Funciones de dplyr para el procesamiento de variables
G2040. Introducción al Análisis Cuantitativo de la Información Espacial
Domingo Rasilla
01 octubre, 2025
PREPARATIVOS INICIALES
Para no tener que cargar los paquetes dplyr y
tidyr, se procede a activar el paquete
tidyverse ya que incluye los dos anteriores como
dependencias
library(tidyverse)Establecer la carpeta de trabajo
setwd("D:/G2040/TEMA_1_Introduccion/TEMA_1_ejercicios")Cargar el fichero
load("zonas_verdes.RData")EXTRACCIÓN DE VARIABLES: Función select()
La sintaxis general es la siguiente:
Selección.
Seleccionar determinadas columnas por el nombre de la variable, pe puntos y asistencias.
zonas_verdes %>%
select(parques, superficie)También es posible seleccionar un rango de columnas, pe. todas las columnas entre conferencia y asistencias
zonas_verdes %>%
select(parques:fecha_inauguracion)En tercer lugar, seleccionar todas las columnas exceptuando algunas, por ejemplo, dejando fuera puntos y asistencias
zonas_verdes %>%
select(-c(barrio, superficie))También es posible seleccionar las columnas utilizando un índice de su posición (el número que representan)
zonas_verdes %>%
select(1, 3)Igualmente, es posible seleccionar las columnas cuyos nombres
contienen un conjunto determinado de caracteres, en
este caso superficie o obras.
zonas_verdes %>%
select(matches("rq|rfi"))Se puede usar el operador ^ para seleccionar columnas que comienzan con un conjunto determinado de caracteres, por ejemplo, “fech” equivale a comenzar por “fech”.
zonas_verdes %>%
select(matches("^fech|ob"))Exclusión
También es posible excluir determinadas columnas, tanto por su nombre, cmo
zonas_verdes %>%
select(-ID)… o su posición
zonas_verdes %>%
select(-c(1,3))o también
zonas_verdes %>% select(-1, -4) Las variables a excluir se pueden enumerar como una lista, como puntos o Rebotes
zonas_verdes %>% select(-one_of("barrio", "fecha_inauguracion")) También como un rango de variables
zonas_verdes %>% select(-(barrio:obras)) Eliminar todas las columnas que contienen una frase
zonas_verdes %>% select(-contains("obras")) Extraer las columnas cuyo nombre comienza por ciertos caracters
zonas_verdes %>% select(-starts_with("Bar")) o que finaliza con ciertos caracteres
zonas_verdes %>% select(-ends_with("ion")) A continuación mostramos un resumen de las funciones para select() que nos serán muy útiles:
| Función | Acción |
|---|---|
| - | Selecciona todas las variables excepto |
| : | Selecciona un rango |
| contains() | Selecciona variables cuyo nombre contiene la cadena de texto |
| ends_with() | Selecciona variables cuyo nombre termina con la cadena de caracteres |
| everything() | Selecciona todas las columnas |
| matches() | Selecciona las variables cuyos nombres coinciden con una expresión regular |
| num_range() | Selecciona las variables por posición |
| one_of() | Selecciona variables cuyos nombres están en un grupo de nombres |
| start_with() | Selecciona variables cuyos nombres empiezan con la cadena de caracteres |
CAMBIO DE NOMBRE A VARIABLES: Función rename()
La función rename() esta diseñada para facilitar la
modificación del nombre de variables. La sintaxis es
rename(dataframe, nombre_nuevo = nombre_antiguo).
Ya sabemos que para conocer los nombres originales de las variables
de un dataframe se puede aplicar la función names().
names(zonas_verdes)Para no destruir el dataframe original se creará uno nuevo,
denominado borrame, en el que se cambiará el nombre de la
variable “fecha_inauguracion” a “fecha”.
borrame <- zonas_verdes %>%
rename(fecha = fecha_inauguracion)Es posible cambiar el nombre de varias variables
borrame <- borrame %>%
rename(distrito = barrio,
zona_verde = parques)… o de todas las variables de un dataframe frame
borrame <- borrame %>%
`colnames<-`(c("v1", "v2", "v3", "v4", "v5", "v6"))
borrameEl número de nuevos nombres usando la función colnames()
debe ser el mismo que el de las variables en el dataframe anterior.
CAMBIAR LAS POSICIONES DE LAS VARIABLES: Función
relocate()
Si el orden de las variables no conviene a nuestros intereses, es posible mover una columna de posición, por ejemplo al inicio (mueve fecha_inauguracion a la primera posición del dataframe)
zonas_verdes %>%
relocate(fecha_inauguracion)… al final (mueve ID a la última posición)
zonas_verdes %>%
relocate(ID, .after = last_col())igualmente, es posible mover una columna después de otra (mueve parques justo después de barrio)
zonas_verdes %>%
relocate(parques, .after = barrio)… o moverla antes de otra (ueve obras antes de superficie)
zonas_verdes %>%
relocate(obras, .before = superficie)Mover varias columnas juntas (mueve parques y obras después de ID)
zonas_verdes %>%
relocate(parques, obras, .after = ID)Mover columnas según una condición (por tipo; mueve todas las columnas de tipo Date al final.)
zonas_verdes %>%
relocate(where(is.Date), .after = last_col())Mover columnas que contienen texto en el nombre (mueve superficie antes de obras)
zonas_verdes %>%
relocate(contains("superficie"), .before = obras)| Argumento | Qué hace |
|---|---|
| .before = col | Mueve la(s) columna(s) antes de col |
| .after = col | Mueve la(s) columna(s) después de col |
| Sin .before/.after | Mueve al principio |
AÑADIR (CALCULAR) UNA NUEVA VARIABLE EN UN DATAFRAME: Función
mutate()
La función mutate() crea nuevas variables o modifica las
existentes en un data frame (si le das el mismo nombre) o puede agragar
múltiples variables nuevas a la vez. Normalmente, se añade esta nueva
variable al final del dataframe.
📝 Actividad de clase:
A continuación, crea dos nuevas variables en el dataframe
zonas_verdes. La primera, denominada
ratio_superficie_arbolada, está constituida de una secuencia de
100 números racionales entre 23 y 75
La segunda, denominada ratio_supeficie_dura, estará constituida de una secuencia de 100 números racionales entre 5 y 17,
Una vez creadas estas nuevas variables, se calculará la variable *ratio_superficie_ajardinada” como el resultado de sustraer a 100 el ratio de la superficie arbolada y el ratio de la superficie ajardinada
zonas_verdes <- zonas_verdes %>%
mutate(ratio_superficie_ajardinada = 100 - (ratio_superficie_arbolada + ratio_superficie_dura))Esta nueva variable se puede añadir antes de una variable concreta
borrame <- borrame %>%
mutate(tarari = sample(1:10, 100, replace = TRUE),
.before = v5)
borrame… o después de una variable concreta.
borrame %>% mutate(nueva_variable=sample(75:95, 100, replace = TRUE),
.after=v6)O añadir otra columna con los valores reclasificados de una variable preexistente
borrame <- borrame %>%
mutate(clasificado = if_else(.$v4 < 10, "Normal", "Grande"))También se puede añadir una columna vacía.
borrame <- zonas_verdes %>%
mutate(columna_vacia = NA)
borrameEsta columna vacío podría rellenarse con otros datos.
FUSIÓN DE DOS DATAFRAMES CON EL MISMO NÚMERO DE FILAS/CASOS: Función
bind_cols()
Si quiere añadir a un dataframe preexistente los datos
correspondientes a otro dataframe con su misma estructura, hay que
recurrir a la función bind_cols().
df1 <- data.frame(a = 1:3)
df2 <- data.frame(b = c("x", "y", "z"))
df_combinado <- bind_cols(df1, df2)Con este ejemplo se crea un dataframe con una estructura “ancha” (wide).
🚫️ ¡CUIDADO!:
Si ambos dataframes no tienen la misma estructura (por ejemplo, número de variables), R devuelve un mensaje de error.
rm(df1,df2, df_combinado)UNIÓN ENTRE DATAFRAMES CON DIFERENTE NÚMERO DE CASOS/FILAS: Función
join()
Sin embargo, lo más habitual es que nuestros dataframes tengan una estructura diferente, ya que pueden provenir de diferentes fuentes de información.
La función join() permite fusionar o unir dos data
frames por columnas comunes (nombres de fila). Esta función contiene
diferentes combinaciones de bases de datos (SQL), como unión izquierda
(left_join()), unión interna (inner_join()),
unión derecha (right_join()) o unión completa
(full_join()).
| Función | ¿Qué filas conserva? |
|---|---|
inner_join() |
Solo las filas que coinciden en ambas tablas |
left_join() |
Todas las filas de la tabla de la izquierda (x), y datos coincidentes de la derecha (y) |
right_join() |
Todas las filas de la tabla de la derecha (y), y datos coincidentes de la izquierda (x) |
full_join() |
Todas las filas de ambas tablas. Coincidencias se unen; no coincidencias tienen NA |
La función habitual es left_join(), en la que unimos un
dataframe “básico” (zonas_verdes), cuyos valores queremos mantener
intactos, a otro “secundario” (zonas_verdes), según esta sintaxis
dplyr::left_join(fichero1, fichero).
📝 Actividad de clase:
Vamos a crear un nuevo dataframe. Este fichero debe poseer una primera variable denominada ID
ID <- 1:100La segunda, denominada especie_dominante, está constituida por una secuencia aleatoria de 100 elementos (cadenas de texto) que se pueden repetir con los siguientes elementos (platano, cipres, tilo, pino, castaño_indias) y una probabilidad de 0.45, 0.25, 0.15, 0.12 y 0.08
especie_dominante <- sample(c("platano", "cipres", "tilo", "pino", "castaño_indias"),
size = 100, # Número de caracteres
replace = TRUE, # Se pueden repetir
prob=c(0.45,0.25,0.15,0.12, 0.08)) # Probabilidades de apariciónA continuación, uniremos ambas vectores en un único dataframe, tras lo cual serán eliminados
zonas_verdes2 <- data.frame(ID, especie_dominante)
zonas_verdes2
rm(ID, especie_dominante)Simularemos que el 10 % de los datos se han perdido.
set.seed(123) # Para reproducibilidad (opcional)
zonas_verdes2 <- zonas_verdes2 %>%
slice_sample(prop = 0.90)
zonas_verdes2Como los dos dataframes tienen diferentes dimensiones, no se puede
utilizar la función bind_cols(), sino la función
left_join()con el argumento by=ID que
identifica la columna común en ambos dataframes.
left_join(zonas_verdes, zonas_verdes2,
by="ID")Si elegimos inner_join() sólo se conservan los elementos
comunes a ambos dataframes (se pierde información del fichero que hemos
considerado básico).
inner_join(zonas_verdes, zonas_verdes2,
by="ID")📝 ACTIVIDAD DE EVALUACIÓN CONTINUA :
Supongamos que poseemos un fichero denominado inmobiliaria. Lo importaremos desde el servidor de la UC.
url <- "https://personales.unican.es/rasillad/docencia/g2040/tema_1/datos/inmobiliaria.csv"
inmobiliaria <- read.csv(url, sep = ";", dec = ",", header = TRUE)
head(inmobiliaria)## barrio precio superficie accesibilidad habitaciones banos terraza garaje
## 1 San Agustin 173800 43.2 2 3 1 2 2
## 2 San Agustin 204600 56.9 1 2 1 2 2
## 3 San Agustin 220000 66.4 2 2 2 1 1
## 4 San Agustin 270600 61.9 1 3 2 2 2
## 5 San Agustin 297000 89.8 3 3 2 2 1
## 6 San Agustin 308000 71.0 2 3 2 1 2
## comunidad valor disponible
## 1 110.0 32830.6 1
## 2 151.8 59400.0 2
## 3 0.0 34624.5 1
## 4 286.0 59400.0 1
## 5 0.0 87047.4 2
## 6 264.0 68520.1 2Modifica de manera permanente el dataframe inmobilidaria cambiando el nombre de la variable banos por baños.
inmobiliaria <- inmobiliaria %>%
rename(baños = banos)Selecciona las variabless barrio, precio y superficie y cambia el nombre de precio por el de precio_euros y el de superficie por m2.
Coloca la variable precio antes de la variable barrio y selecciona las variables precio, barrio, habitaciones y baños.
Selecciona las variables barrio, precio y superficie, y calcula el precio del m2.
Selecciona las variables barrio, precio y superficie y reubicar superfice tras barrio.
Cambia el nombre de las variables habitaciones por dormitorios y baños por aseos, y seleccionalas
Crea la variable ratio_hab_baños, cambia el nombre de comundad por costes_comunidad y selecciona las variables barrio, ratio_hab_baños y costes_comunidad.
Crea un vector denominado ascensores, consistente en 694 casos en los que se informa si la vivienda cuenta o no con ascensor. Únelo posteriormente al dataframe inmobilidaria.
Calcula el valor del precio en m2 y crea la variable categoría clasificando a las viviendas en función del precio en dos categorías, Alta si superan los 200000€ y Media/baja las restantes.
unique(inmobiliaria$barrio)
- Crea un dataframe denominado zonas con las siguientes características y únelo al dataframe inmobiliaria.
zonas <- data.frame(
barrio = c("San Agustin","El Robledo","Canizal","La Llama","Pingarron","Monsanto","Castillo"),
distrito = c("Sur","Centro", "Centro", "Norte", "Norte","Sur", "Sur")
)- Crea la variable nivel de accesibilidad, de tal manera que los valores de esa variable iguales o superiores a 2 tengan la etiqueta Alta, y los demás, baja. Selecciona las variables barrio y nivel_accesibilidad