A3_tidyverse.qmd

# Intro a Tidyverse

## Explorando un set de datos

Antes de empezar cualquier analisis, especialmente si estamos iniciando un script desde cero, tenemos que llamar a las librerias que vamos a utilizar. Como estuvimos viendo durante la clase, la libreria que vamos a utilizar es *tidyverse*, la cual cargamos con el siguiente comando:

```{r}
library(tidyverse)
```

Primero vamos a explorar un set de datos que ya viene incluido en la libreria, y que tiene valores de eficiencia de combustible para diferentes modelos de automoviles

```{r}
# Asignmamos la tabla mpg a una nueva variable que vamos a llamar
# tabla_mpg
tabla_mpg = mpg
```

Podemos ver el contenido de la tabla y el tipo de variables escribiendo.

```{r}
tabla_mpg
```

Podemos ver que tiene varias columnas con distintas caracteristicas en donde:

- chr, indica caracteres
- dbl, números reales
- int, números enteros
- dttm, fecha y hora (en esta tabla de ejemplo no tenemos ese tipo de datos)

## Funciones mas comunes para filtrar tablas

Algunas de las funciones más comunes en el paquete de análisis son:

- *select()*: extraer columnas.
- *filter()*: extraer filas según condiciones.
- *mutate()*: crear nuevas columnas usando la información de otras columnas.
- *group_by()* y *summarize()*: cálcula estadísticas en datos agrupados.
- *count()*: conteo de datos.

### Filtrando por columnas

Una de las primeras cosas que podemos hacer es filtrar la tabla por algún valor en alguna de columna de interés. Para esto ocupamos el comando _filter_

```{r}
# En este caso estamos filtrando la tabla_mpg, en donde la columna year sea menor al año 2000
filter(tabla_mpg, year < 2000)
```

Tambien podemos elegir un rango de años

```{r}
filter(tabla_mpg, year < 2000 | year > 2007)
```

Ademas de estar introduciendo la función de filtro (_filter_), también estamos viendo como podemos hacer busquedas por ciertos patrones. Por ejemplo:

- year < 2000: En este caso el valor de year es menor a 2000
- El simbolo **|** indica que son dos posibles condiciones. En el ejemplo anterior tenemos que sea menor al año 2000 **o** mayor al año 2007.
- El simbolo **&** indica que se tienen que cumplir todas las condiciones. Por ejemplo:


```{r}
filter(tabla_mpg,
       (year < 2000 | year > 2007) & model == "a4"
)
```

En este caso estamos aplicando dos filtros. Que el año sea menor al 2000 y mayor al 2007, y que el modelo sea igual a `a4`. 
El parentesis es muy importante, porque agrupa las condiciones a filtrar. 


### Seleccionando columnas

Tambien podemos seleccionar columnas de interes, luego de aplicar algún filtro (o viceversa). Por ejemplo:

```{r}
filter(tabla_mpg,
       (year < 2000 | year > 2007) & manufacturer == "audi") %>%
  select(model, year)

```

En este caso estamos filtrando por el año y el fabricante, y luego seleccionando dos columnas, el modelo y año.

Adicionalmente ocupamos el simbolo %>%, para hacer operaciones consecutivas utilizando **pipes**. De esta manera el output de una función (el filtro) es el input de la siguiente (select).

Esto nos permite concatenar diferentes pasos de filtrado, agrupar, selección, etc, en un solo comando.