Data wrangling

# Data wrangling
## Taller R Octubre 28
### Anabelle Laurent

---

# ¡Bienvenidos! 😄
--

En esta presentacion vamos a aprender como manejar o “domar” datos (data wrangling, en inglés).  
 
--

El objectivo es de tener datos en una forma conveniente para su visualizacíon y analysis.

+ que cada columna sea una variable  
 + que cada fila sea una observación   
 + que cada celda sea un valor   
--

Por eso vamos a usar tidyverse

---
class: inverse, middle, center

# Primero: ¿ que es tidyverse ? 🤔

---

Tidyverse es una colleccíon de R paquetes que ayuda para todo el processo de ciencia de datos

---

Hoy vamos a explotar **dplyr** que ayuda para la manupilación de datos.

---

Las funciones más usadas en dplyr:

- **seleccionar** variables (SELECT)
- **filtrar** variables (FILTER)
- **mutar y crear** nuevas variables (MUTATE)
- **sumarizar** (SUMMARIZE)
- **agrupar** las variables (GROUP_BY)

---

El operador `%>%` (se llama la tubería, o pipe en ingles), permite expresar de forma clara una secuencia de múltiples operaciones.  
Se pueder leer como un “ENTONCES”.  
Es un operador específico a tidyverse

---

```r
install.packages("tidyverse")
library(tidyverse)
```

---

# Segundo: los datos que vamos a usar

```r
install.packages("datos")
library(datos)
paises
```

---

```r
head(paises, n =10) # muestra las "n" primeras lineas de datos
```

```
# A tibble: 10 × 6
   pais       continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>      <fct>      <int>             <dbl>     <int>          <dbl>
 1 Afganistán Asia        1952              28.8   8425333           779.
 2 Afganistán Asia        1957              30.3   9240934           821.
 3 Afganistán Asia        1962              32.0  10267083           853.
 4 Afganistán Asia        1967              34.0  11537966           836.
 5 Afganistán Asia        1972              36.1  13079460           740.
 6 Afganistán Asia        1977              38.4  14880372           786.
 7 Afganistán Asia        1982              39.9  12881816           978.
 8 Afganistán Asia        1987              40.8  13867957           852.
 9 Afganistán Asia        1992              41.7  16317921           649.
10 Afganistán Asia        1997              41.8  22227415           635.
```

---
class: inverse, center, middle

# SELECT

La funcion SELECT permite de seleccionar columnas por nombre

---

```r
paises %>%
* select (pais,anio, poblacion)
```
]
 
.panel2-seleccionar-rotate[

```
# A tibble: 1,704 × 3
   pais        anio poblacion
   <fct>      <int>     <int>
 1 Afganistán  1952   8425333
 2 Afganistán  1957   9240934
 3 Afganistán  1962  10267083
 4 Afganistán  1967  11537966
 5 Afganistán  1972  13079460
 6 Afganistán  1977  14880372
 7 Afganistán  1982  12881816
 8 Afganistán  1987  13867957
 9 Afganistán  1992  16317921
10 Afganistán  1997  22227415
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
* select (pais:esperanza_de_vida)
```
]
 
.panel2-seleccionar-rotate[

```
# A tibble: 1,704 × 4
   pais       continente  anio esperanza_de_vida
   <fct>      <fct>      <int>             <dbl>
 1 Afganistán Asia        1952              28.8
 2 Afganistán Asia        1957              30.3
 3 Afganistán Asia        1962              32.0
 4 Afganistán Asia        1967              34.0
 5 Afganistán Asia        1972              36.1
 6 Afganistán Asia        1977              38.4
 7 Afganistán Asia        1982              39.9
 8 Afganistán Asia        1987              40.8
 9 Afganistán Asia        1992              41.7
10 Afganistán Asia        1997              41.8
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
* select (-poblacion)
```
]
 
.panel2-seleccionar-rotate[

```
# A tibble: 1,704 × 5
   pais       continente  anio esperanza_de_vida pib_per_capita
   <fct>      <fct>      <int>             <dbl>          <dbl>
 1 Afganistán Asia        1952              28.8           779.
 2 Afganistán Asia        1957              30.3           821.
 3 Afganistán Asia        1962              32.0           853.
 4 Afganistán Asia        1967              34.0           836.
 5 Afganistán Asia        1972              36.1           740.
 6 Afganistán Asia        1977              38.4           786.
 7 Afganistán Asia        1982              39.9           978.
 8 Afganistán Asia        1987              40.8           852.
 9 Afganistán Asia        1992              41.7           649.
10 Afganistán Asia        1997              41.8           635.
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
* select(-c(anio, poblacion))
```
]
 
.panel2-seleccionar-rotate[

```
# A tibble: 1,704 × 4
   pais       continente esperanza_de_vida pib_per_capita
   <fct>      <fct>                  <dbl>          <dbl>
 1 Afganistán Asia                    28.8           779.
 2 Afganistán Asia                    30.3           821.
 3 Afganistán Asia                    32.0           853.
 4 Afganistán Asia                    34.0           836.
 5 Afganistán Asia                    36.1           740.
 6 Afganistán Asia                    38.4           786.
 7 Afganistán Asia                    39.9           978.
 8 Afganistán Asia                    40.8           852.
 9 Afganistán Asia                    41.7           649.
10 Afganistán Asia                    41.8           635.
# … with 1,694 more rows
```
]

---
class: inverse, center, middle

# FILTER

la funcion FILTER permite de filtrar les lineas que respectan una condición

---

```r
paises %>%
* filter (pais=="Ecuador")
```
]
 
.panel2-filtrar-rotate[

```
# A tibble: 12 × 6
   pais    continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>   <fct>      <int>             <dbl>     <int>          <dbl>
 1 Ecuador Américas    1952              48.4   3548753          3522.
 2 Ecuador Américas    1957              51.4   4058385          3781.
 3 Ecuador Américas    1962              54.6   4681707          4086.
 4 Ecuador Américas    1967              56.7   5432424          4579.
 5 Ecuador Américas    1972              58.8   6298651          5281.
 6 Ecuador Américas    1977              61.3   7278866          6680.
 7 Ecuador Américas    1982              64.3   8365850          7214.
 8 Ecuador Américas    1987              67.2   9545158          6482.
 9 Ecuador Américas    1992              69.6  10748394          7104.
10 Ecuador Américas    1997              72.3  11911819          7429.
11 Ecuador Américas    2002              74.2  12921234          5773.
12 Ecuador Américas    2007              75.0  13755680          6873.
```
]

---
count: false

```r
paises %>%
* filter (anio==1982)
```
]
 
.panel2-filtrar-rotate[

```
# A tibble: 142 × 6
   pais       continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>      <fct>      <int>             <dbl>     <int>          <dbl>
 1 Afganistán Asia        1982              39.9  12881816           978.
 2 Albania    Europa      1982              70.4   2780097          3631.
 3 Argelia    África      1982              61.4  20033753          5745.
 4 Angola     África      1982              39.9   7016384          2757.
 5 Argentina  Américas    1982              69.9  29341374          8998.
 6 Australia  Oceanía     1982              74.7  15184200         19477.
 7 Austria    Europa      1982              73.2   7574613         21597.
 8 Baréin     Asia        1982              69.1    377967         19211.
 9 Bangladesh Asia        1982              50.0  93074406           677.
10 Bélgica    Europa      1982              73.9   9856303         20980.
# … with 132 more rows
```
]

---
count: false

```r
paises %>%
* filter (anio==1982 & pais=="Ecuador")
```
]
 
.panel2-filtrar-rotate[

```
# A tibble: 1 × 6
  pais    continente  anio esperanza_de_vida poblacion pib_per_capita
  <fct>   <fct>      <int>             <dbl>     <int>          <dbl>
1 Ecuador Américas    1982              64.3   8365850          7214.
```
]

---
count: false

```r
paises %>%
* filter (pais %in% c("China","Vietnam") & anio==1982)
```
]
 
.panel2-filtrar-rotate[

```
# A tibble: 2 × 6
  pais    continente  anio esperanza_de_vida  poblacion pib_per_capita
  <fct>   <fct>      <int>             <dbl>      <int>          <dbl>
1 China   Asia        1982              65.5 1000281000           962.
2 Vietnam Asia        1982              58.8   56142181           707.
```
]

---
count: false

```r
paises %>%
* filter (anio > 1962)
```
]
 
.panel2-filtrar-rotate[

```
# A tibble: 1,278 × 6
   pais       continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>      <fct>      <int>             <dbl>     <int>          <dbl>
 1 Afganistán Asia        1967              34.0  11537966           836.
 2 Afganistán Asia        1972              36.1  13079460           740.
 3 Afganistán Asia        1977              38.4  14880372           786.
 4 Afganistán Asia        1982              39.9  12881816           978.
 5 Afganistán Asia        1987              40.8  13867957           852.
 6 Afganistán Asia        1992              41.7  16317921           649.
 7 Afganistán Asia        1997              41.8  22227415           635.
 8 Afganistán Asia        2002              42.1  25268405           727.
 9 Afganistán Asia        2007              43.8  31889923           975.
10 Albania    Europa      1967              66.2   1984060          2760.
# … with 1,268 more rows
```
]

---
count: false

```r
paises %>%
* filter(anio <=1962)
```
]
 
.panel2-filtrar-rotate[

```
# A tibble: 426 × 6
   pais       continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>      <fct>      <int>             <dbl>     <int>          <dbl>
 1 Afganistán Asia        1952              28.8   8425333           779.
 2 Afganistán Asia        1957              30.3   9240934           821.
 3 Afganistán Asia        1962              32.0  10267083           853.
 4 Albania    Europa      1952              55.2   1282697          1601.
 5 Albania    Europa      1957              59.3   1476505          1942.
 6 Albania    Europa      1962              64.8   1728137          2313.
 7 Argelia    África      1952              43.1   9279525          2449.
 8 Argelia    África      1957              45.7  10270856          3014.
 9 Argelia    África      1962              48.3  11000948          2551.
10 Angola     África      1952              30.0   4232095          3521.
# … with 416 more rows
```
]

---

# Resumen

---

```r
# todas las columnas menos "pib_per_capita"
paises %>% select (-pib_per_capita)

# las columnas entre 'pais' y 'esperanza_de_vida'
paises %>% select (pais:esperanza_de_vida)

# usa "&" cuando hay mas que una condicion
paises %>% filter (anio==1982 & pais=="Ecuador")

# usa "!" cuando no quieres specificas lineas
paises %>% filter (!pais=="Francia")

# usa "%in%" cuando una variable pertenece a un vector 
paises %>% filter (pais %in% c("China", "Japan", "Vietnam")
```

---

# RENAME

La funcion RENAME permite de cambiar el nombre de una variable

---

```r
paises %>% rename(esperanza = esperanza_de_vida,
                  pib= pib_per_capita)
```

```
# A tibble: 1,704 × 6
   pais       continente  anio esperanza poblacion   pib
   <fct>      <fct>      <int>     <dbl>     <int> <dbl>
 1 Afganistán Asia        1952      28.8   8425333  779.
 2 Afganistán Asia        1957      30.3   9240934  821.
 3 Afganistán Asia        1962      32.0  10267083  853.
 4 Afganistán Asia        1967      34.0  11537966  836.
 5 Afganistán Asia        1972      36.1  13079460  740.
 6 Afganistán Asia        1977      38.4  14880372  786.
 7 Afganistán Asia        1982      39.9  12881816  978.
 8 Afganistán Asia        1987      40.8  13867957  852.
 9 Afganistán Asia        1992      41.7  16317921  649.
10 Afganistán Asia        1997      41.8  22227415  635.
# … with 1,694 more rows
```

Consejo: rename(nuevo_nombre = viejo_nombre)

---
class: inverse, center, middle

# ARRANGE

La funcion ARRANGE permite de ordernar filas

---

```r
paises %>%
* arrange (esperanza_de_vida)
```
]
 
.panel2-ordenar-rotate[

```
# A tibble: 1,704 × 6
   pais         continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>        <fct>      <int>             <dbl>     <int>          <dbl>
 1 Ruanda       África      1992              23.6   7290203           737.
 2 Afganistán   Asia        1952              28.8   8425333           779.
 3 Gambia       África      1952              30      284320           485.
 4 Angola       África      1952              30.0   4232095          3521.
 5 Sierra Leona África      1952              30.3   2143249           880.
 6 Afganistán   Asia        1957              30.3   9240934           821.
 7 Camboya      Asia        1977              31.2   6978607           525.
 8 Mozambique   África      1952              31.3   6446316           469.
 9 Sierra Leona África      1957              31.6   2295678          1004.
10 Burkina Faso África      1952              32.0   4469979           543.
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
* arrange (desc(esperanza_de_vida))
```
]
 
.panel2-ordenar-rotate[

```
# A tibble: 1,704 × 6
   pais             continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>            <fct>      <int>             <dbl>     <int>          <dbl>
 1 Japón            Asia        2007              82.6 127467972         31656.
 2 Hong Kong, China Asia        2007              82.2   6980412         39725.
 3 Japón            Asia        2002              82   127065841         28605.
 4 Islandia         Europa      2007              81.8    301931         36181.
 5 Suiza            Europa      2007              81.7   7554661         37506.
 6 Hong Kong, China Asia        2002              81.5   6762476         30209.
 7 Australia        Oceanía     2007              81.2  20434176         34435.
 8 España           Europa      2007              80.9  40448191         28821.
 9 Suecia           Europa      2007              80.9   9031088         33860.
10 Israel           Asia        2007              80.7   6426679         25523.
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
* arrange (continente,esperanza_de_vida)
```
]
 
.panel2-ordenar-rotate[

```
# A tibble: 1,704 × 6
   pais          continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>         <fct>      <int>             <dbl>     <int>          <dbl>
 1 Ruanda        África      1992              23.6   7290203           737.
 2 Gambia        África      1952              30      284320           485.
 3 Angola        África      1952              30.0   4232095          3521.
 4 Sierra Leona  África      1952              30.3   2143249           880.
 5 Mozambique    África      1952              31.3   6446316           469.
 6 Sierra Leona  África      1957              31.6   2295678          1004.
 7 Burkina Faso  África      1952              32.0   4469979           543.
 8 Angola        África      1957              32.0   4561361          3828.
 9 Gambia        África      1957              32.1    323150           521.
10 Guinea Bissau África      1952              32.5    580653           300.
# … with 1,694 more rows
```
]

Usa desc() por tener un orden descendente

---
class: inverse, center, middle

# USAR MULTIPLES FUNCIONES

---

```r
*paises
```
]
 
.panel2-resumen-auto[

```
# A tibble: 1,704 × 6
   pais       continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>      <fct>      <int>             <dbl>     <int>          <dbl>
 1 Afganistán Asia        1952              28.8   8425333           779.
 2 Afganistán Asia        1957              30.3   9240934           821.
 3 Afganistán Asia        1962              32.0  10267083           853.
 4 Afganistán Asia        1967              34.0  11537966           836.
 5 Afganistán Asia        1972              36.1  13079460           740.
 6 Afganistán Asia        1977              38.4  14880372           786.
 7 Afganistán Asia        1982              39.9  12881816           978.
 8 Afganistán Asia        1987              40.8  13867957           852.
 9 Afganistán Asia        1992              41.7  16317921           649.
10 Afganistán Asia        1997              41.8  22227415           635.
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
* select (continente, pais,anio, poblacion,esperanza_de_vida)
```
]
 
.panel2-resumen-auto[

```
# A tibble: 1,704 × 5
   continente pais        anio poblacion esperanza_de_vida
   <fct>      <fct>      <int>     <int>             <dbl>
 1 Asia       Afganistán  1952   8425333              28.8
 2 Asia       Afganistán  1957   9240934              30.3
 3 Asia       Afganistán  1962  10267083              32.0
 4 Asia       Afganistán  1967  11537966              34.0
 5 Asia       Afganistán  1972  13079460              36.1
 6 Asia       Afganistán  1977  14880372              38.4
 7 Asia       Afganistán  1982  12881816              39.9
 8 Asia       Afganistán  1987  13867957              40.8
 9 Asia       Afganistán  1992  16317921              41.7
10 Asia       Afganistán  1997  22227415              41.8
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
  select (continente, pais,anio, poblacion,esperanza_de_vida) %>%
* filter (continente == "Américas",
*         anio >=1980,
*         pais %in% c("Ecuador", "México", "Argentina"))
```
]
 
.panel2-resumen-auto[

```
# A tibble: 18 × 5
   continente pais       anio poblacion esperanza_de_vida
   <fct>      <fct>     <int>     <int>             <dbl>
 1 Américas   Argentina  1982  29341374              69.9
 2 Américas   Argentina  1987  31620918              70.8
 3 Américas   Argentina  1992  33958947              71.9
 4 Américas   Argentina  1997  36203463              73.3
 5 Américas   Argentina  2002  38331121              74.3
 6 Américas   Argentina  2007  40301927              75.3
 7 Américas   Ecuador    1982   8365850              64.3
 8 Américas   Ecuador    1987   9545158              67.2
 9 Américas   Ecuador    1992  10748394              69.6
10 Américas   Ecuador    1997  11911819              72.3
11 Américas   Ecuador    2002  12921234              74.2
12 Américas   Ecuador    2007  13755680              75.0
13 Américas   México     1982  71640904              67.4
14 Américas   México     1987  80122492              69.5
15 Américas   México     1992  88111030              71.5
16 Américas   México     1997  95895146              73.7
17 Américas   México     2002 102479927              74.9
18 Américas   México     2007 108700891              76.2
```
]

---
count: false

```r
paises %>%
  select (continente, pais,anio, poblacion,esperanza_de_vida) %>%
  filter (continente == "Américas",
          anio >=1980,
          pais %in% c("Ecuador", "México", "Argentina")) %>%
* rename (esperanza = esperanza_de_vida)
```
]
 
.panel2-resumen-auto[

```
# A tibble: 18 × 5
   continente pais       anio poblacion esperanza
   <fct>      <fct>     <int>     <int>     <dbl>
 1 Américas   Argentina  1982  29341374      69.9
 2 Américas   Argentina  1987  31620918      70.8
 3 Américas   Argentina  1992  33958947      71.9
 4 Américas   Argentina  1997  36203463      73.3
 5 Américas   Argentina  2002  38331121      74.3
 6 Américas   Argentina  2007  40301927      75.3
 7 Américas   Ecuador    1982   8365850      64.3
 8 Américas   Ecuador    1987   9545158      67.2
 9 Américas   Ecuador    1992  10748394      69.6
10 Américas   Ecuador    1997  11911819      72.3
11 Américas   Ecuador    2002  12921234      74.2
12 Américas   Ecuador    2007  13755680      75.0
13 Américas   México     1982  71640904      67.4
14 Américas   México     1987  80122492      69.5
15 Américas   México     1992  88111030      71.5
16 Américas   México     1997  95895146      73.7
17 Américas   México     2002 102479927      74.9
18 Américas   México     2007 108700891      76.2
```
]

---
class: inverse, center, middle

# MUTATE

La funcion MUTATE permite de añadir nuevas columnas

---
count: false

```r
*paises
```
]
 
.panel2-mutate2-auto[

---
count: false

```r
paises %>%
* mutate (poblacion_k = poblacion/1000)
```
]
 
.panel2-mutate2-auto[

```
# A tibble: 1,704 × 7
   pais       continente  anio esperanza_de_vi… poblacion pib_per_capita poblacion_k
   <fct>      <fct>      <int>            <dbl>     <int>          <dbl>       <dbl>
 1 Afganistán Asia        1952             28.8   8425333           779.       8425.
 2 Afganistán Asia        1957             30.3   9240934           821.       9241.
 3 Afganistán Asia        1962             32.0  10267083           853.      10267.
 4 Afganistán Asia        1967             34.0  11537966           836.      11538.
 5 Afganistán Asia        1972             36.1  13079460           740.      13079.
 6 Afganistán Asia        1977             38.4  14880372           786.      14880.
 7 Afganistán Asia        1982             39.9  12881816           978.      12882.
 8 Afganistán Asia        1987             40.8  13867957           852.      13868.
 9 Afganistán Asia        1992             41.7  16317921           649.      16318.
10 Afganistán Asia        1997             41.8  22227415           635.      22227.
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
  mutate (poblacion_k = poblacion/1000)
```
]
 
.panel2-mutate2-auto[

Tener la poblacion en miles (K)

---
class: inverse, center, middle

# SUMMARIZE Y GROUP_BY

Permiten dividir y resumir los datos en grupos

---

### Ejemplo 1: ¿ Cual es la esperanza de vida media POR continente ?

---

```r
*paises
```
]
 
.panel2-group_by-auto[

---
count: false

```r
paises %>%
* group_by(continente)
```
]
 
.panel2-group_by-auto[

```
# A tibble: 1,704 × 6
# Groups:   continente [5]
   pais       continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>      <fct>      <int>             <dbl>     <int>          <dbl>
 1 Afganistán Asia        1952              28.8   8425333           779.
 2 Afganistán Asia        1957              30.3   9240934           821.
 3 Afganistán Asia        1962              32.0  10267083           853.
 4 Afganistán Asia        1967              34.0  11537966           836.
 5 Afganistán Asia        1972              36.1  13079460           740.
 6 Afganistán Asia        1977              38.4  14880372           786.
 7 Afganistán Asia        1982              39.9  12881816           978.
 8 Afganistán Asia        1987              40.8  13867957           852.
 9 Afganistán Asia        1992              41.7  16317921           649.
10 Afganistán Asia        1997              41.8  22227415           635.
# … with 1,694 more rows
```
]

---
count: false

```r
paises %>%
  group_by(continente) %>%
* summarize(var=mean(esperanza_de_vida))
```
]
 
.panel2-group_by-auto[

```
# A tibble: 5 × 2
  continente   var
  <fct>      <dbl>
1 África      48.9
2 Américas    64.7
3 Asia        60.1
4 Europa      71.9
5 Oceanía     74.3
```
]

---

### Ejemplo 2: ¿ Cual es la esperanza de vida media POR continente y POR anio antes de los 70s ?

---

```r
*paises
```
]
 
.panel2-group_by2-auto[

---
count: false

```r
paises %>%
* filter(anio <1970)
```
]
 
.panel2-group_by2-auto[

```
# A tibble: 568 × 6
   pais       continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>      <fct>      <int>             <dbl>     <int>          <dbl>
 1 Afganistán Asia        1952              28.8   8425333           779.
 2 Afganistán Asia        1957              30.3   9240934           821.
 3 Afganistán Asia        1962              32.0  10267083           853.
 4 Afganistán Asia        1967              34.0  11537966           836.
 5 Albania    Europa      1952              55.2   1282697          1601.
 6 Albania    Europa      1957              59.3   1476505          1942.
 7 Albania    Europa      1962              64.8   1728137          2313.
 8 Albania    Europa      1967              66.2   1984060          2760.
 9 Argelia    África      1952              43.1   9279525          2449.
10 Argelia    África      1957              45.7  10270856          3014.
# … with 558 more rows
```
]

---
count: false

```r
paises %>%
  filter(anio <1970) %>%
* group_by(continente,anio)
```
]
 
.panel2-group_by2-auto[

```
# A tibble: 568 × 6
# Groups:   continente, anio [20]
   pais       continente  anio esperanza_de_vida poblacion pib_per_capita
   <fct>      <fct>      <int>             <dbl>     <int>          <dbl>
 1 Afganistán Asia        1952              28.8   8425333           779.
 2 Afganistán Asia        1957              30.3   9240934           821.
 3 Afganistán Asia        1962              32.0  10267083           853.
 4 Afganistán Asia        1967              34.0  11537966           836.
 5 Albania    Europa      1952              55.2   1282697          1601.
 6 Albania    Europa      1957              59.3   1476505          1942.
 7 Albania    Europa      1962              64.8   1728137          2313.
 8 Albania    Europa      1967              66.2   1984060          2760.
 9 Argelia    África      1952              43.1   9279525          2449.
10 Argelia    África      1957              45.7  10270856          3014.
# … with 558 more rows
```
]

---
count: false

```r
paises %>%
  filter(anio <1970) %>%
  group_by(continente,anio) %>%
* summarize(var=mean(esperanza_de_vida))
```
]
 
.panel2-group_by2-auto[

```
# A tibble: 20 × 3
# Groups:   continente [5]
   continente  anio   var
   <fct>      <int> <dbl>
 1 África      1952  39.1
 2 África      1957  41.3
 3 África      1962  43.3
 4 África      1967  45.3
 5 Américas    1952  53.3
 6 Américas    1957  56.0
 7 Américas    1962  58.4
 8 Américas    1967  60.4
 9 Asia        1952  46.3
10 Asia        1957  49.3
11 Asia        1962  51.6
12 Asia        1967  54.7
13 Europa      1952  64.4
14 Europa      1957  66.7
15 Europa      1962  68.5
16 Europa      1967  69.7
17 Oceanía     1952  69.3
18 Oceanía     1957  70.3
19 Oceanía     1962  71.1
20 Oceanía     1967  71.3
```
]

---
class: inverse, center, middle

## EJEMPLO CON OTROS DATOS 🛩

```r
#install.packages("datos")
library(datos)
vuelos
```

---

```r
head(vuelos,n =10)
```

```
# A tibble: 10 × 19
    anio   mes   dia horario_salida salida_programada atraso_salida
   <int> <int> <int>          <int>             <int>         <dbl>
 1  2013     1     1            517               515             2
 2  2013     1     1            533               529             4
 3  2013     1     1            542               540             2
 4  2013     1     1            544               545            -1
 5  2013     1     1            554               600            -6
 6  2013     1     1            554               558            -4
 7  2013     1     1            555               600            -5
 8  2013     1     1            557               600            -3
 9  2013     1     1            557               600            -3
10  2013     1     1            558               600            -2
# … with 13 more variables: horario_llegada <int>, llegada_programada <int>,
#   atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
#   origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
#   hora <dbl>, minuto <dbl>, fecha_hora <dttm>
```

---

### ¿Cual es el atraso medio a la llegada por aerolinea ? 🤔

---

```r
*vuelos
```
]
 
.panel2-ejemplo1-auto[

```
# A tibble: 336,776 × 19
    anio   mes   dia horario_salida salida_programada atraso_salida
   <int> <int> <int>          <int>             <int>         <dbl>
 1  2013     1     1            517               515             2
 2  2013     1     1            533               529             4
 3  2013     1     1            542               540             2
 4  2013     1     1            544               545            -1
 5  2013     1     1            554               600            -6
 6  2013     1     1            554               558            -4
 7  2013     1     1            555               600            -5
 8  2013     1     1            557               600            -3
 9  2013     1     1            557               600            -3
10  2013     1     1            558               600            -2
# … with 336,766 more rows, and 13 more variables: horario_llegada <int>,
#   llegada_programada <int>, atraso_llegada <dbl>, aerolinea <chr>,
#   vuelo <int>, codigo_cola <chr>, origen <chr>, destino <chr>,
#   tiempo_vuelo <dbl>, distancia <dbl>, hora <dbl>, minuto <dbl>,
#   fecha_hora <dttm>
```
]

---
count: false

```r
vuelos %>%
* group_by(aerolinea)
```
]
 
.panel2-ejemplo1-auto[

```
# A tibble: 336,776 × 19
# Groups:   aerolinea [16]
    anio   mes   dia horario_salida salida_programada atraso_salida
   <int> <int> <int>          <int>             <int>         <dbl>
 1  2013     1     1            517               515             2
 2  2013     1     1            533               529             4
 3  2013     1     1            542               540             2
 4  2013     1     1            544               545            -1
 5  2013     1     1            554               600            -6
 6  2013     1     1            554               558            -4
 7  2013     1     1            555               600            -5
 8  2013     1     1            557               600            -3
 9  2013     1     1            557               600            -3
10  2013     1     1            558               600            -2
# … with 336,766 more rows, and 13 more variables: horario_llegada <int>,
#   llegada_programada <int>, atraso_llegada <dbl>, aerolinea <chr>,
#   vuelo <int>, codigo_cola <chr>, origen <chr>, destino <chr>,
#   tiempo_vuelo <dbl>, distancia <dbl>, hora <dbl>, minuto <dbl>,
#   fecha_hora <dttm>
```
]

---
count: false

```r
vuelos %>%
  group_by(aerolinea) %>%
* summarize(
*   delay = mean(atraso_llegada,na.rm=TRUE)
* )
```
]
 
.panel2-ejemplo1-auto[

```
# A tibble: 16 × 2
   aerolinea  delay
   <chr>      <dbl>
 1 9E         7.38 
 2 AA         0.364
 3 AS        -9.93 
 4 B6         9.46 
 5 DL         1.64 
 6 EV        15.8  
 7 F9        21.9  
 8 FL        20.1  
 9 HA        -6.92 
10 MQ        10.8  
11 OO        11.9  
12 UA         3.56 
13 US         2.13 
14 VX         1.76 
15 WN         9.65 
16 YV        15.6  
```
]

---
count: false

```r
vuelos %>%
  group_by(aerolinea) %>%
  summarize(
    delay = mean(atraso_llegada,na.rm=TRUE)
  ) %>%
* arrange(desc(delay))
```
]
 
.panel2-ejemplo1-auto[

```
# A tibble: 16 × 2
   aerolinea  delay
   <chr>      <dbl>
 1 F9        21.9  
 2 FL        20.1  
 3 EV        15.8  
 4 YV        15.6  
 5 OO        11.9  
 6 MQ        10.8  
 7 WN         9.65 
 8 B6         9.46 
 9 9E         7.38 
10 UA         3.56 
11 US         2.13 
12 VX         1.76 
13 DL         1.64 
14 AA         0.364
15 HA        -6.92 
16 AS        -9.93 
```
]

---

### ¿Cual es el atraso medio a la llegada en San Francisco por aerolinea por cada mes del verano ☀️? 🤔

---

```r
*vuelos
```
]
 
.panel2-ejemplo2-auto[

---
count: false

```r
vuelos %>%
* filter(destino=="SFO")
```
]
 
.panel2-ejemplo2-auto[

```
# A tibble: 13,331 × 19
    anio   mes   dia horario_salida salida_programada atraso_salida
   <int> <int> <int>          <int>             <int>         <dbl>
 1  2013     1     1            558               600            -2
 2  2013     1     1            611               600            11
 3  2013     1     1            655               700            -5
 4  2013     1     1            729               730            -1
 5  2013     1     1            734               737            -3
 6  2013     1     1            745               745             0
 7  2013     1     1            746               746             0
 8  2013     1     1            803               800             3
 9  2013     1     1            826               817             9
10  2013     1     1           1029              1030            -1
# … with 13,321 more rows, and 13 more variables: horario_llegada <int>,
#   llegada_programada <int>, atraso_llegada <dbl>, aerolinea <chr>,
#   vuelo <int>, codigo_cola <chr>, origen <chr>, destino <chr>,
#   tiempo_vuelo <dbl>, distancia <dbl>, hora <dbl>, minuto <dbl>,
#   fecha_hora <dttm>
```
]

---
count: false

```r
vuelos %>%
  filter(destino=="SFO") %>%
* filter(mes %in% c(6,7,8))
```
]
 
.panel2-ejemplo2-auto[

```
# A tibble: 3,697 × 19
    anio   mes   dia horario_salida salida_programada atraso_salida
   <int> <int> <int>          <int>             <int>         <dbl>
 1  2013     6     1            559               600            -1
 2  2013     6     1            622               628            -6
 3  2013     6     1            653               700            -7
 4  2013     6     1            729               730            -1
 5  2013     6     1            741               740             1
 6  2013     6     1            752               800            -8
 7  2013     6     1            756               800            -4
 8  2013     6     1            824               824             0
 9  2013     6     1            924               915             9
10  2013     6     1            926               930            -4
# … with 3,687 more rows, and 13 more variables: horario_llegada <int>,
#   llegada_programada <int>, atraso_llegada <dbl>, aerolinea <chr>,
#   vuelo <int>, codigo_cola <chr>, origen <chr>, destino <chr>,
#   tiempo_vuelo <dbl>, distancia <dbl>, hora <dbl>, minuto <dbl>,
#   fecha_hora <dttm>
```
]

---
count: false

```r
vuelos %>%
  filter(destino=="SFO") %>%
  filter(mes %in% c(6,7,8)) %>%
* group_by(aerolinea, mes)
```
]
 
.panel2-ejemplo2-auto[

```
# A tibble: 3,697 × 19
# Groups:   aerolinea, mes [15]
    anio   mes   dia horario_salida salida_programada atraso_salida
   <int> <int> <int>          <int>             <int>         <dbl>
 1  2013     6     1            559               600            -1
 2  2013     6     1            622               628            -6
 3  2013     6     1            653               700            -7
 4  2013     6     1            729               730            -1
 5  2013     6     1            741               740             1
 6  2013     6     1            752               800            -8
 7  2013     6     1            756               800            -4
 8  2013     6     1            824               824             0
 9  2013     6     1            924               915             9
10  2013     6     1            926               930            -4
# … with 3,687 more rows, and 13 more variables: horario_llegada <int>,
#   llegada_programada <int>, atraso_llegada <dbl>, aerolinea <chr>,
#   vuelo <int>, codigo_cola <chr>, origen <chr>, destino <chr>,
#   tiempo_vuelo <dbl>, distancia <dbl>, hora <dbl>, minuto <dbl>,
#   fecha_hora <dttm>
```
]

---
count: false

```r
vuelos %>%
  filter(destino=="SFO") %>%
  filter(mes %in% c(6,7,8)) %>%
  group_by(aerolinea, mes) %>%
* summarize(
*   delay = mean(atraso_llegada,na.rm=TRUE)
* )
```
]
 
.panel2-ejemplo2-auto[

```
# A tibble: 15 × 3
# Groups:   aerolinea [5]
   aerolinea   mes delay
   <chr>     <int> <dbl>
 1 AA            6 32.9 
 2 AA            7 21.7 
 3 AA            8  8.39
 4 B6            6 24.1 
 5 B6            7 30.9 
 6 B6            8  2.58
 7 DL            6 13.5 
 8 DL            7 24.8 
 9 DL            8 -5.33
10 UA            6 17.2 
11 UA            7 18.4 
12 UA            8  6.28
13 VX            6 35.1 
14 VX            7 45.4 
15 VX            8 -2.74
```
]

---
count: false

```r
vuelos %>%
  filter(destino=="SFO") %>%
  filter(mes %in% c(6,7,8)) %>%
  group_by(aerolinea, mes) %>%
  summarize(
    delay = mean(atraso_llegada,na.rm=TRUE)
  ) %>%
* arrange(desc(delay))
```
]
 
.panel2-ejemplo2-auto[

```
# A tibble: 15 × 3
# Groups:   aerolinea [5]
   aerolinea   mes delay
   <chr>     <int> <dbl>
 1 VX            7 45.4 
 2 VX            6 35.1 
 3 AA            6 32.9 
 4 B6            7 30.9 
 5 DL            7 24.8 
 6 B6            6 24.1 
 7 AA            7 21.7 
 8 UA            7 18.4 
 9 UA            6 17.2 
10 DL            6 13.5 
11 AA            8  8.39
12 UA            8  6.28
13 B6            8  2.58
14 VX            8 -2.74
15 DL            8 -5.33
```
]

---

### ¿ Cuantos datos tenemos por destino ? 🤔

---

```r
*vuelos
```
]
 
.panel2-ejemplo3-auto[

---
count: false

```r
vuelos %>%
* group_by(destino)
```
]
 
.panel2-ejemplo3-auto[

```
# A tibble: 336,776 × 19
# Groups:   destino [105]
    anio   mes   dia horario_salida salida_programada atraso_salida
   <int> <int> <int>          <int>             <int>         <dbl>
 1  2013     1     1            517               515             2
 2  2013     1     1            533               529             4
 3  2013     1     1            542               540             2
 4  2013     1     1            544               545            -1
 5  2013     1     1            554               600            -6
 6  2013     1     1            554               558            -4
 7  2013     1     1            555               600            -5
 8  2013     1     1            557               600            -3
 9  2013     1     1            557               600            -3
10  2013     1     1            558               600            -2
# … with 336,766 more rows, and 13 more variables: horario_llegada <int>,
#   llegada_programada <int>, atraso_llegada <dbl>, aerolinea <chr>,
#   vuelo <int>, codigo_cola <chr>, origen <chr>, destino <chr>,
#   tiempo_vuelo <dbl>, distancia <dbl>, hora <dbl>, minuto <dbl>,
#   fecha_hora <dttm>
```
]

---
count: false

```r
vuelos %>%
  group_by(destino) %>%
* summarize(datos_destino=n())
```
]
 
.panel2-ejemplo3-auto[

```
# A tibble: 105 × 2
   destino datos_destino
   <chr>           <int>
 1 ABQ               254
 2 ACK               265
 3 ALB               439
 4 ANC                 8
 5 ATL             17215
 6 AUS              2439
 7 AVL               275
 8 BDL               443
 9 BGR               375
10 BHM               297
# … with 95 more rows
```
]

---
count: false

```r
vuelos %>%
  group_by(destino) %>%
  summarize(datos_destino=n()) %>%
* arrange(desc(datos_destino))
```
]
 
.panel2-ejemplo3-auto[

```
# A tibble: 105 × 2
   destino datos_destino
   <chr>           <int>
 1 ORD             17283
 2 ATL             17215
 3 LAX             16174
 4 BOS             15508
 5 MCO             14082
 6 CLT             14064
 7 SFO             13331
 8 FLL             12055
 9 MIA             11728
10 DCA              9705
# … with 95 more rows
```
]

---
count: false

```r
vuelos %>%
  group_by(destino) %>%
  summarize(datos_destino=n()) %>%
  arrange(desc(datos_destino))
```
]
 
.panel2-ejemplo3-auto[

Usa n() por tener el tamaño actual del grupo.

---
class: inverse, center, middle

# PIVOT_LONGER

de un formato ancho a largo

---

```r
*relig_income
```
]
 
.panel2-pivotlonger-auto[

```
# A tibble: 18 × 11
   religion `<$10k` `$10-20k` `$20-30k` `$30-40k` `$40-50k` `$50-75k` `$75-100k`
   <chr>      <dbl>     <dbl>     <dbl>     <dbl>     <dbl>     <dbl>      <dbl>
 1 Agnostic      27        34        60        81        76       137        122
 2 Atheist       12        27        37        52        35        70         73
 3 Buddhist      27        21        30        34        33        58         62
 4 Catholic     418       617       732       670       638      1116        949
 5 Don’t k…      15        14        15        11        10        35         21
 6 Evangel…     575       869      1064       982       881      1486        949
 7 Hindu          1         9         7         9        11        34         47
 8 Histori…     228       244       236       238       197       223        131
 9 Jehovah…      20        27        24        24        21        30         15
10 Jewish        19        19        25        25        30        95         69
11 Mainlin…     289       495       619       655       651      1107        939
12 Mormon        29        40        48        51        56       112         85
13 Muslim         6         7         9        10         9        23         16
14 Orthodox      13        17        23        32        32        47         38
15 Other C…       9         7        11        13        13        14         18
16 Other F…      20        33        40        46        49        63         46
17 Other W…       5         2         3         4         2         7          3
18 Unaffil…     217       299       374       365       341       528        407
# … with 3 more variables: $100-150k <dbl>, >150k <dbl>,
#   Don't know/refused <dbl>
```
]

---
count: false

```r
relig_income %>%
* pivot_longer(!religion,
*              names_to="income",
*              values_to="count")
```
]
 
.panel2-pivotlonger-auto[

```
# A tibble: 180 × 3
   religion income             count
   <chr>    <chr>              <dbl>
 1 Agnostic <$10k                 27
 2 Agnostic $10-20k               34
 3 Agnostic $20-30k               60
 4 Agnostic $30-40k               81
 5 Agnostic $40-50k               76
 6 Agnostic $50-75k              137
 7 Agnostic $75-100k             122
 8 Agnostic $100-150k            109
 9 Agnostic >150k                 84
10 Agnostic Don't know/refused    96
# … with 170 more rows
```
]

---
class: inverse, center, middle

# PIVOT_WIDER

de un formato largo a ancho

---

```r
*fish_encounters
```
]
 
.panel2-pivotwider-auto[

```
# A tibble: 114 × 3
   fish  station  seen
   <fct> <fct>   <int>
 1 4842  Release     1
 2 4842  I80_1       1
 3 4842  Lisbon      1
 4 4842  Rstr        1
 5 4842  Base_TD     1
 6 4842  BCE         1
 7 4842  BCW         1
 8 4842  BCE2        1
 9 4842  BCW2        1
10 4842  MAE         1
# … with 104 more rows
```
]

---
count: false

```r
fish_encounters %>%
* pivot_wider(names_from=station,
*             values_from=seen)
```
]
 
.panel2-pivotwider-auto[

```
# A tibble: 19 × 12
   fish  Release I80_1 Lisbon  Rstr Base_TD   BCE   BCW  BCE2  BCW2   MAE   MAW
   <fct>   <int> <int>  <int> <int>   <int> <int> <int> <int> <int> <int> <int>
 1 4842        1     1      1     1       1     1     1     1     1     1     1
 2 4843        1     1      1     1       1     1     1     1     1     1     1
 3 4844        1     1      1     1       1     1     1     1     1     1     1
 4 4845        1     1      1     1       1    NA    NA    NA    NA    NA    NA
 5 4847        1     1      1    NA      NA    NA    NA    NA    NA    NA    NA
 6 4848        1     1      1     1      NA    NA    NA    NA    NA    NA    NA
 7 4849        1     1     NA    NA      NA    NA    NA    NA    NA    NA    NA
 8 4850        1     1     NA     1       1     1     1    NA    NA    NA    NA
 9 4851        1     1     NA    NA      NA    NA    NA    NA    NA    NA    NA
10 4854        1     1     NA    NA      NA    NA    NA    NA    NA    NA    NA
11 4855        1     1      1     1       1    NA    NA    NA    NA    NA    NA
12 4857        1     1      1     1       1     1     1     1     1    NA    NA
13 4858        1     1      1     1       1     1     1     1     1     1     1
14 4859        1     1      1     1       1    NA    NA    NA    NA    NA    NA
15 4861        1     1      1     1       1     1     1     1     1     1     1
16 4862        1     1      1     1       1     1     1     1     1    NA    NA
17 4863        1     1     NA    NA      NA    NA    NA    NA    NA    NA    NA
18 4864        1     1     NA    NA      NA    NA    NA    NA    NA    NA    NA
19 4865        1     1      1    NA      NA    NA    NA    NA    NA    NA    NA
```
]

@media print {
  .has-continuation {
    display: block;
  }
}

code.r.hljs.remark-code{
  position: relative;
  overflow-x: hidden;
}

code.r.hljs.remark-code:hover{
  overflow-x:visible;
  width: 500px;
 # border-style: solid;
}

.remark-slide-content {
  font-size: 24px;
}
</style>

---

# Sitios en español que tratan de dplyr 👩‍💻

https://es.r4ds.hadley.nz/transform.html#lo-b%C3%A1sico-de-dplyr

https://github.com/fdelaunay/tutorial-dplyr-es/blob/master/R/tutorial-dplyr.md