Codificación y Transformación

Como ya hemos visto brevemente en el capítulo de tipos de variables, normalmente los datos de un archivo necesitarán ser cuidadosamente preparados antes de poder aplicar, con las mínimas garantías, cualquier análisis estadístico.

La preparación del archivo de datos incluye desde la simple detección y corrección de los posibles errores cometidos al introducir los datos, hasta sofisticadas transformaciones, pasando por la recodificación de los códigos utilizados para los valores de una o más variables, o la creación de nuevas variables a partir de otras ya existentes.

Para ilustrar esta parte, vamos a leer la siguiente base de datos:

students_dataframe <- read.csv("https://pos.it/r4ds-students-csv")
students_dataframe

Ahora tendremos que comprobar que los datos se han leído correctamente y no tienen errores

Detección inicial de errores

1. Columna favourite.food tiene un N/A que no está detectado como dato "missing"

students_dataframe$favourite.food<-replace(students_dataframe$favourite.food,3,NA)
students_dataframe

Cuando queremos hacer muchos cambios a la vez porque por ejemplo no se hayan detectado los datos faltantes como NA podemos usar el paquete dplyr

#install.packages("dplyr")
library (dplyr)

students_dataframe <- mutate_all(students_dataframe, funs(replace(., .=="", NA)))

1. El nombre de las columnas debería tener un nombre consistente. Las dos palabaras que corresponden a la columnas: Student.ID, Full.Name y favourite.food están separadas por un . y mealPlan se diferencia por una mayúscula. Además todas están en minúsculas y AGE en mayúsculas. Para evitar futuros errores, los nombres deberán ser consistentes.

colnames(students_dataframe)<-
    c("Student_id","Full_name","Favourite_food","Meal_plan","Age")
students_dataframe

1. En la variable Age, una de las observaciones tiene "five" en vez del número, esto nos causará problemas a la hora de usar dicha variable como variable numérica.

students_dataframe$Age<-
    replace(students_dataframe$Age,students_dataframe$Age=="five",5)
students_dataframe

1. La variable Meal_plan es una variable categórica que en R la podríamos representar como factor. Primero vemos como ver el tipo de variables en R con la función str()

str(students_dataframe)

students_dataframe$Meal_plan<-factor(students_dataframe$Meal_plan)

class(students_dataframe$Meal_plan)
# [1] "factor"

Transformación de variables

En ocasiones nos puede interesar incorporar nuevas variables a nuestra base de datos.

Ejemplo 1: Cuando una base de datos contiene la fecha de nacimiento, es mucho más útil generar la edad, más fácil de interpretar, analizar como variable en si misma y manejar numéricamente

fecha_nacimiento = as.Date(c("12/5/1985","18/1/1988","19/11/1987"),format="%d/%m/%Y")

round((Sys.Date()-fecha_nacimiento)/365)
# [1] 38 36 36

Ejemplo 2: Para este ejemplo vamos a utilizar el dataset riesgo.csv

4KB

riesgos.csv

Queremos crear una variable en la base de datos riesgos.csv que se llame índice de masa corporal que se obtiene de la siguiente forma:

$$IMC=peso(kg)/altura(m)^2$$

datos <- read.csv("riesgos.csv", header = T, sep = "\t")
datos[, "IMC"]  <- datos$peso / (datos$talla/100)^2

head(datos)

Categorizar una variable cuantitativa en una cualitativa

Esta opción suele ser muy habitual ya que muchas veces querremos trabajar con las categorías de una variable en vez de la variable cuantitativa.

Ejemplo: La variable cuantitativa IMC que acabamos de crear se suele usar en cuatro grupos:

• bajo peso: IMC <= 18.50

• normal: 18.5 < IMC <=25

• sobrepeso: 25 < IMC <= 30

• obesidad: IMC >30

En realidad buscamos los siguientes tramos de edad: (minimo, 18.5], (18.5, 25], (25, 30], (30, máximo]

summary(datos[,"IMC"])
datos[,"IMC_grupos"] <- cut(datos$IMC, breaks = c(14,18.5,25,30,34), labels = c("bajo peso", "normal", "sobrepreso", "obesidad"))

head(datos)

¿Cuántas personas tenemos en cada uno de los grupos?

table(datos$IMC_grupos)

Recodificación de variables

Nos puede interesar trabajar de forma diferente sobre una de las variables que ya tenemos.

Ejemplo: La variable contrato nos muestra el número de contratos que ha tenido una persona, pero para trabajar con esta variable queremos que sólo tenga dos categorías, por tanto, la vamos a recodificar juntando todos los contratos mayores que 1.

datos$contrato2cat<-datos$contrato

datos$contrato2cat[datos$contrato>1]<-2
head(datos)

Es una buena práctica recodificar siempre en distintas variables para no perder información.

Ahora es tu turno: Realiza los siguientes ejercicios:

Ejercicios