Tipos de Variables

IN2039: Visualización de Datos

Alan R. Vázquez

Departamento de Ingeniería Industrial

Agenda

¿De qué tipo es mi variable?

dplyr

Tipos de variables

Antes de hacer una gráfica, debemos examinar el tipo de valor que toman las variables de nuestros datos.

Hay dos tipos principales de variables:

Variables numéricas.
Variables categóricas.

Variables numéricas

Toman valores que representan medidas numéricas o cantidades.

Altura (en centímetros).
Peso (en kilogramos).
Edad (en años).
Precio (en dolares).
Tiempo (en horas o segundos).
Puntuación en un examen (número de puntos en base de 100).

Tipos de variables numéricas

Las variables numéricas se dividen en dos tipos:

Discretas: variables que toman valores enteros.

Por ejemplo:

Cantidad de hijos (0, 1, 2, o 3)
Número de estudiantes en una clase (20, 30, o 35)
Número de libros en una biblioteca (10000, 15000, 20000)

Continuas: variables con un número muy grande de posibles valores.

Por ejemplo:

Altura de una persona (puede estar en el rango de 1.60 m a 1.85 m)
Temperatura ambiente (puede estar en el rango de -30 $^\circ$C a 50 $^\circ$C)
Tiempo que tarda un Uber en llegar (entre 5 y 60 minutos)

Variables categóricas

Toman valores que se colocan en categorías.

Una categoría es una clase o división de personas o cosas que tienen características particulares compartidas.

Variable	Categorias
Reseña en Amazon	1$\bigstar$, 2$\bigstar$, 3$\bigstar$, 4$\bigstar$, 5$\bigstar$
País de origen	México, Canadá, EUA
Código postal	72703, 90034, 3000, …

Clasificación de variables categóricas

Las variables categóricas se dividen en dos tipos importantes:

Nominales
Ordinales

Variable categórica nominal

Una variable categórica es nominal si sus categorías no tienen orden.

Por ejemplo:

Afiliación a partidos políticos (demócrata o republicano).
Tipo de perro (pastor, sabueso, terrier, otro).
Sistema operativo de la computadora (Windows, macOS, Linux).

Variable categórica ordinal

Una variable categórica es ordinal si sus categorías tienen orden.

Por ejemplo:

Talla de camiseta (pequeña, mediana, grande).
Nivel de educación (secundaria, universidad, posgrado).
Nivel de ingreso (menos de $250K, $250k-$500K, mas de $500K).

Interesante…

Valores enteros (por ejemplo, 1, 2, 3, …, 5) pueden representar categóricas nominales u ordinales.

Representación	1	2	3	4
Tipo de Sangre	A	B	AB	O
Reseña	Mala	Regular	Buena	Muy Buena

En la práctica, los valores booleanos (TRUE y FALSE) a menudo representan categorías nominales.

Recuerda

Un a diferencia general es …

Variables cuantitativas (discretas o continuas) son en las cuales la suma o resta de sus valores tiene sentido.
Variables categóricas (nominales u ordinales) son en las cuales la suma o resta de sus valores no tiene sentido.

¿Cómo checar el tipo de variable en R?

Una ves cargando los datos en R, podemos ver el tipo de variable al imprimir la tabla de datos. Por ejemplo, consideremos el conjunto de datos penguins.xlsx:

# Imprime las primeras 6 filas de los datos.
head(penguins_data)

# A tibble: 6 × 8
  species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <chr>   <chr>              <dbl>         <dbl>             <dbl>       <dbl>
1 Adelie  Torgersen           39.1          18.7               181        3750
2 Adelie  Torgersen           39.5          17.4               186        3800
3 Adelie  Torgersen           40.3          18                 195        3250
4 Adelie  Torgersen           NA            NA                  NA          NA
5 Adelie  Torgersen           36.7          19.3               193        3450
6 Adelie  Torgersen           39.3          20.6               190        3650
# ℹ 2 more variables: sex <chr>, year <dbl>

Las abreviaturas de letras debajo de los nombres de las columnas. Estos describen el tipo de cada variable:

dbl significa dobles o números reales. Para variables continuas.
int significa enteros. Para variables discretas.
fctr significa factores, que R usa para representar variables categóricas nominales y ordinales con valores posibles fijos.
lgl significa lógico, vectores que solo contienen TRUE o FALSE. Para variables categóricas nominales.

También hay otros tres tipos especiales de variables:

dttm significa fechas y horas (una fecha + una hora).
date significa fechas.
chr significa vectores de caracteres o cadenas.

Más adelante veremos como transformar una variable chr en fctr.

Actividad (solo mode)

Ve a la sección de Módulos en nuestra página de CANVAS.
Realiza la Actividad 2.1: Tipos de Variable individualmente.

20:00

dplyr

Una nueva librería: dplyr

dplyr permite manipular datos y generar resúmenes estadísticos.
Es parte de una colección de paquetes de ciencia de datos llamado tidyverse.
https://dplyr.tidyverse.org/

Cárgala en Google Colab con el siguiente código.

library(dplyr)

pipe

Uno de los comandos más importantes de dplyr es pipe que se ejecuta con el operador %>%. Este operador envía un objeto a una función o expresión de llamada.

La grámatica para usar pipe es la siguiente:

Los verbos de dplyr

dplyr es una gramática de manipulación de datos que proporciona un conjunto de verbos (funciones) para resolver los desafíos más comunes de manipulación de datos:

filter() selecciona observaciones según sus valores.
select() selecciona variables según sus nombres.
mutate() agrega nuevas variables que son funciones de variables existentes
arrange() cambia el orden de las filas.
summarise() reduce múltiples valores a un único resumen numérico.

Para esto, usaremos el conjunto de datos penguins_data.

`filter()`

Filtremos los datos para la especie “Gentoo.”

penguins_data %>% filter(species == "Gentoo") %>% head()

# A tibble: 6 × 8
  species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <chr>   <chr>           <dbl>         <dbl>             <dbl>       <dbl>
1 Gentoo  Biscoe           46.1          13.2               211        4500
2 Gentoo  Biscoe           50            16.3               230        5700
3 Gentoo  Biscoe           48.7          14.1               210        4450
4 Gentoo  Biscoe           50            15.2               218        5700
5 Gentoo  Biscoe           47.6          14.5               215        5400
6 Gentoo  Biscoe           46.5          13.5               210        4550
# ℹ 2 more variables: sex <chr>, year <dbl>

La función head() permite imprimir las primeras 6 filas de los datos.

También podemos filtrar los datos para obtener los pingüinos con una masa corporal mayor que 5000.

penguins_data %>% filter(body_mass_g > 5000) %>% head()

# A tibble: 6 × 8
  species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <chr>   <chr>           <dbl>         <dbl>             <dbl>       <dbl>
1 Gentoo  Biscoe           50            16.3               230        5700
2 Gentoo  Biscoe           50            15.2               218        5700
3 Gentoo  Biscoe           47.6          14.5               215        5400
4 Gentoo  Biscoe           46.7          15.3               219        5200
5 Gentoo  Biscoe           46.8          15.4               215        5150
6 Gentoo  Biscoe           49            16.1               216        5550
# ℹ 2 more variables: sex <chr>, year <dbl>

`select()`

Selecciona las columnas species, body_mass_g y sex.

penguins_data %>% select(species, body_mass_g, sex) %>% head()

# A tibble: 6 × 3
  species body_mass_g sex   
  <chr>         <dbl> <chr> 
1 Adelie         3750 male  
2 Adelie         3800 female
3 Adelie         3250 female
4 Adelie           NA <NA>  
5 Adelie         3450 female
6 Adelie         3650 male

`select()` y `filter()`

Selecciona las columnas species, body_mass_g y sex. Después, filtra los datos para la especie “Gentoo.”

penguins_data %>% 
  select(species, body_mass_g, sex) %>% 
  filter(species == "Gentoo") %>% 
  head()

# A tibble: 6 × 3
  species body_mass_g sex   
  <chr>         <dbl> <chr> 
1 Gentoo         4500 female
2 Gentoo         5700 male  
3 Gentoo         4450 female
4 Gentoo         5700 male  
5 Gentoo         5400 male  
6 Gentoo         4550 female

`mutate()`

Con mutate(), podemos agregar nuevas columnas (variables) que son funciones de las columnas en los datos. Por ejemplo, podemos calcular la división de bill_length_mm y bill_depth_mm.

penguins_data %>% 
  mutate("RadioLengthDepth" = bill_length_mm/bill_depth_mm) %>% 
  select(species, body_mass_g, sex, RadioLengthDepth) %>%
  head()

# A tibble: 6 × 4
  species body_mass_g sex    RadioLengthDepth
  <chr>         <dbl> <chr>             <dbl>
1 Adelie         3750 male               2.09
2 Adelie         3800 female             2.27
3 Adelie         3250 female             2.24
4 Adelie           NA <NA>              NA   
5 Adelie         3450 female             1.90
6 Adelie         3650 male               1.91

`arrange()`

Podemos ordenar los datos en función de una columna, digamos bill_length_mm.

penguins_data %>% 
  arrange(bill_length_mm) %>% 
  head()

# A tibble: 6 × 8
  species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <chr>   <chr>              <dbl>         <dbl>             <dbl>       <dbl>
1 Adelie  Dream               32.1          15.5               188        3050
2 Adelie  Dream               33.1          16.1               178        2900
3 Adelie  Torgersen           33.5          19                 190        3600
4 Adelie  Dream               34            17.1               185        3400
5 Adelie  Torgersen           34.1          18.1               193        3475
6 Adelie  Torgersen           34.4          18.4               184        3325
# ℹ 2 more variables: sex <chr>, year <dbl>

Para ordenar de forma descendente usamos desc(bill_length_mm) en arrange().

penguins_data %>% 
  arrange(desc(bill_length_mm)) %>% 
  head()

# A tibble: 6 × 8
  species   island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
  <chr>     <chr>           <dbl>         <dbl>             <dbl>       <dbl>
1 Gentoo    Biscoe           59.6          17                 230        6050
2 Chinstrap Dream            58            17.8               181        3700
3 Gentoo    Biscoe           55.9          17                 228        5600
4 Chinstrap Dream            55.8          19.8               207        4000
5 Gentoo    Biscoe           55.1          16                 230        5850
6 Gentoo    Biscoe           54.3          15.7               231        5650
# ℹ 2 more variables: sex <chr>, year <dbl>

`summarise()`

Podemos calcular el promedio de las columnas bill_length_mm, bill_depth_mm, y body_mass_g.

penguins_data %>% 
  select(bill_length_mm, bill_depth_mm, body_mass_g) %>%
  summarise(PromLength = mean(bill_length_mm, na.rm = TRUE), 
            PromDepth = mean(bill_depth_mm, na.rm = TRUE),
            PromMass = mean(body_mass_g, na.rm = TRUE))

# A tibble: 1 × 3
  PromLength PromDepth PromMass
       <dbl>     <dbl>    <dbl>
1       43.9      17.2    4202.

El argumento na.rm == TRUE permite ignorar los datos faltantes.

Guardando en nuevos objetos

Después de las operaciones en nuestros datos, podemos guardar el conjunto de datos resultante en otro objeto.

resumen_penguins_data = penguins_data %>%
  select(bill_length_mm, bill_depth_mm, body_mass_g) %>%
  summarise(PromLength = mean(bill_length_mm, na.rm = TRUE),
            PromDepth = mean(bill_depth_mm, na.rm = TRUE),
            PromMass = mean(body_mass_g, na.rm = TRUE))

Y aplicar los verbos de dplyr al nuevo objeto.

resumen_penguins_data %>% head()

# A tibble: 1 × 3
  PromLength PromDepth PromMass
       <dbl>     <dbl>    <dbl>
1       43.9      17.2    4202.

Comentarios finales

dplyr es una librería que nos permite manipular datos en R.
Los tipos de variable ayudan a especificar las operaciones y visualizaciones que podemos aplicar a los datos.
Existen gráficas apropiadas o diseñadas para visualizar variables númericas o categóricas.
En este curso, veremos varias gráficas para cada tipo de variable y sus combinaciones.

Regresar a página principal

Tipos de Variables

Agenda

Tipos de variables

Variables numéricas

Tipos de variables numéricas

Variables categóricas

Clasificación de variables categóricas

Variable categórica nominal

Variable categórica ordinal

Interesante…

Recuerda

Un a diferencia general es …

¿Cómo checar el tipo de variable en R?

Actividad (solo mode)

dplyr

Una nueva librería: dplyr

pipe

Los verbos de dplyr

filter()

select()

select() y filter()

mutate()

arrange()

summarise()

Guardando en nuevos objetos

Comentarios finales

Regresar a página principal

`filter()`

`select()`

`select()` y `filter()`

`mutate()`

`arrange()`

`summarise()`