024
[1] Inf

R

-2^1024
[1] -Inf

R

1/1e-309
[1] Inf

R

1/0
[1] Inf

La aparición de los valores Inf puede suceder en cualquier momento del manejo de datos, particularmente cuando hay una equivocación al realizar operaciones aritméticas. Por ejemplo, cuando se quería calcular los días de vida, y en lugar de usar el operador de multiplicación (*) se usó el operador de potencia (^).

R

covid <- covid %>%
  dplyr::mutate(edad_en_dias = edad * 365)

covid %>%
  dplyr::pull(edad_en_dias) %>% 
  utils::head()
[1]  9490 10220 22265  8760 18615  9125

3.2.3. Valores indeterminados (`NaN`)

Estos valores se generan cuando se realizan operaciones matemáticamente indefinidas. Por ejemplo, si intentamos dividir cero entre cero o restar o dividir un número infinito de otro número infinito, obtendremos NaN (que significa “No es un número”). A continuación se muestran unos ejemplos:

⚠️ Instrucción: Observe las siguientes operaciones

R

Inf/Inf
[1] NaN

R

Inf-Inf
[1] NaN

R

0/0
[1] NaN

Aunque los resultados como Inf o NaN puedan parecer imposibles, estos pueden aparecer cuando en el proceso de conversión de variables cometemos un error o al crear una variable tras una operación errónea y el error se propaga en operaciones subsecuentes.

3.2.4. Datos duplicados

Otro error que puede ocurrir frecuentemente son los datos duplicados. Estos pueden ser tanto una observación de una variable duplicada o todo un registro duplicado.

⚠️ Instrucción: Explore si en la variable id_de_caso se repiten valores

R

covid %>%
  dplyr::pull(id_de_caso) %>%
  base::table() %>%
  base::table()
.
    1     2     3 
75797   203   999

Como puede observar al menos 1000 códigos de identificación se repiten en el dataset dos o tres veces. Pero en ese punto aún no sabemos si estos 1000 registros son errores o simplemente corresponden a dos registros diferentes de la misma persona (por ejemplo, reinfecciones).

Para identificar cuáles son registros (filas) totalmente duplicados en todas sus variables que sí son errores podemos usar la función duplicated y sumar los registros así:

R

covid %>%
  base::duplicated() %>%
  base::sum()
[1] 1196

Para solucionar este problema podemos usar la función remove_duplicates de cleanepi el cual permite eliminar las filas que se repiten exactamente.

Aviso

La función remove_duplicates tiene como argumento principal:

data: el dataset (o linelist) con los datos a modificar.

Y un argumento opcional:

target_columns: un vector con los nombres de las columnas que se usaran para buscar los duplicados.

⚠️ Instrucción: Empleando la función remove_duplicates elimine del dataset covid las filas repetidas.

R

covid <- covid %>%
  cleanepi::remove_duplicates()
Found 2391 duplicated rows. Please consult the report for more details.

Como puede ver en la salida la función detectó 2391 filas replicadas en su totalidad (pueden estar presentes dos veces o más). Si explora nuevamente el dataset covid podrá observar que 1196 filas desaparecieron. Además podrá observar que se genero una nueva columna en el dataset llamada row_id.

Ahora observemos qué efecto tuvo en los identificadores únicos.

R

covid %>%
  dplyr::select(id_de_caso) %>%
  base::table() %>%
  base::table()
.
    1     2 
75994  1005

De acuerdo con esta tabla, una vez removimos los registros duplicados, quedan 1005 identificadores de casos (id_de_caso) que se registran dos veces.

En caso de que se desee mantener únicamente con el primer registro de cada caso, se puede emplear la misma función remove_duplicates usando adicionalmente el argumento target_columns para especificar las columnas. Veamos un ejemplo.

️Instrucción: Empleando la función remove_duplicates elimine del dataset los datos correspondiente a “id_de_caso” repetidos.

R

covid <- covid %>%
  cleanepi::remove_duplicates(
    target_columns = "id_de_caso")
Found 2010 duplicated rows. Please consult the report for more details.

Como puede observar se encontraron 2010 id_de_caso replicados. Por lo que si se explora el dataset covid podrá observar que el efecto es la eliminación de 1005 filas. Note que el usuario debe estar seguro de querer remover esas filas, de lo contrario puede ejecutar la función sin sobrescribir el objeto para observar los resultados y cuando se este seguro almacenarlo.

3.2.5. Errores tipográficos

A veces, podemos encontrar que las categorías de una variable se han escrito de múltiples maneras. Veamos un ejemplo:

R

covid %>%
  dplyr::pull(ubicacion_del_caso) %>%
  base::table(useNA = "always")
.
        casa         Casa    Fallecido     Hospital Hospital UCI          N/A 
         319        74533         1727           12            1          407 
        <NA> 
           0

Para corregir este error, podemos usar la función gsub para reemplazar el valor incorrecto “casa” por el valor que hemos seleccionado como correcto, “Casa”.

R

covid <- covid %>%
  dplyr::mutate(ubicacion_del_caso = 
                                   base::gsub(pattern= "casa",
                                        replacement="Casa",
                                        x= ubicacion_del_caso))

Como resultado, los valores han sido reemplazados:

R

covid %>%
  dplyr::pull(ubicacion_del_caso) %>%
  base::table(useNA = "always")
.
        Casa    Fallecido     Hospital Hospital UCI          N/A         <NA> 
       74852         1727           12            1          407            0

3.2.6. Reemplazar valores perdidos

En algunas ocasiones los dataset contienen valores que no corresponden a las categorías de las variables, faltan o desde la documentación sabemos que esos valores corresponden a NA. Para garantizar un análisis robusto, es una buena práctica reemplazar todos esos valores por NA. Para hacer este reemplazo lo podemos hacer empleando la función replace_missing_values del paquete cleanepi.

Aviso

La función replace_missing_values además de data tiene argumentos opcionales:

na_strings: el vector con los caracteres que representan los valores perdidos (ej. “missing”, “NA”, “N A”). Si no se diligencia este argumento se usaran los valores predefinidos en el vector cleanepi::common_na_strings.
target_columns: un vector con los nombres de las columnas en las cuales se ejecutará la función.

⚠️ Instrucción: Revise el contenido de la variable ubicacion_del_caso:

R

covid %>% 
  dplyr::pull(ubicacion_del_caso) %>% 
  base::table(useNA = "always")
.
        Casa    Fallecido     Hospital Hospital UCI          N/A         <NA> 
       74852         1727           12            1          407            0

⚠️ Instrucción: Revise en la documentación que posibles NA pueden aparecer en el dataset y reemplacelos por NA.

R

covid <- covid %>%
  cleanepi::replace_missing_values( na_strings = "N/A")

Instrucción: Revise el contenido de la variable ubicacion_del_caso para ver los cambios:

R

covid %>%
  dplyr::pull(ubicacion_del_caso) %>%
  base::table(useNA = "always")
.
        Casa    Fallecido     Hospital Hospital UCI         <NA> 
       74852         1727           12            1          407

3.2.7. Columnas con valores constantes

En algunas ocasiones, es posible encontrar columnas que contienen un único valor. Esto puede ocurrir, por ejemplo, cuando se divide un dataset de mayor tamaño en una fracción más pequeña. En estos casos, la columna que servía para separar los datos se vuelve innecesaria. Para estos casos se puede emplear la función remove_constants del paquete cleanepi.

Aviso

La función remove_constants tiene como argumento principal:

data: el dataset (o linelist) con los datos a modificar.

⚠️ Instrucción: Empleando la función remove_constants remueva las filas que tengan valores constantes.

R

covid <- covid %>%
  cleanepi::remove_constants()

Para verificar la cantidad de columnas que permanecen después del proceso, puede utilizar la función ncol:

R

covid %>%
  base::ncol()
[1] 25

3.2.8. Verificación de valores atípicos

Para evaluar si los datos se encuentran dentro de un rango esperado o si existen valores atípicos, se puede emplear la creación de gráficas o la exploración de la cabeza y cola de los datos cuando están ordenados; por ejemplo, en el caso de las fechas se pueden crear curvas históricas, o si son edades mediante histogramas o boxplot.

La identificación de valores atípicos puede variar según el criterio del analista de datos y las características de la variable. Por ejemplo, en la variable edad si bien valores superiores a los 100 años son escasos biológicamente son viables, sin embargo, una edad de 200 años podría considerarse un valor atípico. En el caso de las variables de fecha, los valores atípicos pueden surgir cuando hay fechas que no siguen el comportamiento esperado. Veamos un ejemplo con fechas:

⚠️ Instrucción: Antes de comenzar asegúrese que la variable este en formato fecha, para revisar puede emplear la función class()

R

covid %>%
  dplyr::pull(fecha_reporte_web) %>%
  base::class()
[1] "Date"

Si su variable no está en formato fecha (date), por favor, revise nuevamente la sección NAs relacionados con errores en la escritura de fechas y emplee la función ahí aprendida.

⚠️ Instrucción: Empleando la función hist, cree un histograma de las fechas en que fueron reportados los casos por semana.

R

covid %>%
  dplyr::pull(fecha_reporte_web) %>%
  graphics::hist(breaks = "weeks")

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

Como podemos observar la gráfica empieza desde 1969. Por razones epidemiológicas rápidamente analizamos que al tratarse de casos COVID esperaríamos que los registros empezaran desde 2020. Esto indica que puede haber una fecha que esté mal digitada dando como resultado el histograma anterior.

Para este caso podemos ordenar los datos con la función arrange del paquete dplyr dentro de tidyverse para ver las fechas ordenadas e identificar potenciales fechas erróneas al comienzo de la serie. Como se muestra en el ejemplo a continuación:

⚠️ Instrucción: Observe los datos que encabezan el dataset cuando está ordenada por fecha.

R

covid %>%
  dplyr::arrange(fecha_reporte_web) %>%
  dplyr::select(fecha_reporte_web) %>%
  utils::head()

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

R

covid %>%
  dplyr::arrange(fecha_reporte_web) %>%
  dplyr::select(fecha_reporte_web) %>%
  utils::head()
# A tibble: 6 × 1
  fecha_reporte_web
  <date>           
1 1970-01-01       
2 2020-03-20       
3 2020-03-20       
4 2020-03-21       
5 2020-03-23       
6 2020-03-24

En la primera fila tenemos el valor por fuera del rango esperado, es decir, una fecha de 1970. En este caso es un solo dato el que debemos corregir, sin embargo, podrían existir varios cientos de estos. Para corregir este tipo de errores se puede eliminar las filas que contienen estos datos o reasignar a estos valores con datos tipo NA para no perder la demás información.

3.2.9. Corrección de errores en fechas

Una vez explorados los datos e identificados posibles errores, podemos explorar las medidas correctivas a utilizar. En este caso teniendo en cuenta que los primeros casos de COVID en latinoamérica fueron en febrero del 2020 emplearemos el primero de febrero (2020-02-01) como la fecha a partir de la cual consideraremos estos datos como válidos. Podemos definir la fecha de corte a partir del contexto epidemiológico, o la documentación.

⚠️ Instrucción: Filtre los datos por la fecha de reporte antes de la fecha “2020-02-01”.

R

covid %>%
  dplyr::filter(fecha_reporte_web < as.Date("2020-02-01"))

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

# A tibble: 1 × 25
  fecha_reporte_web id_de_caso fecha_de_notificacion  edad sexo
  <date>                 <int> <chr>                 <int> <fct>
1 1970-01-01           1631715 21/12/2020               24 F
# ℹ 20 more variables: ubicacion_del_caso <chr>, estado <chr>,
#   recuperado <chr>, fecha_de_inicio_de_sintomas <chr>, fecha_de_muerte <chr>,
#   fecha_de_diagnostico <chr>, fecha_de_recuperacion <chr>,
#   tipo_de_recuperacion <chr>, fecha_de_nacimiento <dbl>,
#   nombre_del_pais <fct>, sintomas <fct>, edad_repetida <int>,
#   num_hos_rec <dbl>, tension_sistolica <chr>, tension_diastolica <chr>,
#   vacunado <lgl>, talla <dbl>, peso <dbl>, edad_en_dias <dbl>, row_id <int>

Una vez identificados los datos, podemos corregirlos reemplazándolos por el valor correcto (si lo conocemos), convirtiéndolos en valores NA o excluyéndolos del análisis.

⚠️ Instrucción: Empleando la función filter excluya las fechas previas a la fecha “2020-02-01” en la variable fecha_reporte_web. Recuerde usar la expresión ! antes del nombre de la variable para lograr una selección inversa.

R

covid <- covid %>% 
  dplyr::filter(!fecha_reporte_web < as.Date("2020-02-01"))

Ahora volvamos a producir la gráfica y observemos.

⚠️ Instrucción: Vuelva a producir el histograma con la corrección en las fechas.

R

covid %>%
  dplyr::pull(fecha_reporte_web) %>%
  graphics::hist(breaks = "weeks")

Resultado esperado: Al usar el anterior código con el mismo dataset se obtiene el siguiente resultado:

3.2.10. Filtrado de registros con NA

En ciertos análisis, puede ser necesario excluir los valores NA. Para lograr esto, podemos utilizar la función de filtrado proporcionada por dplyr. Esto nos permite centrarnos en los datos completos.

⚠️ Instrucción: Revise el contenido de la variable ubicacion_del_caso:

R

covid %>%
  dplyr::pull(ubicacion_del_caso) %>%
  base::table(useNA = "always")
.
        Casa    Fallecido     Hospital Hospital UCI         <NA> 
       74850         1726           12            1          407

Instrucción: Filtre la variable ubicacion_del_caso para excluir los registros con NA presentes en esta variable:

R

covid <- covid %>%
  dplyr::filter(!is.na(ubicacion_del_caso))

Instrucción: Revise el contenido de la variable ubicacion_del_caso para ver los cambios:

R

covid %>% 
  dplyr::pull(ubicacion_del_caso) %>% 
  base::table(useNA = "always")
.
        Casa    Fallecido     Hospital Hospital UCI         <NA> 
       74850         1726           12            1            0

Como puede observar ahora los NA son 0.

3.2.11. Reemplazo de siglas, abreviaturas o valores códigos

En el proceso de la recopilación o entrada de datos, es común el uso de siglas, abreviaturas o códigos para registrar información. Por ejemplo, en el caso de la variable de sexo, a veces se puede emplear “1”, “m” o “M” para representar el sexo masculino, y “2”, “f” o “F” para el sexo femenino, entre otras opciones. Si se cuenta con un diccionario para la conversión de estos valores, es posible utilizar la función clean_using_dictionary de del paquete cleanepi para realizar el reemplazo correspondiente.

Dado que de momento no tenemos un diccionario podemos crear uno.

R

diccionario <- base::data.frame(
  options = c("1", "2", "M", "F", "m", "f"),
  values = c("masculino", "femenino", "masculino",
             "femenino", "masculino", "femenino"),
  grp = rep("sexo", 6),
  orders = 1:6)

⚠️ Instrucción: Revise el contenido de la variable sexo:

R

covid %>%
  dplyr::pull(sexo) %>%
  base::table(useNA = "always")
.
    F     M  <NA> 
40962 35627     0

Aviso

La función clean_using_dictionary tiene como argumento principal:

data: el dataset (o linelist) con los datos a modificar.
dictionary: un diccionario que contiene los valores que se van a reemplazar los datos actuales. Cada clave en el diccionario representa un valor original en el conjunto de datos, y el valor asociado a esa clave es el nuevo significado que se le asignará al dato.

⚠️ Instrucción: Aplique la función clean_using_dictionary al dataset:

R

covid <- cleanepi::clean_using_dictionary(covid,
                                          dictionary = diccionario)

⚠️ Instrucción: Revise el contenido de la variable sexo para ver los cambios:

R

covid %>%
  dplyr::pull(sexo) %>%
  base::table(useNA = "always")
.
masculino  femenino      <NA> 
    35627     40962         0

Tema 4: Organización de los datos

Finalmente podemos realizar algunas actividades de organización de datos. Como, por ejemplo:

4.1. Eliminación de variables repetidas o que no tengan utilidad en responder la pregunta de investigación

Durante la exploración de datos es posible encontrar variables cuyo contenido no es necesario para el análisis o que ya no se requieren. Para optimizar el uso de recursos de memoria en el equipo, podemos eliminar estas variables. Para lograrlo podemos usar la función select del paquete tidyverse.

⚠️ Instrucción: Empleando la función select acompañada del símbolo - elimine la variable edad_repetida.

R

covid <- covid %>%
  dplyr::select (!edad_repetida)

4.2. Organización de las variables

Parte de la organización de las variables incluye asignar nombres apropiados a las variables, según la necesidad del proyecto. Esto se puede lograr mediante la función rename de dplyr.

⚠️ Instrucción: Empleando la función rename cambie el nombre de la variable fecha_de_inicio_de_sintomas a un nombre más corto como, por ejemplo: inicio_sintomas.

R

covid <- covid %>%
  dplyr::rename(inicio_sintomas = fecha_de_inicio_de_sintomas)

¿A qué otras columnas les cambiaría el nombre?

4.3. Almacenamiento del dataset limpio

Una vez se haya terminado la modificación, limpieza y corrección de los datos podemos guardar el dataset limpio. Esto se debe a que, todos los cambios que han sido realizados se han guardado únicamente en la sesión de R, y se perderán una vez que esta se cierre. Para hacerlo, se puede utilizar la función export del paquete rio.

Aviso

La función export necesita mínimo dos argumentos:

x: El nombre del objeto que se guardará en el archivo.
file: El nombre del archivo con su extensión (ej. datos_limpios_covid.RDS). Si se almacenará en una carpeta, se agrega la ruta a la carpeta antes del nombre del archivo (ej.datos/limpios/datos_limpios_covid.RDS).

⚠️ Instrucción: Cree un directorio de datos limpios y almacene los datos corregidos en el formato de su preferencia. Le recomendamos .RDS.

R

rio::export(covid, "datos/limpios/datos_limpios_covid.RDS")# guarde los datos

Resultado esperado: Para observar el resultado vaya a su carpeta datos y a la subcarpeta limpios. Ahí verá un archivo llamado datos_limpios_covid.RDS. También puede almacenar el archivo en formato .xls o .xlsx para Excel, así como en otros múltiples formatos. Sin embargo, se recomienda RDS por su bajo peso y capacidad de almacenamiento.

Puntos clave

Revise si al final de esta lección adquirió estas competencias:

Reconocer las herramientas que facilitan la limpieza de datos epidemiológicos.
Identificar las buenas prácticas de la limpieza de datos epidemiológicos.
Explorar el proceso de limpieza, organización y caracterización de datos epidemiológicos.

Contribuciones

Zulma M. Cucunuba: Versión inicial
Laura Gómez-Bermeo: Edición
Geraldine Gomez: Ediciones menores
Andree Valle: Ediciones menores
José M. Velasco España: Ediciones menores

Asuntos legales

Content from Construyendo un modelo deterministico simple

Última actualización: 2024-10-08 | Mejora esta página

Hoja de ruta

Preguntas

¿Cómo construir un modelo simplificado de zika?

Objetivos

Al final de este taller usted podrá:

Reconocer cómo se construye un modelo determinístico simple mediante ecuaciones diferenciales ordinarias.
Identificar parámetros relevantes para modelar epidemias de ETV.
Diagramar la interacción entre los diferentes compartimentos del sistema mediante los parámetros.
Traducir ecuaciones matemáticas del modelo determinístico a código de lenguaje R.
Explorar el uso de las simulaciones del modelo para proyectar escenarios de transmisión y potencial impacto de las intervenciones

Pre requisito

Esta unidad tiene como prerequisitos:

Introducción a R y RStudio
Introducción a la teoría epidémica
Historia de las epidemias y las pandemias
Visualización de datos en R con ggplot

Lista de verificación

Tabla de contenido

Tema 1: Enfermedades transmitidas por vectores: Biología del vector, virus del Zika, diagnóstico e intervenciones
Tema 2: Repaso ¿Qué es un modelo determinístico simple?
Tema 3: Modelo SIR simple Zika
Tema 4: Elaborando diagramas y ecuaciones del modelo Zika
Tema 5. Elaborando la tabla de parámetros del modelo simple de Zika.
Tema 6: Modelo Zika en R
Tema 7: Parametrización de intervenciones de control para Zika

Introducción

En esta unidad abordaremos la construcción de un modelo determinístico simple, específicamente para el virus del Zika, una enfermedad que desencadenó una gran epidemia en Latinoamérica y el Caribe, y que fue declarada como emergencia de salud pública de importancia internacional. Utilizando los conocimientos previos de teoría epidémica, construiremos un modelo determinístico tipo SIR que incorpora aspectos demográficos.

Para la construcción de este modelo, aprenderemos sobre la dinámica de interacción entre humanos y vectores, así como de los parámetros fundamentales que rigen estos procesos biológicos. Mediante la construcción de un diagrama, examinaremos estas relaciones y formularemos ecuaciones que describen el comportamiento del sistema. Estas ecuaciones serán la base para simular el modelo en el lenguaje de programación R. A su vez propondremos y modelaremos estrategias de intervención.

Mediante el análisis del modelo, evaluaremos el potencial impacto de esta epidemia en la sociedad, contextualizando algunas de estas intervenciones en América Latina. Además, reforzaremos y aplicaremos temas clave como son: Modelo SIR, Inmunidad de rebaño, Parámetros e intervenciones de control (fumigación, mosquiteros y vacunación) para una Enfermedad transmitida por vectores (ETV).

Tema 6: Modelo Zika en R

En esta sección pondremos en uso el conocimiento adquirido sobre el Zika, los mecanismos involucrados en la transmisión y las ecuaciones del modelo. El objetivo es construirlo en R.

El único paquete que se requiere para el modelamiento es deSolve, el cual permite resolver las ecuaciones diferenciales. Adicionalmente para manejar los datos y graficar los resultados recomendamos usar tidyverse y cowplot.

Para iniciar nuestra práctica en R, por favor abra un proyecto de R y cree un nuevo documento. En este documento debemos cargar las funciones que acabamos de explicar. Si tiene dificultades con este proceso por favor repase la unidad Introducción a R.

install.packages(deSolve) # Paquete deSolve para resolver las ecuaciones diferenciales

Una vez instalado el paquete deSolve por favor cárgue los paquetes con las siguientes líneas de código, cópielas en su script de R y ejecútelas.

R

library(deSolve)

library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.1     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(cowplot)

Attaching package: 'cowplot'

The following object is masked from 'package:lubridate':

    stamp

Recordemos que para crear un modelo necesitamos compartimentos, condiciones iniciales, parámetros y ecuaciones.

Para este modelo en R empezaremos por definir los parámetros, es decir, todos aquellos valores que a través de la investigación se han recopilado y hacen parte del comportamiento de la enfermedad. En la sección anterior hablamos sobre ellos y los completamos en una tabla. Es hora de ingresarlos en R.

Instrucción: Por favor, tome la tabla que trabajó anteriormente e ingrese el valor de cada uno de estos parámetros.

Aviso

NOTA: Es importante recordar que en R, puede utilizar objetos previamente creados para realizar cálculos. Por ejemplo, el parámetro muv es el inverso del parámetro Lv, es decir, muv = 1/Lv. Por lo tanto, en R se puede asignar este valor directamente con muv <- 1/Lv. No es necesario realizar la división y asignar el resultado manualmente.

Desafío 1

Instrucción: Por favor, tome la tabla que trabajó anteriormente e ingrese el valor de cada uno de estos parámetros.

R

Lv       <-        # Esperanza de vida de los mosquitos (en días)
Lh       <-        # Esperanza de vida de los humanos (en días)
PIh      <-        # Periodo infeccioso en humanos (en días)
PIv      <-        # Periodo infeccioso en vectores (en días)
PEI      <-        # Período extrínseco de incubación en mosquitos adultos (en días)
muv      <-        # Tasa per cápita de mortalidad de la población de mosquitos (1/Lv)
muh      <-        # Tasa per cápita de mortalidad de la población de humanos (1/Lh)
alphav   <-        # Tasa per cápita de natalidad de la población de mosquitos. Por ahora asumiremos que es la misma de tasa de mortalidad.
alphah   <-        # Tasa per cápita de natalidad de la población de humanos.  Por ahora asumiremos que es la misma de tasa de mortalidad
gamma    <-        # Tasa de recuperación en humanos (1/PIh)
delta    <-        # Tasa extrínseca de incubación (1/PEI)
Nh       <-        # Número de humanos. Para este ejercicio proponemos 100.000 humanos. Puede cambiarlos si desea de acuerdo a su contexto.
m        <-        # Densidad de mosquitos hembra por humano
Nv       <-        # Número de mosquitos (m * Nh)
R0       <-        # Número reproductivo básico
ph       <-        # Probabilidad de transmisión de un mosquito infeccioso a un humano susceptible después de una picadura.
pv       <-        # Probabilidad de transmisión de un humano infeccioso a un mosquito susceptible después de una picadura.
b        <-        sqrt((R0 * muv*(muv+delta) * (muh+gamma)) /
                   (m * ph * pv * delta)) # Tasa de picadura
betah    <-        # Coeficiente de transmisión de un mosquito infeccioso a un humano susceptible después de una picadura (ph*b)
betav    <-        # Coeficiente de transmisión de un humano infeccioso a un mosquito susceptible después de una picadura (pv*b)
TIME     <-  1      # Número de años que se va a simular. Para este ejercicio iniciaremos con el primer año de la epidemia.

Ahora que ya ingresamos al script los parámetros es hora de emplear las ecuaciones que se escribieron antes, las cuales permiten conocer el número de individuos en cada uno de los seis compartimentos en función del tiempo. Tres compartimentos para los humanos y tres compartimentos para los mosquitos, los cuales están identificados por una h (para humanos) y una v (para mosquitos). Para los humanos tenemos los compartimentos; susceptibles, infectados y recuperados (de ahí la palabra SIR) y para los mosquitos los compartimientos son: susceptibles, expuestos e infecciosos (SEI).

Lista de verificación

$S_h$ : Humanos susceptibles
$I_h$ : Humanos infecciosos
$R_h$ : Humanos recuperados de la infección (inmunizados frente a nueva infección)
$S_v$ : Vectores susceptibles
$E_v$ : Vectores expuestos
$I_v$ : Vectores infecciosos

Ecuaciones del modelo

Para este modelo emplearemos las siguientes ecuaciones diferenciales:

Humanos

\[\ \frac{dSh}{dt} = \alpha_h N_h - \beta_h \frac {I_v}{N_h}S_h - \mu_h S_h \]

\[\ \frac{dIh}{dt} = \beta_h \frac {I_v}{N_h}S_h - (\gamma + \mu_h) I_h \]

\[\ \frac{dRh}{dt} = \gamma I_h - \mu_h R_h\]

Vectores

\[\ \frac{dSv}{dt} = \alpha_v N_v - \beta_v \frac{ I_h} {N_h}S_v - \mu_v Sv\]

\[\ \frac{dE_v}{dt} = \beta_v \frac{I_h} {N_h}S_v- (\delta + \mu_v) Ev\]

\[\ \frac{dI_v}{dt} = \delta Ev - \mu_v I_v\]

Fórmula para calcular $R_0$ (Número reproductivo básico)

Fórmula necesaria para estimar $R_0$:

\[ R_0 = \frac{mb^2 p_h p_v \delta}{\mu_v (\mu_v+\delta)(\mu_h+\gamma)} \]

Desafío

Instrucción: Traduzca las ecuaciones a R

R


# Humanos
         dSh   <-  alphah * Nh - betah * (Iv/Nh) * Sh - muh * Sh   
         dIh   <-______ * (Iv/Nh) * Sh - (____ + _____) * Ih
         dRh   <-  ______ * Ih  - ______ * Rh
         
 # Mosquitos
         dSv  <-  alphav * Nv - _____ * (Ih/Nh) * Sv - _____ * Sv 
         dEv  <-  _____ * (Ih/Nh) * Sv - (____ + _____)* Ev
         dIv  <-  _____ * Ev - _____ * Iv

Una vez sepamos traducir las ecuaciones a código, se procederá a ejecutar el modelo. Para esto se usará la función ode del paquete deSolve.

Se empezará por crear la función (que luego se usará en el argumento fun). Para ello es necesario traducir las ecuaciones del modelo de Zika a R. Abajo encontrará la función ya construida modelo_zika para que usted reemplace las ecuaciones que ya completó arriba.

Desafío 3

Instrucción: Reemplace las ecuaciones incompletas del siguiente código por las ecuaciones completas del modelo Zika que trabajó en la instrucción anterior.

R


# Modelo determinístico simple (fun)
modelo_zika <- function(tiempo, variable_estado, parametros) {
  
  with(as.list(c(variable_estado, parametros))
, # entorno local para evaluar derivados
       {
         # Humanos
         dSh   <-  ____ * Nh - ____ * (Iv/Nh) * Sh - ____ * Sh   
         dIh   <-  ____ * (Iv/Nh) * Sh - (____ + ____) * Ih
         dRh   <-  ____ * Ih  - ____ * Rh
         
         # Mosquitos
         dSv  <-  alphav * Nv - ____ * (Ih/Nh) * Sv - ____ * Sv 
         dEv  <-  ____ * (Ih/Nh) * Sv - (____ + ____)* Ev
         dIv  <-  ____ * Ev - ____ * Iv
         
         list(c(dSh, dIh, dRh, dSv, dEv, dIv))
       }
  )
}

Resuelva el Sistema

Para resolver el sistema es necesario crear los tres argumentos faltantes (times, parms y y) para usar la función ode.

Desafío 4

Instrucción: Para times y parms, copie el código que se encuentra a continuación y ejecútelo.

R

# Secuencia temporal (times)
tiempo <- seq(1, 365 * TIME , by = 1)
# Los parámetros (parms)
params <- c(
  muv      = muv,     
  muh      = muh, 
  alphav   = alphav,
  alphah   = alphah,
  gamma    = gamma,   
  delta    = delta,   
  betav    = betav,       
  betah    = betah,   
  Nh       = Nh,      
  Nv       = Nv
)

En el código que ejecutó se creó tiempo (times) y parametros (params). Aún nos falta crear el argumento y, el cual desarrollaremos en la siguiente sección.

Condiciones iniciales del sistema (y)

Para definir las condiciones iniciales, recuerde que el escenario a modelar en este ejercicio es para una fecha antes del reporte del primer caso. Por lo tanto estos valores deben reflejar ese contexto.

Discusión

Reflexión: ¿Qué condiciones iniciales tendrían cada uno de los compartimientos?

Desafío 5

Desafío

Instrucción: Complete los espacios según lo aprendido en el tutorial.

R

# Condiciones iniciales del sistema (y)
inicio <- c(Sh = _______ ,        # COMPLETE Y COMENTE
            Ih = _______ ,        # COMPLETE Y COMENTE
            Rh = _______ ,        # COMPLETE Y COMENTE
            Sv = _______ ,        # COMPLETE Y COMENTE
            Ev = _______ ,        # COMPLETE Y COMENTE
            Iv = _______ )        # COMPLETE Y COMENTE

Una vez creados todos los argumentos necesarios, es hora de ingresarlos a ode. Recordemos los cuatro argumentos de ode y a que corresponden a:

y:inicio. Vector creado con las condiciones iniciales de los seis compartimentos.
times:tiempo. Vector con la secuencia temporal
fun:modelo_zika. Función que contiene las ecuaciones necesarias para simular el modelo.
parms:parametros. Vector en el cual se recopilaron los parámetros necesarios para simular el modelo.

Desafío 6

Instrucción: Complete los espacios en blanco según lo trabajado hasta el momento.

R


# Resuelva las ecuaciones
salida <- ode(y      =   _______ , # COMPLETE Y COMENTE
              times  = _______ ,   # COMPLETE Y COMENTE
              fun    = _______ ,   # COMPLETE Y COMENTE
              parms  = _______  # COMPLETE Y COMENTE
) %>%
  as.data.frame() # Convertir a data frame

Introduciendo el primer caso

Ahora que tenemos todos los compartimentos definidos, es hora de ingresar al modelo un individuo infeccioso para iniciar la epidemia.

Discusión

Reflexión: ¿Qué cree que es más probable, que a una población (en otro país) ingrese un humano infeccioso o un mosquito infeccioso?

Para nuestro caso hipotético, vamos a suponer que una persona se infectó en Brasil mientras estaba de turismo y regresó posteriormente a la ciudad ______________ (la ciudad que usted definió al comienzo del ejercicio) siendo el primer sujeto infeccioso en esta población. En este contexto, el compartimento de humanos infecciosos tendrá entonces un individuo, Ih = 1 y el compartimento de humanos susceptibles tendrá un individuo menos, Sh = Nh - 1.

Desafío

Pista: Cambie en R las condiciones iniciales (inicio) de forma que Ih = 1 y Sh = Nh - 1.

¡Ahora ejecutaremos el modelo!

Hasta este punto, usted ha completado toda la información faltante en el script para poder ejecutar el modelo.

Aviso

Instrucción: Ejecute cada conjunto de las líneas del script vistas anteriormente, es decir, ejecute las secciones: Lista de parámetros, la sección Modelo determinístico simple (donde construyó el modelo), las secciones Secuencia temporal (tiempo (times)), Los parámetros (parametros (parms)), la sección Condiciones iniciales del sistema (inicio (y)) y la sección final Resuelva las ecuaciones.

Instrucción: Verifique que no aparezca ningún error. En caso de error por favor verifique la escritura del código y que no haya quedado en el código otros caracteres que no corresponden como por ejemplo “_____” los guiones de los espacios para completar.

Visualizando los resultados

En nuestro curso usaremos ggplot para la visualización de datos. Es importante que repase la Unidad 4. Visualización de datos en ggplot

Hay que recordar que la unidad de tiempo del modelo de Zika está ya definida desde los parámetros como días.

Sin embargo, si usted quisiera visualizar los resultados en semanas, meses o años puede hacerlo a partir de los resultados del modelo (salida$time). Para hacerlo, puede usar el siguiente código.

Desafío 7

Para tener una visualización más significativa de los resultados, convierta las unidades de tiempo de días a años y a semanas.

R

# Cree las opciones de tiempo para años y semanas 
salida$años <- salida$time/365
salida$semanas <- salida$time/7

Visualice y analice la primer epidemia

Empecemos realizando una visualización de la primera epidemia. Dado que es un periodo de un año visualicemos las gráficas en semanas.

Instrucción: Ejecute el código a continuación y analice las gráficas resultantes.

R

# Revise la primera epidemia
p1e <- ggplot(data = salida, aes(y = Ih, x = semanas)) +
  geom_line(color = 'firebrick', linewidth = 1) +
  ggtitle('Población de humanos infecciosos') +
  theme_bw() + ylab('Número') + xlab('Semanas') +
 coord_cartesian(ylim = c(0,10000)) #creamos gráfico de población humana infecciosa
p2e <- ggplot(data = salida, aes(y = Rh, x = semanas)) +
  geom_line(color = 'olivedrab', linewidth = 1) +
  ggtitle('Población humana recuperada') +
  theme_bw() + ylab('Número') + xlab('Semanas') +
 coord_cartesian(ylim = c(0,100000))  #creamos gráfico de población humana recuperada


plot_grid(p1e, p2e) #creamos gráfico comparativo de la gráfica de población humana infecciosa y población humana recuperada

Discusión

Reflexión: ¿Qué puede observar en la gráfica? Observe bien el eje Y. ¿Qué proporción de humanos son infecciosos al mismo tiempo?

Para tener mayor claridad de esto podemos crear gráficas de las proporciones:

R

# Revise la primera epidemia con proporciones
p1p <- ggplot(data = salida, aes(y = Ih/(Sh+Ih+Rh), x = semanas)) +
  geom_line(color = 'firebrick', linewidth = 1) +
  ggtitle('Población de humanos infecciosos') +
  theme_bw() + ylab('Proporción') + xlab('Semanas') +
 coord_cartesian(ylim = c(0,1)) #creamos gráfico de población humana infecciosa
p2p <- ggplot(data = salida, aes(y = Rh/(Sh+Ih+Rh), x = semanas)) +
  geom_line(color = 'olivedrab', linewidth = 1) +
  ggtitle('Población humana recuperada') +
  theme_bw() + ylab('Proporción') + xlab('Semanas') +
 coord_cartesian(ylim = c(0,1))  #creamos gráfico de población humana recuperada


plot_grid(p1p, p2p) #creamos gráfico comparativo de la gráfica de población humana infecciosa y población humana recuperada

Comportamiento general (Población humana)

Ya observamos la primera epidemia es momento de proyectar la epidemia a un tiempo superior.

Instrucción: Regrese a los parámetros y modifique el parámetro TIME a 100 años. Ejecute el siguiente bloque de código y observe cuántos brotes se producen en la población humana y el tamaño de cada brote.

R

# # Revise el comportamiento general del modelo para 100 años
p1h <- ggplot(data = salida, aes(y = (Rh + Ih + Sh), x = años)) +
  geom_line(color = 'grey68', linewidth = 1) +
  ggtitle('Población humana total') +
  theme_bw() + ylab('Número') + xlab('Años')
p2h <- ggplot(data = salida, aes(y = Sh, x = años)) +
  geom_line(color = 'royalblue', linewidth = 1) +
  ggtitle('Población humana susceptible') +
  theme_bw() + ylab('Número') + xlab('Años')
p3h <- ggplot(data = salida, aes(y = Ih, x = años)) +
  geom_line(color = 'firebrick', linewidth = 1) +
  ggtitle('Población humana infecciosa') +
  theme_bw() + ylab('Número') + xlab('Años')
p4h <- ggplot(data = salida, aes(y = Rh, x = años)) +
  geom_line(color = 'olivedrab', linewidth = 1) +
  ggtitle('Población humana recuperada') +
  theme_bw() + ylab('Número') + xlab('Años')
plot_grid(p1h, p2h, p3h, p4h, ncol = 2)

Comportamiento General (Población de mosquitos)

Instrucción: Ejecute el siguiente bloque de código y observe cuántos brotes se producen en la población de mosquitos y el tamaño de cada brote. Compare las gráficas con las gráficas de la población humana.

R

# Revise el comportamiento general del modelo
p1v <- ggplot(data = salida, aes(y = (Sv + Ev + Iv), x = años)) +
  geom_line(color = 'grey68', linewidth = 1) +
  ggtitle('Población total de mosquitos') +
  theme_bw() + ylab('Número') + xlab('Años')
p2v <- ggplot(data = salida, aes(y = Sv, x = años)) +
  geom_line(color = 'royalblue', linewidth = 1) +
  ggtitle('Población susceptible de mosquitos') +
  theme_bw() + ylab('Número') + xlab('Años')
p3v <- ggplot(data = salida, aes(y = Ev, x = años)) +
  geom_line(color = 'orchid', linewidth = 1) +
  ggtitle('Población expuesta de mosquitos') +
  theme_bw() + ylab('Número') + xlab('Años')
p4v <- ggplot(data = salida, aes(y = Iv, x = años)) +
  geom_line(color = 'firebrick', linewidth = 1) +
  ggtitle('Población infecciosa de mosquitos') +
  theme_bw() + ylab('Número') + xlab('Años')
plot_grid(p1v, p2v, p3v, p4v, ncol = 2)

Proporción

Instrucción: Ejecute el siguiente bloque de código y compárelo con las gráficas generadas para la población humana.

R

p1 <- ggplot(data = salida, aes(y = Sh/(Sh+Ih+Rh), x = años)) +
  geom_line(color = 'royalblue', linewidth = 1) +
  ggtitle('Población humana susceptible') +
  theme_bw() + ylab('Proporción') + xlab('Años') +
  coord_cartesian(ylim = c(0,1))
p2 <- ggplot(data = salida, aes(y = Ih/(Sh+Ih+Rh), x = años)) +
  geom_line(color = 'firebrick', linewidth = 1) +
  ggtitle('Población humana infecciosa') +
  theme_bw() + ylab('Proporción') + xlab('Años') +
  coord_cartesian(ylim = c(0,1))
p3 <- ggplot(data = salida, aes(y = Rh/(Sh+Ih+Rh), x = años)) +
  geom_line(color = 'olivedrab', linewidth = 1) +
  ggtitle('Población humana recuperada') +
  theme_bw() + ylab('Proporción') + xlab('Años') +
  coord_cartesian(ylim = c(0,1))
plot_grid(p1, p2, p3, ncol = 2)

Puntos clave

Revise si al final de esta lección adquirió estas competencias:

Aplicar conceptos como parámetros, $R_0$ e inmunidad de rebaño, aprendidos en la sesión A del taller
Traducir fórmulas matemáticas de las interacciones entre los parámetros del modelo a código de R
Realizar un modelo simple en R para una enfermedad transmitida por vector
Discutir cambios en las proyecciones del modelo cuando se instauran diferentes estrategias de control de la infección

Contribuciones

Zulma Cucunuba & Pierre Nouvellet: Versión inicial
Kelly Charinga & Zhian N. Kamvar: Edición
José M. Velasco-España: Traducción de Inglés a Español y Edición
Andree Valle-Campos: Ediciones menores

Asuntos legales

Referencias

de Carvalho, S. S., Rodovalho, C. M., Gaviraghi, A., Mota, M. B. S., Jablonka, W., Rocha-Santos, C., Nunes, R. D., Sá-Guimarães, T. da E., Oliveira, D. S., Melo, A. C. A., Moreira, M. F., Fampa, P., Oliveira, M. F., da Silva-Neto, M. A. C., Mesquita, R. D., & Atella, G. C. (2021). Aedes aegypti post-emergence transcriptome: Unveiling the molecular basis for the hematophagic and gonotrophic capacitation. PLoS Neglected Tropical Diseases, 15(1), 1–32. https://doi.org/10.1371/journal.pntd.0008915

Chang, C., Ortiz, K., Ansari, A., & Gershwin, M. E. (2016). The Zika outbreak of the 21st century. Journal of Autoimmunity, 68, 1–13. https://doi.org/10.1016/j.jaut.2016.02.006

Cori, A., Ferguson, N. M., Fraser, C., & Cauchemez, S. (2013). A new framework and software to estimate time-varying reproduction numbers during epidemics. American Journal of Epidemiology, 178(9), 1505–1512. https://doi.org/10.1093/aje/kwt133

Duffy, M. R., Chen, T.-H., Hancock, W. T., Powers, A. M., Kool, J. L., Lanciotti, R. S., Pretrick, M., Marfel, M., Holzbauer, S., Dubray, C., Guillaumot, L., Griggs, A., Bel, M., Lambert, A. J., Laven, J., Kosoy, O., Panella, A., Biggerstaff, B. J., Fischer, M., & Hayes, E. B. (2009). Zika Virus Outbreak on Yap Island, Federated States of Micronesia. New England Journal of Medicine, 360(24), 2536–2543. https://doi.org/10.1056/nejmoa0805715

Ferguson, N. M., Cucunubá, Z. M., Dorigatti, I., Nedjati-Gilani, G. L., Donnelly, C. A., Basáñez, M. G., Nouvellet, P., & Lessler, J. (2016). Countering the Zika epidemic in Latin America. Science, 353(6297). https://doi.org/10.1126/science.aag0219

Heesterbeek, J. A. P. (2002). A brief history of R0 and a recipe for its calculation. Acta Biotheoretica, 50(3). https://doi.org/10.1023/A:1016599411804

Lee, E. K., Liu, Y., & Pietz, F. H. (2016). A Compartmental Model for Zika Virus with Dynamic Human and Vector Populations. AMIA … Annual Symposium Proceedings. AMIA Symposium, 2016, 743–752.

Pettersson, J. H. O., Eldholm, V., Seligman, S. J., Lundkvist, Å., Falconar, A. K., Gaunt, M. W., Musso, D., Nougairède, A., Charrel, R., Gould, E. A., & de Lamballerie, X. (2016). How did zika virus emerge in the Pacific Islands and Latin America? MBio, 7(5). https://doi.org/10.1128/mBio.01239-16

Hoja de ruta

Preguntas

Objetivos

Pre requisito

Tabla de contenido

Lista de verificación

Tema 1: Introducción

Tema 2: Instalación de R y RStudio

Tema 3: Ambiente de RStudio

Tema 4: Configuración de un proyecto en RStudio

Desafío

Tema 5: Tipos de datos y operadores en R

Lista de verificación

Lista de verificación

R

Tema 6: Estructuras en R

Desafío

R

Aviso

R

R

Lista de verificación

R

R

Discusión

R

R

Lista de verificación

Aviso

Tema 7: Funciones

Lista de verificación

R

R

Desafío

Lista de verificación

Tema 8: Manipulación de datos con tidyverse

R

R

Aviso

R

R

R

R

Lista de verificación

R

R

R

R

R

R

R

R

R

R

R

Actividad de afianzamiento:

R

Puntos clave

Contribuciones

Asuntos legales

Hoja de ruta

Preguntas

Objetivos

Pre requisito

Tabla de contenido

Introducción

Lista de verificación

Aviso

R

R

Aviso

R

R

Estética (Aesthetics)

R

R

Lista de verificación

R

R

R

Tema 8: Manipulación de datos con `tidyverse`