Taller de Introducción a R

1. R
´
Taller de Introduccion
Blanca A. Vargas Govea
blanca.vg@gmail.com
cenidet
Cuernavaca, Mor., 11 de Noviembre de 2011

2. Contenido
´
1 Introduccion
´
2 Tipos de datos y funciones basicas
´
3 Analisis descriptivo
´
4 Graficas
´ ´
Graficas estandar
ggplot2
5 Miner´a de datos
ı
6 Otros recursos
2 / 68

3. R y yo
´ ´
Evaluacion de sistemas de recomendacion.
´
Analisis descriptivo de datos.
´ ´
Manipulacion de datos: construccion de archivos.
Usuario-item-rating.
Contexto.
´
Seleccion de atributos.
´
Scripts para evaluacion.
´
Graficas.
R es parte de las herramientas, otras: Weka, scripts en Python, Excel.
3 / 68

4. ´
¿Que es R?
Lenguaje.
´
Manipulacion de datos.
´
Tecnicas estad´sticas.
ı
´
Graficas.
´
Entorno para proceso estad´stico y visualizacion.
ı
Software libre.
4 / 68

5. ´ ´
¿Por que R?: Satisfaccion
http://www.rexeranalytics.com/
5 / 68

6. ´
¿Por que R?: Continuidad
6 / 68

7. ´
Entonces, ¿R es lo maximo?
7 / 68

8. ´
Ejemplo de aplicacion
http://blog.diegovalle.net/
8 / 68

9. Miner´a de datos: explicando el pasado
ı
Mapa
9 / 68

10. Miner´a de datos: prediciendo el futuro
ı
10 / 68

11. ´
Taller: exploracion usando R
11 / 68

12. ´
¿Por que es importante?
´ ´
Describe los datos mediante tecnicas estad´sticas y graficas.
ı
Da un primer acercamiento a los datos y extrae caracter´sticas
ı
´ ´
importantes que se utilizaran para analisis posteriores.
´
Util para encontrar errores, ver patrones en los datos, encontrar y
´
generar hipotesis.
12 / 68

13. Tu turno
13 / 68

14. ´
Instalacion
Instalar R [R Development Core Team, 2010] . Disponible para
Linux, MacOS X y Windows:
en http://cran.r-project.org/mirrors.html.
Puede usarse en consola o instalar un IDE.
Sugerencia: RStudio http://www.rstudio.org/.
´
El conjunto de datos que se usara es credit-g.csv [Hofmann, 1994].
En modo consola:
$ R
14 / 68

15. ´
Como obtener ayuda
help.start() # ayuda general
help(nombrefuncion) # detalles sobre la func.
?funcion # igual que el anterior
apropos("solve") # lista funciones que contienen "solve"
example(solve) # muestra un ejemplo del uso de "solve"
help("*")
vignette()
vignette("foo")
data() # muestra los datos disponibles
help(datasetname) # detalles de los datos
15 / 68

16. Espacio de trabajo
´
Es el entorno de tu sesion actual en R e incluye cualquier objeto:
vectores, matrices, dataframes, listas, funciones.
´
Al finalizar la sesion se puede guardar el actual espacio de
´
trabajo para que automaticamente se cargue en la siguiente.
´
Algunos comandos estandar para definir el espacio de trabajo son los
siguientes:
getwd() # muestra el directorio actual
ls() # lista los objetos en el espacio de trabajo
setwd(mydirectory) # cambia el path a mydirectory
setwd("c:/docs/mydir") # notar / en vez de en Windows
setwd("/usr/rob/mydir") # en Linux
history() # despliega los 25 comandos recientes
history(max.show=Inf) # despliega los comandos previos
q() # quit R.
16 / 68

17. Paquetes
.libPaths() # obtiene el path
library() # muestra los paquetes instalados
search() # muestra los paquetes cargados
# descarga e instala paquetes del repositorio CRAN
install.packages("nombredelpaquete")
library(package) # carga el paquete
17 / 68

18. Scripts
# en Linux
R CMD BATCH [options] my_script.R [outfile]
# en ms windows (ajustar el path a R.exe)
"C:Program FilesRR-2.5.0binR.exe" CMD BATCH
--vanilla --slave "c:my projectsmy_script.R"
source("myfile")
sink("record.lis") # la salida va al archivo record.lis
18 / 68

19. Tu turno
19 / 68

20. Numeros
´
var1 <- 54
var1
var2 <- sqrt(var1*8)
var2
20 / 68

21. Vectores
vector <- c(1,2,3,4,5)
vector[0]
vector[1]
cadena <- "uno"
cadena
lcadena <- c("casa","manzana","uva")
lcadena
vlogico <- c(TRUE,FALSE,TRUE,TRUE,FALSE)
vlogico
21 / 68

22. Dataframes
c1 <- c(25,26,27,28)
c2 <- c("Ana", "Lola", "Luis", "Pedro")
c3 <- c(TRUE,TRUE,TRUE,FALSE)
mydata <- data.frame(c1,c2,c3)
names(mydata) <- c("ID","Nombre","Aprobado") #nombres de var.
22 / 68

23. Exportar e importar datos
setwd("path_name")
credit <- read.csv(file = "../data/credit-g.csv", sep = ",",
na.strings = "NULL")
23 / 68

24. Despliegue de objetos
ls() # lista de objetos
names(credit) # variables de credit
str(credit) # estructura de credit
levels(credit$foreign_worker) # niveles(valores de variable)
dim(credit) # dimensiones (ren x cols)
class(credit) # clase del objeto
credit # objeto
head(credit, n=10)
tail(credit, n=10)
credit$purpose
#purpose
attach(credit) # coloca la bd en el path
purpose
24 / 68

25. ´
Renglones, columnas, m´nimo y maximo
ı
# Explorando conteo
ren <- nrow(credit) # raw row count
col <- ncol(credit)
# Min y Max
agemin <- min(age,na.rm = TRUE) # min sin NULLS en age
agemax <- max(age,na.rm = TRUE)
ammin <- min(credit_amount,na.rm = TRUE)
ammax <- max(credit_amount,na.rm = TRUE)
25 / 68

26. Subconjuntos
# Filtrando por edad
mayor30 <- subset(credit, age >= 30)
renmayor30 <- nrow(mayor30)
renmayor30
en20y40 <- subset(credit, age >= 20 & age <= 40)
ren20y40 <- nrow(en20y40)
ren20y40
26 / 68

27. Muestra aleatoria
set.seed(32)
dsmall <- credit[sample(nrow(credit), 10), ]
dsmall
27 / 68

28. Rangos
# Filtrando por bins
agebin = cut(age,breaks = c(18,30,40,50,60,70,80))
agebinfile <- data.frame(purpose,credit_amount,
personal_status,housing,job,
age=agebin,class)
agebinfile
28 / 68

29. ´
Unicos, frecuencia y orden
# unicos
unicos <- unique(class)
unicos
nhousing <- length(unique(class))
nhousing
# table
mycredit <- table(dsmall$class)
mycredit
mycredit <- table(dsmall$age,dsmall$credit_amount)
mycredit
# ordenar
mycredit <- table(dsmall$housing)
mycredit
mylist <- sort(mycredit,decreasing = TRUE)
mylist
29 / 68

30. Construyendo archivos de salida
oframe = data.frame(purpose,credit_amount,personal_status,
housing,job,age=agebin,class)
write.table(oframe, row.names = FALSE,
sep = ";",quote = FALSE,
file="../data/output01_data.csv")
30 / 68

31. Tu turno
31 / 68

32. ´
Conceptos basicos
32 / 68

33. ´
Conceptos basicos
´
Poblacion
´
Es el conjunto completo de elementos de nuestro interes.
´
Las caracter´sticas de una poblacion son las medidas
ı
estad´sticas de cada uno de sus elementos.
ı
32 / 68

34. ´
Conceptos basicos
´
Poblacion
´
Es el conjunto completo de elementos de nuestro interes.
´
Las caracter´sticas de una poblacion son las medidas
ı
estad´sticas de cada uno de sus elementos.
ı
Muestra
´ ´
Es una proporcion de la poblacion. Una muestra posee
´
las mismas caracter´sticas de la poblacion si se obtiene
ı
aleatoriamente.
32 / 68

35. ´
Conceptos basicos
´
Poblacion
´
Es el conjunto completo de elementos de nuestro interes.
´
Las caracter´sticas de una poblacion son las medidas
ı
estad´sticas de cada uno de sus elementos.
ı
Muestra
´ ´
Es una proporcion de la poblacion. Una muestra posee
´
las mismas caracter´sticas de la poblacion si se obtiene
ı
aleatoriamente.
[Bartlein, 2009, Trochim, 2006, Quick, 2009, Wackerly et al., 2002]
32 / 68

36. ´
Conceptos basicos
33 / 68

37. ´
Conceptos basicos
Estad´stica descriptiva
ı
´
Describe los datos sin ningun tipo de generalizacion.
´
Ejemplo: porcentaje de menores de edad que utilizan
redes sociales.
33 / 68

38. ´
Conceptos basicos
Estad´stica descriptiva
ı
´
Describe los datos sin ningun tipo de generalizacion.
´
Ejemplo: porcentaje de menores de edad que utilizan
redes sociales.
Inferencia estad´stica
ı
Generaliza o induce algunas propiedades de la poblacion ´
a partir de la cual los datos se tomaron. Ejemplo: ¿es la
´
satisfaccion del usuario de sistemas de recomendacion ´
significativamente diferente entre hombres y mujeres?
33 / 68

39. ´
Conceptos basicos
´
Variables categoricas
´
No aparecen de forma numerica y tienen dos o mas ´
categor´as o valores. Pueden ser nominales y ordinales.
ı
Una variable nominal no tiene un orden (e.g., rojo,
amarillo, suave), mientras que la ordinal designa un orden
(e.g., primer lugar, segundo lugar).
34 / 68

40. ´
Conceptos basicos
´
Variables categoricas
´
No aparecen de forma numerica y tienen dos o mas ´
categor´as o valores. Pueden ser nominales y ordinales.
ı
Una variable nominal no tiene un orden (e.g., rojo,
amarillo, suave), mientras que la ordinal designa un orden
(e.g., primer lugar, segundo lugar).
´
Variables numericas
Son aquellas que pueden tomar cualquier valor dentro de
un intervalo finito o infinito.
34 / 68

41. ´
Tipos de analisis
Univariable
en el cual se exploran las variables o atributos uno por
uno.
Bivariable
´
en el cual simultaneamente se analizan dos variables
´
para conocer la relacion entre ellas, su fuerza o si hay
´
diferencias entre ellas y el significado de las mismas. El
´
analisis bivariable puede ser entre dos variables
´ ´ ´
numericas, dos variables categoricas y una variable
´ ´
numerica y una categorica.
35 / 68

42. ´
Analisis univariable
´
Variables categoricas
´ ´
el analisis exploratorio basicamente es un conteo del
numero de valores de la variable especificada y el
´
porcentaje de valores de la variable espec´fica. Se
ı
´
utilizan las graficas de barras y de pay.
´
Variables numericas
´
se analizan calculando el m´nimo, maximo, media,
ı
mediana, moda, rango, los cuantiles, la varianza, la
´ ´ ´
desviacion estandar, el coeficiente de variacion, la
asimetr´a y la curtosis. Se visualizan mediante
ı
´
histogramas y graficas de bigotes.
36 / 68

43. Medidas
Min, max Cuantiles (25,50,75)
Media Varianza
Mediana ´ ´
Desviacion estandar
Moda Asimetr´a
ı
Rango Curtosis
37 / 68

44. En R
setwd("path_name")
credit <- read.csv(file = "../data/credit-g.csv",sep = ",",
na.strings = "NULL")
attach(credit)
Cargar librer´a moments
ı
install.packages("moments")
library(moments)
38 / 68

45. Moda
Mode <- function (x) {
cngtable <- table(x)
n <- length(cngtable)
mode <- as.double(names(sort(cngtable)[n]))
mode
}
moda <- Mode(age)
moda
39 / 68

46. Rango
Rng <- function(x) {
rangem <- diff(range(x))
rangem
}
rango <- Rng(age)
rango
40 / 68

47. Cuantiles
Quantiles <- function(x) {
quants <- quantile(x)
quantval <- as.double(names(table(quants)))
quantval
}
q <- Quantiles(sort(age))
q
41 / 68

48. Media
media <- round(mean(age),2)
media
42 / 68

49. Mediana
mediana <- round(median(age),2)
mediana
43 / 68

50. Varianza
varianza <- round(var(age),2)
varianza
44 / 68

51. ´ ´
Desviacion estandar
sd <- round(sd(age),2)
sd
45 / 68

52. Cargando datos
setwd("path")
credit <- read.csv(file = "../data/credit-g.csv", sep = ",",
na.strings = "NULL")
attach(credit)
set.seed(32) # Muestra
dsmall <- credit[sample(nrow(credit), 5), ]
dsmall
46 / 68

53. Puntos 1/3
png(filename = "../figures/foo1.png") # puntos
plot(age,credit_amount)

54. Puntos 2/3
png(filename = "../figures/foo1b.png")
plot(dsmall$age,type= "o",col="blue")

55. Puntos 3/3
png(filename = "../figures/foo1b.png")
plot(dsmall$age,type= "o",col="blue")

56. Bigotes
png(filename = "../figures/foo2.png")
boxplot(age)
´ ´
Un valor at´pico es una observacion numericamente distante del resto de los
ı
´
datos y puede representar datos erroneos. Se considera un valor at´pico el
ı
que se encuentra 1,5 veces esa distancia de uno de esos cuartiles (at´pico
ı
leve) o a 3 veces esa distancia (at´pico extremo).
ı
50 / 68

57. Histograma simple 1/2
png(filename = "../figures/foo3.png")
hist(credit_amount)
51 / 68

58. Histograma simple 2/2
png(filename = "../figures/foo4.png")
hist(credit_amount, breaks=30, col="blue")
52 / 68

59. Barras 1/3
png(filename = "../figures/foo5.png")
counts <- table(housing)
barplot(counts, main="Housing")
53 / 68

60. Barras 2/3
png(filename = "../figures/foo6.png")
counts <- table(class)
barplot(counts, main="Personal status", horiz=TRUE)
54 / 68

61. Barras 3/3
png(filename = "../figures/foo6a.png")
myfile <- data.frame(dsmall$age,dsmall$residence_since,
dsmall$duration)
barplot(as.matrix(myfile), main="Credito", ylab= "Total",
beside=TRUE, col=rainbow(5), cex.names=0.9)
legend("topright", c("e1","e2","e3","e4","e5"), bty="n",
fill=rainbow(5))
55 / 68

62. ´
Matriz de dispersion
png(filename = "../figures/foo9.png")
pairs(~credit_amount+age+existing_credits+num_dependents,data=
main="Simple Scatterplot Matrix")
56 / 68

63. Bigotes
d <- ggplot(data = credit, aes(x = credit_amount, y = age))
d + geom_boxplot(outlier.shape = 4) + theme_bw() +
scale_y_continuous(breaks = seq(0, 100, by = 5))
ggsave(file = "../figures/gg-boxplot.eps", width=5, height=5)
75
70
65
60
55
50
age
45
40
35
30
25
20
5000 10000 15000
credit_amount
57 / 68

64. Barras 1/2
d <- ggplot(data = credit, aes(age))
d + geom_bar() + theme_bw()
ggsave(file = "../figures/gg-foo10.eps", width=5, height=5)
80
60
count
40
20
0
20 30 40 50 60 70
age
58 / 68

65. Barras 2/2
d <- ggplot(data = credit, aes(age))
d + geom_bar(binwidth = 0.1) + theme_bw()
ggsave(file = "../figures/gg-foo10a.eps", width=5, height=5)
50
40
30
count
20
10
0
20 30 40 50 60 70
age
59 / 68

66. Histograma, media y DS
d <- ggplot(data = credit, aes(age))
d + geom_histogram(aes(y = ..count..),binwidth = 0.5) +
theme_bw() +
scale_x_continuous(breaks = c(media)) +
geom_vline(xintercept = media, size = 0.5, colour = "magen
geom_vline(xintercept = media+sd, size = 0.5, colour = "bl
geom_vline(xintercept = media-sd, size = 0.5, colour = "bl
ggsave(file = "../figures/gg-foo11.eps", width=5, height=5)
50
40
30
count
20
10
0
35.55
age
60 / 68

67. Cuts
agebin = cut(age,breaks = c(18,30,40,50,60,70,80))
agebinfile <- data.frame(purpose,credit_amount,personal_
status,housing,job,age=agebin,class)
agebinfile
d <- ggplot(data = agebinfile, aes(age))
d + stat_bin(aes(ymax = ..count..), geom = "bar") + theme_bw()
ggsave(file = "../figures/gg-foo12.eps", width=5, height=5)
400
300
count
200
100
0
(18,30] (30,40] (40,50]
age
(50,60] (60,70] (70,80] 61 / 68

68. Cuts - theme bw()
agebin = cut(age,breaks = c(18,30,40,50,60,70,80))
agebinfile <- data.frame(purpose,credit_amount,personal_
status,housing,job,age=agebin,class)
agebinfile
d <- ggplot(data = agebinfile, aes(age))
d + stat_bin(aes(ymax = ..count..), geom = "bar") + theme_bw()
ggsave(file = "../figures/gg-foo12.eps", width=5, height=5)
400
300
count
200
100
0
(18,30] (30,40] (40,50]
age
(50,60] (60,70] (70,80] 62 / 68

69. Eliminando theme bw()
d <- ggplot(credit, aes(housing))
d + geom_bar()
ggsave(file = "../figures/gg-foo13.eps", width=5, height=5)
700
600
500
400
count
300
200
100
0
for free own rent
housing
63 / 68

70. fill
d <- ggplot(credit, aes(age,fill=housing))
d + geom_bar()
ggsave(file = "../figures/gg-foo14.eps", width=5, height=5)
80
60
housing
for free
count
own
40
rent
20
0
20 30 40 50 60 70
age
64 / 68

71. Facetas
d <- ggplot(credit, aes(age))
d + geom_bar()+facet_wrap(~ housing)
ggsave(file = "../figures/gg-foo15.eps", width=5, height=5)
for free own
60
40
20
0
count
rent
60
40
20
0
20 30 40 50 60 70 20 30 40 50 60 70
age
65 / 68

72. Miner´a de datos: librer´as
ı ı
´
Clasificacion.
´
Regresion lineal en R.
´ ´
Particionamiento recursivo y arboles de regresion
´ ´ ´
Clasificacion y arboles de regresion
nnet: redes neuronales feed-forward
´
Agrupacion.
´
Agrupacion en R
´
Reglas de asociacion.
´
arules: Reglas de asociacion
´
Seleccion de atributos.
FSelector: Selecting attributes
Caret: librer´as diversas
ı
Miner´a de textos.
ı
tm: librer´a para miner´a de texto
ı ı
66 / 68

73. Otros recursos
Machine learning
R with Python
´
Comparacion
Libro
67 / 68

74. ´
R Taller de Introduccion is licensed under a
Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported License.
68 / 68

75. Bartlein, P. (2009).
Data analysis and visualization.
http://geography.uoregon.edu/bartlein/old_courses/geog414f03/lectures/lec04.htm.
Hofmann, H. (1994).
UCI machine learning repository.
http://bit.ly/laDAFC.
Quick, J. M. (2009).
R tutorial series: Summary and descriptive statistics.
http://www.r-bloggers.com/r-tutorial-series-summary-and-descriptive-statistics/.
R Development Core Team (2010).
R: A language and environment for statistical computing.
http://www.R-project.org.
Trochim, W. M. (2006).
Research methods knowledge base.
http://geography.uoregon.edu/bartlein/old_courses/geog414f03/lectures/lec04.htm.
Wackerly, D. D., Scheaffer, R. L., & Mendenhall, W. (2002).
´
Estad´stica matematica con aplicaciones.
ı
´
Mexico, 6 edition.
68 / 68