Introducción al lenguaje de programación R y su aplicación en análisis estadísticos (2023)

Datos ordenado (tydiverse)

Objetivos del día

• Seguir aprendiendo a trabajar con una planilla de datos sin modificarla de raíz (Tidy data).

• Seguir explorando la lógica básica de algunas funciones fundamentales de R (para manipular y administrar datos) y crear código legibles.

“Las familias felices son todas iguales, cada familia infeliz lo es a su manera”

— León Tolstoi

“Los conjuntos de datos ordenados son todos iguales, pero cada conjunto de datos desordenado es desordenado a su manera”

— Hadley Wickham

Libros de Hadley: Wickham

Poner datos en formato tidy requiere un poco de trabajo previo… pero, una vez que tenga los datos ordenados

pasaran mucho menos tiempo acomodando datos de una estructura a otra, lo que les permitirá dedicar más tiempo a las cuestiones analíticas que tenga entre manos.

Los paquetes que forman parte del tidyverso son:

readr (Importar datos y otras cosas)
dplyr (Arreglar)
tidyr (Ordenar)
magittr (%>%, programar)
ggplot2 (Gráficar)
purrr (Loops)
forcats (Para variables categóricas)
stringr (Para carácteres, palabras)

Tidyverse

Tidyverse es una colección de paquetes de R diseñados para la ciencia de datos. Todos los paquetes comparten una filosofía subyacente y APIs (Application Programming Interfaces) comunes (piezas de código que permite a diferentes aplicaciones comunicarse entre sí y compartir información y funcionalidades) http://tidyverse.org.

Tidy data (datos limpios)

Ordenar la información de un conjunto de datos y se rige por tres críterios:

• Cada observación está en una fila.

• Cada variable está en una columna.

• Cada valor tiene su propia celda.

Paquetes

# install.packages("tidyverse")
library(tidyverse)

• readr(read_csv())

• magrittr (%>%)

• dplyr(filter, select, arrange, mutate, summarise, etc.)

• tidyr(pivot, join, gether, merge, etc.)

• ggplot2(geom_point, geom_bar, geom_col, etc. )

Podemos importar datos por diferentes vias y hasta cambia según sistema operativo.

setwd("") : Fija el directorio de trabajo.

getwd("") : Mirar en que directorio estoy trabajando.

setwd ("/run/media/kechu/Kechu/R_imagenes/")

read _csv() y read _csv2() : para archivos csv.

read _tsv() : separados por tabulaciones.

read _fwf() : ni idea.

read _log() : archivos web.

Vamos a utilizar datos del paquetes FishData: adult_metrics

datos<- adult_metrics

head() : Muestra las primas 5 filas de los datos (es útil para recordar nombres de variables).

head(datos)

str() : Nos índica que estructura tienen los datos (que variables es continúa, discreta, factor, etc.).

str(datos)
#> 'data.frame':    48 obs. of  6 variables:
#>  $ fish_code      : chr  "H.1" "H.2" "H.3" "H.4" ...
#>  $ standard_length: num  5.63 5.84 5.88 5.33 6.87 ...
#>  $ body_depth     : num  0.817 0.768 0.824 0.543 0.827 ...
#>  $ age            : int  274 317 298 305 291 296 288 370 309 358 ...
#>  $ birthdate      : Date, format: "2015-06-25" "2015-05-26" ...
#>  $ growth_rate    : num  1.69 1.93 1.8 1.83 2.08 ...

glimpse() : Es como una versión transpuesta de print().

glimpse(datos)
#> Rows: 48
#> Columns: 6
#> $ fish_code       <chr> "H.1", "H.2", "H.3", "H.4", "H.7", "H.9", "H.10", "H.…
#> $ standard_length <dbl> 5.631, 5.838, 5.876, 5.330, 6.873, 4.752, 5.183, 6.59…
#> $ body_depth      <dbl> 0.817, 0.768, 0.824, 0.543, 0.827, 0.559, 0.572, 0.62…
#> $ age             <int> 274, 317, 298, 305, 291, 296, 288, 370, 309, 358, 346…
#> $ birthdate       <date> 2015-06-25, 2015-05-26, 2015-06-14, 2015-06-07, 2015…
#> $ growth_rate     <dbl> 1.6938, 1.9324, 1.7972, 1.8331, 2.0771, 1.7332, 2.131…

Ahora le agregamos unas filas como factor para poder aplicar ejercicios… (edad_g, type_g)

datos15 <-datos %>% 
  mutate(edad_g = ifelse(age > 300, "viejo", "joven"))

datos16 <-datos15 %>% 
  mutate(type_g = ifelse(datos$growth_rate > 2, "High", 
       ifelse(datos$growth_rate > 1.9, "Medium","Low")))

glimpse(datos15)
#> Rows: 48
#> Columns: 7
#> $ fish_code       <chr> "H.1", "H.2", "H.3", "H.4", "H.7", "H.9", "H.10", "H.…
#> $ standard_length <dbl> 5.631, 5.838, 5.876, 5.330, 6.873, 4.752, 5.183, 6.59…
#> $ body_depth      <dbl> 0.817, 0.768, 0.824, 0.543, 0.827, 0.559, 0.572, 0.62…
#> $ age             <int> 274, 317, 298, 305, 291, 296, 288, 370, 309, 358, 346…
#> $ birthdate       <date> 2015-06-25, 2015-05-26, 2015-06-14, 2015-06-07, 2015…
#> $ growth_rate     <dbl> 1.6938, 1.9324, 1.7972, 1.8331, 2.0771, 1.7332, 2.131…
#> $ edad_g          <chr> "joven", "viejo", "joven", "viejo", "joven", "joven",…

glimpse(datos16)
#> Rows: 48
#> Columns: 8
#> $ fish_code       <chr> "H.1", "H.2", "H.3", "H.4", "H.7", "H.9", "H.10", "H.…
#> $ standard_length <dbl> 5.631, 5.838, 5.876, 5.330, 6.873, 4.752, 5.183, 6.59…
#> $ body_depth      <dbl> 0.817, 0.768, 0.824, 0.543, 0.827, 0.559, 0.572, 0.62…
#> $ age             <int> 274, 317, 298, 305, 291, 296, 288, 370, 309, 358, 346…
#> $ birthdate       <date> 2015-06-25, 2015-05-26, 2015-06-14, 2015-06-07, 2015…
#> $ growth_rate     <dbl> 1.6938, 1.9324, 1.7972, 1.8331, 2.0771, 1.7332, 2.131…
#> $ edad_g          <chr> "joven", "viejo", "joven", "viejo", "joven", "joven",…
#> $ type_g          <chr> "Low", "Medium", "Low", "Low", "High", "Low", "High",…

Para evitar declaraciones anidadas (%>%)

¿Por qué pipe?

Pipe

# Aninado
mean(sqrt(datos$growth_rate))
#> [1] 1.336632

# Pipe lineal
datos$growth_rate%>%sqrt%>%mean
#> [1] 1.336632

# Pipe ordenado
datos$growth_rate%>%
sqrt%>%
mean
#> [1] 1.336632

Vamos a correr un ejemplo

Vamos a calcular el logaritmo de la variable growth_rate y que nos devuelva las diferencias convenientemente retardadas e iteradas y sumando además una función exponencial y vamos a expresar el resultado redondeado a un decímal…

round(exp(diff(log(datos$growth_rate))), 1)
#>  [1] 1.1 0.9 1.0 1.1 0.8 1.2 0.8 1.2 0.8 1.0 1.1 1.1 0.9 1.3 0.7 0.9 1.2 1.0
#> [19] 0.9 1.0 0.9 1.2 0.8 1.0 1.0 1.1 0.9 1.0 1.3 0.9 0.9 1.1 1.1 0.9 0.9 1.0
#> [37] 0.9 1.2 0.9 1.1 0.8 0.9 1.1 1.3 0.9 0.7 1.2

resultado <-datos$growth_rate %>%
  log() %>%          # Calcula el logaritmo natural de    
  diff() %>%         # Calcula la diferencia entre elementos consecutivos       
  exp() %>%          # Calcula el exponencial de la diferencia
  round(1)           # Redondea el resultado a 1 decimal
resultado
#>  [1] 1.1 0.9 1.0 1.1 0.8 1.2 0.8 1.2 0.8 1.0 1.1 1.1 0.9 1.3 0.7 0.9 1.2 1.0
#> [19] 0.9 1.0 0.9 1.2 0.8 1.0 1.0 1.1 0.9 1.0 1.3 0.9 0.9 1.1 1.1 0.9 0.9 1.0
#> [37] 0.9 1.2 0.9 1.1 0.8 0.9 1.1 1.3 0.9 0.7 1.2

Vamos a correr un ejemplo dónde se ve la eficacia de pipe bajo ciertas circunstancias (comandos complejos)

ptm <- Sys.time()
#split the data on the number of cylinders
big.l<-split(tmp.data,tmp.data$group)

#apply some function of interest to all columns
results<-lapply(big.l, function(x) apply(x,2,median))

#bind results and add splitting info
results<-data.frame(group=names(results),do.call("rbind",results))

#elapsed time
(bd<-Sys.time()-ptm )
#> Time difference of 0.3981311 secs

Modo anidado

==Time difference of 0.4395719 secs==

ptm <- Sys.time()
results <- tmp.data %>%
  group_by(group) %>%
  summarise(across(everything(), median))
#elapsed time
(ad<-Sys.time()-ptm )
#> Time difference of 0.3147013 secs

Modo pipe

==Time difference of 0.0.3366137 secs==

Si la ejecuto dos veces por día ahorro 0.25 segundos de mi vida! A 20 funciones por día en 365 días del año, nos ahorra 15 minutos por año.

Seleccionando variables select

da <-datos %>% select(fish_code, age, growth_rate)
da %>% head(3)

# Hacer una selección negativa
dat <- datos%>%
  select(!(age))
dat %>% head(3)

# Otra opción
dat2 <- datos%>%
  select(-age)
dat2 %>% head(3) 

Filtrando variables filter

# Seleccionar un nivel de una variable específica
dat <- datos16 %>%
  filter(fish_code == "H.1")
dat%>% head(3)

# Seleccionar un nivel de dos variables específicas
dat1 <- datos16 %>%
  filter(edad_g == "joven" & type_g== "Low")
dat1 %>% head(3)

# Seleccionar un nivel de dos variables específicas
dat1 <- datos16 %>%
  filter(edad_g == "joven" | type_g== "Low")
dat1 %>% head(3)

# Umbral para variable continua
dat2 <- datos16 %>% 
  filter (growth_rate> 2)
dat2 %>% head(3)

dat2 <- datos16 %>% 
  filter (growth_rate==0)
dat2 %>% head(3)

dat3 <- datos16 %>% 
  filter (!growth_rate==0)
dat3 %>% head(3)

Acá hay un link con muchos ejemplos: filter

Conclusión:

• Legibilidad del código es superior, los pipes permiten encadenar las operaciones de manera más fluida y fácil de entender.

• El uso de pipes reduce la necesidad de crear variables intermedias, lo que puede simplificar el código y hacerlo más eficiente.

• El código natural de R (sin el pipe natural) puede requerir la creación de variables adicionales para almacenar los resultados intermedios de cada operación.

Ejercicios fase I y II

Mamíferos marinos

Supongamos que tenemos un conjunto de datos llamado “m_m” que contiene información sobre diferentes especies de mamíferos marinos. Queremos realizar las siguientes tareas utilizando tanto el comando pipe (%>%) como códigos anidados de R:

Utilizando pipes y manera base de R:

a. Selecciona las columnas “Especie”, “Longitud”, “Peso” y “Familia”, utilizando modo anidado y pipe.

b. Filtra sólo los mamíferos de la familia “Phocidae”, utilizando modo anidado y pipe.

c. Completa todo en un sólo código, sólo con pipe.

m_m <- data.frame(
  Especie = c("Foca-freddy", "Delfín-flipper", "Ballena-migaloo", "León marino-aslan", "Orca-willy"),
  Familia = c("Phocidae", "Delphinidae", "Balaenopteridae", "Otariidae", "Delphinidae"),
  Longitud = c(2.5, 3.2, 18.7, 2.1, 9.5),
  Peso = c(150, 200, 2500, 180, 400),
  Habitat = c("Ártico", "Océano Atlántico", "Océano Pacífico", "Mar Mediterráneo", "Océano Atlántico")
)

# Mostrar los datos generados
head(m_m)

-Especie: Nombre de individuos famosos.

-Familia: Relacionada a la especie.

-Longitud: Longitud del animal en “metros”.

-Peso: Peso del animal en “kg”.

-Habitat: Zona donde habita.

Cambiar el nombre y agregar y/o hacer operaciones de variables mutate

mutate( .data, …, .by = NULL, .keep = c(“all”, “used”, “unused”, “none”), .before = NULL, .after = NULL )

.by

Opcionalmente, una selección de columnas por las que agrupar sólo para esta operación, funcionando como alternativa a group_by().

.keep Controla qué columnas de los datos se mantienen en la salida.

“all” conserva todas las columnas de los datos y es el valor por defecto.

“used” conserva sólo las columnas utilizadas en … para crear nuevas columnas. Esto es útil para comprobar su trabajo, ya que muestra las entradas y salidas una al lado de la otra.

“unused” conserva sólo las columnas no utilizadas.

“none” Sólo se conservan las variables de agrupación y las columnas creadas.

.before, .after

Opcionalmente, se puede controlar dónde deben aparecer las nuevas columnas (por defecto se añaden a la derecha). Véase relocate() para más detalles.

Funciones útiles de mutate

+, -, log(), etc.

lead(), lag()

dense_rank(), min_rank(), percent_rank(), row_number(), cume_dist(), ntile()

cumsum(), cummean(), cummin(), cummax(), cumany(), cumall()

na_if(), coalesce()

if_else(), recode(), case_when()

# Agregar una variable nueva
tt<-datos %>% 
  mutate(edad_g = if_else(age > 300, 
                                  "viejo", 
                                  "joven"))
tt%>%
  head()

# Agregar variables separadas según condicionales

datos1 <- datos %>% 
  mutate(type_g = ifelse(datos$growth_rate > 2, "High", 
       ifelse(datos$growth_rate > 1.9, "Medium","Low")))
datos1%>% head(10)

# Agregar variables separadas según condicionales
datos1 <- datos %>% 
  mutate(type_g = case_when(
    growth_rate > 2 ~ "High",
    growth_rate > 1.9 ~ "Medium",
    growth_rate < 1.9 ~ "Low"))
datos1%>% 
  head(10)

# Agregar variables aplicando funciones
datos2 <-datos1 %>%
  select(growth_rate,type_g) %>%
  mutate(growth_rate2 = growth_rate * 2,
   growth_rate2_squared = growth_rate2 * growth_rate2)

datos2%>% 
  head(10)

# Agregar una variable transformando
dat <- datos1%>%
  mutate(Age_log= log1p(age))
dat %>% head(5) 

# Agregar las misma variables transformado en más de una ocasión o variables diferentes
dat1 <- datos1%>%
  mutate(Age_sqrt=sqrt(age), Value_log=log(growth_rate))
dat1 %>% head(5) 

dat2 <- datos1%>%
  mutate(Age_sqrt=sqrt(age), Age_log=log(age))
dat2 %>% head(5) 

Acá hay un link con muchos ejemplos: mutate

Ordenar datos de forma descendente o ascendente arrange

# Ordenar datos en forma descendente
dat1 <- datos1 %>% 
  arrange(desc(growth_rate))
dat1 %>% head(10)

# Ordenar datos en forma ascendente
dat2 <- datos1 %>% 
  arrange(growth_rate)
dat2 %>% head(10)

Acá hay un link con muchos ejemplos: arrange

Separar variables que estan delimitadas por algún caracter determinado separate

head(datos)

tidy <- datos %>%
  separate(col=birthdate, into=c('year', 'month', 'day'), sep='-')
tidy %>% head(5)

Acá hay un link con muchos ejemplos: separate

Unir variables que estan delimitadas por algún caracter determinado unite

tidy2 <- tidy%>%
  unite(col=birthdate, c('year', 'month', 'day'), sep='/')
tidy2 %>% 
  head(5)

Acá hay un link con muchos ejemplos: unite

Separando factores group_by

group_by

tidy3 <- datos16%>%
   group_by(type_g)
tidy3 %>% head(5)

tidy4 <- datos16%>%
   group_by(type_g)%>%
   group_by(growth_rate_cut = cut(growth_rate,3))
tidy4%>% head(5)

tidy5 <- datos16%>%
  group_by(type_g,edad_g)

tidy6 <- tidy5%>%
  summarise(
  mean = mean(growth_rate),
  sd = sd(growth_rate),
  n=n())
tidy6%>% head(5)

Acá hay un link con muchos ejemplos: group_by

Cálculando diferentes tipos de parámetros summarise

Center: mean(), median()

Spread: sd(), IQR(), mad()

Range: min(), max(),

Position: first(), last(), nth(),

Count: n(), n_distinct()

Funciones útiles

datos %>%
  summarise(mean = mean(growth_rate), n = n())

Acá hay un link con muchos ejemplos: summarise

Separando factores group_by y cálculando estadísticas descriptivas summarise

group_by + summarise

# Por nivel
dat <- datos1%>%
  group_by(type_g)%>%
   summarise(mean_run = mean(growth_rate))
dat %>% head(5) 

# Por nivel y separando entre mayores y menores
dat1 <- datos1%>%
  group_by(type_g)%>%
  summarise(min_R = min(growth_rate),
  max_R=max(growth_rate))
dat1 %>% head(5)

# Por nivel y calculando la media de tasa de crecimineto (growth_rate) en relación a los años
dat2 <- datos1%>%
  group_by(type_g)%>%
   summarise(across(growth_rate:age, mean))
dat2 %>% head(5)

Ejercicios fase III

Peces

Después de bajar de una exitosa campaña/muestreo… Encontraste en la compu que tus datos no estan en formato tidy (como te habian recomentado Wickman) y ahora debes utilizar las herramientas de tidyverse para poner todo en orden.

Vamos a utilizar los comandos vistos del paquete tidyverse para limpiar y analizar los datos de peces de profundidad desorganizado llamado ‘te_encontre’.

te_encontre <- data.frame(
  Nombre = c("Pez1", "Pez2", "Pez3", "Pez4", "Lepidopsetta_mochigarei", "Pez5", "Pez6", "Pez7", "Pez8", "Pez9", "Pez10", "Pez11", "Pez12", "Pez13", "Pez4"),
  Color = c("Fluorescente", "Opaco", "Fluorescente", "Opaco", "Fluorescente", "Opaco", "Fluorescente", "Opaco", "Fluorescente", "Opaco", "Fluorescente", "Opaco", "Fluorescente", "Opaco", "Fluorescente"),
  PatronBrillo = c("Funky", "Disco", "Funky", "Disco", "Disco", "Funky", "Funky", "Disco", "Funky", "Disco", "Disco", "Funky", "Disco", "Disco", "Funky"),
  Longitud = c("10-5", "15-7", "-8-4", "6-3", "12-6", "-9-4", "17-9", "14--6", "9--4", "8--5", "15-8", "10-5", "7-4", "12-7", "18-9")
)

• Nombre: El nombre del pez.

• Color: El color del pez (Fluorescente o No Fluorescente).

• PatronBrillo: El patrón de brillo del pez (Funky o Disco).

• Longitud: La longitud del pez, expresada en cm.

a. Utilizando dplyr, filtra solo los peces de colores fluorescentes

b. Utiliza una combinación de comandos ya vistos para separar la columna ‘Longitud’ en ‘Longitud_total’ y ‘Longitud_cuerpo’, eliminando cualquier medición sospechosa (como longitudes negativas).

#> Warning: Expected 2 pieces. Additional pieces discarded in 2 rows [2, 5].

c. Vamos a calcular la media de la Longitud_total de los Funky peces.

d. Buscar la talla maxima de Longitud_total y minima de Longitud_cuerpo.

Todo parecia facilitar las cosas, hasta que Juan propuso incorporar tidyr

tidyr

No se preocupén después todo mejora…

Modificando posición de variables gather y pivot.

• datos %>% gather(“key”, “value”, x, y, z) es igual a

• datos %>% pivot_longer(c(x, y, z), names_to = “key”, values_to = “val”)
  
  

gather y pivot

Vamos a ordenar unos datos que encontramos de salidas de barcos a pescar en diferentes días

crudos <- data.frame(dia = c("Lunes", "Martes", "Jueves"), 
    camarones= c(2, 5, 3), centolla = c(1, 2, 1), langostino = c(3, 4, 3))
print(crudos)
#>      dia camarones centolla langostino
#> 1  Lunes         2        1          3
#> 2 Martes         5        2          4
#> 3 Jueves         3        1          3

data_long <- crudos%>%
  pivot_longer(cols = -dia, names_to = "Especie", values_to = "Salidas")
print(data_long)
#> # A tibble: 9 × 3
#>   dia    Especie    Salidas
#>   <chr>  <chr>        <dbl>
#> 1 Lunes  camarones        2
#> 2 Lunes  centolla         1
#> 3 Lunes  langostino       3
#> 4 Martes camarones        5
#> 5 Martes centolla         2
#> 6 Martes langostino       4
#> 7 Jueves camarones        3
#> 8 Jueves centolla         1
#> 9 Jueves langostino       3

data_long2 <-crudos %>% 
  pivot_longer(cols=c("camarones", "centolla", "langostino"),
                    names_to='Especie',
                    values_to='numero')

data_long%>% 
  pivot_wider(names_from = "Especie", values_from = "Salidas")

Unir dos planillas de datos similares bind_rows()

crudos2 <- data.frame(dia = c("Lunes", "Martes", "Jueves"), 
    camarones= c(12, 55, 13), centolla = c(21, 12, 21), langostino = c(13, 14, 13))
print(crudos2)
#>      dia camarones centolla langostino
#> 1  Lunes        12       21         13
#> 2 Martes        55       12         14
#> 3 Jueves        13       21         13

data_long3 <- crudos2%>%
  pivot_longer(cols = -dia, names_to = "Especie", values_to = "Salidas")
print(data_long2)
#> # A tibble: 9 × 3
#>   dia    Especie    numero
#>   <chr>  <chr>       <dbl>
#> 1 Lunes  camarones       2
#> 2 Lunes  centolla        1
#> 3 Lunes  langostino      3
#> 4 Martes camarones       5
#> 5 Martes centolla        2
#> 6 Martes langostino      4
#> 7 Jueves camarones       3
#> 8 Jueves centolla        1
#> 9 Jueves langostino      3

final <- bind_rows(data_long,data_long2)
print(final)
#> # A tibble: 18 × 4
#>    dia    Especie    Salidas numero
#>    <chr>  <chr>        <dbl>  <dbl>
#>  1 Lunes  camarones        2     NA
#>  2 Lunes  centolla         1     NA
#>  3 Lunes  langostino       3     NA
#>  4 Martes camarones        5     NA
#>  5 Martes centolla         2     NA
#>  6 Martes langostino       4     NA
#>  7 Jueves camarones        3     NA
#>  8 Jueves centolla         1     NA
#>  9 Jueves langostino       3     NA
#> 10 Lunes  camarones       NA      2
#> 11 Lunes  centolla        NA      1
#> 12 Lunes  langostino      NA      3
#> 13 Martes camarones       NA      5
#> 14 Martes centolla        NA      2
#> 15 Martes langostino      NA      4
#> 16 Jueves camarones       NA      3
#> 17 Jueves centolla        NA      1
#> 18 Jueves langostino      NA      3

Acá hay un link con muchos ejemplos: bind

Ejercicios fase III

León marino ataca a un kayaquista tirándole un pulpo en la cara…

Acá hay un link de la noticia: mamífero+molusco

Volvemos a la data de los mamíferos pero ahora esta data esta como la encontré en internet y me da vagancia llevarla a tidy. Lo hacen ustedes?

busqueda1 <- data.frame(Articulos = c("Diarios", "Revistas", "Tinder"), 
                        Foca_freddy= c(2, 5, 3), Delfín_flipper = c(1, 5, 1), Orca_willy = c(3, 4, 7))

busqueda2 <- data.frame(Articulos = c("Diarios", "Revistas", "Tinder"), 
                        Foca_freddy= c(1, 5, 9), Delfín_flipper = c(8, 1, 2), León_marino_aslan= c(1, 5, 3))

a. Por favor, llevar a ambos set de datos a formato tidy utilizando tidyr y lo que necesiten…

b. Quisiera juntar ambos set de datos en uno.

Agregar varibles nuevas, ya sea por modificación de alguna o incorporando una nueva _join()

_join

La función joins añade columnas de y a x y se unen en base a su denominación:

inner_join() : incluye todos las filas en x y en y.

left_join(): incluye todas las filas de en x.

right_join() : incluye todos las filas en y.

full_join(): incluye todas las filas en x o en y.

semi_join(): …

anti_join(): …

# Invento datos para visulizar las funciones con fácilidad
data1 <- data.frame(ID = 1:2,                      
                    X1 = c("a1", "a2"))

data2 <- data.frame(ID = 2:3,               
                    X2 = c("b1", "b2"))
print(data1)
#>   ID X1
#> 1  1 a1
#> 2  2 a2
print(data2)
#>   ID X2
#> 1  2 b1
#> 2  3 b2

da1 <- inner_join(data1, data2, by = "ID")
print(da1)
#>   ID X1 X2
#> 1  2 a2 b1

# Invento datos para visulizar las funciones con fácilidad
data1 <- data.frame(ID = 1:2,                      
                    X1 = c("a1", "a2"),
                    stringsAsFactors = FALSE)

data2 <- data.frame(ID = 2:3,               
                    X2 = c("b1", "b2"),
                    stringsAsFactors = FALSE)
print(data1)
#>   ID X1
#> 1  1 a1
#> 2  2 a2
print(data2)
#>   ID X2
#> 1  2 b1
#> 2  3 b2

da1 <- inner_join(data1, data2, by = "ID")
print(da1)
#>   ID X1 X2
#> 1  2 a2 b1

da2 <- left_join(data1, data2, by = "ID")
print(da2)
#>   ID X1   X2
#> 1  1 a1 <NA>
#> 2  2 a2   b1

da3 <- right_join(data1, data2, by = "ID")
print(da3)
#>   ID   X1 X2
#> 1  2   a2 b1
#> 2  3 <NA> b2

da4 <- full_join(data1, data2, by = "ID")
print(da4)
#>   ID   X1   X2
#> 1  1   a1 <NA>
#> 2  2   a2   b1
#> 3  3 <NA>   b2

da5 <- semi_join(data1, data2, by = "ID")
print(da5)
#>   ID X1
#> 1  2 a2

da6 <- anti_join(data1, data2, by = "ID")
print(da6)
#>   ID X1
#> 1  1 a1

da6 <- anti_join(data1, data2, by = "ID")
print(da6)
#>   ID X1
#> 1  1 a1

### Ahora sumamos más datos

# Otro set de datos más para hacer algo multiple
data3 <- data.frame(ID = c(2, 4),                   
                    X2 = c("c1", "c2"),
                    X3 = c("d1", "d2"),
                    stringsAsFactors = FALSE)

da7 <-full_join(data1, data2, by = "ID") %>%             # Porque X2 coincide en X1 y X3
  full_join(., data3, by = "ID") 
print(da7)
#>   ID   X1 X2.x X2.y   X3
#> 1  1   a1 <NA> <NA> <NA>
#> 2  2   a2   b1   c1   d1
#> 3  3 <NA>   b2 <NA> <NA>
#> 4  4 <NA> <NA>   c2   d2

da8 <-full_join(data2, data3, by = c("ID", "X2"))  # Acá queda afuera data1
print(da8)
#>   ID X2   X3
#> 1  2 b1 <NA>
#> 2  3 b2 <NA>
#> 3  2 c1   d1
#> 4  4 c2   d2

da8 <-inner_join(data1, data2, by = "ID") %>%              # Así podemos borrar ID
  select(- ID)
print(da8)
#>   X1 X2
#> 1 a2 b1

Funciones útiles

Acá hay un link con muchos ejemplos: mutate-joins

Ejercicios fase IV

Peces

a. Vamos a juntar los datos utilizando fish_code como variable común y juntando los datos en los cuales solo hay coincidencia

b. Vamos a juntar los datos utilizando fish_code como variable común y juntando todos los datos

c . Vamos a juntar los datos utilizando fish_code como variable común y juntando los que no coincidan

Ejercicios integrativo (opcional)

Vaca gorda, vaca flaca