El directorio o carpeta de trabajo es el lugar en nuestra computadora
en el que se encuentran los archivos con los que estamos trabajando en
R. Este es el lugar donde R buscara archivos para importarlos y al que
serán exportados, a menos que indiquemos otra cosa. Puedes encontrar
cuál es tu directorio de trabajo con la función getwd().
Sólo tienes que escribir la función en la consola y ejecutarla.
Puedes cambiar el directorio de trabajo usando la función
setwd(), dando como argumento la ruta del directorio que
quieres usar.
Windows
Linux
Para ver funcionciones, objetos, etc. que quedan en la memoria usamos
ls() y para borrarlos rm(list=ls())
rm(list=ls())
ls()## character(0)rm(list=ls())list.files() y list.dirs()Si deseas conocer el contenido de tu directorio de trabajo, puedes ejecutar. la función list.files(), sin argumentos, que devolverá una lista con el nombre de los archivos de tu directorio de trabajo. La función list.dirs(), también sin argumentos te dará una lista de los directorios dentro del directorio de trabajo.
# Ver archivos
list.files()## [1] "chulos.txt" "Directorio_wd.html" "Directorio_wd.R"
## [4] "Directorio_wd.Rmd" "EJER_CLASE_3.R" "Ejer_I.csv"
## [7] "Ejer_II.csv" "Ejer_II.txt" "thebest.txt"# Ver directorios
list.dirs()## [1] "."Usando read.csv o read_csv, hay miles
library(tidyverse)## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.1 ──## ✔ ggplot2 3.3.6 ✔ purrr 0.3.4
## ✔ tibble 3.1.7 ✔ dplyr 1.0.9
## ✔ tidyr 1.2.0 ✔ stringr 1.4.0
## ✔ readr 2.1.2 ✔ forcats 0.5.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()setwd("/home/kechu/Documentos/Curso_R/Clase 3/")
datos <- read.csv("Ejer_II.csv", sep=",")
head(datos)## Name Nationality Club BallControl Acceleration SprintSpeed
## 1 Mbappé France Paris Saint-Germain 91 96 96
## 2 Umtiti France FC Barcelona 77 71 73
## 3 Kane England Tottenham Hotspur 84 68 72
## 4 Dybala Argentina Juventus 92 87 83
## 5 Icardi Argentina Inter 81 77 78
## 6 Oblak Slovenia Atlético Madrid 16 43 60
## Agility Reactions Aggression Penalties Value clasifica Age condition
## 1 92 87 62 70 81000000 caros 19 young
## 2 68 82 81 61 57000000 baratos 24 young
## 3 71 91 76 90 83500000 caros 24 young
## 4 91 86 48 86 89000000 caros 24 young
## 5 76 88 56 82 64500000 intermedios 25 young
## 6 67 86 34 11 68000000 intermedios 25 youngdatos <- read.csv("Ejer_II.csv", sep=".")
head(datos)## Name.Nationality.Club.BallControl.Acceleration.SprintSpeed.Agility.Reactions.Aggression.Penalties.Value.clasifica.Age.condition
## 1 Mbappé,France,Paris Saint-Germain,91,96,96,92,87,62,70,81000000,caros,19,young
## 2 Umtiti,France,FC Barcelona,77,71,73,68,82,81,61,57000000,baratos,24,young
## 3 Kane,England,Tottenham Hotspur,84,68,72,71,91,76,90,83500000,caros,24,young
## 4 Dybala,Argentina,Juventus,92,87,83,91,86,48,86,89000000,caros,24,young
## 5 Icardi,Argentina,Inter,81,77,78,76,88,56,82,64500000,intermedios,25,young
## 6 Oblak,Slovenia,Atlético Madrid,16,43,60,67,86,34,11,68000000,intermedios,25,youngchulos <- read_csv("Ejer_II.csv")## Rows: 46 Columns: 14## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (5): Name, Nationality, Club, clasifica, condition
## dbl (9): BallControl, Acceleration, SprintSpeed, Agility, Reactions, Aggress...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.head(chulos)## # A tibble: 6 × 14
## Name Nationality Club BallControl Acceleration SprintSpeed Agility Reactions
## <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Mbap… France Pari… 91 96 96 92 87
## 2 Umti… France FC B… 77 71 73 68 82
## 3 Kane England Tott… 84 68 72 71 91
## 4 Dyba… Argentina Juve… 92 87 83 91 86
## 5 Icar… Argentina Inter 81 77 78 76 88
## 6 Oblak Slovenia Atlé… 16 43 60 67 86
## # … with 6 more variables: Aggression <dbl>, Penalties <dbl>, Value <dbl>,
## # clasifica <chr>, Age <dbl>, condition <chr>dat2 <- chulos %>%
filter(Name == "Juan_Albert" | Name == "Peter_Daleo" | Name == "Leo_Messi")
dat2 %>% head(5)## # A tibble: 3 × 14
## Name Nationality Club BallControl Acceleration SprintSpeed Agility Reactions
## <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Leo_… Argentina FC B… 96 91 86 91 95
## 2 Juan… Argentina FC L… 13 5 8 10 3
## 3 Pete… Argentina JCOC… 21 11 12 10 8
## # … with 6 more variables: Aggression <dbl>, Penalties <dbl>, Value <dbl>,
## # clasifica <chr>, Age <dbl>, condition <chr>Nos interesa reportar algo write_delim o
write_csv
write_delim(dat2, "thebest.txt")
datos_1 <- read.csv("thebest.txt", sep="")
head(datos_1)## Name Nationality Club BallControl Acceleration SprintSpeed
## 1 Leo_Messi Argentina FC Barcelona 96 91 86
## 2 Juan_Albert Argentina FC Laraqueta 13 5 8
## 3 Peter_Daleo Argentina JCOCO MDP2015 21 11 12
## Agility Reactions Aggression Penalties Value clasifica Age condition
## 1 91 95 48 75 110500000 caros 31 old
## 2 10 3 100 0 3 baratos 42 old
## 3 10 8 40 1 5 baratos 45 old