In this course you will learn how to program in R and how to use R for effective data analysis. You will learn how to install and configure software necessary for a statistical programming environment and describe generic programming language concepts as they are implemented in a high-level statistical language. The course covers practical issues in statistical computing which includes programming in R, reading data into R, accessing R packages, writing R functions, debugging, profiling R code, and organizing and commenting R code. Topics in statistical data analysis will provide working examples.
Overview and History of R
Loading...
Del curso dictado por Johns Hopkins University
R Programming
13832 calificaciones
De la lección
Week 1: Background, Getting Started, and Nuts & Bolts
This week covers the basics to get you started up with R. The Background Materials lesson contains information about course mechanics and some videos on installing R. The Week 1 videos cover the history of R and S, go over the basic data types in R, and describe the functions for reading and writing data. I recommend that you watch the videos in the listed order, but watching the videos out of order isn't going to ruin the story.
Conoce a los instructores
Roger D. Peng, PhDAssociate Professor, Biostatistics
Bloomberg School of Public Health
Jeff Leek, PhDAssociate Professor, Biostatistics
Bloomberg School of Public Health
Brian Caffo, PhDProfessor, Biostatistics
Bloomberg School of Public Health
En esta clase voy a dar una pequeña visión general
y un breve repaso de la historia del entorno de programación estadística R.
Creo que la primera pregunta es obvia: ¿Qué es R?
La respuesta es bastante simple.
Básicamente, R es un dialecto de S.
Bien, eso conduce a la siguiente pregunta: ¿Qué es S?
S es un lenguaje que fué desarrollado por John Chambers
en los ahora desaparecidos Bell Labs - Laboratorios Bell.
Su desarrollo fue iniciado en 1976
como un entorno de análisis estadístico para uso interno, es decir,
un entorno que la gente de Bell Labs pudiese usar para analizar sus datos.
Inicialmente se implementó como una serie
de librerías en FORTRAN para implementar rutinas
que eran tediosas de realizar una y otra vez.
Por esta razón había librerías de FORTRAN para repetir estas rutinas estadísticas.
Las primeras versiones del lenguaje
no contenían funciones para modelado estadístico.
Eso no fue incluído sino hasta aproximadamente la tercera versión del lenguaje.
Así, en 1988 el sistema fue reescrito en C para mejorar la portabilidad entre sistemas
y fue cuando comenzó a parecerse al sistema que tenemos hoy en día.
Eso fue en la tercera versión.
Hubo un libro original llamado "Modelos estadísticos en S"
escrito por John Chambers y Trevor Hastie,
a veces conocido como el "libro blanco",
en el que se documenta
toda la funcionalidad de análisis estadístico
que se incluyó en esa versión del lenguaje.
La versión cuatro del lenguaje S se lanzó en 1998.
Y esa es más o menos la versión que usamos hoy en día.
El libro "Programming with Data", que es de referencia para este curso,
fue escrito por John Chambers, y en ocasiones es llamado el "libro verde".
Ese libro documenta la cuarta versión del lenguaje S.
De esta manera, R es una implementación del lenguaje S,
que fue originalmente desarrollado en Bell Labs.
Un poco más de historia: En 1993 Bell Labs
dieron a una corporación llamada StatSci - la que más adelante se convirtió en Insightful Corporation -
una licencia exclusiva para desarrollar y vender el lenguaje S.
En el 2004, Insightful compró todos los derechos del lenguaje S a Lucent
- Bell Labs se había convertido en Lucent Technologies - por 2 millones de dólares y
y se convirtió en su dueño actual. En el 2006, Alcatel compró Lucent Technologies,
y ahora se llama Alcatel-Lucent.
Insightful desarrolló un producto que era
una implementación del lenguaje S, bajo el nombre S-PLUS.
Y le incorporaron una serie de características avanzadas,
como por ejemplo una interfaz gráfica y toda clase de herramientas útiles.
De ahí es de donde viene el "PLUS" de S-PLUS.
En el 2008, Insightful Corporation
fue adquirida por una compañía llamada TIBCO por 25 millones de dólares,
y más o menos así es como están las cosas actualmente.
TIBCO aún desarrolla S-PLUS, aunque en forma de una variedad de productos
para análisis enfocados a diferentes tipos de negocio.
Y así sigue hasta el día de hoy.
Como puedes ver, la historia del lenguaje
es un poco tortuosa debido a las múltiples adquisiciones corporativas,
pero aún así sobrevive hasta el día de hoy.
Los fundamentos básicos del lenguaje S
realmente no han cambiado desde 1998, y el lenguaje que hubo en esa época
se parece mucho a lo que usamos hoy, al menos superficialmente.
Además, vale la pena destacar que en 1998 el lenguaje S
ganó el premio de sistemas de software de la Association for Computing Machinery (ACM)
El cual es un honor muy prestigioso.
En un documento llamado "Las etapas y la evolución de S", John Chambers,
el desarrollador y creador original del lenguaje S,
explicó sus principales consideraciones acerca del diseño del lenguaje S.
Es importante ver que, básicamente,
lo que se pretendía era crear un entorno interactivo
donde el usuario no pensara en sí mismo en términos de estar programando.
Sostenía que, a medida que las necesidades
fueron haciéndose más claras y el grado de sofisticación empezara a aumentar,
los usuarios serían capaces de involucrarse gradualmente en la programación en el momento
en el que los aspectos del lenguaje y el sistema se hiciesen más importantes.
Así que la idea básica detrás del lenguaje S
y el posterior lenguaje R es que la gente
entrase en el lenguaje a través de un entorno interactivo
donde se pudiese utilizar el lenguaje sin necesidad
de tener conocimientos de programación o conocer aspectos detallados del lenguaje.
Así se podría usar el entorno para estudiar los datos y realizar análisis básicos.
Y cuando sus necesidades superasen la capacidad del entorno,
pudiesen involucrarse en la programación del mismo.
Podrían involucrase en aprender los aspectos del lenguaje
y en aprender a desarrollar sus propias herramientas,
de forma que el lenguaje promoviera la transición de usuario a programador.
Y esta es básicamente la filosofía del lenguaje S.
Ya he hablado suficiente acerca de S. Ahora volvamos a R.
¿De qué se trata R?
Básicamente, R es un desarrollo relativamente reciente.
Fue creado en 1991 en Nueva Zelanda por dos caballeros llamados Ross Ihaka
y Robert Gentleman.
En un artículo científico publicado en 1996 en el "Journal of Computation and Graphical Statistics",
estos dos caballeros contaron su experiencia durante el desarrollo de R.
En 1993 se hizo público el primer anuncio de R.
En 1995, Martin Michler convenció a Ross y a Robert
de poner R bajo una Licencia GNU para el público general (GNU-GPL).
Hablaremos sobre esto un poco más adelante.
Ese hecho convirtió R
en lo que llamamos "software libre" - free software -
En 1996 se crearon un par de listas de correo
Una llamada R-help, que es una lista general para preguntas.
Y otra llamada R-devel, que es una lista de correo más específica
para gente que participa en trabajos de desarrollo para R.
En 1997 se formó el grupo llamado "R core group" - grupo básico de R -
Que contenía a mucha de la misma gente
que desarrolló S-PLUS.
El "core group" básicamente controla el código base (source code) de R.
El código base fundamental de R
sólo puede ser modificado por miembros del "R core group".
Sin embargo, algunas personas que no hacen parte del "core group" han sugerido
cambios en R que han sido posteriormente aceptados por el "core group".
Bueno, algunas características de R: La primera, que era importante antes,
cuando la gente aún usaba S-SPLUS, es que la sintaxis es
muy similar a S, lo que facilita la migración de los usuarios de S-PLUS.
Esta característica no es muy importante hoy en día,
dado que la mayoría de la gente va a R directamente.
La semántica es superficialmente similar a S, en el sentido de que parece que es S,
pero en realidad hay bastantes diferencias.
Hablaremos de ello más adelante.
Uno de los principales beneficios de R
es que funciona en cualquier plataforma o sistema operativo estándar:
Mac, Windows, Linux, etc.
Incluso lo puedes correr en un PlayStation 3. Hay lanzamientos de versiones frecuentemente;
anualmente hay lanzamiento de versiones principales, y en ocasiones hay parches para solucionar problemas.
Hay un desarrollo muy activo, y siempre están ocurriendo cosas.
El núcleo del software de R es en realidad muy ligero.
Su funcionalidad se divide en paquetes modulares,
de forma que no es necesario descargar e instalar un software de gran tamaño.
Es posible descargar
tan solo un pequeño núcleo fundamental,
con algunas funciones, y luego añadir otras cosas según vayan siendo necesarias.
Sus capacidades gráficas son muy sofisticadas,
y dan al usuario un gran control
sobre cómo se crean los gráficos,
y en mi opinión, es mucho mejor que la mayoría de paquetes estadísticos.
En mi opinión incluso podría ser el mejor paquete estadístico de propósito general.
Como he dicho antes, es muy útil para trabajo interactivo
pero también contiene un potente lenguaje de programación
para desarrollar nuevas herramientas,
facilitando así la transición de usuario a programador.
Y fundamentalmente, para un lenguaje así,
hay una comunidad de usuarios muy activa y vibrante.
Las listas de correo R-help y R-devel son muy activas,
con muchos mensajes al día,
y también hay una sección en la web StackOverflow donde pueden hacerse preguntas.
De esta manera, la comunidad de usuarios es uno de los aspectos más interesantes de R.
Es de donde provienen todos los paquetes de R,
y donde se crean bastantes características interesantes.
Por supuesto, una de las características más importantes de R es que es libre y gratis.
Es libre como en "libertad de expresión" y también es gratis como en "cerveza gratis".
Lo que quiero decir con esto es que no hay que pagar por él,
de manera que se puede descargar el software completo desde la web.
Y también es software libre.
Voy a desviarme un poco en este momento para poder poder hablar de software libre.
Con el software libre hay cuatro principios básicos.
Hay cuatro libertades básicas que se tienen:
La libertad cero (freedom 0)
es la libertad de ejecutar el programa para cualquier propósito,
de forma que no hay restricciones acerca de cómo se puede ejecutar el programa,
o cuándo se puede ejecutar el programa, o qué se puede o no se puede hacer con él.
La libertad uno (freedom 1) es la libertad para estudiar
cómo funciona el programa, y adaptarlo a nuestras necesidades.
Esto pasa casi cada día, y es la razón por la cual se puede
mirar el código base de R en sí mismo.
Se puede incluso modificar si así lo deseas.
Se puede mejorar, o hacer una versión mejor de ello.
Incluso se pueden vender los cambios, si así se desea.
Se puede modificar el programa de la manera que se desee y adaptarlo a nuestras necesidades.
Por supuesto, se puede mirar el código fuente para ello gracias a la libertad uno.
La libertad dos (freedom 2) es la libertad de distribuir copias, para ayudar
al prójimo, de forma que se pueden dar copias a otra gente.
Se pueden vender copias.
Se puede hacer con ello lo que se desee.
Finalmente, existe la libertad de mejorar el programa y lanzar tus mejoras
al público, para que toda la comunidad se beneficie de ellas, eso es la libertad tres (freedom 3).
La idea es que cuando la gente haga cambios al programa
puedan liberarlas al público para que todos puedan beneficiarse de estos cambios.
Estas son las libertades que marca la fundación para el software libre;
Si lo deseas, puedes ver más sobre esto en su página web.
R también tiene algunas desventajas.
No vamos a hablar acerca de todas
y probablemente otra gente tenga muchas otras quejas.
Pero hay algunas desventajas básicas,
como que, esencialmente, se basa en una tecnología que tiene 40 años de antigüedad.
El lenguaje S original desarrollado en los años 70 se basaba
en un par de principios, y las ideas básicas no han cambiado demasiado desde entonces.
Uno de los resultados es, por ejemplo,
que hay muy poco soporte incorporado para gráficos dinámicos o en 3D.
Pero las cosas han mejorado mucho
y ahora hay muchas herramientas interesantes y paquetes para hacer gráficos dinámicos y en 3D.
Otra de las desventajas de R sobre la que oigo hablar con frecuencia
es que la funcionalidad se basa
en la demanda de los usuarios, y, básicamente, en aportaciones de usuarios.
De manera que si nadie quiere implementar
tu método favorito, entonces debes hacerlo tú mismo.
No hay ninguna corporación o empresa,
ninguna compañía a la que podamos quejarnos.
No hay una línea de ayuda a la que podamos llamar
para pedir una implementación o una funcionalidad concreta.
Si la funcionalidad no está ahí, entonces tenemos que construirla nosotros mismos
o también
podemos pagar a alguien para que la implemente.
Otra desventaja que es un poco más técnica
es que los objetos que se manipulan en R deben estar almacenados en la memoria física del computador.
De manera que si el objeto es más grande que la memoria física,
entonces no podemos cargarlo en memoria.
Y por lo tanto, no podremos hacer nada en R con ese objeto.
También ha habido muchos avances a este respecto.
Tanto en el lenguaje R
como en la parte del hardware,
ya que hoy podemos comprar equipos con cantidades enormes de memoria.
De esta manera, algunos de estos problemas
han sido resueltos simplemente por los avances en la tecnología.
Sin embargo, dado que estamos entrando en la era del "big data", en la que se tienen
juegos de datos cada vez mayores,
el modelo de cargar los objetos en memoria física puede ser una limitación.
Finalmente, conviene decir que R no es ideal para todas las posibles situaciones.
Mucha gente
creo, tiene grandes expectativas acerca de R
y esperan que sea capaz de hacerlo todo.
Pero no lo hace, así que debes comenzar este curso sabiendo eso.
El sistema R básico se divide en
dos, y puedes pensar que son conceptualmente dos partes.
Hay un sistema R base que se descarga
de CRAN (Comprehensive R Archive Network)
Ese es el lugar a donde debes is para todo lo que sea relacionado con R.
La segunda parte es, básicamente, todo lo demás.
El sistema base contiene lo que se llama paquete base que tiene todas
las funciones fundamentales de bajo nivel
que se necesitan para correr el sistema R.
Y luego están los otros paquetes contenidos en el
sistema base, que incluyen por ejemplo utilidades de estadísticas, juegos de datos,
gráficos y otros paquetes que son
fundamentales y que la mayoría de la gente también utiliza.
Y hay una cantidad
de paquetes recomendados. El paquete "boot" para "bootstrap", el paquete "class" para
clasificación, "cluster", "codetools", "foreign" y una variedad de paquetes.
Estos son los paquetes comúnmente usados. Puede que no sean
paquetes críticos, pero son usados frecuentemente por muchas personas.
Todos estos paquetes vienen con esto,
el sistema base R que se descarga desde CRAN.
Ahora, hay mucho más que esto obviamente,
y en el CRAN, en este momento hay
alrededor de 4,000 paquetes que han sido
desarrollados por usuarios y programadores de todo el mundo.
Estos paquetes son contribuciones de los usuarios.
No son controlados por el "R core".
Y son subidos a CRAN de forma diaria, periódicamente.
CRAN tiene algunas
restricciones y ciertos estándares que tienen que cumplirse
para subir un paquete a CRAN.
Una de las cosas buenas de CRAN es que
los paquetes que bajas tienen que tener cierto nivel de calidad.
Así que tiene que haber, por ejemplo,
documentación para todas las funciones que vienen en
el paquete, y adicionalmente tienen que
asegurarse de que pasen un cierto número de pruebas.
CRAN tiene muchos paquetes diferentes
escritos por usuarios y el número aumenta cada día.
Entonces,
es muy excitante ver todos estos paquetes en CRAN
y ver que aparecen nuevos todos los días.
También hay paquetes asociados con el proyecto Bioconductor
que es un
proyecto diseñado para implementar software en R para
análisis de datos genéticos y biológicos.
Por supuesto, también están todos los paquetes
hechos por personas y publicados en sus páginas web personales.
Y en verdad no hay una
manera confiable de rastrear cuántos paquetes están disponibles de esa forma.
Entonces, en realidad hay miles de paquetes disponibles en la web
que puedes encontrar y usar para analizar datos.
Hay algunos documentos en la página de R.
A medida que aprendas a usar R, vas a querer leer alguno de estos.
Uno es una introducción a R. Es un documento relativamente largo
en formato PDF y explica lo básico para utilizar R,
cómo utilizar el lenguaje.
También está el manual de "Escritura de Extensiones R", que sólo es
útil si lo que tienes en mente es desarrollar paquetes de R,
las cuales son extensiones al sistema principal de R.
El manual de importación y exportación de datos en R, que es útil
para meter los datos de R en R de las distintas formas posibles.
El manual de instalación y administración de R es el más útil si quieres
desarrollar R desde el código base. Yo hablaré de eso en otro video.
Y luego el manual interno de R.
Es un documento técnico acerca de cómo está diseñado R.
Cómo se implementa R a bajo nivel.
Y realmente no es para aquellos que se dejan intimidar fácilmente.
Pero si eres el tipo de persona que quiere conocer cómo
trabaja R en un nivel muy muy bajo, este es el documento para tí.
Bien, voy simplemente voy a terminar con algunos libros
que son algo así como estándar o clásicos en esta área.
Por supuesto,
los libros de John Chambers sobre análisis de datos
y programación de datos, ambos publicados por Springer.
Y hay dos libros por Bill Venables y Brian Ripley.
Uno se titula "Modern Applied Statistics with S"
y el otro se llama "S Programming".
A pesar de que hablan de S en el título,
ambos libros son muy relevantes también para programación en R.
Hay un libro de Pinheiro Y Bates, que se llama "Mixed Effects Models in S and S-PLUS"
Ese libro también es
bastante útil para programadores de R.
Y finalmente Paul Murrel, diseñador del sistema gráfico de R, ha escrito un
libro llamado "R Graphics" y está en su segunda edición en este momento.
Algunos otros recursos: Uno es
una colección de libros publicada por la editorial Springer
llamados "Use R!". Son varios libros relativamente cortos acerca de
cómo usar R para diferentes tipos de temas, diferentes áreas de aplicación.
Es una colección de libros
bastante buena que puede interesarte.
Incluso es posible que tenga un libro para tu área de aplicación particular.
Y hay una lista más larga de libros en la página web de R.
Bien, esto fue una introducción corta a R y la historia de cómo nació.
A partir del próximo video, empezaré a hablar sobre los detalles
del lenguaje de programación R y cómo podemos usarlo para analizar datos.
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.
© 2019 Coursera Inc. Todos los derechos reservados.
