Curso en ciencia de datos en salud pública y modelamiento de enfermedades infecciosas: Todo en una sola página

Content from Introducción a R y Rstudio

Última actualización: 2024-11-19 | 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

Módulo: Ciencia de datos en salud pública
- Unidad: 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 cursor 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 izquierda, 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 con encabezado New Project Wizard:Project Type, se debe seleccionar New Project
En la ventana con encabezado New Project Wizard: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 del 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

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.

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 <- y =

<- 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"

Se abra creado un objeto en el ambiente global (ubiquelo en la sección lateral derecha superior):

= 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: 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.

Componentes básicos de una función

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)

SALIDA

[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.

Paquetes o librerías

En R, los paquetes, también llamados “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.

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 7: 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

SALIDA

  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

Parte de un data.frame

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)

SALIDA

'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)

SALIDA

 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]

SALIDA

[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.

Fuentes de conjunto de datos

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.

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`

Aviso

Recordatorio: Si se desea almacenar los datos en un objeto se debe usar el operador de asignación.

Ejemplo:

R

library("paquete que contiene la función")
datos <- funcion_read("direccion_de_los_datos.formato")

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')

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

R

library(tidyverse)

SALIDA

── 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")

Ahora se ha creado un objeto tipo data.frame.

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 <- summarise(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())

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()

SALIDA

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())
```
SALIDA
```
# A tibble: 1 × 2
  media casos
  <dbl> <int>
1  40.1 50000
```
group_by (agrupar)

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))

SALIDA

# 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

SALIDA

# 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)

SALIDA

# 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

SALIDA

# 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)

SALIDA

# 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>, …

R

dat %>% arrange(edad,sexo)

SALIDA

# 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))

SALIDA

# 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)
```
SALIDA
```
# 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)

SALIDA

# 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)

SALIDA

# 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>

Si se desea modificar un objeto ya creado con estas funciones, también se debe usar el operador de asignación. Ejemplo:

R

objeto <- objeto %>% mutate(nueva_columna = contenido_nuevo)

Si se realiza sin asignación el cambio solo se verá reflejado en la consola. Recuerde tener seguridad de querer guardar el cambio (esta acción podría ser irreversible). Si quiere conocer más sobre errores frecuentes y como prevenirlos visite nuestro banco de errores.

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: 2024-11-19 | 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

Pre requisito

Esta unidad tiene como prerequisitos:

Introducción a R y RStudio

Tabla de contenido

Módulo: Ciencia de datos en salud pública
- Unidad: Introducción a la visualización de datos en R con ggplot2
  - 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.

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.

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)

SALIDA

── 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)

SALIDA

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())

SALIDA

`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:

1. 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.

2. 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.

3. 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.

4. 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.

5. 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.

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())

SALIDA

`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, 2023

Content from Reporte e informes tecnicos en R Markdown

Última actualización: 2024-11-19 | 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

Tabla de contenido

Módulo: Ciencia de datos en salud pública
- Unidad: Reporte e informes técnicos en R Markdown
  - Tema 1: ¿Qué es R Markdown?
  - Tema 2: Estructura de R Markdown
  - Tema 3: Paso a Paso en R Markdown

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

SALIDA

[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 Limpieza de datos epidemiológicos

Última actualización: 2024-11-19 | 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

Tabla de contenido

Módulo: Ciencia de datos en salud pública
- Unidad: Limpieza de datos epidemiológicos
  - Tema 1: Introducción a la limpieza de datos (Ver en plataforma del curso)
  - Tema 2: Exploración y caracterización de los datos
  - Tema 3: Modificación, 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

⚠️ 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:

SALIDA

── 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:

SALIDA

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:

SALIDA

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:

SALIDA

 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:

SALIDA

      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:

SALIDA

   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:

SALIDA

.
     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:

SALIDA

.
     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:

SALIDA

[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:

SALIDA

 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:

SALIDA

      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:

SALIDA

.
          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:

ADVERTENCIA

Warning in base::table(., useNA = "always"): NAs introduced by coercion

SALIDA

.
   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()

ADVERTENCIA

Warning in base::table(.): NAs introduced by coercion

SALIDA

.
FALSE  TRUE
54068 25132

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

R

covid %>%
  dplyr::pull(talla) %>%
  utils::head()

SALIDA

[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()

SALIDA

[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()

SALIDA

.
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()

SALIDA

[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)

SALIDA

   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()

SALIDA

   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")

SALIDA

.
    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")

SALIDA

.
    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()

SALIDA

[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()

SALIDA

[1] "102" "148" "92"  "122" "153" "129"

R

covid %>%
  dplyr::pull(tension_diastolica) %>%
  utils::head()

SALIDA

[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

SALIDA

[1] Inf

R

-2^1024

SALIDA

[1] -Inf

R

1/1e-309

SALIDA

[1] Inf

R

1/0

SALIDA

[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()

SALIDA

[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

SALIDA

[1] NaN

R

Inf-Inf

SALIDA

[1] NaN

R

0/0

SALIDA

[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()

SALIDA

.
    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()

SALIDA

[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()

SALIDA

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()

SALIDA

.
    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")

SALIDA

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")

SALIDA

.
        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")

SALIDA

.
        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")

SALIDA

.
        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")

SALIDA

.
        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()

SALIDA

[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()

SALIDA

[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()

SALIDA

# 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:

SALIDA

# 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")

SALIDA

.
        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")

SALIDA

.
        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")

SALIDA

.
    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")

SALIDA

.
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

Copyright: Zulma M. Cucunuba, 2019

Content from Construyendo un modelo deterministico simple

Última actualización: 2024-11-19 | 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

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.

6.1 Inicio práctica en R

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)

library(cowplot)

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.

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.

6.2 Ecuaciones del modelo

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).

Compartimentos

$S_h$ : 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

Para este modelo emplearemos las siguientes ecuaciones diferenciales:

6.2.1 Humanos

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

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

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

6.2.2 Vectores

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

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

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

6.3 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))
       }
  )
}

6.4 Resolviendo 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.

6.4.1. 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

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

6.4.2 Función ode

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

6.4.3 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.

6.5 ¡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.

6.6 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

6.7 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

Copyright: Zulma Cucunuba & Pierre Nouvellet, 2017

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

Content from Unidad de Estadística y probabilidad

Última actualización: 2024-11-19 | Mejora esta página

Hoja de ruta

Preguntas

¿Cómo se pueden utilizar la estadística y la probabilidad para resolver preguntas en la epidemiología de enfermedades infecciosas?

Objetivos

Al final de este taller usted podrá:

Comprender el rol de la estadística en el estudio de las enfermedades infecciosas.
Comprender las medidas estadísticas para resumir y analizar la información.
Familiarizarse con el concepto de variable aleatoria y reconocer las principales distribuciones de probabilidad.
Identificar y comprender el proceso del problema estadístico como un problema de inferencia desde una muestra.
Comprender el concepto de intervalo de confianza y el procedimiento de las pruebas de hipótesis.

Pre requisito

Esta unidad tiene como prerequisitos:

Introducción a R y RStudio
Visualización con ggplot2

Esta unidad es un complemento al Curso en ciencia de datos en salud pública y modelamiento de enfermedades infecciosas

Tabla de contenido

Tema 1: Introducción al Pensamiento Estadístico (Ver en plataforma del curso)
Tema 2: Estadística Descriptiva (Ver complemento en plataforma del curso)
Tema 3: Probabilidad (Ver complemento en plataforma del curso)
Tema 4: Principales distribuciones de probabilidad (Ver complemento en plataforma del curso)
Tema 5: Introducción a la inferencia estadística (Ver complemento en plataforma del curso)

Antes de comenzar

Por favor revise que tenga instaladas las librerías tidyverse, pak, epiparameter e infer, en caso de que no estén instaladas ejecute el código a continuación de acuerdo a su necesidad:

R

#Para instalar el paquete de epiparameter si aún no lo tiene (o no tiene seguridad de tenerlo) ejercute el siguiente código

if(!require("pak")) install.packages("pak")
if(!require("epiparameter")) pak::pak("epiverse-trace/epiparameter")

# Para instalar el paquete de tidyverse si aún no lo tiene (o no tiene seguridad de tenerlo)  ejercute el siguiente código

if(!require("tidyverse")) install.packages("tidyverse")


# Para instalar el paquete de infer si aún no lo tiene (o no tiene seguridad de tenerlo)  ejercute el siguiente código

if(!require("infer")) install.packages("infer")

# Para instalar el paquete de epitools si aún no lo tiene (o no tiene seguridad de tenerlo)  ejercute el siguiente código

if (!require(epitools)) install.packages("epitools")

# Para instalar el paquete de cfr si aún no lo tiene (o no tiene seguridad de tenerlo)  ejercute el siguiente código

if (!require("cfr")) install.packages("cfr")

Tema 2: Estadística Descriptiva

Ejercicio: Visualizando y Analizando Datos en R

Existen muchos gráficos de acuerdo al tipo de escala de la variable que se desea analizar. A continuación presentaremos algunos ejemplos para comprender estos conceptos.

Tenga en cuenta realizar previamente la unidad de introducción a R y la unidad de visualización de datos. La tabla de datos para este ejercicio puede encontrarla en: https://github.com/TRACE-LAC/TRACE-LAC-data/raw/main/otros/muestra_covid.RDS
Cuando ya tenga los datos descargados en su computador y en la carpeta de data de su proyecto puede ejecutar el siguiente comando:

R

muestra_covid <- 
  base::readRDS("data/muestra_covid.RDS")

Histograma y Boxplot

Los dos tipos de gráficos más comunes para visualizar la distribución de las variables cuantitativas son los histogramas y los boxplot o gráfico de caja y bigotes.

Los histogramas permiten describir visualmente la distribución de los datos agrupando los datos en intervalos en el eje x, los cuales son generalmente de igual tamaño, y luego para cada intervalo describe la frecuencia absoluta, la frecuencia relativa o la densidad en el eje y. Un histograma de densidad ajusta la frecuencia relativa de cada intervalo de acuerdo a la amplitud del mismo. En R puede ser construido de la siguiente manera:

R

library(ggplot2)
library(dplyr)

SALIDA


Attaching package: 'dplyr'

SALIDA

The following objects are masked from 'package:stats':

    filter, lag

SALIDA

The following objects are masked from 'package:base':

    intersect, setdiff, setequal, union

R

# Histograma con frecuencia absoluta

ggplot(muestra_covid, aes(x = edad)) +
  geom_histogram(color = "darkblue", 
                 fill = "lightblue") +
  labs(y = "Frecuencia Absoluta", x = "Edad en años",
       title = "Distribución de la edad")

SALIDA

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

R

# Histograma con densidad

ggplot(muestra_covid, aes(x = edad)) +
  geom_histogram(aes(y = after_stat(density)),
                 color = "darkblue",
                 fill = "lightblue") +
  labs(y = "Densidad", x = "Edad en años",
       title = "Distribución de la edad")

SALIDA

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Los Boxplot se construyen a partir de la visualización en sentido horizontal o vertical de los siguientes estadísticos:

Primer cuartil Q1 (percentil 25): Valor que deja por debajo el 25% de los datos. “Primera Línea”
Segundo cuartil Q2 (percentil 50 o mediana): Valor que deja por debajo el 50% de los datos. “línea de la mitad”
Tercer cuartil Q3 (percentil 50 o mediana): Valor que deja por debajo el 75% de los datos. “Tercera Línea”

Adicionalmente, estos gráficos son útiles para detectar puntos atípicos o outliers al establecer un límite inferior (Q1-1.5×RIQ) y un límite superior (Q3+1.5×RIQ) basado en el RIQ=Q3-Q1. Los datos por fuera de estos límites son catalogados como inusuales y deben ser revisados. En presencia de datos atípicos, las líneas o bigotes van hasta los límites inferior o superior, en caso contrario van hasta el valor mínimo y máximo, respectivamente.

Otra utilidad de los boxplot y los histogramas es que ayudan a conocer la forma de la distribución con el objetivo de decidir el mejor indicador de tendencia central. De esta manera, una distribución puede ser simétrica o asimétrica positiva/negativa. Cuando existe simetría, se recomienda utilizar la media acompañada de la desviación estándar y en caso contrario, la mediana y el rango intercuartílico debido a que la media puede ser influenciada por los datos extremos de la distribución. Recuerde que un indicador de tendencia central siempre debe ir acompañado de un juez, es decir, su respectivo indicador de variabilidad.

Leyenda explicativa A: En una distribución simétrica, la media, la moda y la mediana toman el mismo valor y los datos se encuentran distribuidos equitativamente alrededor del valor central. Para este tipo de distribuciones se recomienda describir la serie de datos con media y desviación estándar.
Leyenda explicativa B: Distribución asimétrica positiva o sesgada hacia la derecha. Este tipo de distribuciones se caracterizan por tener una mayor concentración de datos hacia el mínimo de la distribución, pero algunos valores se concentran hacia el valor máximo de la misma. El comportamiento esperado es que la media>mediana>moda puesto que la media se deja influenciar por los valores extremos positivos de la distribución. Se recomienda realizar la descripción de los datos por medio de la mediana y rango intercuartílico.
Leyenda explicativa C: Distribución asimétrica negativa o sesgada hacia la izquierda. Este tipo de distribuciones se caracterizan por tener una mayor concentración de datos hacia el máximo de la distribución, pero algunos valores se concentran hacia el valor mínimo de la misma (valores hacia la izquierda). El comportamiento esperado es que la moda>mediana>media dado que esta última se deja influenciar por los valores extremos del costado izquierdo. Se recomienda realizar la descripción de los datos por medio de la mediana y rango intercuartílico.

A continuación realizaremos la visualización de la edad de los casos de COVID-19 a través de un boxplot.

R

# Boxplot

ggplot(muestra_covid, aes(x = "", y = edad)) +
  geom_boxplot(outlier.shape = NA)

De acuerdo con el boxplot de la edad de la muestra de los casos de COVID-19 es posible concluir que la distribución de los datos es asimétrica positiva, dado que existe una mayor cercanía entre los valores del Q1 y la mediana, por lo que es recomendar describir el comportamiento de la misma por medio de la mediana y rango intercuartílico, esto en R puede ser encontrado de la siguiente manera utilizando las funciones resaltadas en azul:

R

# Estadísticas Descriptivas Variables cuantitativas

muestra_covid %>%
  dplyr::summarise(
  n = n (), # Número de observaciones
  media = mean(edad), #Media
  sd = sd(edad), #Desviación estándar
  mediana = quantile(edad, 0.50), # Mediana-Percentil 50
  P25 = quantile(edad, 0.25), # Percentil 25
  P75 = quantile(edad, 0.75)) # Percentil 75

SALIDA

       n    media       sd mediana P25 P75
1 100000 41.99912 19.51872      39  28  55

Finalmente, para la variable edad se puede concluir que la mitad de los pacientes con covid-19 tienen edades entre 27 y 52 años (“RIQ”) con una mediana de 38 años, lo que indica que la mitad de los casos tienen una edad por debajo de este valor. Es importante resaltar que, debido a la asimetría de la distribución, la media y la mediana no coinciden, comportamiento esperado en las distribuciones asimétricas.

Gráfico de Barras y Tablas de Frecuencia

Las variables cualitativas se recomiendan que sean representadas por medio de gráficos de barras. Generalmente, estos se construyen indicando en el X las categorías de las variables y en el eje Y el valor de las frecuencias absolutas, relativas o porcentajes de acuerdo a las necesidades, es decir, siempre es necesario primero evaluar la tabla de frecuencia de la variable. Supongamos que se desea conocer el tipo de contagio de COVID-19. Esto en R puede realizarse utilizando el siguiente comando:

R

tabla <- muestra_covid %>% # se crea la tabla de frecuencia
  dplyr::count(tipo_de_contagio) %>% #conteo de frecuencia para la variable estado
  dplyr::mutate(prop = base::prop.table(n), #proporción
                perc = base::prop.table(n)*100) #porcentaje

tabla

SALIDA

  tipo_de_contagio     n    prop   perc
1      Comunitaria 69985 0.69985 69.985
2        Importado    63 0.00063  0.063
3      Relacionado 29952 0.29952 29.952

Con esta información se puede concluir que el 70% de los casos de covid-19 fueron de la comunidad y sólo el 0.06% fueron importados de otros lugares. Esto puede ser visualizado por medio de un gráfico de barras:

R

ggplot(data = tabla, aes(x = tipo_de_contagio, y = perc)) +
  geom_bar(stat = "identity", color = "darkblue", fill = "lightblue")+
  labs(y = "%", x = " ",title = "Tipo de Contagio")

Tema 3: Probabilidad

En un estudio publicado en el NEJM en el año 2014. titulado “Ebola Virus Disease in West Africa- The First 9 Months of the Epidemic and Forward Projections” (DOI: 10.1056/NEJMoa1411100), se describieron las características clínicas y epidemiológicas de los casos de ébola reportados durante la epidemia que afectó a los países de Guinea, Liberia, Nigeria y Sierra Leona desde diciembre del 2013. En ese estudio se describió que aquellos sujetos mayores de 44 años tenían una mayor probabilidad de morir a causa de la enfermedad. De manera similar al artículo de referencia, se llega a una conclusión comparable si realizamos un cálculo equivalente utilizando medidas de asociación vistas en la Unidad de Epidemiología General aplicada a enfermedades infecciosas, como Riesgos relativos (RR) del la Razón de riesgos o Riesgo relativo (RR). Para ello, se puede reconstruir una tabla 2x2, donde el RR puede ser medido por la razón entre el CFR de un grupo A (p.e., casos con 45 años o más) y un grupo B (p.e., casos con 44 años o menos), donde el CFR es el riesgo de muerte en casos (del inglés Case Fatality Risk).

De esta forma, obtenemos que el riesgo de muerte en casos con 45 años o más es 1.20 veces el riesgo de muerte en casos con 44 años o menos, con un intervalo de confianza del 95% de 1.13 a 1.27, y un valor p menor a 0.01. Para reproducir este cálculo puede usar la librería epitools como se muestra acontinuación.

R

library(epitools)

tabla2x2 <- matrix(c(311, 51, 768, 299),nrow = 2, ncol = 2)

epitools::riskratio(tabla2x2)

SALIDA

$data
          Outcome
Predictor  Disease1 Disease2 Total
  Exposed1      311      768  1079
  Exposed2       51      299   350
  Total         362     1067  1429

$measure
          risk ratio with 95% C.I.
Predictor  estimate    lower    upper
  Exposed1 1.000000       NA       NA
  Exposed2 1.200227 1.133086 1.271346

$p.value
          two-sided
Predictor    midp.exact fisher.exact   chi.square
  Exposed1           NA           NA           NA
  Exposed2 3.179312e-08 4.200177e-08 9.982161e-08

$correction
[1] FALSE

attr(,"method")
[1] "Unconditional MLE & normal approximation (Wald) CI"

En el Tema 5 de esta Unidad encontrará una introducción a la inferencia estadística e intervalos de confianza.

Tema 4: Principales distribuciones de probabilidad

Cómo se describió en el Tema 3, la probabilidad estudia el comportamiento de fenómenos aleatorios “eventos”. En este proceso se observan variables aleatorias (v.a), denotadas usualmente como X que tienen comoobjetivo asignar un número real a cada evento que puede suceder en el espacio muestral.

Para la explicación y ejemplos de las principales distribuciones es importante que instale y cargue los paquetes epiparameter del Epiverse.

R

#cargue la librería epiparameter
library(epiparameter)

Modelos Discretos

La distribución binomial permite describir la probabilidad de ocurrencia de un evento con dos posibles resultados, éxito (p) o fracaso (1-p), en un número determinado de ensayos independientes n con probabilidad constante de éxito p. La variable aleatoria en estudio corresponde a:

X: Número de éxitos en n ensayos

El modelo binomial puede ser de utilidad para conocer la probabilidad de observar un número determinado de eventos (ej. casos, muertes, reinfecciones) en una población de tamaño n bajo el supuesto que la probabilidad del evento es constante. La distribución binomial depende de dos parámetros: la probabilidad de éxito p y el número de ensayos independientes n.

Si X tiene una distribución binomial entonces se representa de la siguiente manera. X~Bin(n,p)

Y su función de densidad, media, esperanza y varianza corresponden a:

$f(x)=P(X=x)=(n x )$

$p^x (1-p)^{(n-x)}$

$E(x)=np$
$Var(x)=np(1-p)$

Ejemplo: Sí en una comunidad de 20 individuos se introduce un virus con una tasa de ataque del 60% ¿Cuál es la probabilidad de que en esta comunidad se infecten 10 o menos individuos?

Sea $X~Bin(n=20,p=0.60)$, entonces se necesita calcular la siguiente expresión:

$P(X≤10)=∑_(x=0)^10 (20 x ) 〖0.60〗^x (1-0.60)^(20-x)$

En R esto puede ser calculado de la siguiente forma:

R

p <- 0.60 
n <- 20 
x <- 10 

pbinom(x,n,p, lower.tail = TRUE)

SALIDA

[1] 0.2446628

Por lo tanto, la probabilidad de que máximo 10 individuos se infecten es del 24.5%.

En distribution-zoo se puede visualizar la distribución completa de la variable

$X~Bin(n=20,p=0.60)$. Así, se puede concluir que en promedio se esperaría encontrar 12 infectados en una comunidad de 20 individuos partiendo de una tasa de ataque del 60%.

Distribución Poisson

La distribución de Poisson modela el comportamiento de variables aleatorias que describen el número de eventos, “conteos”, que ocurren en un intervalo de observación fijo, ejemplo, tiempo (número de infecciones ocurridas en una hora, día, semana, año, etc), o área (número de infecciones ocurridas en un municipio, hospital, etc).

Esta distribución tiene un parámetro llamado lambda ($λ$), $λ>0$, que describe el número promedio de eventos que suceden en el intervalo fijo de observación. Si $X$ tiene una distribución de Poisson, entonces, se representa de la siguiente manera:

$X$~$Poisson(λ)$

Su función de densidad, esperanza, media y varianza corresponde a:

$fx=P(X=x)=\frac{e^{-λ}λ^x}{x!}, x=0,1,2,..,$

$E(x)=λ Var(x)=λ$

En enfermedades infecciosas, la distribución de Poisson puede ser utilizada para modelar el número de casos secundarios generados por un caso primario. En este contexto, el parámetro está en función del número efectivo de reproducción R que representa el promedio de infecciones secundarias causadas por cada caso primario en el tiempo en una población compuesta por individuos susceptibles y no susceptibles.

Desafío

Ejemplo

Supongamos que se desea estudiar la propagación de un brote con base en un modelo de Poisson a medida que transcurren los días (t). La variable aleatoria de interés es:

$X_{(t )}$: Número de casos secundarios causados por cada caso primario al día t

Este es un modelo de Poisson dado que existe un intervalo fijo de observación “cada caso primario” y se desea estudiar el número de casos secundarios observados “eventos”. Así, se podría construir el siguiente modelo:

$X_{(t )}∼Poisson (λ= R X_{(t-1)})$

Lo anterior expresa que el número promedio de casos secundarios al día t depende del número de reproducción $R$ y del número de casos observados $X$ el día anterior $(t-1)$. No obstante, R es difícil de conocer en la vida real y podría ser de interés aproximar su valor con base en los datos observados durante el brote con el fin de generar estrategias de control.

Supongamos que al día 1 del brote $(t=1)$ se presentaron un total de 5 casos nuevos y que al siguiente día $(t=2)$ se presentaron 10 casos nuevos. Con la anterior información nos interesa estudiar el número de casos secundarios en el día 2, lo que equivale a:

$X_{(2 )}$: Número de casos secundarios causados por cada caso primario en el día 2

La cual tiene la siguiente distribución:

$X_{(2 )}∼Poisson (λ= R *5)$

De aquí, podríamos estimar el valor de $R$ al descubrir cuál valor maximiza la probabilidad de observar este número específico de casos secundarios en el día 2, es decir:

$P(X_{(2 )}=10)=\frac{e^{-(R *5)} (R *5)^{10}}{10!}$

En R lo podríamos descubrir al variar diferentes valores del número de reproducción (R) de la siguiente manera:

R

# Calculo probabilidad de poisson
prob_poisson <- function(x1, x2, r){
  dpois(x2, r*x1)
}

 # Aplicar la función con los datos observados

numeros_reproduccion <- base::seq(0,5,0.01) # Diferentes valores de R
resultados_poisson <- base::vector(length = base::length(numeros_reproduccion))

#crear un vector vacío 

for (i in seq_along(numeros_reproduccion)){
 resultados_poisson[i] <- prob_poisson(x1 = 5, x2 = 10, r = numeros_reproduccion[i])
}

datos_resultados <- base::data.frame(numeros_reproduccion, resultados_poisson)
numero_mas_probable <- datos_resultados %>%  dplyr::filter(resultados_poisson == max(resultados_poisson)) %>%  dplyr::pull(numeros_reproduccion) 

p <- ggplot(data = datos_resultados, aes(x = numeros_reproduccion, y = resultados_poisson)) + geom_line() +  geom_vline(xintercept = numero_mas_probable ,color = "red", size=1)

ADVERTENCIA

Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
ℹ Please use `linewidth` instead.
This warning is displayed once every 8 hours.
Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
generated.

R

p+labs(y = "Probabilidad", x = "Número Reproductivo (R) ",title = "Modelo de Poisson")

Por lo tanto, si el número de casos secundarios se comporta de acuerdo a una distribución de Poisson, existe una alta probabilidad de que el número de casos nuevos observados en el día 2 hayan sido generados con un número de reproducción de R=2. Lo que implica que el promedio de casos secundarios por cada caso primario es de 2. No obstante, este modelo simple supone que el número de casos secundarios generados por cada caso primario tienen igual media y varianza, lo que implica que todos los casos primarios generan el promedio un número similar de casos secundarios. Este supuesto puede ser difícil de asumir en algunas enfermedades infecciosas en especial cuando siguen un patrón de sobredispersión (20% de los casos causan el 80% de la transmisión) por lo que el modelo de Poisson tiene limitaciones en su aplicación.

Distribución Binomial Negativa

Al igual que la distribución de Poisson, la distribución binomial negativa permite modelar el número de eventos que ocurren “conteos”. Si $X$ tiene una distribución Binomial Negativa, entonces, se representa de la siguiente manera.

$X $~$ BN(μ,k)$

Donde, $μ$ representa la media de la distribución y $k$ es el parámetro de dispersión que permite que la media y la varianza de los eventos no sean iguales. Este parámetro $k$ permite introducir al modelo el grado de dispersión en cómo se generan los eventos. Así, $k$ mide inversamente el grado de variación de los eventos ocurridos dado que la media y la varianza de la distribución corresponden a:

$E(x)=μ$

$Var(x)=μ(1+\frac{μ}{k})$

Con función de densidad:

$f(x)=\frac{Γ(x+k)}{Γ(k)Γ(x+1)} (\frac{μ}{μ+k})^x (\frac{k}{μ+k})^k,x=0,1,2...$

Desafío

Ejemplo

En el estudio de las enfermedades infecciosas, la distribución binomial negativa juega un rol relevante dado que permite modelar la distribución del número de casos secundarios generados por un caso primario, es decir, permite conocer la distribución del número de reproducción básico R_0. En este contexto, la media de la distribución corresponde a $R_0$(Número de casos secundarios en una población totalmente susceptible) y el parámetro $k$ controla la variación entre los casos primarios. Así, valores pequeños de k sugieren que los casos secundarios son generados por un grupo pequeño de casos primarios, mientras que valores grandes sugieren que la propagación del virus es alta. Así, siendo $X$ el número de casos secundarios, entonces:

$X \sim Bn(R_0,k)$

$E(x)=R_0$

$Var(x)=R_0 (\frac{1+R_0}{k})$

En el artículo de Lloyd-Smith et al. se muestra cómo la distribución binomial negativa permite modelar la distribución de casos secundarios de varios patógenos. Con base en los casos reportados durante el brote de SARS ocurrido en Singapur en el año 2023, se logró estimar los parámetros de la distribución binomial negativa encontrando un $R_0=1.630$ y $k=0.160$. Estas estimaciones se encuentran disponibles en el paquete epiparameter, el cual es un paquete disponible en R que recopila las principales estimaciones para varios parámetros epidemiológicos de interés en el estudio de las enfermedades infecciosas.

R

SARS_R <- epiparameter::epiparameter_db(
    disease = "SARS",
    epi_name = "offspring distribution",
    single_epiparameter = TRUE
)

SALIDA

Using Lloyd-Smith J, Schreiber S, Kopp P, Getz W (2005). "Superspreading and
the effect of individual variation on disease emergence." _Nature_.
doi:10.1038/nature04153 <https://doi.org/10.1038/nature04153>..
To retrieve the citation use the 'get_citation' function

R

SARS_R

SALIDA

Disease: SARS
Pathogen: SARS-Cov-1
Epi Parameter: offspring distribution
Study: Lloyd-Smith J, Schreiber S, Kopp P, Getz W (2005). "Superspreading and
the effect of individual variation on disease emergence." _Nature_.
doi:10.1038/nature04153 <https://doi.org/10.1038/nature04153>.
Distribution: nbinom
Parameters:
  mean: 1.630
  dispersion: 0.160

Con estos resultados sería posible graficar la distribución del número de casos secundarios del SARS para poder sugerir medidas de control. Esto también está disponible en el paquete epiparameter con la función plot.

R

plot(SARS_R)

Finalmente, es posible concluir que la mayoría de casos infectados con SARS no propagan la enfermedad dado que la moda de la distribución es $0$. Este resultado es esperado dado que $k<1$, lo que indica que los casos secundarios son generados por un pequeño grupo de infectados y que el valor estimado de $R_0$ varía para los casos.

Distribución geométrica

Otra distribución discreta de interés que puede ser utilizada para modelar conteos o número de eventos es la distribución geométrica. En enfermedades infecciosas su principal uso surge cuando el parámetro de dispersión de la distribución negativa es igual a 1. Esta distribución depende de la probabilidad de que ocurra el evento de interés y se representa de la siguiente manera.

$X \sim Geom(p)$

donde p representa la probabilidad de éxito o la probabilidad de que ocurra el evento de interés con media igual a:

$E(x)=\frac{1}{p}$

Desafío

Ejemplo

Si en el caso del brote de SARS de Singapur en el año 2023, el valor estimado de $k$ hubiera sido $1$, entonces, la distribución de casos secundarios podría ser modelado con una distribución geométrica de tal manera que su media sea igual al $R_0$ estimado, es decir se debe cumplir que:

$E(x)=\frac{1}{p}=1.630$ y por lo tanto, $p=\frac{1}{1.630}$

Por lo que la distribución del número de contactos secundarios se podría escribir como:

$X \sim Geom(p=0.613)$

En R podríamos simular el comportamiento del número de casos secundarios con el siguiente código:

R

# Distribución Geométrica
x <- base::seq(0,20,1) # Diferentes valores de R
prob <- 1/(1.630)
datos_geome <- base::data.frame(x, probg = dgeom(x, prob))

ggplot(data = datos_geome, aes(x = x, y = probg)) +
  geom_bar(stat = "identity") +
  labs(y = "Probabilidad", x = "Casos secundarios",
       title = "Distribución Geométrica")

Bajo la distribución geométrica, entonces existe una mayor probabilidad de que un caso primario pueda transmitir el virus dado que la probabilidad de que un caso primario genere 1,2, o más casos secundarios es mayor con este modelo en comparación de lo estimado con el modelo binomial negativo.

Modelos Continuos

Distribución Uniforme

La distribución uniforme modela una variable continua que toma valores dentro de un intervalo $[a,b]$ con igual probabilidad. Esta distribución suele utilizarse en la simulación de números aleatorios. Si $X$ sigue una distribución uniforme, esto se puede representar por:

$X ∼U(a,b)$

Sus parámetros a y b, representan el valor mínimo y máximo que puede tomar la variable, respectivamente. Su función de densidad está determinada por:

$f(x)=\frac{1}{b-a}$,con $a<x<b$

La media y varianza está determinada por:

$E(x)=\frac{a+b}{2}$ y $V(x)=\frac{(b-a)^2}{12}$

Desafío

Ejemplo

Un investigador desea simular el comportamiento del COVID-19 y necesita generar aleatoriamente el valor que puede tomar el número básico de reproducción $R_0$ para luego utilizarlo dentro de su modelo de propagación. Para esto, él supone que el $R_0$ del COVID-19 sigue una distribución uniforme entre 2 y 5:

$R0∼U[2,5]$

Para su simulación necesita generar cinco posibles valores de $R_0$ con igual probabilidad, lo anterior en R se resuelve utilizando el siguiente código:

R

# Generación de números aleatorios con la distribución uniforme
n <- 5
a <- 2
b <- 5
stats::runif(n, a, b)

SALIDA

[1] 3.296493 2.735185 2.097067 2.509185 4.294340

Distribución Normal

La distribución normal es sin duda el modelo probabilístico más importante en la teoría estadística debido a que permite modelar múltiples problemas de la vida real y a su relevante rol en el campo de la inferencia. Esta distribución intenta modelar variables aleatorias que pueden estar influenciadas por múltiples factores, cuyos efectos al ser sumados hacen que los valores de la distribución tiendan hacia el centro (media). Por ejemplo, la temperatura corporal puede seguir una distribución normal dado que esta es influenciada por múltiples factores biológicos y ambientales, los cuales al sumar sus efectos hacen que la mayoría de los individuos se encuentran alrededor de un valor central.

Para expresar matemáticamente que una variable continua tiene distribución normal se escribe:

$X ∼N(μ,σ)$

La cual tendrá asociada la siguiente función de densidad de probabilidad:

$f(x)=\frac{1}{ σ\sqrt{2\pi}}exp[-\frac{1}{2 σ^2}(x-u)^2]$

Donde $μ$ y $σ$ son los parámetros de la distribución y representan respectivamente la media y la desviación estándar de la variable aleatoria, es decir, el valor central y la dispersión de los datos respecto a este. Estos parámetros corresponden a los valores que se obtendría si se logrará estudiar toda la población y no una muestra de la misma.

Cuando $μ=0$ y $σ=1$, recibe el nombre de distribución normal estándar. Sin embargo, existen muchas distribuciones normales de acuerdo a los valores que tomen sus parámetros, pero sin importar el valor de estos, la forma de la distribución siempre es simétrica y siempre puede ser transformada a una distribución normal estándar por medio de un procedimiento de estandarización aplicando la siguiente fórmula:

$Z=\frac{X-μ}{σ}∼N(0,1)$

Desafío

Ejemplo,

Si se sabe que en una comunidad la edad de los casos que fallecieron por COVID-19 tiene una distribución normal con media 67.8 y desviación estándar de 15.4 años. ¿Cuál es la probabilidad de que un fallecido sea menor de 40 años?

Primero se define la variable a estudiar, la cual tiene una distribución normal

$X∼N(67.8,15.4)$

$X$: La edad de los casos fallecidos por COVID-19

En R, podemos usar la función pnorm() de la siguiente manera para encontrar:

$P(X<40)=?$

R

mu <- 67.8
sigma <- 15.4 
x <- 40 
stats::pnorm(x, mean = mu, sd = sigma)

SALIDA

[1] 0.0355221

Por lo tanto, la probabilidad de que un fallecido por COVID-19 sea menor de 40 años es del 3.5%.

Distribución Log-normal

La distribución log-normal surge cuando se consideran variables aleatorias continuas que no toman el valor de cero o números negativos cuya distribución tiene una forma asimétrica y su variación es generada por múltiples factores cuyos efectos no son simétricos. Si una v.a sigue una distribución lognormal, su transformación al aplicar la función logaritmo generará una variable normal y de ahí surge su nombre. En el campo de las enfermedades infecciosas, la distribución log-normal tiene gran utilidad para modelar los periodos de incubación (tiempo desde la infección hasta el inicio de síntomas).

Si $X ∼LogN(μ,σ)$, entonces, se cumple que $Y=log (X) ∼N(μ,σ)$ y la función de densidad de $X$ está dada por:

$f(x)=\frac{1}{ xσ\sqrt{2\pi}}e^{-\frac{1}{2}(\frac{ln(x)-u}{σ})^2}$

A diferencia de la distribución normal, en la distribución log-normal el parámetro μ cumple el rol de un parámetro de escala dado que aumenta la dispersión de los datos al incrementar su grado de amplitud y el parámetro σ controla la forma, es decir, el grado de asimetría.

Desafío

Ejemplo

En el año 2009 en el artículo de Lessler et al. se modelaron los periodos de incubación de varios patógenos con base en una distribución lognormal. El interés principal era estimar los parámetros de $(μ,σ)$. Por ejemplo en el caso del SARS se encontró una estimación de $μ=0.660$, y $σ=1.205$, lo que implica que en promedio un caso infectado desarrolla síntomas en 0.7 días. Esta información puede ser obtenida en el paquete epiparameter con el siguiente comando:

R

SARS_incubacion <- epiparameter::epiparameter_db(
    disease = "SARS",
    epi_name = "incubation period",
    single_epiparameter = TRUE
)

SALIDA

Using Lessler J, Reich N, Brookmeyer R, Perl T, Nelson K, Cummings D (2009).
"Incubation periods of acute respiratory viral infections: a systematic
review." _The Lancet Infectious Diseases_.
doi:10.1016/S1473-3099(09)70069-8
<https://doi.org/10.1016/S1473-3099%2809%2970069-8>..
To retrieve the citation use the 'get_citation' function

R

SARS_incubacion

SALIDA

Disease: SARS
Pathogen: SARS-Cov-1
Epi Parameter: incubation period
Study: Lessler J, Reich N, Brookmeyer R, Perl T, Nelson K, Cummings D (2009).
"Incubation periods of acute respiratory viral infections: a systematic
review." _The Lancet Infectious Diseases_.
doi:10.1016/S1473-3099(09)70069-8
<https://doi.org/10.1016/S1473-3099%2809%2970069-8>.
Distribution: lnorm
Parameters:
  meanlog: 1.386
  sdlog: 0.593

La distribución completa del periodo de incubación para SARS puede graficarse por medio de:

R

plot(SARS_incubacion)

Lo anterior es útil para responder preguntas tipo: ¿Cuál es la probabilidad de que un caso de SARS desarrolle síntomas dos días después de la infección?

R

stats::plnorm(2, meanlog = 0.660, sdlog = 1.205, lower.tail = FALSE)

SALIDA

[1] 0.4890273

Distribución Gamma

Cuando estamos estudiando variables aleatorias de Poisson, generalmente, nos interesa estudiar el número de eventos que ocurren con media $λ$ por un intervalo de tiempo definido. La distribución Gamma se centra en estudiar la v.a $X$: el tiempo que transcurre hasta que ocurra un determinado número de eventos $α^th$. Por ejemplo, si estamos evaluando el número de contagios por hora y queremos estudiar cuánto tiempo puede transcurrir hasta encontrar α contagios, gráficamente $X$ corresponde a:

La distribución Gamma es ampliamente utilizada en análisis de supervivencia debido a su flexibilidad que viene dada por sus parámetros de forma $α$ y escala $θ$, que determinan su función de densidad, la cual tiene un comportamiento asimétrico. Aquí, $θ$ representan el tiempo promedio de espera hasta que el primer evento ocurre y $α$ es el número de eventos que se espera ocurran. Esta distribución se denota de la siguiente manera:

$X ∼Gamma(α,θ)$

$f(x)=\frac{1}{(α-1)!θ^α}e^{\frac{-x}{θ}} x^{α-1}$

$E(x)=αθ$

$Var(x)=αθ^2$

Cuando $θ$ aumenta su valor, la concentración de la probabilidad se corre hacia la derecha, lo mismo ocurre al esperar un mayor número de eventos $α$ dado que el tiempo de espera $X$ puede ser mayor.

Desafío

Ejemplo

Una posible aplicación de la distribución Gamma es en el modelamiento del intervalo serial de las enfermedades infecciosas. El intervalo serial (s) se define como el tiempo que transcurre entre el inicio de síntomas del caso primario y el inicio de síntomas del caso secundario. En el estudio de Ghani et al. se describió la distribución del intervalo serial de la influenza Influenza-A-H1N1Pdm por medio de la distribución gamma encontrando los siguientes parámetros:

$s ∼Gamma( α=2.622,θ=0.957)$

Esta información puede ser obtenida también en el paquete epiparameter con el siguiente comando:

R

influenza_s <- epiparameter::epiparameter_db(
  disease = "Influenza",
  epi_name = "serial_interval",
  single_epiparameter = TRUE
)

SALIDA

Using Ghani A, Baguelin M, Griffin J, Flasche S, van Hoek A, Cauchemez S,
Donnelly C, Robertson C, White M, Truscott J, Fraser C, Garske T, White
P, Leach S, Hall I, Jenkins H, Ferguson N, Cooper B (2009). "The Early
Transmission Dynamics of H1N1pdm Influenza in the United Kingdom."
_PLoS Currents_. doi:10.1371/currents.RRN1130
<https://doi.org/10.1371/currents.RRN1130>..
To retrieve the citation use the 'get_citation' function

R

influenza_s

SALIDA

Disease: Influenza
Pathogen: Influenza-A-H1N1Pdm
Epi Parameter: serial interval
Study: Ghani A, Baguelin M, Griffin J, Flasche S, van Hoek A, Cauchemez S,
Donnelly C, Robertson C, White M, Truscott J, Fraser C, Garske T, White
P, Leach S, Hall I, Jenkins H, Ferguson N, Cooper B (2009). "The Early
Transmission Dynamics of H1N1pdm Influenza in the United Kingdom."
_PLoS Currents_. doi:10.1371/currents.RRN1130
<https://doi.org/10.1371/currents.RRN1130>.
Distribution: gamma
Parameters:
  shape: 2.622
  scale: 0.957

R

graphics::plot(influenza_s)

Con esta información se podría encontrar la media y desviación estándar de la distribución con base en la aplicación de la distribución gamma:

R

shape <- 2.622
scale <- 0.957
mean <- shape*scale
sd <- sqrt(shape*scale^2)
print(c(mean, sd))

SALIDA

[1] 2.509254 1.549631

Por lo tanto, el promedio del intervalo serial de la influenza es de 5.51 días con una desviación estándar de 1.55 días.

Distribución Weibull

Al igual que la distribución Gamma, la distribución Weibull es de gran utilidad en el análisis de v.a´s que representan tiempos de espera hasta observar un evento en particular. La distribución Weibull tiene dos parámetros y su función de densidad está definida por:

$f(x)= \frac{β}{η}(\frac{x}{η})^{β-1}{e^{-(x/η)}}^β$

Aquí, $η$ es el parámetro de escala y $β$ el de forma. El parámetro de forma $β$ también es conocido como pendiente e intenta modelar la relación entre la probabilidad y los tiempos de espera. Así cuando $β>1$ la tasa de ocurrencia de eventos incrementa con el tiempo, mientras si $β<1$ describe que el riesgo del evento disminuye con el tiempo. El parámetro de escala maneja el grado de variabilidad de la distribución y se encuentra en las mismas unidades de $X$.

Desafío

Ejemplo

En el estudio de Virlogeux et al. se describió la distribución del tiempo de incubación de la influenza por medio de la distribución Weibull encontrando los siguientes parámetros:

$x∼Gamma( β=2.101,η=3.839)$

Esta información puede ser obtenida también en el paquete epiparameter con el siguiente comando:

R

influenza_incubacion <- epiparameter::epiparameter_db(
  disease = "Influenza",
  epi_name = "incubation period",
  single_epiparameter = TRUE
)

SALIDA

Using Virlogeux V, Li M, Tsang T, Feng L, Fang V, Jiang H, Wu P, Zheng J, Lau
E, Cao Y, Qin Y, Liao Q, Yu H, Cowling B (2015). "Estimating the
Distribution of the Incubation Periods of Human Avian Influenza A(H7N9)
Virus Infections." _American Journal of Epidemiology_.
doi:10.1093/aje/kwv115 <https://doi.org/10.1093/aje/kwv115>..
To retrieve the citation use the 'get_citation' function

R

influenza_incubacion

SALIDA

Disease: Influenza
Pathogen: Influenza-A-H7N9
Epi Parameter: incubation period
Study: Virlogeux V, Li M, Tsang T, Feng L, Fang V, Jiang H, Wu P, Zheng J, Lau
E, Cao Y, Qin Y, Liao Q, Yu H, Cowling B (2015). "Estimating the
Distribution of the Incubation Periods of Human Avian Influenza A(H7N9)
Virus Infections." _American Journal of Epidemiology_.
doi:10.1093/aje/kwv115 <https://doi.org/10.1093/aje/kwv115>.
Distribution: weibull
Parameters:
  shape: 2.101
  scale: 3.839

R

plot(influenza_incubacion)

Tema 5: Introducción a la inferencia estadística

La estadística puede dividirse en dos grandes ramas: descriptiva e inferencial. Cómo lo vimos en unidades anteriores, la primera comúnmente busca resumir y explorar los datos que han sido recolectados en una muestra seleccionada de una población. En cambio, la segunda tiene por objetivo realizar generalizaciones y concluir sobre toda la población a partir de la información o datos provenientes de una muestra.

Por la naturaleza del proceso inferencial que es basado en la toma de muestras aleatorias de la población, un estimador puede tomar múltiples valores dado que depende de las unidades que fueron seleccionadas en la muestra. Esta variación debida al azar, denominada variación muestral, debe ser involucrada al proceso de inferencia como lo veremos más adelante.

Es importante recalcar que la variación muestral dependerá del tamaño de la muestra. Por ejemplo, si tomamos muestras de tamaño 10 y calculamos la CFR en cada una de ellas, estas estimaciones se parecerán más entre sí en comparación con las obtenidas cuando se seleccionan sólo 5 individuos por muestra. Lo anterior, puede ser comprobado al realizar una simulación en R y seleccionar 1000 muestras de tamaño 5 y 10, respectivamente. Como se observa en la siguiente figura, las CFR estimadas al incrementar el tamaño de la muestra de 5 a 10 fueron más similares con un menor RIQ.

R

library(infer)

SALIDA


Attaching package: 'infer'

SALIDA

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

    generate

R

set.seed(200)
poblacion <- base::data.frame(muerto=c(base::rep(1,40), base::rep(0,160)))
muestrasn5 <- poblacion %>%
  infer::rep_sample_n(size = 5, reps = 100, replace = FALSE)

cfrn5 <-muestrasn5 %>%
  dplyr::group_by(replicate) %>%
  dplyr::summarise(cfr = mean(muerto))

muestrasn10 <- poblacion %>%
  infer::rep_sample_n(size = 10, reps = 100, replace = FALSE)

cfrn10<-muestrasn10 %>%
  dplyr::group_by(replicate) %>%
  dplyr::summarise(cfr = mean(muerto))

cfr <- dplyr::bind_rows(cfrn5, cfrn10)
cfr <- cfr %>% 
  dplyr::mutate(size = base::as.factor(c(base::rep(5,100), base::rep(10, 100))))


# Plot sampling distribution
ggplot(cfr, aes(x =size, y=cfr, fill=size)) +
  geom_boxplot(show.legend = FALSE) +
  labs(x = "Tamaño muestral", y = "CFR estimación",
       title = " ") + scale_fill_brewer(palette="Blues")

Si calculamos la media y desviación estándar de los valores estimados de la CRF con las muestras de tamaño 5 y tamaño 10, vemos que efectivamente la desviación estándar de las estimaciones es menor al incrementar el tamaño de la muestra, pero en ambos casos en promedio las muestras se acercaron al verdadero valor del parámetro del 0.20.

R

cfr %>%
  group_by(size) %>%
  summarise(
    media = mean(cfr),
    sd = sd(cfr),
    mediana = median(cfr),
    P25 = quantile(cfr, 0.25),
    P75 = quantile(cfr, 0.75)
  )

SALIDA

# A tibble: 2 × 6
  size  media    sd mediana   P25   P75
  <fct> <dbl> <dbl>   <dbl> <dbl> <dbl>
1 5     0.208 0.180     0.2   0     0.4
2 10    0.197 0.116     0.2   0.1   0.3

Pero, si en la vida real solo podemos tomar una muestra aleatoria, esto significa que solo vamos a tener una única oportunidad de calcular un estadístico que será el estimador puntual del parámetro. No obstante, ese único valor no va a poder proveer información sobre la variabilidad inmersa en la selección aleatoria de la muestra. Adicionalmente, como vimos en el ejemplo anterior, existe una alta probabilidad de que muchas de las posibles configuraciones de las muestras den estimaciones que se encuentren alejadas del verdadero valor del parámetro. Por lo tanto, debemos intentar involucrar la variabilidad muestral en el proceso de estimación.

Estimación por intervalos de confianza

El objetivo de la estimación por intervalos de confianza es proveer un rango de valores, un límite inferior y superior (a; b), que con una elevada probabilidad “confianza” contenga el verdadero valor del parámetro que se desea estimar. Aunque con cada muestra aleatoria que pueda ser seleccionada se obtendrían límites diferentes, este procedimiento garantiza que un $(1-α) \%$ determinado de los intervalos construidos, contendrán el verdadero valor del parámetro. Lo anterior, también implica que un $α\%$ de los intervalos no contendrán el verdadero valor. El símbolo α es conocido como nivel de significancia.

De manera general un intervalo de confianza se construye con los siguientes ingredientes:

$\text{Estimador} ±(\text{coeficiente de confiabilidad})*(\text{error estándar})$

Desafío

Ejemplo

En el paquete CFR de la iniciativa Epiverse-TRACE se encuentra disponible la información de un brote de ébola que sucedió en 1976 en Zaire, ahora llamada República del Congo, documentando el número de casos y muertes durante 73 días. Finalmente, se reportaron 245 casos de ébola y de estos 234 fueron casos fatales. Si el interés es realizar una estimación por intervalo de la CFR al 95%. ¿Cuál debería ser el procedimiento a realizar?

● Paso 1-Estimador: se debe iniciar por encontrar la estimación en la muestra observada:

$\hat{p} = \widehat{\text{CFR}} = \frac{234}{245}= 0.955$

Por lo que la CFR estimada fue del 95.5%

● Paso 2-Coeficiente de confiabilidad basado en la distribución normal para un 95% de confianza correspondería a 1.96

● Paso 3-Error estándar:

$\sqrt{\frac{\hat{p}(1-\hat{p})}{n}}=\sqrt{\frac{0.955 (1-0.955)}{245}}$

● Paso 4-Juntar los ingredientes

Como hasta ahora se han dado cuenta este paso a paso puede llegar a ser engorroso por los cálculos, pero en R podemos obtener todo de una manera más rápida y eficaz de la siguiente manera:

${\left[p ̂±z_{\frac{α}{2}} \sqrt{\frac{p ̂(1-p ̂)}{n}}\right]}={\left[0.955±1,96\sqrt{\frac{0.955 (1-0.955)}{245}}\right]}$

Como hasta ahora se han dado cuenta este paso a paso puede llegar a ser engorroso por los cálculos, pero en R podemos obtener todo de una manera más rápida y eficaz de la siguiente manera:

R

#Cargue librería cfr
library(cfr)
# Cargue los datos de Ebola 1976 
utils::data(ebola1976)
ebola1976%>%  dplyr::summarise(
    n=sum(cases), #Total de casos
    muertes = sum(deaths), #Total de muertes
    cfr_est = muertes/n, # Estimación 
    error = sqrt((cfr_est*(1-cfr_est))/n),
    lim_inf = cfr_est -1.96*error, #Limite inferior del IC
    lim_sup = cfr_est +1.96*error #Limite superior del IC
)

SALIDA

    n muertes  cfr_est      error   lim_inf   lim_sup
1 245     234 0.955102 0.01322986 0.9291715 0.9810326

Finalmente, podemos concluir que con una confianza del 95%, la CFR de ébola en la epidemia de 1976 en la República Democrática del Congo se encuentra contenida en el intervalo entre 92.9% y 98.1%.

El paquete CFR también tiene una función incorporada para estimar automáticamente con su respectivo intervalo al 95% la CFR durante una epidemia por medio de la función:

R

cfr::cfr_static(data = ebola1976)

SALIDA

  severity_estimate severity_low severity_high
1          0.955102    0.9210866     0.9773771

Cómo pueden observar existen ligeras diferencias entre el IC construido paso a paso y el reportado por la función cfr_static. Esto se debe a que el paquete CFR realiza la construcción del IC por el método basado en máxima verosimilitud y diferentes distribuciones estadísticas según el número total de casos, pero la interpretación no cambia.

Puntos Clave

Al final de la sesión revise si alcanzo los objetivos:

Comprender el rol de la estadística en el estudio de las enfermedades infecciosas.
Comprender las medidas estadísticas para resumir y analizar la información.
Familiarizarse con el concepto de variable aleatoria y reconocer las principales distribuciones de probabilidad.
Identificar y comprender el proceso del problema estadístico como un problema de inferencia desde una muestra.
Comprender el concepto de intervalo de confianza y el procedimiento de las pruebas de hipótesis.

Contribuciones

Erika Cantor: Versión inicial
Zulma M. Cucunuba: Edición
Laura Gómez-Bermeo: Edición
Andree Valle-Campo: Ediciones menores
José M. Velasco-España: Ediciones menores

Content from Banco de preguntas y errores frecuentes

Última actualización: 2024-11-19 | Mejora esta página

Hoja de ruta

Preguntas

¿Tiene algunas dificultades con el código en R?

Objetivos

En este documento usted podrá encontrar algunas de las preguntas y errores frecuentes de la ejecución del código en R.

Banco de preguntas

¿Cómo instalar un paquete o “librería” en R?

Para instalar un paquete en R puede hacerlo a través de:

Le recomendamos que lo haga a través de la función:

R

install.packages("paquete")

Algunos paquetes que están en su fase de desarrollo pueden ser instalados desde la última versión en github u otras ubicaciones utilizando los paquetes remotes o pak.

Otra opción es usar la función require:

R

if (!require("paquete")) {
  install.packages("paquete")
}

Esta opción es útil porque instala el paquete si no está previamente instalado. Se puede combinar con remotes o pak

Usar la interfaz de RStudio:
1. Haga click en la ventana Packages
2. Presione el botón Install
3. Escriba el nombre del (de los) paquete(s) a instalar
4. Presione botón Install.

¿Cómo usar una función?

Si la función pertenece a un paquete de R, puede hacerse de dos formas:

Llamar el nombre del paquete de R y poner dos veces dos puntos (::) y en seguida llamar el nombre de la función. Ahora debe diligenciar los argumentos

R

paquete::nombre_de_la_funcion(argumentos)

Cargar el paquete de R con library:

R

library("paquete")

y una vez cargada. Llamar el nombre de la función y diligenciar los argumentos

R

nombre_de_la_funcion(argumentos)

Es importante tener previamente el paquete instalado. Si tiene dudas vaya a ¿Cómo instalar un paquete en R?

Si la función fue creada por usted y se encuentra en el ambiente global:

Simplemente llame la función por su nombre y proporcione los argumentos necesarios:

R

nombre_de_su_funcion(argumentos)

¿Cómo cargar un paquete o “librería”?

Algunas opciones para cargar un paquete son:

La recomendada es utilizar la función library:

R

library("paquete")

Utilizando la interfaz de RStudio:
1. Vaya a la sección derecha inferior a la pestaña Packages
2. De click en el cuadro frente a cada función, esto activará la función library.

¿Si cargo las librerías debo cargarlas cada vez que vaya a usar la función?

No, solo es necesario cargarlas una vez por sesión de R. Sin embargo, si cerro su RStudio o abrió un nuevo proyecto, cuenta como una nueva sesión y, por lo tanto, debe cargarlas de nuevo para poder trabajar.

¿Puedo desactivar una librería que ya cargué sin reiniciar R?

Si, es posible mediante dos opciones:

Utilice la función detach

R

detach("package:paquete", unload = TRUE)

Utilizando la interfaz de RStudio:
1. Vaya a la sección derecha inferior a la pestaña Packages
2. De click en el cuadro frente a cada función (si el cuadro tiene un visto, el paquete está cargado; si el cuadro está vacío, el paquete no está cargado), esto activará la función detach. Advertencia: Si presiona el simbolo de x al lado del paquete lo desinstalará.

No veo el resultado de mi código

Esto puede ocurrir por varios motivos:

Si guardo el resultado usando el símbolo de asignación (ej. nombre <- "Laura"). Este aparecerá en el ambiente global (zona superior lateral derecha) y no se ejecutará en la consola a menos que se llame el objeto, es decir,
1. se ponga el nombre del objeto en la consola y se ejecute (presionando Enter)
2. o que en el script o Chunck de RMarkdown se presione Control + Enter en Windows o Command + Enter en Mac.
Falta alguna librería necesaria. Revise que todas las librerías necesarias estén cargadas al inicio del script.
Hay errores en el código. Verifique que no haya errores que impidan que el código se ejecute correctamente. Al ejecutar el código en la consola le aparecerán algunas alertas de errores que pueda tener el código.
El script no se ha ejecutado completamente. Asegúrese de ejecutar el script completo para que todas las líneas de código se ejecuten en el orden correcto.
El script no se ha ejecutado completamente. Asegúrese de ejecutar el script completo para que todas las líneas de código se ejecuten en el orden correcto.

Errores frecuentes al usar `ggplot`

Sintaxis incorrecta:
1. Usar ++ en lugar de + para concatenar funciones.
2. También puede ocurrir que el + queda en la línea de abajo, es importante destacar que para concatenar funciones debe estar al terminar la línea anterior a la que se quiere concadenar.

No especificar estéticas (aesthetics):
1. No incluir aes().
2. No definir aes() correctamente, por ejemplo, no indicar x o y.
3. Si bien aes en algunos casos puede ir en la parte inicial, la geometría o estar dividido en secciones, es fundamental que siempre este presente.
Datos no presentes:

La columna mencionada en aes() no existe en el conjunto de datos. Usar el nombre incorrecto, recuerde que R es sensible a mayúsculas y minúsculas por los tanto VariableX es diferente a variableX o a variablex.

Falta de librerías:

Antes de trabajar con ggplot siempre recuerde cargar la librería con library:

R

library(ggplot2)

Errores en geom:

Seleccionar la geom incorrecta para el tipo de datos que se desea representar.

### `filter` no funciona

Esto puede ocurrir por varios motivos:

El paquete dplyr no está cargada. Aseguresé de incluir library(dplyr) o library(tidyverse) en su script, y ejecutarlo cada nueva sesión.
Hay conflictos de nombres de funciones con otros paquetes. Use dplyr::filter() para especificar qué quiere utilizar la función filter de dplyr.
Los datos pueden no estar en el formato esperado. Verifique que la columna que está filtrando existe y tiene los valores adecuados.

filter acepta condiciones lógicas para seleccionar filas. Veamos unos ejemplos:

- Valores específicos:

R

covid19 %>% filter(estado == "Fallecido")

- Rangos de valores:

R

covid19 %>% filter(fecha_de_notificacion >= "2020-01-01" & fecha_de_notificacion <= "2020-12-31")

- Condiciones múltiples:

R

covid19 %>% filter(estado == "Fallecido" & nombre_del_pais == "Colombia")

- Condiciones con funciones:

R

covid19 %>% filter(grepl("Colombia", nombre_del_pais))

Para saber más sobre filter consulte la documentación.

¿Dónde está el objeto que cree?

Cuando se crea un objeto este se almacena en el ambiente global. Podemos ver el ambiente global en la interfaz de R ubicado en la parte superior lateral derecha.

No funciona el pipe `%>%`

Recuerde los siguientes puntos:

Es importante cargar previamente una librería que contenga el pipe. Por ejemplo: magrittr, dplyr, tidyr o purrr.
El pipe debe ir al final de la línea que se va a conectar. No al inicio de la línea conectada:

¿Cómo evitar accidentes?

Cuando se va a almacenar cambios en el objeto donde esta almacenado el dataframe, es recomendable tener algunas precauciones para evitar perder información:

Crear un respaldo de los datos en objetos:

o Hacer copias de seguridad regularmente durante el proceso. Se recomienda hacer una copia inicial para evitar cargar la base de nuevo. Tras hacer algunos procesos, en especial, aquellos que consumen tiempo se recomienda crear respaldos. Puede crear tanto como considere convenientes. Se recomienda crear notas para identificar cada proceso

Crear un respaldo de los datos en archivos:

o Al igual que guardar en objetos, es buena idea guardar los datos que ya han pasado algunos procesos en el disco del computador. Esto evita que si se bloquea la sesión o se apaga el computador los datos procesados estén resguardados. Cada cuanto se deben almacenar depende de quién realiza el procesamiento.

Pruebas antes de almacenar:

o Realizar pruebas de los cambios deseados antes de guardarlos definitivamente.

o Ejemplo: Si se quiere transformar una variable a numérica, antes de almacernarla y terminar teniendo NAs no deseados en los datos, es recomendable hacer una prueba antes de si se originaran esos NAs

Crear variables de respaldo:

o Algunas veces cuando vamos a transformar una variable es mejor crear una nueva que almacene el contenido de la transformación. Esto evita el riesgo de pérdida de información al transformar una variable.

Cuidado al almacenar:

o No almacenar tablas u objetos transformados accidentalmente.

o Ej. si creamos una tabla para ver si la variable cambio como se deseaba y luego reutilizamos el código y añadimos la asignación adelante, almacenaríamos la tabla y perderíamos la información que tenía el objeto

Mi dataframe cambió inesperadamente

Cuando tenemos accidentes con nuestros datos algunas opciones son:

- Revisar cual es el daño y ver si es reparable. Por ejemplo, se cambió el carácter incorrecto en una cadena de texto.

- Cargar los datos a partir de un respaldo. Si hemos creado respaldos del proceso podemos evitarnos tiempos largo de procesamiento. Entre estos respaldos están las variables de respaldo o los objetos de respaldo (ver ¿Cómo evitar accidentes?).

Uso de la función `rename`

1. Llame la base de datos

R

datos

2. Use el pipe%>% para enlazarlo a la función rename

3. Llame la función rename y escriba primero el nuevo nombre de la columna y después el nombre de la columna preexistente a la que quiere cambiar el nombre

R

datos <- datos %>% rename(nombrenuevo = nombreantiguo)

n. Seleccionar algunas filas de un grupo de datos

1. Llame la base de datos

R

datos

2. Use el pipe %>% para enlazarlo a la función group_by

R

datos %>% group_by(variable_grupo)

La función group_by creará grupos de datos según una variable determinada en los cuales puede realizar otras acciones como por ejemplo seleccionar los datos en el encabezado de cada grupo.

4. Enseguida use la función como en este ejemplo podríamos usar head solo para los datos del encabezado de cada grupo.

R

datos <- datos %>% group_by(variabledeinteres) %>% head()

¿Cómo usar `summarise`?

1. Llame la base de datos

R

datos

2. Use el pipe%>%para enlazarlo a la función summarise

R

datos %>% summarise()

La función summarise no puede utilizarse de forma directa, por lo tanto, debe usarse junto a un argumento adentro, por ejemplo:

a. Obtener el promedio

R

datos %>% 
  summarise(mean = mean(variabledeinteres))

b. Obtener la desviación estandar

R

datos %>% 
  summarise(sd = sd(variabledeinteres))

Esta función puede usarse con agrupación previa (group_by) para obtener estos valores por cada grupo, por ejemplo,

R

datos %>%  group_by(pais) %>% 
  summarise(
    mean = mean(variabledeinteres), 
    sd = sd(variabledeinteres))

Errores relacionados a grupos (group_by y ungroup)

Un error muy frecuente es que se almacena el objeto agrupado (group_by), dado que no se realizó la acción de desagrupar al final. Esto puede generar errores como cálculos incorrectos, resúmenes por grupo en lugar de sobre la totalidad de los datos, y problemas al realizar operaciones subsecuentes en el conjunto de datos. Por ello, recomendamos siempre emplear (ungroup) antes de almacenar. Para usar ungroup() basta con ponerlo al final.

R

datos <- datos %>% 
  group_by(categoria) %>% 
  procesamiento_de_datos(...) %>% 
  ungroup()

Veamos un ejemplo de un error que puede ocurrir por no desagrupar:

R

library("tidyverse")
set.seed(123) # Para reproducibilidad
#dataframe de ejemplo
tipo_sanguineo <- c("A", "B", "O","AB")
rh <- sample(c("+", "-"), 10, replace = TRUE)
dia <-c(1:5)
f_latidos <- sample(60:100, 200, replace = TRUE)
f_respiratoria <- sample(12:20, 200, replace = TRUE)
df <- data.frame(tipo_sanguineo, rh, dia, f_latidos, f_respiratoria)

#resumen por columnas
por_dia <- df %>%
  group_by(tipo_sanguineo,rh, dia) %>%
  summarize(
    f_l = mean(f_latidos), 
    f_r = mean(f_respiratoria)
  )

Creemos una variable que contenga id únicos por cada fila

R

por_dia %>% mutate(id = row_number())

SALIDA

# A tibble: 20 × 6
# Groups:   tipo_sanguineo, rh [8]
   tipo_sanguineo rh      dia   f_l   f_r    id
   <chr>          <chr> <int> <dbl> <dbl> <int>
 1 A              +         1  76.3  15.2     1
 2 A              +         3  81.5  16.6     2
 3 A              +         4  81.2  15.6     3
 4 A              +         5  81    15.9     4
 5 A              -         2  78.3  16.2     1
 6 AB             +         2  79.3  16       1
 7 AB             +         5  73.1  17.4     2
 8 AB             -         1  83    16.6     1
 9 AB             -         3  79.8  15       2
10 AB             -         4  84.8  17.4     3
11 B              +         2  77.8  16.4     1
12 B              +         5  83.8  14.6     2
13 B              -         1  74.5  14.9     1
14 B              -         3  85.1  16.2     2
15 B              -         4  83.3  16.6     3
16 O              +         1  80.3  15       1
17 O              +         3  78.9  14.8     2
18 O              +         4  81.2  14.9     3
19 O              +         5  84.9  15       4
20 O              -         2  80.7  16.1     1

Cómo puede observar en la columna id en lugar de identificadores únicos tenemos id que se repiten. ¿Por qué sucedió si cada fila es diferente?

La razón a este problema subyace en que los datos siguen agrupados. Aún si no aplicamos directamente el ungroup como se explico antes, todavía podemos solucionarlo.

Veamos como no se solucionaría primero. Un error frecuente al tratar de solucionar este problema es aplicar la función ungroup sin almacenar el resultado.

R

# aplicación equivocada de ungroup
por_dia %>% ungroup()

SALIDA

# A tibble: 20 × 5
   tipo_sanguineo rh      dia   f_l   f_r
   <chr>          <chr> <int> <dbl> <dbl>
 1 A              +         1  76.3  15.2
 2 A              +         3  81.5  16.6
 3 A              +         4  81.2  15.6
 4 A              +         5  81    15.9
 5 A              -         2  78.3  16.2
 6 AB             +         2  79.3  16
 7 AB             +         5  73.1  17.4
 8 AB             -         1  83    16.6
 9 AB             -         3  79.8  15
10 AB             -         4  84.8  17.4
11 B              +         2  77.8  16.4
12 B              +         5  83.8  14.6
13 B              -         1  74.5  14.9
14 B              -         3  85.1  16.2
15 B              -         4  83.3  16.6
16 O              +         1  80.3  15
17 O              +         3  78.9  14.8
18 O              +         4  81.2  14.9
19 O              +         5  84.9  15
20 O              -         2  80.7  16.1

R

# si bien desagrupa el objeto para imprimirlo, 
# mientras no se almacene  el objeto serguirá agrupado
por_dia %>% mutate(id = row_number())

SALIDA

# A tibble: 20 × 6
# Groups:   tipo_sanguineo, rh [8]
   tipo_sanguineo rh      dia   f_l   f_r    id
   <chr>          <chr> <int> <dbl> <dbl> <int>
 1 A              +         1  76.3  15.2     1
 2 A              +         3  81.5  16.6     2
 3 A              +         4  81.2  15.6     3
 4 A              +         5  81    15.9     4
 5 A              -         2  78.3  16.2     1
 6 AB             +         2  79.3  16       1
 7 AB             +         5  73.1  17.4     2
 8 AB             -         1  83    16.6     1
 9 AB             -         3  79.8  15       2
10 AB             -         4  84.8  17.4     3
11 B              +         2  77.8  16.4     1
12 B              +         5  83.8  14.6     2
13 B              -         1  74.5  14.9     1
14 B              -         3  85.1  16.2     2
15 B              -         4  83.3  16.6     3
16 O              +         1  80.3  15       1
17 O              +         3  78.9  14.8     2
18 O              +         4  81.2  14.9     3
19 O              +         5  84.9  15       4
20 O              -         2  80.7  16.1     1

Como puede observar el problema no se ha corregido.

Para conrregirlo podemos o incluir el ungroup desde el inicio cuando creamos el objeto por_dia, o aplicar el cambio y guardarlo en el objeto:

R

#ahora estamos almacenando el desagrupamiento
por_dia_sin_grupo <- por_dia %>% ungroup()

por_dia_sin_grupo %>% mutate(id = row_number())

SALIDA

# A tibble: 20 × 6
   tipo_sanguineo rh      dia   f_l   f_r    id
   <chr>          <chr> <int> <dbl> <dbl> <int>
 1 A              +         1  76.3  15.2     1
 2 A              +         3  81.5  16.6     2
 3 A              +         4  81.2  15.6     3
 4 A              +         5  81    15.9     4
 5 A              -         2  78.3  16.2     5
 6 AB             +         2  79.3  16       6
 7 AB             +         5  73.1  17.4     7
 8 AB             -         1  83    16.6     8
 9 AB             -         3  79.8  15       9
10 AB             -         4  84.8  17.4    10
11 B              +         2  77.8  16.4    11
12 B              +         5  83.8  14.6    12
13 B              -         1  74.5  14.9    13
14 B              -         3  85.1  16.2    14
15 B              -         4  83.3  16.6    15
16 O              +         1  80.3  15      16
17 O              +         3  78.9  14.8    17
18 O              +         4  81.2  14.9    18
19 O              +         5  84.9  15      19
20 O              -         2  80.7  16.1    20

Como puede observar ahora si tenemos cada fila con su propio id.

Advertencia: Es importante aclarar que el desagrupamiento en los escenarios anteriores iría después de la operación, sin embargo, en este caso iría antes de la operación.

Cuando trato de crear un pdf en RMarkdown me sale error

Si el archivo sale correctamente en otros formatos a excepción de pdf. Una de las situaciones más frecuentes es que falte la instalación de LaTeX: RMarkdown necesita LaTeX para generar PDFs. Asegúrate de tener LaTeX instalado en tu sistema.

Para instalar LaTeX desde RStudio, puede usar el paquete TinyTeX:

R

install.packages("tinytex")
tinytex::install_tinytex()

Configure RStudio:

Vaya a Tools > Global Options > Sweave.

Asegúrese de que la opción “Typeset PDF” esté configurada para usar TinyTeX.

Material adicional que puede aportar a su aprendizaje:

Manejo de datos con Tidyverse y R:

https://www.youtube.com/watch?v=6STcQVX8Hk0

Puntos Clave

Si después de buscar en esta guía sus preguntas no encontro respuesta por favor diligencie el siguiente formulario Dudas por resolver

Contribuciones

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

Hoja de ruta

Preguntas

Objetivos

Pre requisito

Tabla de contenido

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

Tipos de datos

Operadores matemáticos y lógicos

Operadores de asignación <- y =

R

Tema 6: Funciones

Componentes básicos de una función

R

R

SALIDA

Desafío

Paquetes o librerías

Las librerías más usadas en R son:

Tema 7: Estructuras en R

Vector

Desafío

R

Aviso

Data.frame (Tabla de datos)

R

R

SALIDA

Parte de un data.frame

R

SALIDA

R

SALIDA

Discusión

R

R

SALIDA

Crear y abrir tablas de datos

Fuentes de conjunto de datos

Importar una tabla de datos

Aviso

R

Tema 8: Manipulación de datos con tidyverse

R

R

SALIDA

Abrir y explorar una tabla de datos importados de Excel

Aviso

R

Operador tubería (pipe)

R

R

R

Funciones básicas de tidyverse

R

SALIDA

R

SALIDA

R

SALIDA

R

SALIDA

R

SALIDA

R

SALIDA

R

SALIDA

R

SALIDA

R

SALIDA

R

SALIDA

R

SALIDA

Tema 8: Manipulación de datos con `tidyverse`

Funciones básicas de `tidyverse`

Tema 1: Principios de la gramática de gráficos con `ggplot2`