Exploración y Agregación

R nace principalmente como un entorno estadístico, por lo que proporciona numerosas funciones nativas para analizar, resumir y comprender la distribución de datos en vectores o tablas.

Funciones Estadísticas Básicas

R permite calcular con extrema facilidad los principales índices de tendencia central y variabilidad en vectores numéricos:

• mean(x): Calcula la media aritmética de los elementos.
• median(x): Calcula la mediana (el valor central).
• sd(x): Calcula la desviación estándar (medida de la dispersión de los datos).
• min(x) y max(x): Devuelven el valor mínimo y máximo respectivamente.

values <- c(10, 12, 15, 18, 20, 22)

avg <- mean(values)
dispersion <- sd(values)

cat("Media:", avg, "- Dev. Std:", round(dispersion, 2), "\n")

Gestión de Datos Faltantes (NA)

En el mundo real, los conjuntos de datos contienen a menudo valores faltantes, representados en R por la entidad especial NA (Not Available).

Si intentas calcular la media o cualquier otro agregado en un vector que contiene aunque sea un solo NA, R devolverá NA como resultado. Para ignorar los valores faltantes, debes pasar el argumento lógico na.rm = TRUE (NA remove):

temperatures <- c(18, 21, NA, 24, 19)

# Esto devolverá NA
print(mean(temperatures))

# Esto ignorará el NA y realizará el cálculo sobre los valores válidos
print(mean(temperatures, na.rm = TRUE))

Resumen Global con summary()

La función summary() es una herramienta potente que proporciona una visión estadística completa de un vector o de un Data Frame completo, mostrando el mínimo, primer cuartil, mediana, media, tercer cuartil y máximo:

prices <- c(5, 10, 15, 20, 100)
print(summary(prices))

Agregación de Datos con aggregate

Al trabajar con data frames, es común querer calcular estadísticas de resumen (como la media o la suma) por grupos o categorías. La función aggregate() en R simplifica este proceso:

df <- data.frame(
  department = c("HR", "IT", "HR", "IT"),
  salary = c(3000, 4500, 3200, 4800)
)

# Calcula la media de los salarios por departamento
avg_salaries <- aggregate(salary ~ department, data = df, FUN = mean)
print(avg_salaries)

La sintaxis salary ~ department significa "analiza la variable salary en función de la variable department". El argumento FUN = mean especifica que queremos calcular la media aritmética de cada grupo.

Filtrado Avanzado con subset

La función subset() proporciona una forma intuitiva y elegante de extraer subconjuntos de filas y columnas de un data frame, evitando el uso de corchetes complejos:

employees <- data.frame(
  name = c("Alice", "Bob", "Charlie"),
  age = c(25, 34, 29),
  active = c(TRUE, FALSE, TRUE)
)

# Filtra solo los empleados activos con edad superior a 28
active_employees <- subset(employees, active == TRUE & age > 28)

Pruébalo tú