Capítulo21 Factores

Fecha de la última revisión

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

El tema proviene de los siguientes sitios. Aunque los ejemplos son distintos

English: https://r4ds.had.co.nz/factors.html

Español: https://es.r4ds.hadley.nz/15-factors.html

21.1 Temas

  • Qué es un factor y en qué se diferencia de una variable de texto
  • Crear factores: factor(), parse_factor(), fct_inorder()
  • Ver y cambiar los niveles: levels(), fct_relevel()
  • Reordenar para graficar: fct_reorder(), fct_infreq(), fct_rev()
  • Agrupar categorías: fct_recode(), fct_collapse(), fct_lump_n()
  • Las constantes que ya trae R: letters, month.name, pi

21.2 ¿Qué es un factor?

Un factor es una variable categórica con una lista de valores permitidos, que se llaman niveles, y con un orden entre ellos. Por dentro R guarda números enteros (1, 2, 3) y una tabla que dice qué texto corresponde a cada número.

La pregunta razonable es por qué molestarse, si el texto ya funciona. Hay dos razones, y las dos aparecen en este capítulo:

  1. El orden. El texto se ordena alfabéticamente, siempre. Con los meses del año eso significa que abril va antes que enero, lo cual es absurdo y sin embargo es lo que hace cualquier gráfica si la variable es texto.
  2. Los valores permitidos. Con un factor, R sabe cuáles categorías existen aunque en los datos no aparezca ninguna. Si en tu muestra no hubo ningún individuo de la categoría “juvenil”, con texto esa categoría desaparece de la tabla y de la gráfica; con factor sigue ahí, con un cero, que es la información correcta.

Regla práctica: deja el texto como texto mientras estés limpiando datos, y conviértelo en factor cuando llegues a graficar o a modelar. Convertir demasiado pronto es la causa de la mitad de los enredos con factores.

library(tidyverse)
library(datos)
library(forcats)

21.3 El problema, en cuatro meses

El ejemplo que sigue tiene cuatro meses y cuatro valores. Fíjate desde ahora en que month es texto (chr) y x es un número entero (int): esa diferencia va a decidir cómo sale la gráfica.

month <-c("December" ,"January", "March", "April")

month
## [1] "December" "January"  "March"    "April"
x=c(1:4)
str(month)
##  chr [1:4] "December" "January" "March" "April"
str(x)
##  int [1:4] 1 2 3 4
valores <- c(7, 3, 2, 10)

Unir las dos listas. Ojo con cbind(): junta las columnas, pero como una de ellas es texto, convierte todo a texto, incluidos los números. Es un caso clásico y una razón más para preferir tibble() o data.frame().

df=as.data.frame(cbind(month, valores, x))
df
##      month valores x
## 1 December       7 1
## 2  January       3 2
## 3    March       2 3
## 4    April      10 4

21.4 ¿Qué ocurrió en el gráfico?

library(tidyverse)

ggplot(df, aes(month, valores))+
  geom_point()

Los meses salieron en orden alfabético: April, December, January, March. No es un error de ggplot(), es lo único que puede hacer con una variable de texto: ordenarla como se ordenan las palabras. Para que salgan en el orden del calendario hay que decirle a R cuál es ese orden, y eso es exactamente lo que hace un factor.

Ordenar los meses correctamente, usando month.name.

Hay variables ya descrita en R, para facilitar el uso de constantes

  • LETTERS: Mayúscula
  • letters: minúscula
  • month.abb: abreviación de meses en Inglés
  • month.name: nombre de meses en Inglés
  • pi = el valor de pi

See this website for more details

https://datacornering.com/how-to-get-the-month-name-from-the-number-in-r/

LETTERS
##  [1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N" "O" "P" "Q" "R" "S"
## [20] "T" "U" "V" "W" "X" "Y" "Z"
letters
##  [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s"
## [20] "t" "u" "v" "w" "x" "y" "z"
month.abb
##  [1] "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "Dec"
month.name
##  [1] "January"   "February"  "March"     "April"     "May"       "June"     
##  [7] "July"      "August"    "September" "October"   "November"  "December"
pi
## [1] 3.141593

El bloque siguiente es la receta completa, y vale la pena leerlo en tres pasos. Primero la gráfica mal, en orden alfabético. Después una línea de verificación que casi nadie escribe y que evita muchos problemas: all(df$Months %in% month.name) comprueba que todos los meses estén bien escritos antes de convertirlos. Y por último factor(..., levels = month.name), que impone el orden correcto, y la gráfica buena.

df <- data.frame(Months=c("January", "February", "March", "April", "May", "June", "July", "August", "September", "October", "November","December"),
                Attacks=c(49, 70, 49, 44, 53, 35, 33, 36, 47, 40, 44, 32))


ggplot(df, aes(Months, Attacks))+
  geom_point()

### validar el supuesto que tengo información escrita correctamente para cada mes de año en el dataframe 
all(df$Months %in% month.name)
## [1] TRUE
### convert to a factor, order defined by `month.name`.  
df$Months <- factor(df$Months, levels=month.name)

ggplot(data=df, aes(x=Months, y=Attacks)) +
  geom_point()

21.4.1 factor() y parse_factor()

Con factor(x, levels = ...) asignamos los niveles en el orden de la lista que demos. Y aquí aparece la diferencia importante entre las dos funciones que crean factores.

factor() (base R) y parse_factor() (readr): crear un factor.

  • Las dos convierten un vector de texto en factor, con los niveles y el orden que les digas en levels.
  • La diferencia: si un valor de los datos no está en la lista de niveles, factor() lo convierte en NA en silencio, y parse_factor() produce una advertencia que lo nombra.
  • Cuál usar: parse_factor() mientras estés revisando datos, porque te enseña las erratas. factor() cuando ya sabes que los datos están limpios.

En el bloque de abajo, x1 trae un mes inventado, "Dii", que no está en la lista de niveles. Compara lo que hace cada función con él: las dos producen un NA, pero solo una te avisa.

x1= c("Dic", "Ene", "Mar", "Dii") # Nota que esta lista tengo un mes que se llama "Dii"

niveles_meses=c("Ene", "Mar", "Dic")

y1 <-factor(x1, levels = niveles_meses)
y1
## [1] Dic  Ene  Mar  <NA>
## Levels: Ene Mar Dic
y1 <- parse_factor(x1, levels = niveles_meses)
y1
## [1] Dic  Ene  Mar  <NA>
## attr(,"problems")
## # A tibble: 1 × 4
##     row   col expected           actual
##   <int> <int> <chr>              <chr> 
## 1     4    NA value in level set Dii   
## Levels: Ene Mar Dic

Ese NA silencioso de factor() es de los errores más caros del curso. Si en una columna de 5000 filas hay cincuenta escritas con una errata, factor() las convierte en cincuenta faltantes y el análisis sigue como si nada. Compruébalo siempre después de convertir: sum(is.na(mi_factor)).

Si quiere que los valores aparezcan en el orden que aparecen en la base de datos use unique(variable)

df_est=data.frame(Nombre_est=c("Monica", "Isabela", "Juan", "Robo", "Pepito"),
                  Nota_Final=c(99, 27, 89, 91, 27))

df_est
##   Nombre_est Nota_Final
## 1     Monica         99
## 2    Isabela         27
## 3       Juan         89
## 4       Robo         91
## 5     Pepito         27
ggplot(df_est, aes(Nombre_est, Nota_Final))+
  geom_point()

df_est$fct1=factor(df_est$Nombre_est, levels = unique(df_est$Nombre_est))

ggplot(df_est, aes(fct1, Nota_Final))+
  geom_point()

fct_inorder() del paquete forcats hace lo mismo que ese unique() pero directamente sobre el factor, y se lee mejor dentro de una cadena de pipes:

f2 <- x1 %>% factor() %>% fct_inorder()
f2
## [1] Dic Ene Mar Dii
## Levels: Dic Ene Mar Dii

levels() es la función que hay que correr siempre que un factor se porte raro: enseña la lista de niveles y, sobre todo, el orden en que están.

levels(f2)
## [1] "Dic" "Ene" "Mar" "Dii"

21.5 El paquete forcats

  • library(forcats)

forcats es el paquete del tidyverse dedicado a los factores (el nombre es un anagrama de factors). Todas sus funciones empiezan por fct_, reciben el factor como primer argumento y devuelven otro factor, así que encajan directamente dentro de mutate() y de aes().

Los factores vienen del lenguaje S y en su momento fueron una buena idea por una razón que hoy suena rara: guardar enteros en vez de texto ahorraba memoria, que en los años ochenta era escasa. Durante décadas R convirtió automáticamente todo el texto en factores al leer un archivo, lo que causó incontables dolores de cabeza. En 2020, con R 4.0.0, ese comportamiento por fin cambió: stringsAsFactors = FALSE pasó a ser el valor por defecto. forcats, de Hadley Wickham (2016), había resuelto antes la otra mitad del problema: cómo manipular los niveles sin pelear.

factor() y las funciones fct_* (forcats): manejar variables categóricas.

  • factor(x, levels = ...): define una variable categórica y el orden de sus niveles.
  • fct_reorder(f, y): reordena los niveles según otra variable (ideal para gráficos).
  • Otras: fct_infreq() (por frecuencia), fct_rev() (invertir), fct_relevel() (mover niveles a mano).
  • sort()
  • factor()
  • parse_factor()
  • unique()
  • fact_inorder()
  • levels()

21.5.1 Datos: Encuesta Social General

encuesta es una muestra de la General Social Survey de Estados Unidos, y es el conjunto que usa R4DS para este tema. Tiene varias columnas categóricas con muchos niveles (religion, estado_civil, ingreso, partido), que es exactamente el terreno donde los factores hacen falta.

  • count()
library(datos)
encuesta
## # A tibble: 21,483 × 9
##     anio estado_civil  edad raza  ingreso partido religion denominacion horas_tv
##    <int> <fct>        <int> <fct> <fct>   <fct>   <fct>    <fct>           <int>
##  1  2000 Nunca se ha…    26 Blan… 8000 -… Ind, p… Protest… Bautistas d…       12
##  2  2000 Divorciado      48 Blan… 8000 -… No fue… Protest… Bautista, n…       NA
##  3  2000 Viudo           67 Blan… No apl… Indepe… Protest… No denomina…        2
##  4  2000 Nunca se ha…    39 Blan… No apl… Ind, p… Cristia… No aplica           4
##  5  2000 Divorciado      25 Blan… No apl… No fue… Ninguna  No aplica           1
##  6  2000 Casado          25 Blan… 20000 … Fuerte… Protest… Bautistas d…       NA
##  7  2000 Nunca se ha…    36 Blan… 25000 … No fue… Cristia… No aplica           3
##  8  2000 Divorciado      44 Blan… 7000 -… Ind, p… Protest… Sínodo lute…       NA
##  9  2000 Casado          44 Blan… 25000 … No fue… Protest… Otra                0
## 10  2000 Casado          47 Blan… 25000 … Fuerte… Protest… Bautistas d…        3
## # ℹ 21,473 more rows

Contabilizar la cantidad de personas por “estado civil”

df=encuesta %>% 
   count(estado_civil)
df
## # A tibble: 6 × 2
##   estado_civil           n
##   <fct>              <int>
## 1 Sin respuesta         17
## 2 Nunca se ha casado  5416
## 3 Separado             743
## 4 Divorciado          3383
## 5 Viudo               1807
## 6 Casado             10117
unique(df$estado_civil)
## [1] Sin respuesta      Nunca se ha casado Separado           Divorciado        
## [5] Viudo              Casado            
## 6 Levels: Sin respuesta Nunca se ha casado Separado Divorciado ... Casado
df$estado_est_civil <-factor(df$estado_civil, levels = df$estado_civil)

df$niveles_est_civil <- fct_reorder(df$estado_civil, df$n )

df
## # A tibble: 6 × 4
##   estado_civil           n estado_est_civil   niveles_est_civil 
##   <fct>              <int> <fct>              <fct>             
## 1 Sin respuesta         17 Sin respuesta      Sin respuesta     
## 2 Nunca se ha casado  5416 Nunca se ha casado Nunca se ha casado
## 3 Separado             743 Separado           Separado          
## 4 Divorciado          3383 Divorciado         Divorciado        
## 5 Viudo               1807 Viudo              Viudo             
## 6 Casado             10117 Casado             Casado
ggplot(df, 
       aes(estado_civil,n )) +
       geom_col()

21.5.2 Una figura pequeña a la derecha, con el texto alrededor

El bloque de arriba enseña dos cosas a la vez. La primera es la de siempre: fct_reorder(estado_civil, n) ordena las barras por su tamaño, y la gráfica pasa de ser una lista alfabética a contar algo. La segunda es de presentación: con las opciones out.width y out.extra del bloque, la figura sale a la mitad de ancho y flotando a la derecha, de manera que el texto la rodea en vez de quedarse debajo. Es un recurso útil cuando la gráfica es un apoyo del argumento y no el argumento entero.

Fíjate en el detalle de que fct_reorder() va dentro de mutate(), antes del ggplot(). También se puede escribir directamente dentro de aes(), y en los bloques siguientes se hace así; las dos maneras funcionan y conviene reconocer las dos.


21.6 Haga un re-order por la cantidad de personas por religión

df2=encuesta %>% 
   count(religion)

df2 %>%
  mutate(religion = fct_reorder(religion, n)) %>%
  ggplot(aes(x = religion, y = n)) + 
  geom_col()+
  theme(axis.text.x = element_text(angle = 45, vjust = 0.5, hjust=1))

21.7 Modificar el orden de los factores

Usa fct_reorder() para ordenar los niveles de un factor según otra variable (por ejemplo la frecuencia o la media). Los gráficos quedan mucho más fáciles de leer que con el orden alfabético por defecto.

  • fct_reorder()
  • !is.na( ) remover los “NA”
  • fct_infreq()
  • fct_rev()
  • fct_recode()
  • fct_collapse()
  • fct_lump()

Conviene separarlas en dos grupos, porque hacen cosas distintas:

Reordenar los niveles (no cambian los datos, solo el orden en que se enseñan).

  • fct_reorder(f, y): ordena los niveles de f según la mediana de y. Es la que más se usa: convierte una gráfica de barras alfabética en una gráfica que se lee sola.
  • fct_reorder2(f, x, y): para gráficas de líneas, ordena la leyenda según el valor de y en el x más grande, es decir, según el orden en que las líneas terminan.
  • fct_infreq(f): ordena por frecuencia, de la categoría más común a la menos común.
  • fct_rev(f): invierte el orden actual.
  • fct_relevel(f, "algo"): mueve a mano uno o varios niveles al principio.

Agrupar o renombrar niveles (estos sí cambian los datos).

  • fct_recode(f, nuevo = "viejo"): cambia el nombre de un nivel. Si varios niveles reciben el mismo nombre nuevo, quedan fundidos en uno.
  • fct_collapse(f, grupo = c("a", "b", "c")): junta varios niveles en uno, y es más cómodo que fct_recode() cuando son muchos.
  • fct_lump_n(f, n = 5): conserva los n niveles más frecuentes y mete todo lo demás en una categoría “otros”. Útil cuando una variable tiene cuarenta categorías y treinta y cinco tienen dos observaciones cada una.

fct_recode(), fct_collapse() y fct_lump_n() cambian los datos, no solo su presentación. Agrupar categorías es una decisión de análisis, no de estética: di siempre en el texto del informe cuáles categorías juntaste y por qué.

Un ejemplo de las tres últimas, con la religión de la encuesta:

encuesta |> 
  mutate(religion_corta = fct_lump_n(religion, n = 5, other_level = "Otras")) |> 
  count(religion_corta, sort = TRUE)
## # A tibble: 6 × 2
##   religion_corta     n
##   <fct>          <int>
## 1 Protestante    10846
## 2 Católica        5124
## 3 Ninguna         3523
## 4 Otras            913
## 5 Cristiana        689
## 6 Judía            388

Y fct_recode(), que cambia el nombre de un nivel. Aquí le cambiamos el nombre al nivel "Otras" que acabamos de crear nosotros mismos:

encuesta |> 
  mutate(
    religion_corta = fct_lump_n(religion, n = 5, other_level = "Otras"),
    religion_corta = fct_recode(religion_corta, "Otras religiones" = "Otras")
  ) |> 
  count(religion_corta, sort = TRUE)
## # A tibble: 6 × 2
##   religion_corta       n
##   <fct>            <int>
## 1 Protestante      10846
## 2 Católica          5124
## 3 Ninguna           3523
## 4 Otras religiones   913
## 5 Cristiana          689
## 6 Judía              388

En fct_recode(), el nombre nuevo va a la izquierda del igual y el viejo a la derecha, que es al revés de lo que casi todo el mundo escribe la primera vez. Y si el nivel viejo no existe, no da error: da una advertencia (Unknown levels in f) y devuelve el factor sin tocar. Con warning=FALSE en las opciones del bloque, esa advertencia no se ve y uno se queda creyendo que renombró algo. Comprueba siempre con levels() después de renombrar.

Y fct_infreq() con fct_rev(), que juntas son la receta habitual para una gráfica de barras horizontales bien ordenada:

encuesta |> 
  mutate(estado_civil = fct_rev(fct_infreq(estado_civil))) |> 
  ggplot(aes(y = estado_civil)) +
  geom_bar()

#model=lm(y~x, df)
#summary(model)


resumen_religion <- encuesta %>%
  group_by(religion) %>%
  summarise(
    edad = mean(edad, na.rm = TRUE),
    horas_tv = mean(horas_tv, na.rm = TRUE),
    sd_edad = sd(edad, na.rm = TRUE),
    n = n()
  )
resumen_religion
## # A tibble: 15 × 5
##    religion                edad horas_tv sd_edad     n
##    <fct>                  <dbl>    <dbl>   <dbl> <int>
##  1 Sin respuesta           49.5     2.72      NA    93
##  2 No sabe                 35.9     4.62      NA    15
##  3 Inter o no confesional  40.0     2.87      NA   109
##  4 Nativa americana        38.9     3.46      NA    23
##  5 Cristiana               40.1     2.79      NA   689
##  6 Cristiana ortodoxa      50.4     2.42      NA    95
##  7 Musulmana/Islam         37.6     2.44      NA   104
##  8 Otra religión oriental  45.9     1.67      NA    32
##  9 Hinduismo               37.7     1.89      NA    71
## 10 Budismo                 44.7     2.38      NA   147
## 11 Otra                    41.0     2.73      NA   224
## 12 Ninguna                 41.2     2.71      NA  3523
## 13 Judía                   52.4     2.52      NA   388
## 14 Católica                46.9     2.96      NA  5124
## 15 Protestante             49.9     3.15      NA 10846
ggplot(resumen_religion, aes(edad, religion)) + 
   geom_point()

min(encuesta$horas_tv, na.rm = TRUE)
## [1] 0

Esta primera gráfica está en orden alfabético inverso, que es el que traía el factor, y por eso los puntos parecen repartidos al azar. Compárala con la siguiente.

21.7.1 Nota el efecto de añadir un “-” antes de edad

fct_reorder(religion, edad) ordena de menor a mayor; con el signo menos delante, fct_reorder(religion, -edad), el orden se invierte. Es el truco más corto para darle la vuelta a una gráfica, y funciona solo con variables numéricas. Para cualquier otro caso está fct_rev().

ggplot(resumen_religion, aes(edad, fct_reorder(religion, -edad))) +
  geom_point()

resumen_religion %>%
  mutate(religion = fct_reorder(religion, horas_tv)) %>%
  ggplot(aes(horas_tv, religion)) +
  geom_point()

21.7.2 fct_reorder() y fct_reorder2()

fct_reorder() sirve cuando el factor va en una posición, es decir, en uno de los dos ejes: es el caso de todas las gráficas de barras y de puntos de este capítulo.

fct_reorder2() sirve cuando el factor va en un aspecto que no es posición, típicamente el color de una gráfica de líneas. Ordena la leyenda según el valor de y en el x más grande, o sea, según el orden en que las líneas terminan a la derecha. El resultado es que la leyenda y las líneas coinciden de arriba abajo, y el lector deja de tener que ir y venir entre las dos.

resumen_ingreso <- encuesta %>%
  group_by(ingreso) %>%
  summarise(
    edad = mean(edad, na.rm = TRUE),
    horas_tv = mean(horas_tv, na.rm = TRUE),
    n = n()
  )

resumen_ingreso
## # A tibble: 16 × 4
##    ingreso               edad horas_tv     n
##    <fct>                <dbl>    <dbl> <int>
##  1 Sin respuesta         45.5     2.90   183
##  2 No sabe               45.6     3.41   267
##  3 Se niega a responder  47.6     2.48   975
##  4 25000 o más           44.2     2.23  7363
##  5 20000 - 24999         41.5     2.78  1283
##  6 15000 - 19999         40.0     2.91  1048
##  7 10000 - 14999         41.1     3.02  1168
##  8 8000 - 9999           41.1     3.15   340
##  9 7000 - 7999           38.2     2.65   188
## 10 6000 - 6999           40.3     3.17   215
## 11 5000 - 5999           37.8     3.16   227
## 12 4000 - 4999           38.9     3.15   226
## 13 3000 - 3999           37.8     3.31   276
## 14 1000 - 2999           34.5     3.00   395
## 15 Menos de 1000         40.5     3.36   286
## 16 No aplica             56.1     3.79  7043
ggplot(resumen_ingreso, aes(horas_tv, fct_reorder(ingreso, horas_tv))) +
  geom_point()

21.7.3 Reordenar a mano: fct_relevel()

A veces el orden que uno quiere no sale de ningún cálculo. Un caso muy común: mover al final las categorías que no son categorías de verdad, como “No aplica”, “No sé” o “Sin respuesta”, para que no estorben en el medio de la gráfica.

fct_relevel() es una generalización de stats::relevel() que permite mover cualquier número de niveles a cualquier posición.

ggplot(resumen_ingreso, aes(edad, fct_relevel(ingreso, "No aplica"))) +
  geom_point()

21.8 Ejercicios del libro R4DS

Hacer los ejercicios de las secciones 15.3.1 y 15.5.1 del libro en español.

21.9 Ejercicios del capítulo

Sobre los ejercicios de este capítulo. Cada ejercicio se entrega con tres cosas: el script, el resultado (que la tabla o la gráfica se vean) y una explicación en palabras. Los ejercicios usan millas del paquete datos, no encuesta, que es el conjunto con el que se enseña aquí. La hoja completa para entregar está en Ejercicios/Ejercicios_Capitulo_21_factores.Rmd.

21.9.1 Ejercicio 1. Texto contra factor

Datos: millas. Comprueba con class() que clase es texto. Haz una gráfica de barras. Después conviértela en factor con un orden que tenga sentido para ti (por ejemplo del vehículo más pequeño al más grande) y repite la gráfica.

Verificación: levels() debe devolver 7 niveles en el orden que tú escogiste, y la gráfica debe seguir ese orden.

En palabras: ¿en qué orden salían las barras antes? ¿Por qué ese orden no lo escogió nadie?

# Escribe tu código aquí

21.9.2 Ejercicio 2. fct_reorder() para que la gráfica hable

Datos: millas. Haz un diagrama de puntos del consumo mediano en autopista para cada clase, primero sin ordenar y después con fct_reorder(clase, autopista).

Verificación: en la versión ordenada, pickup debe quedar en un extremo y compact o subcompact en el otro.

En palabras: las dos gráficas tienen exactamente los mismos datos. ¿Qué se ve en la segunda que no se veía en la primera? ¿Por qué el orden alfabético es casi siempre el peor de los órdenes posibles?

# Escribe tu código aquí

21.9.3 Ejercicio 3. Ordenar por frecuencia

Datos: millas, variable fabricante. Haz una gráfica de barras horizontales usando fct_infreq() y fct_rev().

Verificación: la barra más larga tiene que quedar arriba del todo.

En palabras: prueba a quitar fct_rev() y mira qué pasa. Explica por qué en barras horizontales hace falta y en barras verticales no.

# Escribe tu código aquí

21.9.4 Ejercicio 4. Cuando hay demasiadas categorías

Datos: millas. Averigua cuántos fabricantes distintos hay. Después usa fct_lump_n() para quedarte con los 5 más frecuentes y meter el resto en una categoría llamada "Otros".

Verificación: el factor nuevo debe tener exactamente 6 niveles, y la suma de los conteos debe seguir dando 234.

En palabras: ¿cuántos vehículos acabaron en "Otros"? Esta función cambia los datos, no solo la gráfica. ¿En qué situación sería deshonesto usarla sin decirlo?

# Escribe tu código aquí

21.9.5 Ejercicio 5. Agrupar a mano

Datos: millas. Con fct_collapse(), agrupa las siete clases en dos categorías que tengan sentido para ti (por ejemplo vehículos grandes y vehículos pequeños). Después compara el consumo en autopista entre los dos grupos.

Verificación: el factor nuevo tiene 2 niveles y la suma de los conteos sigue dando 234.

En palabras: justifica tu agrupación. ¿Qué información se perdió al pasar de siete categorías a dos? ¿Habrías llegado a la misma conclusión con las siete?

# Escribe tu código aquí

21.9.6 Ejercicio 6. El nivel que sigue ahí aunque no haya datos

Convierte clase en factor. Filtra fuera todos los 2seater. Después mira levels(), count(clase) y count(clase, .drop = FALSE).

Verificación: levels() sigue devolviendo 7 niveles, count() devuelve 6 filas, y count(clase, .drop = FALSE) devuelve 7, la última con un cero. Con fct_drop(), levels() baja a 6.

En palabras: las tres respuestas son distintas y las tres son correctas. Explica cuándo querrías ver el cero y cuándo no. Piensa en una especie que buscaste en el campo y no encontraste.

# Escribe tu código aquí

21.9.7 Ejercicio 7 (BONO). La errata que se convierte en NA

Haz una copia de millas y cámbiale a mano la clase de tres vehículos a "compacto" (en español, que no es un nivel válido). Conviértela en factor de dos maneras: con factor(..., levels = ...) usando las siete clases correctas, y con parse_factor().

Verificación: las dos producen exactamente 3 NA, pero solo una de ellas te avisa.

En palabras: copia la advertencia de parse_factor(). Si esto pasara en una columna de 5000 filas de datos de campo, ¿cuál de las dos funciones querrías haber usado, y qué línea correrías después para estar seguro?

# Escribe tu código aquí