Apéndice B: Conjuntos de datos del curso

Este apéndice reúne los archivos de datos que están en la carpeta Datos/ del repositorio del curso. Para cada archivo verás qué contiene, su tamaño, en qué capítulos se usa y cómo leerlo en R.

Hay dos maneras de leer cualquiera de estos archivos:

  1. Directo desde internet, sin descargar nada. Funciona en cualquier computadora con conexión, y es la forma más sencilla si no has clonado el repositorio.
  2. Desde tu copia del repositorio, con la ruta Datos/nombre_del_archivo. Funciona sin internet, siempre que el .Rmd esté en la carpeta del proyecto.

Para la primera manera, guarda una sola vez la dirección de la carpeta y pégale el nombre del archivo con paste0():

library(tidyverse)

url_datos <- "https://raw.githubusercontent.com/RaymondLTremblay/Ciencia_Datos_R/gh-pages/Datos/"

crimen <- read_csv(paste0(url_datos, "crimen_pr.csv"))

Si el nombre del archivo tiene espacios, en la dirección de internet cada espacio se escribe %20. Por ejemplo, Exam Anxiety.csv se lee como paste0(url_datos, "Exam%20Anxiety.csv"). Desde tu copia local escribes el nombre tal cual, con el espacio.

Textos

El Quijote: el_quijote.txt

  • Qué es: el texto de Don Quijote de la Mancha, de Miguel de Cervantes Saavedra, Primera Parte (1605), desde el capítulo 1 hasta los versos del final.
  • Tamaño: 2 186 líneas, unas 187 000 palabras (1.1 MB).
  • Se usa en: Capítulo 22 (Cadena de caracteres) y Capítulo 30 (Nubes de palabra), con sus dos hojas de ejercicios: Ejercicios_Capitulo_30_wordclouds.Rmd y la actividad para Teams Ejercicios_Capitulo_30_Actividad_texto_propio.Rmd.
  • Fuente de esta copia: pendiente.

Es texto plano, no una tabla, así que se lee línea por línea con readLines() (o read_lines() de readr):

quijote <- readLines(paste0(url_datos, "el_quijote.txt"),
                     encoding = "UTF-8", warn = FALSE)
length(quijote)   # número de líneas
head(quijote)

Alicia en el país de las maravillas

Hay varias versiones del libro de Lewis Carroll, en inglés:

Archivo Contenido Se usa en
Alice_Adventures_in_Wonderland.txt 3 000 líneas, unas 71 000 palabras Capítulo 30 (hoja de ejercicios)
alice_original.txt 3 384 líneas, unas 26 500 palabras; empieza con el encabezado del Proyecto Gutenberg (EBOOK 11) Capítulos 22 y 30
alice_original_full.txt 39 líneas, el comienzo del libro Capítulo 22
alice_full_cleaned.txt 175 líneas, unas 2 200 palabras ningún capítulo todavía
alice_cleaned.txt 3 líneas, el primer párrafo ningún capítulo todavía 
alicia <- readLines(paste0(url_datos, "Alice_Adventures_in_Wonderland.txt"),
                    encoding = "UTF-8", warn = FALSE)

Versos de Neruda: fragmentos_neruda_sep.csv

  • Qué es: diez versos de Pablo Neruda, uno por fila, con las columnas id y texto. Cada palabra viene entre comillas, a propósito, para practicar cómo limpiarlas.
  • Tamaño: 10 filas, 2 columnas.
  • Se usa en: Capítulo 22 (Cadena de caracteres).
  • Fuente: pendiente.
neruda <- read_csv(paste0(url_datos, "fragmentos_neruda_sep.csv"))

Puerto Rico

Incidentes criminales: crimen_pr.csv

  • Qué es: incidentes criminales reportados en Puerto Rico entre junio y agosto de 2016, con fecha, hora, tipo de delito, coordenadas y área policiaca.
  • Tamaño: 8 870 filas, 7 columnas (0.6 MB).
  • Columnas: Fecha, Hora, Delito, Delitos_code, POINT_X, POINT_Y, Area Policiaca.
  • Se usa en: Capítulo 18 (Importar datos), Capítulo 25 (Fechas y horas) y Capítulo 32 (Leaflet), y en las hojas de ejercicios de esos tres capítulos.
  • Fuente: gobierno de Puerto Rico.
crimen <- read_csv(paste0(url_datos, "crimen_pr.csv"))

COVID-19 en Puerto Rico: url_COVID_PR.csv

  • Qué es: serie diaria de muertes, casos, hospitalizaciones, camas de intensivo y ventiladores, del 12 de marzo de 2020 al 19 de octubre de 2021.
  • Tamaño: 587 filas, 18 columnas.
  • Columnas principales: Fecha, Muertes, IncrementoMuertes, CasosPCR_Salud, HospitCOV19, CamasICU, CamasICU_disp, Ventiladores.
  • Se usa en: Capítulos 9 y 10 (Transformación), Capítulo 18 (Importar datos) y Apéndice A.
  • Fuente: Departamento de Salud de Puerto Rico. El Capítulo 18 muestra cómo bajar la versión al día desde el repositorio rafalab/pr-covid.
covid_pr <- read_csv(paste0(url_datos, "url_COVID_PR.csv"))

Vuelos de San Juan: Vuelos_SJU_2018_Ene.csv, Vuelos_SJU_2019_Ene.csv, Vuelos_SJU_2020_Ene.csv

  • Qué es: los vuelos del aeropuerto de San Juan (SJU) en enero de tres años, un archivo por año, con la fecha, la aerolínea, el origen, el destino y las horas y demoras de salida y llegada.
  • Tamaño: 3 831, 5 128 y 5 918 filas; 14 columnas en los tres.
  • Columnas principales: FL_DATE, OP_UNIQUE_CARRIER, ORIGIN, DEST, DEP_TIME, DEP_DELAY, ARR_TIME.
  • Se usa en: Capítulo 3 (Flujo de trabajo) y Capítulo 18 (Importar datos), donde se leen los tres a la vez.
  • Fuente: pendiente.
vuelos_sju <- read_csv(paste0(url_datos,
                              c("Vuelos_SJU_2018_Ene.csv",
                                "Vuelos_SJU_2019_Ene.csv",
                                "Vuelos_SJU_2020_Ene.csv")),
                       id = "archivo")

Nombres de bebés: carpeta babynames/

  • Qué es: frecuencia de los nombres dados a los bebés, por año y por sexo.
  • Contenido:
    • PR_babynames.TXT: Puerto Rico, de 1998 a 2019; 21 925 filas sin encabezado, con el formato estado,sexo,año,nombre,cantidad.
    • TR_babynames.TXT: el mismo formato, con el código TR.
    • names_national/: un archivo por año de nacimiento, de yob1880.txt a yob2019.txt, con el formato nombre,sexo,cantidad, más el NationalReadMe.pdf que los explica.
    • namesbystate/: 52 archivos, uno por código de dos letras.
  • Se usa en: ningún capítulo todavía. El Capítulo 20 (Datos relacionados) usa el paquete babynames, que es otra cosa.
  • Fuente: según NationalReadMe.pdf, los archivos nacionales se tabularon a partir de los registros del Seguro Social de Estados Unidos (al 1 de marzo de 2020), y solo incluyen nombres con por lo menos 5 apariciones.

Como los archivos no traen encabezado, hay que dar los nombres de las columnas:

nombres_pr <- read_csv(paste0(url_datos, "babynames/PR_babynames.TXT"),
                       col_names = c("estado", "sexo", "anio", "nombre", "cantidad"))

Biología y ambiente

Orquídeas Eulophia en iNaturalist: eulophia_inat.csv

  • Qué es: 1 000 observaciones de orquídeas del género Eulophia en iNaturalist, de calidad de investigación y con coordenadas. Las especies más comunes en el archivo son Eulophia maculata, Eulophia graminea y Eulophia picta.
  • Tamaño: 1 000 filas, 37 columnas (0.5 MB).
  • Columnas principales: scientific_name, datetime, place_guess, latitude, longitude, common_name, url, image_url.
  • Se usa en: Capítulo 32 (Leaflet).
  • Fuente: iNaturalist. El capítulo baja los datos en vivo y vuelve a guardar este archivo cuando hay conexión, así que el contenido cambia cada vez que se compila el libro con internet.
eulophia <- read_csv(paste0(url_datos, "eulophia_inat.csv"))

Terremotos: Earthquake_all_month.csv

  • Qué es: todos los terremotos registrados en el mundo durante un mes, del 12 de agosto al 11 de septiembre de 2023, con hora, coordenadas, profundidad y magnitud.
  • Tamaño: 10 743 filas, 22 columnas (2 MB).
  • Columnas principales: time, latitude, longitude, depth, mag, magType, place.
  • Se usa en: Capítulo 32 (Leaflet), como copia de respaldo cuando no hay conexión.
  • Fuente: el servicio de datos del USGS (all_month.csv). El capítulo baja la versión del mes en curso cuando hay internet.
terremotos <- read_csv(paste0(url_datos, "Earthquake_all_month.csv"))

Peso al nacer y supervivencia: Newborn_Karn_Penrose.csv

  • Qué es: nacimientos agrupados por edad de la madre y peso al nacer, con el total de nacimientos y cuántos no sobrevivieron.
  • Tamaño: 261 filas, 4 columnas.
  • Columnas: Mother_age, Count_Non_survivors, Count_Total_Birth, Birth_weight.
  • Se usa en: Capítulo 18 (Importar datos).
  • Fuente: pendiente.
newborn <- read_csv(paste0(url_datos, "Newborn_Karn_Penrose.csv"))

Un archivo sucio a propósito: plantas_sucio.csv

  • Qué es: un registro de plantas de invernadero, hecho a mano con varios problemas típicos de los archivos reales, para practicar cómo leerlo y arreglarlo.
  • Tamaño: 7 filas.
  • Se usa en: Capítulo 18 (Importar datos).
  • Fuente: creado para el curso.

Archivos que ningún capítulo usa todavía

Estos archivos están en Datos/ pero ningún capítulo los lee. Sirven para proyectos, para practicar por tu cuenta o para ejercicios futuros.

Archivo Filas Columnas Algunas columnas
Orchid_variation_extinction.csv 555 15 location, genero, especie, categoria_riesgo_binomial, coeficientes de variación de sépalo, pétalo, labelo y columna
Lep_rupPetal_All_Data.csv 441 33 Plant_Number, Petal_Character, Population, Num_FR, Num_flowers
GonocalyxDat.csv 88 6 ID, Lat, Long, Elevation, Host, Estimate_Height
worldcities_lat_long_pop.csv 26 569 11 city, lat, lng, country, capital, population
DownloadFestival_No_Outlier.csv 810 5 ticknumb, gender, day1, day2, day3
Exam Anxiety.csv 103 5 Code, Revise, Exam, Anxiety, Gender
The Biggest Liar.csv 68 3 Creativity, Position, Novice
Vehicle_collision_NY_Kaggle.csv 477 732 29 DATE, TIME, BOROUGH, LATITUDE, LONGITUDE, PERSONS INJURED

La fuente de estos archivos está pendiente.

Vehicle_collision_NY_Kaggle.csv pesa 88 MB. Leerlo desde internet tarda, y en una conexión lenta puede fallar. Si lo vas a usar, trabaja con tu copia local del repositorio.