Capítulo20 Factores

Fecha de la ultima revisión

## [1] "2024-11-07"

---

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

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

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

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

---

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

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

20.1 ¿Qué ocurrio en el gráfico?

library(tidyverse)

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

Order months in correct order

use month.name

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

• LETTERS: Mayuscula
• letters: minuscula
• month.abb: abreviación de meses en Ingles
• month.name: nombre de meses en Ingles
• 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

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()

20.1.1 Usando la funciones factor y levels, estamos asignando los factores a un nivel específico en el orden de la lista

20.1.2 parse_factor() is similar a factor(), but generates a warning if levels have been specified and some elements of x are not found in those levels.

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

Si quiere que los valores aparezca 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()

f2 <- x1 %>% factor() %>% fct_inorder()
f2

## [1] Dic Ene Mar Dii
## Levels: Dic Ene Mar Dii

levels(f2)

## [1] "Dic" "Ene" "Mar" "Dii"

20.2 Temas:

• library(forcats)

• sort()

• factor()

• parse_factor()

• unique()

• fact_inorder()

• levels()

20.2.1 Datos : Encuesta Social General

• count()

1. Ejercicios:

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 persona 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

knitr

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()

20.3 A smaller figure to the right, with floating text

LOTS of text here to wrap around the figure. dfghjlkjhgdgxchvbvcxcvbnnbvvbvbbvcvxcv. fgffhgcvbcvbhbvvbvcvbnv bcbnbbnmmbnmnb vbcbnbvvnbbb vbb v b b cgjhkggbcv

20.4 Haga un re-order por la cantidad de personas por religion

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))

Hacer los ejercicios en la sección 15.3.1 del libro en español

---

20.5 Modificar el orden de los factores

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

#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 =  min(horas_tv, 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    2.72    93
##  2 No sabe                 35.9     4.62    4.62    15
##  3 Inter o no confesional  40.0     2.87    2.87   109
##  4 Nativa americana        38.9     3.46    3.46    23
##  5 Cristiana               40.1     2.79    2.79   689
##  6 Cristiana ortodoxa      50.4     2.42    2.42    95
##  7 Musulmana/Islam         37.6     2.44    2.44   104
##  8 Otra religión oriental  45.9     1.67    1.67    32
##  9 Hinduismo               37.7     1.89    1.89    71
## 10 Budismo                 44.7     2.38    2.38   147
## 11 Otra                    41.0     2.73    2.73   224
## 12 Ninguna                 41.2     2.71    2.71  3523
## 13 Judía                   52.4     2.52    2.52   388
## 14 Católica                46.9     2.96    2.96  5124
## 15 Protestante             49.9     3.15    3.15 10846

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

min(encuesta$horas_tv, na.rm = TRUE)

## [1] 0

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

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()

Reorder factor levels by sorting along another variable Description fct_reorder() is useful for 1d displays where the factor is mapped to position; fct_reorder2() for 2d displays where the factor is mapped to a non-position aesthetic. last2() and first2() are helpers for fct_reorder2(); last2() finds the last value of y when sorted by x; first2() finds the first value.

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()

Reorder factor levels by hand Description This is a generalisation of stats::relevel() that allows you to move any number of levels to any location.

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

2. Ejercicios:

Hacer los ejercicios en la sección 15.5.1 del libro en español

---