Lo primero que podemos hacer en RStudio es utilizarlo como calculadora, para esto simplemente debemos usar símbolo que corresponda.
10+10## [1] 2010-5## [1] 55*8## [1] 4025/5## [1] 5sqrt(144)## [1] 1212**2## [1] 144Un vector en R es la estructura de datos más básica, consistente en
una secuencia ordenada de elementos de un mismo tipo. Para crearlo
utilizamos la función c() que significa “concatenar” o
“combinar”. El vector debe tener un nombre conocido y no tan genérico
para que sea fácil de recordar, de escribir y no se confunda con otros
que puedas estar usando paralelamente. Además, debe estar acompañado del
signo <- que sirve para indicar todo lo que contendrá el
vector.
# Vector de caracteres
x <- c("a", "b", "c", "d")
x## [1] "a" "b" "c" "d"# Vector numérico
hola <- c(1, 2, 3, 4, 5)
hola## [1] 1 2 3 4 5Una de las caracteristicas más potentes de R es la
vectorizacion. Esto significa que cualquier operación
aritmética que apliquemos a un vector, se realizará automáticamente para
cada uno de los elementos que contiene, sin necesidad de hacerlo uno por
uno.
# Sumar o restar un valor constante a todos los elementos
hola + 1## [1] 2 3 4 5 6# Crear dos vectores nuevos
mi_vector_1 <- c(1, 2, 3)
mi_vector_2 <- c(4, 5, 6)
# Operar entre vectores (elemento por elemento)
mi_vector_1 + mi_vector_2## [1] 5 7 9# También podemos "pegar" o juntar varios vectores en uno solo
mi_vector_3 <- c(mi_vector_1, mi_vector_2)
mi_vector_3## [1] 1 2 3 4 5 6R permite generar listas de números ordenados utilizando el operador
:.
# Secuencia simple del 1 al 10
1:10## [1] 1 2 3 4 5 6 7 8 9 10# Secuencia en orden inverso
10:1## [1] 10 9 8 7 6 5 4 3 2 1# Vector con una secuencia del 1 al 10
secuencia <- c(1:10)Una matriz es una estructura de datos bidimensional (organizada en filas y columnas). A diferencia de los vectores, tienen dos dimensiones, pero mantienen la regla de que todos sus elementos deben ser del mismo tipo (generalmente números).
# Crear una matriz a partir de una secuencia de 1 al 12
# Podemos definir el número de filas (nrow) y columnas (ncol)
matrix(1:12, nrow=3, ncol=4)## [,1] [,2] [,3] [,4]
## [1,] 1 4 7 10
## [2,] 2 5 8 11
## [3,] 3 6 9 12# O cambiar la orientación a 4 filas y 3 columnas
matrix(1:12, nrow=4, ncol=3)## [,1] [,2] [,3]
## [1,] 1 5 9
## [2,] 2 6 10
## [3,] 3 7 11
## [4,] 4 8 12# También podemos realizar operaciones matemáticas directas sobre toda la matriz
mi_matriz <- matrix(1:9, nrow=3, ncol=3)
mi_matriz * 2## [,1] [,2] [,3]
## [1,] 2 8 14
## [2,] 4 10 16
## [3,] 6 12 18mi_matriz^3## [,1] [,2] [,3]
## [1,] 1 64 343
## [2,] 8 125 512
## [3,] 27 216 729El Data Frame esla estructura más importante en arqueología. A diferencia de la matriz, un Data Frame permite que cada columna tenga un tipo de dato diferente (por ejemplo: una columna con nombres de sitios, otra con tipos de cerámica, etc.). Es lo más parecido a una tabla de Excel.
# Crearemos un set de datos (dataset) con 3 columnas
mi_dataframe <- data.frame(
"secuencia" = 1:4,
"letra" = c("a", "b", "c", "d"),
"numero" = c(1.2, 3.4, 4.5, 5.6)
)
mi_dataframe## secuencia letra numero
## 1 1 a 1.2
## 2 2 b 3.4
## 3 3 c 4.5
## 4 4 d 5.6# Podemos consultar información básica del Data Frame
length(mi_dataframe) # Nos da el número de columnas## [1] 3names(mi_dataframe) # Nos da los nombres de las columnas## [1] "secuencia" "letra" "numero"En R, “coercionar” significa forzar un objeto de un tipo a otro. Es muy común, por ejemplo, convertir una matriz de números en un Data Frame para poder procesarlo con herramientas estadísticas más avanzadas.
# Creamos una matriz simple
matriz_ejemplo <- matrix(1:12, ncol=4)
# La transformamos a Data Frame
df_final <- as.data.frame(matriz_ejemplo)
df_final## V1 V2 V3 V4
## 1 1 4 7 10
## 2 2 5 8 11
## 3 3 6 9 12A continuación, pondremos en práctica los conceptos revisados. Crea un nuevo script en R y escribe el código necesario para resolver los siguientes ejercicios: