5.2 dplyr::

Los principales cinco verbos (funciones) de dplyr son:

select filter mutate summarise arrange

select

Vamos a seleccionar las variables: study, year y fungic del archivo soja:

soja_long %>% 
  select(trt, yield)

# Una selección “negativa” de las variables no deseadas daría un mismo resultado:
# soja_long %>% 
#   select(-bk)

5.2.1 filter

Semejante a subset. Condiciones separadas por comas equivalen a & de subset. Filtremos la variable fungicida (fungic) por el testigo (ZZ_CHECK):

soja_long %>% 
  select(trt, yield) %>% 
  filter(trt == 'check')

Ahora, agreguemos el trt A al dataset filtrado:

soja_long %>% 
  select(trt, yield) %>% 
  filter(trt %in% c("check","A"))

mutate

Permite operar sobre las columnas, modificando su naturaleza o haciendo operaciones sobre ellas (incluso generando nuevas columnas a partir de pre-existentes).

• Creación de nuevas variables (a partir de las existentes)

Supongamos que queremos analizar a yield en escala de quintal (100kg = 1qq)

soja_long %>% 
  mutate(yield_qq = yield/100) %>% 
  select(-yield)

• Conversión de tipos de variables:

Ahora que hemos re-organizado los datos, queremos chequear los tipos de variables que tiene el dataset:

str(soja_long)

soja_long %>% 
  mutate(yield_qq = yield/100) %>% 
  select(-yield) %>% 
  mutate_at(vars(trt, bk), as.factor) %>% 
  mutate_at(vars(yield_qq), as.numeric) -> soja_long1

str(soja_long1) 

5.2.2 summarise

Generalmente acompañada de la función group_by la cual permite aplicar un cálculo a las observaciones agrupando por niveles de algún factor (equivale a una tabla dinámica de Excel)

Veamos cuánto fue el rendimiento promedio y el desvío standard para cada fungicida a través de todos los ensayos:

soja_long %>% 
  group_by(trt) %>% 
  summarise(yield_mean =  mean(yield),
            yield_sd = sd(yield)) 

Calculen el rendimiento mínimo y máximo de cada tratamiento

arrange

Ordenar columnas

soja_long %>% 
  arrange(trt, yield) %>% 
  print(n=Inf)

• Función subset

Filtremos a la variable Species reteniendo sólo a “setosa”

iris_setosa <- subset(iris, Species=="setosa")

Filtremos a la variable Species reteniendo sólo a “setosa” + “virginica”

iris_set.virginica <- subset(iris, Species %in% c("setosa", "virginica"))

Anteponiendo el ! a la condición estaremos aplicando la negativa de la condición.

regenere iris_set.virginica usando ! para mejorar el código

Agreguemos una condición: a lo anterior quedémonos con aquellas filas en que Sepal.Length > 5

iris2 <- subset(iris, Species %in% c("setosa", "virginica") & Sepal.Length > 5)
iris2
dim(iris2)

¿Qué pasa si cambiamos el operador & por |?

iris3 <- subset(iris, Species %in% c("setosa", "virginica") | Sepal.Length > 5)
iris3
dim(iris3)

iris4 no es un codigo suscinto… reformulelo en iris5 para que identical(iris4, iris5) == TRUE

iris4 <- subset(iris, 
                !(Species %in% c("setosa", "virginica") |
                    Sepal.Length > 5)
                )
iris4
dim(iris4)