Capítulo19 Datos Ordenados

## [1] "2026-09-09"

El tema proviene de los siguientes sitios.

English: https://r4ds.had.co.nz/tidy-data.html

Español: https://es.r4ds.hadley.nz/12-tidy.html

19.1 Temas: Datos Ordenados

  • Las tres reglas de los datos ordenados
  • Por qué conviene ordenarlos, aunque cueste trabajo
  • pivot_longer(): de ancho a largo
  • pivot_wider(): de largo a ancho
  • separate() y unite(): partir y juntar columnas
  • Valores faltantes implícitos y explícitos

19.2 Paquetes

library(tidyverse)
library(datos)

19.3 Las tres reglas

Datos ordenados (tidy data): cada variable es una columna, cada observación es una fila y cada valor ocupa su propia celda. Con este formato el tidyverse trabaja de forma más natural.

Las tres reglas están relacionadas: si cumples dos, la tercera sale sola. En la práctica se reducen a dos instrucciones:

  1. Pon cada conjunto de datos en su propia tabla.
  2. Pon cada variable en su propia columna.

Lo difícil no es la definición, es reconocer cuál es la variable en un conjunto concreto. Y eso depende de la pregunta: en una tabla de mediciones repetidas, ¿la variable es “el peso” o son “el peso en enero” y “el peso en julio”? Casi siempre la respuesta correcta es la primera, y la fecha es otra variable.

El concepto de tidy data (datos ordenados) fue formalizado por Hadley Wickham en un influyente artículo de 2014. La idea (una variable por columna, una observación por fila) unificó la forma de preparar datos para el análisis.

19.3.1 ¿Por qué molestarse?

Ordenar una tabla da trabajo y no produce ningún resultado nuevo, así que la pregunta es legítima. Hay dos razones.

La primera es consistencia: si todos los conjuntos tienen la misma forma, las herramientas que aprendiste sirven para todos. No hay que reaprender nada al cambiar de proyecto.

La segunda es que R trabaja por columnas. mutate() opera sobre una columna entera, group_by() agrupa por los valores de una columna, ggplot() mapea una columna a un eje. Cuando la variable que te interesa está repartida entre cinco columnas, ninguna de esas herramientas sirve: no puedes agrupar por “el año” si el año es el nombre de la columna en vez de un valor.

19.4 Las cinco tablas del ejemplo

Los cinco conjuntos siguientes contienen exactamente la misma información: casos de tuberculosis y población de tres países en 1999 y en 2000. Lo único que cambia es la forma. Míralos con calma antes de seguir: solo uno de ellos está ordenado.

tabla1
## # A tibble: 6 × 4
##   pais        anio  casos  poblacion
##   <chr>      <dbl>  <dbl>      <dbl>
## 1 Afganistán  1999    745   19987071
## 2 Afganistán  2000   2666   20595360
## 3 Brasil      1999  37737  172006362
## 4 Brasil      2000  80488  174504898
## 5 China       1999 212258 1272915272
## 6 China       2000 213766 1280428583
tabla2
## # A tibble: 12 × 4
##    pais        anio tipo          cuenta
##    <chr>      <dbl> <chr>          <dbl>
##  1 Afganistán  1999 casos            745
##  2 Afganistán  1999 población   19987071
##  3 Afganistán  2000 casos           2666
##  4 Afganistán  2000 población   20595360
##  5 Brasil      1999 casos          37737
##  6 Brasil      1999 población  172006362
##  7 Brasil      2000 casos          80488
##  8 Brasil      2000 población  174504898
##  9 China       1999 casos         212258
## 10 China       1999 población 1272915272
## 11 China       2000 casos         213766
## 12 China       2000 población 1280428583
tabla3
## # A tibble: 6 × 3
##   pais        anio tasa             
##   <chr>      <dbl> <chr>            
## 1 Afganistán  1999 745/19987071     
## 2 Afganistán  2000 2666/20595360    
## 3 Brasil      1999 37737/172006362  
## 4 Brasil      2000 80488/174504898  
## 5 China       1999 212258/1272915272
## 6 China       2000 213766/1280428583
tabla4a
## # A tibble: 3 × 3
##   pais       `1999` `2000`
##   <chr>       <dbl>  <dbl>
## 1 Afganistán    745   2666
## 2 Brasil      37737  80488
## 3 China      212258 213766
tabla4b
## # A tibble: 3 × 3
##   pais           `1999`     `2000`
##   <chr>           <dbl>      <dbl>
## 1 Afganistán   19987071   20595360
## 2 Brasil      172006362  174504898
## 3 China      1272915272 1280428583

La respuesta es tabla1: tiene cuatro columnas (pais, anio, casos, poblacion) y cada una es una variable. Las otras cuatro están mal, cada una a su manera:

  • tabla2 mete dos variables distintas (casos y población) en una sola columna de valores, y usa otra columna para decir cuál es cuál. Cada observación quedó partida en dos filas.
  • tabla3 guarda dos valores en la misma celda: 745/19987071 es texto, no un número, y no se puede dividir ni graficar.
  • tabla4a y tabla4b usan los años como nombres de columna. El año es una variable y está escondido en la cabecera. Además hacen falta dos tablas para lo que debería ser una.

Una señal casi infalible de que una tabla no está ordenada: los nombres de las columnas son valores (1999, 2000, enero, febrero, control, tratamiento) en vez de nombres de variables.

Con tabla1, calcular la tasa de casos por cada diez mil habitantes es una línea:

tabla1 |> 
  mutate(tasa = casos / poblacion * 10000)
## # A tibble: 6 × 5
##   pais        anio  casos  poblacion  tasa
##   <chr>      <dbl>  <dbl>      <dbl> <dbl>
## 1 Afganistán  1999    745   19987071 0.373
## 2 Afganistán  2000   2666   20595360 1.29 
## 3 Brasil      1999  37737  172006362 2.19 
## 4 Brasil      2000  80488  174504898 4.61 
## 5 China       1999 212258 1272915272 1.67 
## 6 China       2000 213766 1280428583 1.67

Con cualquiera de las otras cuatro, hay que ordenarlas primero. De eso trata el resto del capítulo.

19.5 El paquete tidyr

Las funciones pivot_longer() y pivot_wider() de tidyr son las herramientas principales para pasar los datos entre el formato ancho y el formato largo.

pivot_longer() y pivot_wider() (tidyr): cambiar la forma de la tabla.

  • pivot_longer(): pasa de ancho a largo (junta varias columnas en pares nombre-valor).
  • pivot_wider(): pasa de largo a ancho (reparte una columna en varias).
  • Uso: dejar los datos ordenados para poder graficar y resumir con facilidad.

Las dos son opuestas: lo que hace una, la otra lo deshace. Casi siempre se usa pivot_longer(), porque el problema más común con diferencia es el de los nombres de columna que en realidad son valores.

19.5.1 pivot_longer(): de ancho a largo

tabla4a tiene los años como nombres de columna. Para arreglarla hay que contestar tres preguntas:

  1. ¿Cuáles columnas hay que mover? Aquí, 1999 y 2000. Van entre acentos graves porque un nombre que empieza por número no es un nombre válido en R.
  2. ¿Cómo se llama la variable escondida en los nombres? Se llama anio, y eso va en names_to.
  3. ¿Cómo se llama la variable escondida en los valores? Se llama casos, y eso va en values_to.
tabla4a |> 
  pivot_longer(
    cols      = c(`1999`, `2000`),
    names_to  = "anio",
    values_to = "casos"
  )
## # A tibble: 6 × 3
##   pais       anio   casos
##   <chr>      <chr>  <dbl>
## 1 Afganistán 1999     745
## 2 Afganistán 2000    2666
## 3 Brasil     1999   37737
## 4 Brasil     2000   80488
## 5 China      1999  212258
## 6 China      2000  213766

La tabla pasó de 3 filas y 3 columnas a 6 filas y 3 columnas. Es más larga y más estrecha, y de ahí el nombre de la función.

El anio que sale de pivot_longer() es texto, no un número, porque venía de un nombre de columna y los nombres son texto. Si vas a ordenar por año o restar años, conviértelo: mutate(anio = as.integer(anio)), o usa names_transform = list(anio = as.integer) dentro de la misma llamada.

Lo mismo con la tabla de población, y después se unen las dos por sus columnas comunes:

tabla4a_larga <- tabla4a |> 
  pivot_longer(c(`1999`, `2000`), names_to = "anio", values_to = "casos")

tabla4b_larga <- tabla4b |> 
  pivot_longer(c(`1999`, `2000`), names_to = "anio", values_to = "poblacion")

left_join(tabla4a_larga, tabla4b_larga)
## # A tibble: 6 × 4
##   pais       anio   casos  poblacion
##   <chr>      <chr>  <dbl>      <dbl>
## 1 Afganistán 1999     745   19987071
## 2 Afganistán 2000    2666   20595360
## 3 Brasil     1999   37737  172006362
## 4 Brasil     2000   80488  174504898
## 5 China      1999  212258 1272915272
## 6 China      2000  213766 1280428583

El resultado es tabla1. Ese left_join() es el tema del capítulo siguiente; por ahora basta con ver que dos tablas ordenadas se combinan sin esfuerzo, y dos tablas desordenadas no.

19.5.2 pivot_wider(): de largo a ancho

El problema de tabla2 es el contrario: una observación está repartida en varias filas. Aquí las preguntas son dos:

  1. ¿Cuál columna tiene los nombres de las variables nuevas? tipo, que va en names_from.
  2. ¿Cuál columna tiene los valores? cuenta, que va en values_from.
tabla2 |> 
  pivot_wider(
    names_from  = tipo,
    values_from = cuenta
  )
## # A tibble: 6 × 4
##   pais        anio  casos  población
##   <chr>      <dbl>  <dbl>      <dbl>
## 1 Afganistán  1999    745   19987071
## 2 Afganistán  2000   2666   20595360
## 3 Brasil      1999  37737  172006362
## 4 Brasil      2000  80488  174504898
## 5 China       1999 212258 1272915272
## 6 China       2000 213766 1280428583

De 12 filas a 6. Fíjate en que la columna nueva se llama población, con acento, porque ese era el valor que estaba dentro de la columna tipo: pivot_wider() usa los valores tal como vienen para nombrar las columnas.

pivot_wider() se usa mucho menos que pivot_longer() para ordenar datos, pero es la herramienta de siempre para presentar un resultado. Una tabla larga es la que R quiere; una tabla ancha es la que un lector entiende de un vistazo.

19.6 separate() y unite()

Estas dos resuelven el problema de tabla3: dos valores metidos en la misma celda.

separate() y unite() (tidyr): partir una columna en varias, y juntar varias en una.

  • separate(columna, into = c("a", "b"), sep = "/"): parte por el separador que le digas. Si no le dices ninguno, parte por el primer carácter que no sea alfanumérico.
  • convert = TRUE: después de partir, adivina el tipo de las columnas nuevas. Sin esto, todo sale como texto.
  • unite(nueva, a, b, sep = "_"): el camino contrario, junta varias columnas en una.
tabla3 |> 
  separate(tasa, into = c("casos", "poblacion"), sep = "/")
## # A tibble: 6 × 4
##   pais        anio casos  poblacion 
##   <chr>      <dbl> <chr>  <chr>     
## 1 Afganistán  1999 745    19987071  
## 2 Afganistán  2000 2666   20595360  
## 3 Brasil      1999 37737  172006362 
## 4 Brasil      2000 80488  174504898 
## 5 China       1999 212258 1272915272
## 6 China       2000 213766 1280428583

Funciona, pero mira los tipos: casos y poblacion son texto. Con convert = TRUE quedan numéricos y ya se puede calcular con ellos:

tabla3 |> 
  separate(tasa, into = c("casos", "poblacion"), sep = "/", convert = TRUE) |> 
  mutate(tasa = casos / poblacion * 10000)
## # A tibble: 6 × 5
##   pais        anio  casos  poblacion  tasa
##   <chr>      <dbl>  <int>      <int> <dbl>
## 1 Afganistán  1999    745   19987071 0.373
## 2 Afganistán  2000   2666   20595360 1.29 
## 3 Brasil      1999  37737  172006362 2.19 
## 4 Brasil      2000  80488  174504898 4.61 
## 5 China       1999 212258 1272915272 1.67 
## 6 China       2000 213766 1280428583 1.67

unite() hace el camino de vuelta:

tabla3 |> 
  separate(tasa, into = c("casos", "poblacion"), sep = "/") |> 
  unite(tasa_otra_vez, casos, poblacion, sep = "/")
## # A tibble: 6 × 3
##   pais        anio tasa_otra_vez    
##   <chr>      <dbl> <chr>            
## 1 Afganistán  1999 745/19987071     
## 2 Afganistán  2000 2666/20595360    
## 3 Brasil      1999 37737/172006362  
## 4 Brasil      2000 80488/174504898  
## 5 China       1999 212258/1272915272
## 6 China       2000 213766/1280428583

En las versiones recientes de tidyr estas dos funciones tienen sucesoras con nombres más precisos: separate_wider_delim(), separate_wider_position() y separate_longer_delim(). Hacen lo mismo con más control y mejores mensajes de error. separate() y unite() siguen funcionando, y son las que usa el libro de R4DS en el que se basa el curso.

Ver vignettes: https://tidyr.tidyverse.org/articles/pivot.html

19.7 Valores faltantes implícitos y explícitos

Un valor puede faltar de dos maneras, y la diferencia importa.

  • Explícito: ahí está la fila, con un NA en la celda. Se ve.
  • Implícito: la fila sencillamente no existe. No se ve, y por eso es más peligroso.

Cambiar la forma de una tabla convierte una clase en la otra. Al pasar a ancho, las combinaciones que no existían aparecen como NA; al pasar a largo, esos NA se pueden volver a quitar.

mediciones <- tibble(
  parcela = c("P1", "P1", "P2"),
  anio    = c(2023, 2024, 2023),
  plantas = c(12, 15, 30)
)

mediciones
## # A tibble: 3 × 3
##   parcela  anio plantas
##   <chr>   <dbl>   <dbl>
## 1 P1       2023      12
## 2 P1       2024      15
## 3 P2       2023      30
mediciones |> 
  pivot_wider(names_from = anio, values_from = plantas)
## # A tibble: 2 × 3
##   parcela `2023` `2024`
##   <chr>    <dbl>  <dbl>
## 1 P1          12     15
## 2 P2          30     NA

La parcela P2 no tenía fila para 2024: era un faltante implícito. Al ensanchar la tabla se hizo explícito, y ahora se ve.

complete(parcela, anio) hace explícitos todos los faltantes sin cambiar la forma de la tabla, y es la manera de contestar la pregunta “¿me falta algún dato que debería estar?”. Es de las primeras cosas que conviene correr con datos de campo.

19.8 Ejercicios del libro R4DS

Hacer los ejercicios de las secciones 12.2.1, 12.3.3 y 12.4.3 del libro en español.

19.9 Ejercicios del capítulo

Sobre los ejercicios de este capítulo. Cada ejercicio se entrega con tres cosas: el script, el resultado (que el bloque corra) y una explicación en palabras. Los ejercicios usan paises y millas del paquete datos, y tablas que escribirás a mano, no las tabla1 a tabla4b del capítulo. La hoja completa para entregar está en Ejercicios/Ejercicios_Capitulo_19_datos-ordenados.Rmd.

19.9.1 Ejercicio 1. ¿Está ordenada?

Mira paises con glimpse(). Contesta, columna por columna, si cada una es una variable, y decide si la tabla está ordenada.

Verificación: paises tiene 1704 filas y 6 columnas.

En palabras: justifica tu respuesta con las tres reglas. ¿Cuál es la observación en esta tabla: un país, o un país en un año?

# Escribe tu código aquí

19.9.2 Ejercicio 2. De largo a ancho

Con paises, quédate solo con pais, anio y esperanza_de_vida, y ensancha la tabla con pivot_wider() para que cada año sea una columna.

Verificación: la tabla ancha debe tener 142 filas y 13 columnas (el país más los doce años).

En palabras: esta tabla ancha, ¿está ordenada? ¿Para qué sirve mejor que la original, y para qué sirve peor?

# Escribe tu código aquí

19.9.3 Ejercicio 3. Y de vuelta

Toma la tabla ancha del ejercicio anterior y devuélvela a la forma larga con pivot_longer(). Ocúpate de que anio vuelva a ser numérico.

Verificación: la tabla debe volver a tener 1704 filas, y anio debe ser numérico, no texto.

En palabras: si no conviertes anio, ¿qué pasa al ordenar con arrange()? Pruébalo y explica el resultado.

# Escribe tu código aquí

19.9.4 Ejercicio 4. Dos columnas que son una variable

En millas, ciudad y autopista son dos columnas, pero miden lo mismo en dos condiciones distintas. Pásalas a formato largo con names_to = "tipo_de_via" y values_to = "millas_por_galon".

Verificación: la tabla larga debe tener 468 filas y 11 columnas.

En palabras: con la tabla larga, haz un diagrama de caja del consumo por tipo_de_via. ¿Podrías haber hecho esa gráfica con la tabla original? Explica por qué no de una sola vez.

# Escribe tu código aquí

19.9.5 Ejercicio 5. Juntar y volver a partir

Con paises, usa unite() para crear una columna pais_anio que junte pais y anio con un guion bajo. Después usa separate() para deshacerlo.

Verificación: después de separate() sin convert = TRUE, anio es texto; con convert = TRUE, vuelve a ser numérico.

En palabras: ¿por qué separate() no puede adivinar el tipo por su cuenta? ¿Y qué pasaría si algún país tuviera un guion bajo en el nombre?

# Escribe tu código aquí

19.9.6 Ejercicio 6. El faltante que no se ve

Escribe a mano una tabla de cuatro parcelas medidas en tres años, pero quita tres combinaciones a propósito. Ensánchala con pivot_wider() y después usa complete() sobre la tabla original.

Verificación: la tabla ancha debe enseñar exactamente tres NA, y complete() debe llevar la tabla larga a 12 filas.

En palabras: las dos maneras enseñan los mismos tres huecos. ¿Cuál usarías en un análisis de datos de campo y por qué? ¿Qué habría pasado si nunca los hubieras hecho explícitos y hubieras calculado un promedio por parcela?

# Escribe tu código aquí

19.9.7 Ejercicio 7 (BONO). Desordenar a propósito

Convierte millas en una tabla del estilo de tabla4a: una fila por clase, una columna por anio, y en las celdas el promedio de autopista.

Verificación: 7 filas y 3 columnas, y los nombres de dos de las columnas son años.

En palabras: acabas de producir una tabla desordenada a propósito, y sin embargo es la que pondrías en un informe. Explica esa contradicción: ¿cuándo conviene una tabla ordenada y cuándo una ancha?

# Escribe tu código aquí