Capítulo 2 Manejo de datos

Andrés Cruz⁵

Los paquetes que necesitas instalar

tidyverse (Wickham 2019b), paqueteadp (Urdinez and Cruz 2020), skimr (Waring et al. 2020).

2.1 Introducción al manejo de datos

Las bases de datos tabulares son la forma por excelencia de guardar información en las ciencias sociales. Su poder se basa en la capacidad de registrar múltiples dimensiones de información para cada observación que nos interesa. Por ejemplo, para cada representante en el Congreso podemos saber su sexo, edad, porcentaje de asistencia a la sala, número de proyectos de ley presentados, etcétera:

Tabla 2.1: Base de datos de ejemplo con representantes.
representante	género	edad	asistencia	n_proyectos_presentados
Estuardo, Carlos	M	48	68	8
Cerna, Marta	F	57	74	3

Probablemente estés familiarizado con este tipo de datos gracias a Microsoft Excel o Google Sheets. La primera fila es la cabecera, que indica qué datos están registrados en las celdas de esa columna. La primera columna en este caso es nuestra columna de observaciones: al consultar representante, podemos saber a qué observación se refiere cada fila. Así, sobre esta pequeña base de datos podemos decir que la unidad de observación es el legislador o representante, para los cuales tenemos información en cuatro variables: género, edad, asistencia a la sala y número de proyectos presentados.

En este capítulo aprenderás a modificar bases de datos tabulares como el del ejemplo. Aprenderás a ordenar las bases de datos, filtrar sus observaciones, crear nuevas variables, generar resúmenes, cambiar los nombres, recodificar los valores y modificar la estructura de la base de datos. Todas estas operaciones son un paso inicial para cualquier análisis o visualización: se estima que el 80% del tiempo de análisis de datos se invierte en modificar y limpiar nuestros datos para su uso óptimo (Dasu & Johnson, 2003 en Wickham 2014).

2.1.1 Nuestra base de datos

En el presente capítulo utilizaremos datos de Reyes-Housholder (2019), con algunas adiciones de los Indicadores de Desarrollo Mundial del Banco Mundial, recogidos por Quality of Government. La autora argumenta que, ante escándalos de corrupción similares, las presidenteas de América Latina sufren caídas más pronunciadas en la aprobación en comparación con sus homólogos masculinos.

Comencemos por cargar el paquete tidyverse, uno de los principales paquetes del libro, que nos dará herramientas útiles para trabajar con nuestra base de datos.

library(tidyverse)

Ahora carguemos nuestra base de datos en la sesión de R. Podemos hacerlo con facilidad con el paquete de este libro usando la función data(). La base de datos se llama “aprobacion”:

library(paqueteadp)
data("aprobacion")

Ahora, podemos empezar a trabajar con nuestra base. Puedes comprobar que se cargó correctamente utilizando el comando ls() (o mirando la pestaña de Ambiente en RStudio):

ls()
## [1] "aprobacion"

Las siguientes son las variables de la base de este ejercicio:

Tabla 2.2: Variables en la base
Variable	Descripción
pais	País
anio	Año
trimestre	Cuatrimestre
presidente	Presidente
presidente_genero	Sexo del presidentee
aprobacion_neta	Aprobación presidencial neta (% de aprobación - % de desaprobación)
pib	Producto Interno Bruto del país, dólares constantes de 2011 y ajustados por la Paridad de Poder Adquisitivo (PPA)
poblacion	Población
corrupcion	Corrupción del Poder Ejecutivo, según V-Dem. De 0 a 100 (un número mayor significa más corrupción)
desempleo	Tasa de desempleo
crecimiento_pib	Crecimiento del PIB

2.2 Describiendo una base de datos

Para aproximarnos a los datos recién cargados tenemos varias opciones. Podemos, igual que antes, escribir su nombre como si fuera un comando para tener un resumen rápido:

aprobacion
## # A tibble: 1,020 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 1,017 more rows, and 4 more variables

También podemos usar la función glimpse() para obtener un resumen desde otra perspectiva, mirando las primeras observaciones en cada variable:

glimpse(aprobacion)
## Rows: 1,020
## Columns: 11
## $ pais              <chr> "Argentina", "Argentina", "Argentina", "Argen~
## $ anio              <dbl> 2000, 2000, 2000, 2000, 2001, 2001, 2001, 200~
## $ trimestre         <dbl> 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, 4, 1, 2, 3, ~
## $ presidente        <chr> "Fernando de la Rúa", "Fernando de la Rúa", "~
## $ presidente_genero <chr> "Masculino", "Masculino", "Masculino", "Mascu~
## $ aprobacion_neta   <dbl> 40.1, 16.4, 24.0, -18.3, -7.0, -20.1, -19.4, ~
## $ pib               <dbl> 14, 14, 14, 14, 14, 14, 14, 14, 25, 25, 25, 2~
## $ corrupcion        <dbl> 5.5e+11, 5.5e+11, 5.5e+11, 5.5e+11, 5.3e+11, ~
## $ poblacion         <dbl> 3.7e+07, 3.7e+07, 3.7e+07, 3.7e+07, 3.7e+07, ~
## $ desempleo         <dbl> 15, 15, 15, 15, 18, 18, 18, 18, 18, 18, 18, 1~
## $ crecimiento_pib   <dbl> -0.8, -0.8, -0.8, -0.8, -4.4, -4.4, -4.4, -4.~

Una alternativa que nos permite la base completa es la función View(), similar a hacer clic en nuestro objeto en la pestaña “Ambiente” en RStudio:

View(aprobacion)

Podemos obtener un rápido resumen de las variables de nuestro conjunto de datos utilizando la función skimr::skim(), como se muestra en la Figura 2.1.

Figura 2.1: Skim de nuestra base de datos.

Nota: Cada vez que ves que después de un paquete usamos :: significa que dentro de ese paquete estamos pidiendo que se use una función específica. Por ejemplo, en el ejemplo anterior llamamos a la función skim() del paquete skimr.

Obtener la tabulación de una de las columnas de nuestra base, una función común para las variables categóricas, es una tarea fácil gracias a la función count(). Por ejemplo, podemos comprobar que los países-cuatrimestre con mujeres como presidentees son una minoría en la región, 98 de 1020:

count(aprobacion, presidente_genero,
      sort = T) # orden de mayor a menor por n
## # A tibble: 2 x 2
##   presidente_genero     n
##   <chr>             <int>
## 1 Masculino           922
## 2 Femenino             98

2.3 Operaciones básicas

A continuación, veremos algunas operaciones básicas para nuestra base de datos, que en su conjunto nos permitirán hacer una importante edición en la estructura y los contenidos (Wickham and Grolemund 2016, cap. 5). Esta subsección utiliza las herramientas del paquete dplyr, que está disponible al cargar tidyverse.

2.3.1 Seleccionar columnas

A veces queremos trabajar sólo con un extracto de las variables de nuestros datos. Para ello, existe la función select(). Seleccionemos sólo la columna de países:

select(aprobacion, pais)
## # A tibble: 1,020 x 1
##   pais     
##   <chr>    
## 1 Argentina
## 2 Argentina
## 3 Argentina
## # ... with 1,017 more rows

El primer argumento de la función anterior (aprobacion) es la base de datos en la que queremos ejecutar la operación. El siguiente argumento indica qué columnas seleccionar (pais). Todas las funciones para operaciones básicas que veremos en esta subsección siguen la misma lógica: el primer argumento es siempre la base de datos en la que operaremos, mientras que el resto designa cómo queremos ejecutar la operación.

Recordemos que el código anterior no creó ningún objeto nuevo, es sólo un comando que estamos ejecutando en la consola. Si quisiéramos crear un nuevo objeto, tendríamos que asignarlo, usando el operador <-:

aprobacion_reducida <- select(aprobacion, pais)
aprobacion_reducida
## # A tibble: 1,020 x 1
##   pais     
##   <chr>    
## 1 Argentina
## 2 Argentina
## 3 Argentina
## # ... with 1,017 more rows

Podemos seleccionar varias columnas a la vez, separadas por comas:

select(aprobacion, pais, anio, desempleo)
## # A tibble: 1,020 x 3
##   pais       anio desempleo
##   <chr>     <dbl>     <dbl>
## 1 Argentina  2000        15
## 2 Argentina  2000        15
## 3 Argentina  2000        15
## # ... with 1,017 more rows

Supongamos que queremos las primeras cinco variables de nuestra base. A continuación se presentan tres formas de obtener el mismo resultado, aunque recomendamos la segunda, ya que es breve y clara:

select(aprobacion, pais, anio, trimestre, presidente, aprobacion_neta)
select(aprobacion, pais:aprobacion_neta) # forma recomendada
select(aprobacion, 1:5)

## # A tibble: 1,020 x 6
##   pais     anio trimestre presidente     presidente_gene~ aprobacion_neta
##   <chr>   <dbl>     <dbl> <chr>          <chr>                      <dbl>
## 1 Argent~  2000         1 Fernando de l~ Masculino                   40.1
## 2 Argent~  2000         2 Fernando de l~ Masculino                   16.4
## 3 Argent~  2000         3 Fernando de l~ Masculino                   24.0
## # ... with 1,017 more rows

El comando select() también puede ayudarnos a reordenar las columnas. Supongamos que quisiéramos que la variable presidente fuera la primera. Podemos reordenar las variables, obteniendo la misma base con un nuevo orden para las columnas:

select(aprobacion, presidente, pais:anio, aprobacion_neta:desempleo)
## # A tibble: 1,020 x 8
##   presidente pais   anio aprobacion_neta   pib corrupcion poblacion
##   <chr>      <chr> <dbl>           <dbl> <dbl>      <dbl>     <dbl>
## 1 Fernando ~ Arge~  2000            40.1  14.0    5.52e11  37057452
## 2 Fernando ~ Arge~  2000            16.4  14.0    5.52e11  37057452
## 3 Fernando ~ Arge~  2000            24.0  14.0    5.52e11  37057452
## # ... with 1,017 more rows, and 1 more variable

Este método es tedioso, especialmente para las bases de datos con múltiples variables. Hay una función que puede ser útil para estos escenarios, llamada everything(). En este caso, seleccionará la columna presidente y “todo lo demás”:

select(aprobacion, presidente, everything())
## # A tibble: 1,020 x 11
##   presidente pais   anio trimestre presidente_gene~ aprobacion_neta   pib
##   <chr>      <chr> <dbl>     <dbl> <chr>                      <dbl> <dbl>
## 1 Fernando ~ Arge~  2000         1 Masculino                   40.1  14.0
## 2 Fernando ~ Arge~  2000         2 Masculino                   16.4  14.0
## 3 Fernando ~ Arge~  2000         3 Masculino                   24.0  14.0
## # ... with 1,017 more rows, and 4 more variables

Otra función útil para select() es starts_with(), que nos permite seleccionar las columnas según los patrones en sus nombres. Por ejemplo, a continuación se seleccionarán todas las columnas que empiecen con el prefijo “pib.”

select(aprobacion, starts_with("pib"))
## # A tibble: 1,020 x 1
##     pib
##   <dbl>
## 1  14.0
## 2  14.0
## 3  14.0
## # ... with 1,017 more rows

2.3.2 Renombra las columnas

Podemos cambiar los nombres de las columnas de una base con el comando rename(). Por ejemplo, hagamos más explícito el nombre de la variable con el PIB:

rename(aprobacion, pib_ppp_c2011 = pib)
## # A tibble: 1,020 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0
## # ... with 1,017 more rows, and 5 more variables

También es posible cambiar varios nombres a la vez. Observa cómo modificamos tres nombres con un solo comando:

rename(aprobacion,
       pib_ppp_c2011              = pib,
       desempleo_porcentaje       = desempleo,
       crecimiento_pib_porcentaje = crecimiento_pib)
## # A tibble: 1,020 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0
## # ... with 1,017 more rows, and 5 more variables

2.3.3 Filtrar las observaciones

A menudo queremos mantener sólo algunas observaciones de nuestra base de datos, filtrando según características específicas. Podemos hacerlo gracias a la función filter() y a los operadores lógicos. Para empezar, mantengamos sólo las observaciones para Chile:

filter(aprobacion, pais == "Chile")
## # A tibble: 60 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Chile  2000         1 Eduardo F~ Masculino                   6.22  3.63
## 2 Chile  2000         2 Ricardo L~ Masculino                  19.8   3.63
## 3 Chile  2000         3 Ricardo L~ Masculino                  19.5   3.63
## # ... with 57 more rows, and 4 more variables

Le decimos filter(), a través del segundo argumento, sólo para retener las observaciones en las que la variable país es igual a “Chile.” Esta es igual a es un operador lógico, que se escribe como “==” en R⁶ Aquí hay una lista de operadores lógicos comunes:

operador	descripción
`==`	es igual a
`!=`	es diferente a
`>`	es más grande que
`<`	es menor que
`>=`	es mayor o igual a
`<=`	es menor o igual que
`&`	intersección
`\|`	Unión
`%in%`	…está contenida en…

Por ejemplo, podemos obtener todas las observaciones (país-año-cuatrimestre) en las que la aprobación presidencial neta es positiva:

filter(aprobacion, aprobacion_neta > 0)
## # A tibble: 709 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 706 more rows, and 4 more variables

También es posible ejecutar filtros más complejos. Filtremos sólo las observaciones para el Cono Sur:

filter(aprobacion, 
       pais == "Argentina" | pais == "Chile" | pais == "Uruguay")
## # A tibble: 180 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 177 more rows, and 4 more variables

# Lo mismo, pero con otro operador lógico:
filter(aprobacion, pais %in% c("Argentina", "Chile", "Uruguay"))
## # A tibble: 180 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 177 more rows, and 4 more variables

También podemos incluir pequeñas operaciones en nuestros filtros. Obtengamos todas las observaciones en las que la corrupción del ejecutivo sea mayor que la media de la muestra:

filter(aprobacion, corrupcion > mean(corrupcion))
## # A tibble: 252 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 249 more rows, and 4 more variables

Tip: Una advertencia práctica: no puedes buscar valores perdidos (NAs) con el intuitivo == NA. Necesitas usar la función is.na() que revisamos brevemente en la sección 1.4.3.3. Nuestra base de datos no tiene valores perdidos, y por lo tanto un filtro como el siguiente no devolverá ninguna fila:

filter(aprobacion, is.na(corrupcion))
## # A tibble: 0 x 11
## # ... with 11 variables

Ejercicio 2A. Seleccione sólo las dos columnas que registran el género del presidentee en la base de datos.

Ejercicio 2B. Filtrar los datos para que contengan sólo observaciones del año 2000.

2.3.4 Cambiar el orden de una base de datos

Una de las operaciones más comunes con los bases de datos es clasificarlas según una variable de interés. Esto puede darnos pistas claras sobre nuestras observaciones. Podemos hacerlo gracias a la función arrange(). Por ejemplo, clasifiquemos las observaciones desde el país menos corrupto - hasta el más corrupto, por trimestre del año:

arrange(aprobacion, corrupcion)
## # A tibble: 1,020 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Nica~  2000         1 Arnoldo A~ Masculino                   7.60  85.7
## 2 Nica~  2000         2 Arnoldo A~ Masculino                   7.57  85.7
## 3 Nica~  2000         3 Arnoldo A~ Masculino                   3.87  85.7
## # ... with 1,017 more rows, and 4 more variables

Si quisiéramos ordenarlas a la inversa, tendríamos que añadir un - (signo menos) antes de la variable:

arrange(aprobacion, -corrupcion)
## # A tibble: 1,020 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Bras~  2014         1 Dilma Van~ Femenino                    22.6  27.3
## 2 Bras~  2014         2 Dilma Van~ Femenino                    12.6  27.3
## 3 Bras~  2014         3 Dilma Van~ Femenino                    16.2  27.3
## # ... with 1,017 more rows, and 4 more variables

Para utilizar un orden alfabético inverso (de la Z a la A), tenemos que utilizar la función desc().

arrange(aprobacion, desc(presidente))
## # A tibble: 1,020 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Méxi~  2001         1 Vicente F~ Masculino                   53.8  37.6
## 2 Méxi~  2001         2 Vicente F~ Masculino                   40.7  37.6
## 3 Méxi~  2001         3 Vicente F~ Masculino                   40.1  37.6
## # ... with 1,017 more rows, and 4 more variables

Por último, podemos clasificar la base de datos por más de una variable. Esto es, ordenar los datos según la primera variable, y luego ordenarla según una segunda variable. Examinemos el siguiente ejemplo:

arrange(aprobacion, presidente_genero, -aprobacion_neta)
## # A tibble: 1,020 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Bras~  2013         1 Dilma Van~ Femenino                    62.5  27.3
## 2 Bras~  2012         4 Dilma Van~ Femenino                    60.9  33.4
## 3 Bras~  2012         2 Dilma Van~ Femenino                    60.5  33.4
## # ... with 1,017 more rows, and 4 more variables

2.3.5 Transformar y crear variables

La mayoría de las veces queremos crear nuevas variables a partir de las que ya tenemos. Supongamos que quisiéramos transformar la escala de población (poblacion) en millones:

mutate(aprobacion, poblacion_mill = poblacion / 1000000)
## # A tibble: 1,020 x 12
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 1,017 more rows, and 5 more variables

El comando anterior genera una nueva variable en la base de datos, pop_mill, que es poblacion pero en la escala de millones. Podemos ejecutar todo tipo de operaciones en nuestras columnas, como crear una variable PIB en una escala logarítmica:

mutate(aprobacion, log_gdp = log(pib))
## # A tibble: 1,020 x 12
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 1,017 more rows, and 5 more variables

También podemos crear nuevas variables a partir de operaciones entre variables. Por ejemplo, calculamos el PIB per cápita, lo que nos permite comparar mejor los países con diferentes poblaciones:

mutate(aprobacion, pib_pc = pib / poblacion)
## # A tibble: 1,020 x 12
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 1,017 more rows, and 5 more variables

Por último, también podemos generar más de una transformación a la vez con mutate(), utilizando múltiples argumentos:

mutate(aprobacion,
       pop_mill = poblacion / 1000000,
       pib_pc = pib / poblacion)
## # A tibble: 1,020 x 13
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 1,017 more rows, and 6 more variables

Ejercicio 2C. Crear una nueva base, que está ordenada por país-trimestre del año con menos aprobación presidencial al de más alto nivel (recuerde crear un nuevo objeto y darle un nombre descriptivo). En tu nuevo objeto, conserva sólo las observaciones con mujeres como presidenteas.

Ejercicio 2D. Crear una nueva variable, que registre el desempleo como proporción en lugar de como porcentaje.

2.3.6 Resúmenes

Podemos hacer resúmenes para nuestros bases de datos con summarize:

summarize(aprobacion, desempleo_medio = mean(desempleo))
## # A tibble: 1 x 1
##   desempleo_medio
##             <dbl>
## 1            7.04

Este proceso a menudo se llama colapsar la base de datos: estamos comprimiendo la información de las filas para generar una sola fila de resumen. En este caso, la función de colapso mean() opera en el vector desempleo para obtener su media.

Como en las otras operaciones, podemos hacer varios resúmenes a la vez:

summarize(aprobacion,
          desempleo_medio   = mean(desempleo),
          crecimiento_medio = mean(crecimiento_pib),
          aprobacion_media  = mean(aprobacion_neta))
## # A tibble: 1 x 3
##   desempleo_medio crecimiento_medio aprobacion_media
##             <dbl>             <dbl>            <dbl>
## 1            7.04              3.77             15.3

2.3.7 Resúmenes por grupo

¡Esta es una función muy divertida! Esta tarea consiste en colapsar filas hasta obtener una fila por observación que resuma la información de los diferentes grupos de la base.

Para ello, primero necesitamos tener variables que agrupen nuestras observaciones (partido, país, región, etc.). Le haremos saber a R cuál es la variable que estamos agrupando nuestras observaciones, y este nuevo conjunto de datos será el mismo que el original, pero R sabrá que las próximas operaciones que hagamos necesitan ser agrupadas.

aprobacion_por_pais <- group_by(aprobacion, pais)

Hagamos una operación de resumen en este nuevo objeto:

summarize(aprobacion,
          desempleo_medio   = mean(desempleo),
          crecimiento_medio = mean(crecimiento_pib),
          aprobacion_media  = mean(aprobacion_neta))
## # A tibble: 1 x 3
##   desempleo_medio crecimiento_medio aprobacion_media
##             <dbl>             <dbl>            <dbl>
## 1            7.04              3.77             15.3

Los grupos también pueden ser combinaciones de variables. Por ejemplo, nuestra base de datos a nivel de país-año-cuarimestre puede ser agrupado por país-año, y entonces podemos obtener el mismo cálculo previo:

aprobacion_por_pais_anio <- group_by(aprobacion, 
                                      pais, anio)
summarize(aprobacion_por_pais,
          desempleo_mean = mean(desempleo),
          crecimiento_pib_mean = mean(crecimiento_pib),
          approv_mean = mean(aprobacion_neta))
## # A tibble: 17 x 4
##   pais      desempleo_mean crecimiento_pib_mean approv_mean
##   <chr>              <dbl>                <dbl>       <dbl>
## 1 Argentina          11.0                  2.72        16.7
## 2 Bolivia             3.70                 4.24        11.3
## 3 Brasil              8.35                 3.4         34.2
## # ... with 14 more rows

Por cierto, podemos desagrupar un conjunto de datos con ungroup(). Es una gran idea si no queremos seguir ejecutando operaciones agrupadas, evitando errores:

aprobacion_por_pais_anio %>%
  ungroup() # nota que ya no hay "grupos" en el resumen de datos
## # A tibble: 1,020 x 11
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Arge~  2000         1 Fernando ~ Masculino                   40.1  14.0
## 2 Arge~  2000         2 Fernando ~ Masculino                   16.4  14.0
## 3 Arge~  2000         3 Fernando ~ Masculino                   24.0  14.0
## # ... with 1,017 more rows, and 4 more variables

2.4 Comandos en cadena

La mayoría de las veces queremos hacer más de una operación sobre una base. Por ejemplo, podríamos querer (a) crear una nueva variable del PIB per cápita, y luego (b) filtrar las observaciones con valores iguales o mayores que el PIB medio per cápita de la muestra:

aprobacion_con_pib_pc <- mutate(aprobacion,
                                pib_pc = pib / poblacion)

filter(aprobacion_con_pib_pc, pib_pc > mean(pib_pc))
## # A tibble: 344 x 12
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Boli~  2000         1 Hugo Banz~ Masculino                  -19.0  60.5
## 2 Boli~  2000         2 Hugo Banz~ Masculino                  -19.0  60.5
## 3 Boli~  2000         3 Hugo Banz~ Masculino                  -23.8  60.5
## # ... with 341 more rows, and 5 more variables

La misma cadena de operaciones puede escribirse de la siguiente manera en lenguaje “tidy”:

aprobacion %>%
  mutate(pib_pc = pib / poblacion) %>%
  filter(pib_pc > mean(pib_pc)) 
## # A tibble: 344 x 12
##   pais   anio trimestre presidente presidente_gene~ aprobacion_neta   pib
##   <chr> <dbl>     <dbl> <chr>      <chr>                      <dbl> <dbl>
## 1 Boli~  2000         1 Hugo Banz~ Masculino                  -19.0  60.5
## 2 Boli~  2000         2 Hugo Banz~ Masculino                  -19.0  60.5
## 3 Boli~  2000         3 Hugo Banz~ Masculino                  -23.8  60.5
## # ... with 341 more rows, and 5 more variables

¡Este código es sorprendentemente legible! Las pipas (%>%) se leen como “entonces” (o “pero entonces”), y se pueden insertar con Ctrl o Cmd + Shift + M en RStudio⁷. A continuación se reproduce nuestro código anterior en español:

Tomar el conjunto de datos “aprobacion,” entonces generar una nueva variable llamada “pib_pc” (la división entre “pib” y “poblacion”) y entonces filtrar las observaciones para que sólo queden aquellas en las que “pib_pc” sea mayor que la media.

Uno de los usos más comunes de las pipes es el combo group_by()+ summarize(). Repitamos nuestras operaciones anteriores para hacer un resumen agrupado:

aprobacion %>%
  group_by(pais) %>%
  summarize(desempleo_medio   = mean(desempleo),
            crecimiento_medio = mean(crecimiento_pib),
            aprobacion_media  = mean(aprobacion_neta))
## # A tibble: 17 x 4
##   pais      desempleo_medio crecimiento_medio aprobacion_media
##   <chr>               <dbl>             <dbl>            <dbl>
## 1 Argentina           11.0               2.72             16.7
## 2 Bolivia              3.70              4.24             11.3
## 3 Brasil               8.35              3.4              34.2
## # ... with 14 more rows

Ejercicio 2E. Calcular, con la ayuda de las pipes, la corrupción del ejecutivo medio y el PIB por país. Recuerde que puede insertar pipes con Ctrl o Cmd + Shift + M.

Ejercicio 2F. Una vez más, utilizando pipes, clasifique los países de la base de datos desde el que obtuvo el mayor promedio de PIB per cápita en el período 2010-2014 hasta el más bajo.

Ejercicio 2G. ¿Qué cuatrimestre del año, entre los gobernados por mujeres presidenteas, tuvo la corrupción más alta? ¿Y la mayor aprobación neta?

2.5 Recodificar valores

Un ejercicio común en la gestión de bases de datos es la generación de variables (o la edición de las ya existentes) basadas en ciertas condiciones lógicas. Ya construimos condiciones lógicas antes de usar filter(), así que la sintaxis general debería ser familiar. Por ejemplo, podríamos querer registrar los valores de una variable categórica binaria como ceros y unos, creando una variable dummy. Esto es fácil gracias al comando if_else(). Podemos especificar la condición lógica (presidente_genero==female), y luego los valores que se asignarán cuando se cumpla esta condición (1) o no (0):

aprobacion %>%
  mutate(d_pres_mujer = if_else(condition = presidente_genero == "female",
                                true      = 1,
                                false     = 0)) %>%
  select(pais:presidente, presidente_genero, d_pres_mujer) # para legibilidad
## # A tibble: 1,020 x 6
##   pais      anio trimestre presidente       presidente_gene~ d_pres_mujer
##   <chr>    <dbl>     <dbl> <chr>            <chr>                   <dbl>
## 1 Argenti~  2000         1 Fernando de la ~ Masculino                   0
## 2 Argenti~  2000         2 Fernando de la ~ Masculino                   0
## 3 Argenti~  2000         3 Fernando de la ~ Masculino                   0
## # ... with 1,017 more rows

Es posible especificar condiciones lógicas más complejas, como en filter(). Por ejemplo, generemos una variable dummy para los países-años-cuatrimestre en crisis económica, definida como: el crecimiento del PIB es negativo y/o la tasa de desempleo es superior al 20%. Bajo esta simple clasificación, Argentina estaría en crisis en 2001 y en 2010:

aprobacion %>%
  # No explicamos los argumentos para hacer el código conciso:
  mutate(d_crisis_ec = if_else(crecimiento_pib < 0 | desempleo > 20, 1, 0)) %>%
  # Lo siguiente es sólo para mostrar los resultados más claramente:
  select(pais:trimestre, crecimiento_pib, desempleo, d_crisis_ec) %>%
  filter(pais == "Argentina" & anio %in% c(2001, 2013))
## # A tibble: 8 x 6
##   pais       anio trimestre crecimiento_pib desempleo d_crisis_ec
##   <chr>     <dbl>     <dbl>           <dbl>     <dbl>       <dbl>
## 1 Argentina  2001         1            -4.4      18.3           1
## 2 Argentina  2001         2            -4.4      18.3           1
## 3 Argentina  2001         3            -4.4      18.3           1
## # ... with 5 more rows

Sin embargo, if_else() a menudo no es lo suficientemente flexible, ya que sólo permite asignar dos valores basados en una condición lógica. ¿Qué pasa si la variable que queremos crear puede asumir más de dos valores? Por ejemplo, podríamos querer una variable que divida nuestras observaciones en tres categorías, según el país: “Cono Sur” (Argentina, Chile, Uruguay), “Centroamérica” y “Resto de AL.” Para empezar, examinemos los valores que la variable “pais” puede asumir:

unique(aprobacion$pais)
##  [1] "Argentina"   "Bolivia"     "Brasil"      "Chile"      
##  [5] "Colombia"    "Costa Rica"  "Ecuador"     "El Salvador"
##  [9] "Guatemala"   "Honduras"    "México"      "Nicaragua"  
## [13] "Panamá"      "Paraguay"    "Perú"        "Uruguay"    
## [17] "Venezuela"

if_else() no nos permitiría generar esta nueva variable, pero su función hermana case_when() sí lo permite.

aprobacion %>%
  mutate(grupo_de_paises = case_when(
    pais %in% c("Argentina", "Chile", "Uruguay") ~ "Cono Sur",
    pais %in% c("Costa Rica", "El Salvador", "Guatemala", "Honduras",
                   "Nicaragua", "Panama") ~ "Centroamérica",
    TRUE ~ "Resto de AL"
  )) %>%  
  # reduciremos la base de datos para ver mejor los resultados:
filter(anio == 2000 & trimestre == 1) %>%
  select(pais, grupo_de_paises) 
## # A tibble: 17 x 2
##   pais      grupo_de_paises
##   <chr>     <chr>          
## 1 Argentina Cono Sur       
## 2 Bolivia   Resto de AL    
## 3 Brasil    Resto de AL    
## # ... with 14 more rows

La nueva variable (grupo_de_paises) se construye sobre la base de múltiples condiciones lógicas, que se evalúan en orden. Si se cumple la primera condición (pais %in% c("Argentina", "Chile", "Uruguay")), se asigna el valor “Cono Sur” a la nueva variable. La condición lógica y el valor asignado se separan por un “~”⁸, que se puede leer como “por lo tanto.” Lo mismo ocurrirá con la siguiente condición, que asignará “Centroamérica” si se cumple. Nuestro último argumento para case_when() tiene una condición lógica de gran alcance: en todos los demás casos, se aplicará el valor “Resto de AL.”

Ejercicio 2H. if_else() puede ser pensado como una versión reducida de case_when(): todo lo que hacemos con la primera función podría ser convertido en la sintaxis de la segunda. Traduzca uno de los ejemplos anteriores con if_else() a la sintaxis case_when().

Ejercicio 2I. Crea una nueva variable que separa los países en tres grupos: “América del Norte,” “América Central” y “América del Sur.”

2.5.1 Pivoteo de datos

La estructura de la base anterior, donde las filas son las observaciones, las variables son las columnas, y la base de datos tiene sólo una unidad de observación, es la estructura tidy de la presentación de datos (Wickham 2014). En general, R y el tidyverse funcionan muy bien bajo este formato, así que querremos usarlo cuando sea posible.

Sin embargo, los datos con los que trabajamos en el mundo real no siempre están disponibles en este formato. A menudo, otros formatos son más adecuados en contextos diferentes al análisis de datos, por ejemplo, las codificaciones manuales de la administración pública. Para empezar este ejemplo, creemos una base de datos a nivel de país-año con los niveles medios de aprobación presidencial:

aprobacion_anual <- aprobacion %>%
  group_by(pais, anio) %>%
  summarize(aprobacion_neta = mean(aprobacion_neta)) %>%
  ungroup()

aprobacion_anual
## # A tibble: 255 x 3
##   pais       anio aprobacion_neta
##   <chr>     <dbl>           <dbl>
## 1 Argentina  2000            15.6
## 2 Argentina  2001           -17.4
## 3 Argentina  2002           -16.0
## # ... with 252 more rows

Este conjunto de datos tidy puede ser presentado en diferentes formatos. El más común de ellos es el formato ancho o wide⁹, en el que una de las variables de identificación se distribuye entre las columnas (en este caso, “anio”). Ahora cargaremos el conjunto de datos en formato ancho, desde paquete del libro:

library(paqueteadp)
data(aprobacion_wide1)

aprobacion_wide1 
## # A tibble: 17 x 16
##   pais  `2000` `2001` `2002` `2003` `2004` `2005` `2006` `2007` `2008`
##   <chr>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 Arge~  15.6  -17.4  -16.0    32.6 48.5     43.8   45.9   34.3   9.52
## 2 Boli~ -18.8  -14.1   -5.77  -16.8 -0.301   24.5   34.7   28.1  16.9 
## 3 Bras~  -8.72  -2.87   3.51   45.8 26.3     21.3   30.8   40.1  58.3 
## # ... with 14 more rows, and 6 more variables

Esta base de datos contiene la misma información que la que creamos manualmente, sólo cambia su forma de presentación. Esta estructura ancha tiene algunos beneficios, el más destacado es su brevedad: los años no se repiten en múltiples celdas, como sucede en un conjunto de datos tidy. Para un codificador manual, este ahorro de espacio (y tiempo) resulta atractivo. Sin embargo, el formato wide tiene una mayor desventaja en comparación con el formato tidy: en su forma tradicional, sólo es posible registrar información para una variable por base de datos. En el caso del ejemplo, no hay una forma posible de añadir, por ejemplo, información sobre la corrupción de los años-país. Como hemos visto, este ejercicio es trivial en un conjunto de datos tidy, donde las variables pueden ser añadidas como columnas. Tener múltiples variables en nuestra base de datos es exactamente lo que necesitamos para generar análisis de datos sociales, donde exploramos las diferentes dimensiones de nuestros fenómenos de estudio.

Afortunadamente, el paquete tidyr, que se carga automáticamente con tidyverse, proporciona funciones que convierten rápidamente los datos de un formato ancho en una versión más amigable para el análisis. Este tipo de transformación de la estructura se llama a menudo “pivote.” La función clave aquí es pivot_longer(), que permite a un conjunto de datos pivotar en un formato vertical. El conjunto de datos que obtendremos es igual al conjunto de datos tidy que creamos antes:

aprobacion_wide1 %>%
  pivot_longer(cols = -pais, names_to = "anio", values_to = "aprobacion_neta")
## # A tibble: 255 x 3
##   pais      anio  aprobacion_neta
##   <chr>     <chr>           <dbl>
## 1 Argentina 2000             15.6
## 2 Argentina 2001            -17.4
## 3 Argentina 2002            -16.0
## # ... with 252 more rows

El primer argumento en pivot_longer(), cols =, nos pide que seleccionemos las columnas para transformarlas en una variable de identificación, utilizando la sintaxis select() que aprendimos antes en este capítulo. En este caso, estamos indicando pivot_longer() para transformar todas las variables, excepto país, en una variable de identificación. Entonces, el argumento names_to() nos pregunta cómo queremos llamar a la nueva variable de identificación, que se crea cuando se transforma el conjunto de datos. Por último, values_to = requiere nombrar la nueva variable que se crea, basándose en los valores de las celdas de los datos originales.

En algunos casos también es útil hacer la operación inversa, para transformar un conjunto de datos tidy en un formato wide (ancho). Para ello, podemos usar otra función importante en tidyr, llamada pivot_wider(). Veamos un ejemplo, partiendo de un formato de conjunto de datos tidy, que creamos antes:

aprobacion_anual %>%
  pivot_wider(names_from = "anio", values_from = "aprobacion_neta") 
## # A tibble: 17 x 16
##   pais  `2000` `2001` `2002` `2003` `2004` `2005` `2006` `2007` `2008`
##   <chr>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 Arge~  15.6  -17.4  -16.0    32.6 48.5     43.8   45.9   34.3   9.52
## 2 Boli~ -18.8  -14.1   -5.77  -16.8 -0.301   24.5   34.7   28.1  16.9 
## 3 Bras~  -8.72  -2.87   3.51   45.8 26.3     21.3   30.8   40.1  58.3 
## # ... with 14 more rows, and 6 more variables

Los argumentos, en este caso, son prácticamente espejos de los anteriores. Aquí lo que queremos es que la base de datos tome de “año” sus nombres de columna a lo ancho (names_from="anio"), mientras que los valores se toman de nuestra variable de interés “aprobacion_neta” (values_from = "aprobacion_neta ").

Por lo tanto, estos comandos son perfectamente simétricos. Por ejemplo, la siguiente cadena de comandos es inofensiva, ya que pivot_wider() revertirá la transformación aplicada por pivot_longer():

aprobacion_wide1 %>%
  pivot_longer(cols = -pais, 
               names_to = "anio", values_to = "aprobacion_neta") %>%
  pivot_wider(names_from = "anio", values_from = "aprobacion_neta") 
## # A tibble: 17 x 16
##   pais  `2000` `2001` `2002` `2003` `2004` `2005` `2006` `2007` `2008`
##   <chr>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>  <dbl>
## 1 Arge~  15.6  -17.4  -16.0    32.6 48.5     43.8   45.9   34.3   9.52
## 2 Boli~ -18.8  -14.1   -5.77  -16.8 -0.301   24.5   34.7   28.1  16.9 
## 3 Bras~  -8.72  -2.87   3.51   45.8 26.3     21.3   30.8   40.1  58.3 
## # ... with 14 more rows, and 6 more variables

Ejercicio 2J. Genera una base en formato tidy con el crecimiento medio del PIB por país-año. Convierte estos datos a un formato ancho/wide, moviendo los años a las columnas.

2.5.2 Bases de datos anchas con más de una variable de interés

Anteriormente, mencionamos que no es posible registrar, de manera simple, información para más de una variable de interés en una estructura ancha. Sin embargo, nuestras fuentes de datos a menudo contendrán sorpresas que no son agradables para nosotros, como el siguiente ejemplo:

library(paqueteadp)
data(aprobacion_wide2)

Observa que en esta base las columnas registran información a lo largo del tiempo para dos variables, “pib” y “poblacion.” Lo que queremos es extender esta información en las filas, reconstruyendo nuestro par país-años y las dos variables de interés. Primero, podemos pivotear el conjunto de datos para dejarlos en el nivel de la variable país-año. En pivot_longer(), podemos indicar que los nombres de las columnas contienen información de más de una variable. Primero, el argumento names_to = c("variable", "año") toma dos valores en esta ocasión, los nombres de las nuevas variables después del pivote. En segundo lugar, names_sep= "_" indica que en las columnas del conjunto de datos original la información de las dos variables está separada por un guión bajo (puede ser otro carácter, como un guión alto o una barra vertical¹⁰).

aprobacion_wide2 %>%
  pivot_longer(cols = -pais,
               names_to = c("variable", "anio"), names_sep = "_") 
## # A tibble: 510 x 4
##   pais      variable anio          value
##   <chr>     <chr>    <chr>         <dbl>
## 1 Argentina pib      2000  552151219031.
## 2 Argentina pib      2001  527807756979.
## 3 Argentina pib      2002  470305820970.
## # ... with 507 more rows

Entonces, podemos pivotar las variables a través del ancho para obtener nuestra base datos de destino, como lo hicimos antes, con pivot_wider(). Hagamos todo en una cadena:

aprobacion_wide2 %>%
  pivot_longer(cols = -pais,
               names_to = c("variable", "anio"), names_sep = "_") %>%
  pivot_wider(names_from = "variable", values_from = "value")
## # A tibble: 255 x 4
##   pais      anio            pib poblacion
##   <chr>     <chr>         <dbl>     <dbl>
## 1 Argentina 2000  552151219031.  37057452
## 2 Argentina 2001  527807756979.  37471509
## 3 Argentina 2002  470305820970.  37889370
## # ... with 252 more rows

E-mail: arcruz@uc.cl↩︎
Los usuarios de Stata encontrarán esto familiar.↩︎
Puedes ver todos los atajos de teclado en RStudio en Ayuda > Ayuda de los atajos de teclado↩︎
Aprendí que algunos usuarios de R nombran este símbolo una “colita de chancho!”↩︎
A veces se utiliza el término largo (opuesto a ancho) en lugar de lo que llamamos tidy.↩︎
Si la separación entre sus variables es menos clara, podemos usar el argumento names_pattern= en lugar de names_sep=. Para esto necesitarás usar expresiones regulares, un tema tratado en el capítulo 13 de análisis cuantitativo de textos. Por ejemplo, podríamos escribir la misma operación aquí con el siguiente argumento: name_pattern = "(\\D+)_(\\d+)"↩︎