Este curso te proporcionará las bases del lenguaje de programación estadística R, la lengua franca de la estadística, el cual te permitirá escribir programas que lean, manipulen y analicen datos cuantitativos. Te explicaremos la instalación del lenguaje; también verás una introducción a los sistemas base de gráficos y al paquete para graficar ggplot2, para visualizar estos datos. Además también abordarás la utilización de uno de los IDEs más populares entre la comunidad de usuarios de R, llamado RStudio. Objetivo Al término del curso: Utilizarás el lenguaje de programación R con el fin de manipular datos, generar análisis estadísticos y representación gráfica, a través del procesamiento de datos cuantitativos. Forma de trabajo Este curso busca introducirte en el lenguaje de programación estadística R, un lenguaje computacional diseñado para el análisis estadístico de datos. Este curso está dirigido a estudiantes y profesionales que tienen interés en poder utilizar esta herramienta, para leer, manipular, analizar y graficar datos. Utilizarás un IDE (Ambiente de Desarrollo Integrado) muy popular para trabajar con el lenguaje R, llamado RStudio, que se ha vuelto el IDE de facto para programar en R. En cada módulo encontrarás videos que te guiarán en la instalación de las herramientas a utilizar, así como explicaciones de las operaciones básicas y los elementos específicos que ofrecen un manejo más profundo del lenguaje. También hallarás algunas referencias bibliográficas para ahondar en el tema que sea de tu interés. Para complementar las lecciones, realizarás prácticas con el lenguaje, las cuales tendrán valor para la evaluación.
Leer y Escribir Datos
Loading...
Del curso dictado por Universidad Nacional Autónoma de México
Introducción a Data Science: Programación Estadística con R
2211 calificaciones
Universidad Nacional Autónoma de México
2211 calificaciones
De la lección
Introducción al Lenguaje
En esta primera semana, tendrás tus primeros pasos en el lenguaje, entenderás que son los objetos, las clases, los tipos de datos y podrás leer y escribir datos a distintas fuentes y tipos de archivos.
Conoce a los instructores
Carlos Ernesto López NatarénTécnico Académico
Secretaría Técnica de Cómputo, Telecomunicaciones, Diseño y Fotografía, Instituto de Física, UNAM
[MUSIC]
Es importante que sepas, antes de que comiences esta lección,
que los datos a los que haremos referencia son tipos de datos tabulares,
es decir, que están organizados en archivos por renglones y columnas.
[SOUND] En esta lección lo que aprenderemos a hacer es a escribir y
a leer datos, comenzaremos por leer datos.
Esta es una de las operaciones más importantes porque generalmente nos dan
datos en forma de archivos y si tenemos suerte estos serán archivos de texto.
Por supuesto no todos los datos que nos proporcionan o que estemos generando,
van a ser escritos en archivos de texto.
Estos pueden venir como archivos en formato de excel,
o algún otro formato de alguna hoja de cálculo.
También pueden ser conexiones a base de datos o, incluso,
podemos estar extrayendo información del web,
you sea vía alguna interfaz de aplicación o páginas
web directamente que tenemos, a las cuales tenemos que limpiarles estos datos.
Hay algunas funciones dentro del sistema base de R que nos servirán
para leer datos.
Estas están enfocadas a datos que están escritos en archivos de texto,
no los formatos, que hemos hablado como Excel
o conexiones a base de datos o datos que provienen del web.
Estas son las más importantes, las que están listadas en pantalla, pero además
nos enfocaremos por este momento en read.table y read.csv.
Así como hay funciones para leer datos en R,
también hay funciones en el sistema base para escribirlos.
Estas funciones aparecen ahorita en pantalla y, de nuevo, estaremos
enfocando nuestros esfuerzos en aprender los detalles de la función write.table.
Comenzaremos con la función read.table para aprender cómo leer datos en R.
Read.table es una de las funciones más importantes para leer datos en el sistema.
Es importante saber que, además, otras funciones
para leer datos de archivos de texto, en realidad son funciones
con parámetros you preestablecidos de la función read.table.
Por ejemplo la función read.csv, read.csv2,
read.fortran y read.socket
son formas especializadas de read.table que you tienen parámetros preestablecidos.
Volviendo con nuestra función read.table, podemos observar que los parámetros
más importantes de esta función son: file, header,
sep, colClasses, nrows, comment.char,
skip y stringsAsFactors.
La función read.table es muy eficiente con
archivos pequeños porque al ser estos archivos pequeños,
puede hacer toda la revisión del archivo, de manera rápida y eficiente.
El problema comienza cuando los archivos son muy grandes,
en ese caso tenemos que empezar a utilizar los parámetros para mejorar tal vez
el rendimiento de la lectura.
Por defecto, la función read.table
ignorará todas las líneas que contengan este signo.
Averiguará además, cuántos renglones tenemos.
Y, finalmente,
averiguará de qué tipo es cada columna de las variables que va encontrando,
que es justo lo que sucede cuando mandamos a llamar la función de esta manera.
Ahora, con los archivos grandes debemos ser cuidadosos, porque muchas veces
una mala lectura o un mal parámetro pasado a la función read.table
podría generar esperas muy largas, por ejemplo.
Yo les sugiero no leer ningún archivo de datos si estos archivos
son más grandes del tamaño de la memoria ram que tiene disponible o, también,
recuerden utilizar el parámetro comment.char="",
es decir, no hay ningún tipo de comentario, sí en el archivo no existe
ningún comentario así ese chequeo no se hace en cada línea que se va leyendo.
Es importante también que no olviden que aunque estamos tratando de revisar algunos
de los parámetros más importantes de las funciones que vemos en el curso.
También ustedes pueden ir a revisar el manual de la página de ayuda
de cada una de las funciones, en este caso de read.table porque les dará una mejor
visión de todos los parámetros que pueden ser controlados con esta función.
Ahora vamos a ver algunos consejos para la función read.table uno de los primeros
consejos que les daría es utilizar el parámetro col.Classes.
Este parámetro lo que recibe es, en un vector,
cada uno de los tipos que van a observar de cada una de las columnas,
cuando estén leyendo esos valores con la función read.table.
¿Esto por qué es de ayuda?
Pues porque si tuviéramos digamos tres tipos diferentes en un
archivo, lo que haríamos es ir leyendo cada uno.
Más bien lo que hace el sistema es ir leyendo cada uno de ellos y al final
decidir, de qué tipo es conforme a lo que ha observado en cada columna.
Pero si nosotros le decimos a priori que lo que va a ver, por ejemplo,
fuera una columna de puros nombres, otra de puras edades,
y otra de puras categorías, entonces no tiene que hacer ese chequeo en cada
una de las lecturas de los renglones, y podría hacerlo de manera más rápida.
Podemos averiguar la clase de las columnas de manera fácil
cuando tenemos archivos grandes.
Lo que podemos hacer, como en este ejemplo que estamos observando en pantalla,
es leer solamente los primeros cien renglones de nuestro archivo y
utilizar la función sapply initial, o sea el nombre de nuestro objeto, y la clase.
Lo que está haciendo es aplicar la función class
a cada una de las columnas del objeto inicial.
Entonces, este objeto lo guardamos en el vector clases,
y luego leemos you entonces todo el archivo
pero pasándole el parámetro col.classes.
Otro consejo que les puedo dar es utilizar nrows desde el principio.
Nrows le diría a la función read.table a priori cuantos renglones va a leer.
Es por eso que nos ayudará a poder establecer el tamaño de
memoria que vamos a utilizar desde el principio y no ir
ampliando ese tamaño de memoria conforme vamos leyendo el archivo.
Es claro, sólo de ver la función read.table y cómo
puede llegar a complicarse leer un archivo de datos,
que es importante saber qué tipo de sistema tienes.
¿Esto que significa?
Pues que debemos aprender antes de empezar a utilizar el sistema,
qué tamaño es la memoria ram, qué aplicaciones se pueden estar usando al
mismo tiempo en ella, si el sistema es multiusuario.
Cuántos usuarios podría llegar a haber al mismo tiempo.
Qué tipo de sistema operativo estamos utilizando.
Y si es de 32 o 64 bits.
Ahora supongamos que nos dicen que nos van a dar
un millón de registros de usuarios del censo por ejemplo.
Y que han recabado, 100 datos de cada uno de esos usuarios del censo.
Cómo podríamos calcular el tamaño posible
de ese archivo o de esos datos que van a ocupar en memoria.
Pues es muy simple.
Lo único que tenemos que hacer a sabiendas de que hay 1 millón
de renglones en ese archivo, y hay 100 columnas.
Tenemos que multiplicar esas columnas,
también suponiendo que van a ser numéricas, por 8 bytes cada una,
y eso nos daría el tamaño aproximado, Del archivo que vamos a tener,
en este caso serían aproximadamente unos 700, 800 megabytes.
Una recomendación que es empírica pero que funciona,
es que generalmente es importante tener el doble de memoria RAM
de los datos que vas a estar cargando en el sistema.
[NOISE] La función write.table es muy parecida a la función read.table.
Esta también tiene sus formas especializadas como read.csv,
read.fortran, read.csv2, etcétera, etcétera.
Estas van a ser utilizadas a más detalle en la práctica.
Finalmente para terminar esta lección veremos las funciones para
escribir objetos que you tenemos en el sistema en un momento dado
utilizando las funciones dump y la función source para leerlos.
En este ejemplo, podemos observar que tenemos dos objetos, X y Y.
Utilizando la función dump, lo escribimos a un archivo llamado datos.r.
Posteriormente, borramos esos dos objetos, pero si utilizamos la función
source para leer de nuevo ese archivo que acabamos de crear, llamado datos.R,
podemos observar que si volvemos a llamar a esos objetos, siguen estando en memoria.
Bueno, haciendo un repaso final de esta lección,
podemos recordar que las dos funciones más importantes para leer
y escribir datos son read.table y write.table.
Estas tienen muchos parámetros y es importante
conocer nuestro sistema para poder saber qué parámetros debemos utilizar,
para que cuando estemos leyendo datos de archivos muy grandes,
nuestro rendimiento de esta lectura sea bastante bueno.
Espero, puedan llevar a cabo estas lecturas y escrituras de
sus datos en la práctica.
[MUSIC]
Explora nuestro catálogo
Inscríbete de manera gratuita y obtén recomendaciones personalizadas, actualizaciones y ofertas.
Coursera brinda acceso universal a la mejor educación del mundo, al asociarse con las mejores universidades y organizaciones, para ofrecer cursos en línea.
© 2018 Coursera Inc. Todos los derechos reservados.
