5 Transformar columnas
5.1 Introducción
Puesto que en el análisis de datos acostumbramos a trabajar con marcos de datos que tienen una gran cantidad de variables, nos conviene dominar las funciones que nos ayuden a hacer más fáciles las operaciones con vectores. En este apartado estudiaremos las tres funciones más importantes del paquete dplyr que operan sobre las columnas del marco de datos: select(), rename() y mutate(). Todas tienen como misión principal modificar el número, el nombre o el orden de las columnas de un marco de datos dejando el número o el orden de las filas inalterado. Las tres funciones que estudiaremos son las siguientes:
-
select(): selecciona una o más columnas del marco de datos. -
rename(): renombra una o más columnas del marco de datos. -
mutate(): modifica los valores de una o más columnas del marco de datos.
Estas funciones son especialmente útiles en marcos de datos de grandes dimensiones, que almacenan una gran cantidad de variables. Es por eso que en este apartado trabajaremos con el marco de datos nuts, una versión mucho más amplia —tiene 368 observaciones y 74 variables— que el marco de datos nuts_mini que hemos trabajado en el apartado anterior.
5.2 Select
La función select() sirve para reducir el número de columnas. La manera más sencilla de utilizar la función es indicar en cada argumento el nombre de las columnas que queremos conservar.
La manera más sencilla de utilizar select() es indicando el nombre de las columnas que queremos conservar. El código siguiente nos devuelve un marco de datos que contendrá solo las variables ccode, name, innov y density y eliminará todas las otras.
nuts |>
select(ccode, name, innov, density)# A tibble: 368 × 4
ccode name innov density
<chr> <chr> <dbl> <dbl>
1 AT Burgenland 125. 79.7
2 AT Niederösterreich 125. 88.2
3 AT Wien 125. 4755.
4 AT Kärnten 122. 59.9
5 AT Steiermark 122. 76.2
6 AT Oberösterreich 121. 125.
7 AT Salzburg 121. 78.1
8 AT Tirol 121. 59.8
9 AT Vorarlberg 121. 154
10 BE Région De Bruxelles-Capitale 136. 7422.
# ℹ 358 more rowsR respetará la orden en el que introducimos el nombre de las columnas vectores. En este ejemplo pedimos las mismas variables que en la pestaña anterior (Selección) pero en un orden diferente.
nuts |>
select(name, ccode, density, innov)# A tibble: 368 × 4
name ccode density innov
<chr> <chr> <dbl> <dbl>
1 Burgenland AT 79.7 125.
2 Niederösterreich AT 88.2 125.
3 Wien AT 4755. 125.
4 Kärnten AT 59.9 122.
5 Steiermark AT 76.2 122.
6 Oberösterreich AT 125. 121.
7 Salzburg AT 78.1 121.
8 Tirol AT 59.8 121.
9 Vorarlberg AT 154 121.
10 Région De Bruxelles-Capitale BE 7422. 136.
# ℹ 358 more rowsTambién podemos renombrar una columna en el mismo momento que la seleccionamos. En el código siguiente hemos renombrado el nombre del vector ccode. Dentro del argumento indicaremos primero el nombre nuevo que tendrá el vector, seguido de = y el nombre antiguo del vector.
nuts |>
select(country = ccode, name, innov)# A tibble: 368 × 3
country name innov
<chr> <chr> <dbl>
1 AT Burgenland 125.
2 AT Niederösterreich 125.
3 AT Wien 125.
4 AT Kärnten 122.
5 AT Steiermark 122.
6 AT Oberösterreich 121.
7 AT Salzburg 121.
8 AT Tirol 121.
9 AT Vorarlberg 121.
10 BE Région De Bruxelles-Capitale 136.
# ℹ 358 more rowsA veces, puede ser que queramos simplemente eliminar algunas columnas. En este caso, indicaremos el nombre de la columna o las columnas que queremos eliminar con el símbolo negativo (-) delante. Conservaremos todo el resto de columnas.
nuts |>
select(-level, -geo)# A tibble: 368 × 72
ccode country nuts name gdpcap_nuts gdpcap_ctr pop density land lon
<chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 AT Austria AT11 Burgen… 29800 42000 2.92e5 79.7 3962 16.5
2 AT Austria AT12 Nieder… 34900 42000 1.67e6 88.2 19186 15.8
3 AT Austria AT13 Wien 49500 42000 1.87e6 4755. 415 16.4
4 AT Austria AT21 Kärnten 35500 42000 5.61e5 59.9 9538 13.9
5 AT Austria AT22 Steier… 38400 42000 1.24e6 76.2 16401 15.0
6 AT Austria AT31 Oberös… 42900 42000 1.47e6 125. 11980 14.0
7 AT Austria AT32 Salzbu… 50200 42000 5.49e5 78.1 7156 13.1
8 AT Austria AT33 Tirol 44600 42000 7.46e5 59.8 12640 11.5
9 AT Austria AT34 Vorarl… 46000 42000 3.89e5 154 2601 9.89
10 BE Belgium BE1 Région… 68400 39100 1.20e6 7422. 161 4.37
# ℹ 358 more rows
# ℹ 62 more variables: lat <dbl>, capital <chr>, lon_cap <dbl>, lat_cap <dbl>,
# distance <dbl>, innov <dbl>, d3 <dbl>, d6 <dbl>, q1 <dbl>, q2 <dbl>,
# q3 <dbl>, q4 <dbl>, q5 <dbl>, q6 <dbl>, q7 <dbl>, q8 <dbl>, q9 <dbl>,
# q10 <dbl>, q11 <dbl>, q12 <dbl>, q13 <dbl>, q14 <dbl>, q15 <dbl>,
# q16 <dbl>, q17_1 <dbl>, q17_2 <dbl>, q18_1 <dbl>, q18_2 <dbl>, q18_3 <dbl>,
# q18_4 <dbl>, q19_1 <dbl>, q19_2 <dbl>, q19_3 <dbl>, q19_4 <dbl>, …Tenemos varios atajos que nos permiten no tener que introducir el nombre de los vectores que queremos conservar. Con los dos puntos (:), indicamos la selección desde una variable hasta otra. Por ejemplo, si queremos conservar desde el vector geo hasta el vector pop, lo tendremos que indicar como geo:pop. Además, en otro argumento podemos indicar el nombre de otros vectores que también queremos conservar.
nuts |>
select(geo:pop, land, capital)# A tibble: 368 × 6
geo gdpcap_nuts gdpcap_ctr pop land capital
<chr> <dbl> <dbl> <dbl> <dbl> <chr>
1 AT11 29800 42000 291942 3962 Vienna
2 AT12 34900 42000 1665753 19186 Vienna
3 AT13 49500 42000 1867582 415 Vienna
4 AT21 35500 42000 561077 9538 Vienna
5 AT22 38400 42000 1237298 16401 Vienna
6 AT31 42900 42000 1465045 11980 Vienna
7 AT32 50200 42000 549263 7156 Vienna
8 AT33 44600 42000 746153 12640 Vienna
9 AT34 46000 42000 388752 2601 Vienna
10 BE1 68400 39100 1199095 161 Brussels
# ℹ 358 more rowsEn select() podemos incluir algunas funciones específicas, que resumimos en la tabla 5.1.
| Función | Acción |
|---|---|
everything() |
Selecciona todas las columnas. |
starts_with() |
Selecciona las columnas que empiecen con unos caracteres determinados. |
ends_with() |
Selecciona las columnas que acaben con unos caracteres determinados. |
contains() |
Selecciona las columnas que contengan unos caracteres determinados. |
last_col() |
Selecciona la última columna. |
Estas funciones nos ayudarán a simplificar la selección de las variables que queremos retener. A continuación vemos algunos ejemplos.
Queremos cambiar de orden algunas columnas situándolas al principio, pero mantener el resto. Podemos utilizar everything().
nuts |>
select(name, geo, everything())# A tibble: 368 × 74
name geo ccode country nuts level gdpcap_nuts gdpcap_ctr pop density
<chr> <chr> <chr> <chr> <chr> <int> <dbl> <dbl> <dbl> <dbl>
1 Burgen… AT11 AT Austria AT11 2 29800 42000 2.92e5 79.7
2 Nieder… AT12 AT Austria AT12 2 34900 42000 1.67e6 88.2
3 Wien AT13 AT Austria AT13 2 49500 42000 1.87e6 4755.
4 Kärnten AT21 AT Austria AT21 2 35500 42000 5.61e5 59.9
5 Steier… AT22 AT Austria AT22 2 38400 42000 1.24e6 76.2
6 Oberös… AT31 AT Austria AT31 2 42900 42000 1.47e6 125.
7 Salzbu… AT32 AT Austria AT32 2 50200 42000 5.49e5 78.1
8 Tirol AT33 AT Austria AT33 2 44600 42000 7.46e5 59.8
9 Vorarl… AT34 AT Austria AT34 2 46000 42000 3.89e5 154
10 Région… BE1 BE Belgium BE1 1 68400 39100 1.20e6 7422.
# ℹ 358 more rows
# ℹ 64 more variables: land <dbl>, lon <dbl>, lat <dbl>, capital <chr>,
# lon_cap <dbl>, lat_cap <dbl>, distance <dbl>, innov <dbl>, d3 <dbl>,
# d6 <dbl>, q1 <dbl>, q2 <dbl>, q3 <dbl>, q4 <dbl>, q5 <dbl>, q6 <dbl>,
# q7 <dbl>, q8 <dbl>, q9 <dbl>, q10 <dbl>, q11 <dbl>, q12 <dbl>, q13 <dbl>,
# q14 <dbl>, q15 <dbl>, q16 <dbl>, q17_1 <dbl>, q17_2 <dbl>, q18_1 <dbl>,
# q18_2 <dbl>, q18_3 <dbl>, q18_4 <dbl>, q19_1 <dbl>, q19_2 <dbl>, …La función starts_with() selecciona las columnas que empiezan con unos caracteres determinados. Por ejemplo, sabemos que las variables de la ESS empiezan por la letra q. Entonces, si queremos trabajar únicamente con estos datos, podemos seleccionar primero algunas variables que correspondan con la unidad de observación e indicar después que queremos conservar solo aquellas variables que empiecen por q.
nuts |>
select(ccode, nuts, starts_with("q"))# A tibble: 368 × 42
ccode nuts q1 q2 q3 q4 q5 q6 q7 q8 q9 q10 q11
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 AT AT11 1.69 1.39 1.78 6.91 7.22 7.23 4.74 5.31 4.35 1.99 2.10
2 AT AT12 1.73 1.36 1.77 7.04 7.37 7.26 4.62 5.43 4.20 1.94 2.13
3 AT AT13 1.69 1.30 1.77 6.65 7.55 7.08 4.89 5.49 4.37 2.13 2.24
4 AT AT21 1.69 1.38 1.77 6.88 7.47 7.25 4.76 5.23 4.27 2.08 2.14
5 AT AT22 1.67 1.33 1.77 7.01 7.35 7.12 4.79 5.34 4.19 1.92 2.05
6 AT AT31 1.68 1.33 1.75 7 7.27 7.13 4.71 5.35 4.06 1.99 2.12
7 AT AT32 1.63 1.34 1.75 7.04 7.66 7.27 4.76 5.44 4.25 1.94 2.09
8 AT AT33 1.67 1.33 1.73 7.25 7.83 7.25 4.68 5.21 4.21 1.99 2.12
9 AT AT34 1.66 1.38 1.76 7.22 7.86 7.48 4.99 5.64 4.29 2 2.13
10 BE BE1 1.56 1.38 1.73 6.58 7.39 6.63 5.78 5.91 5.49 2.32 2.18
# ℹ 358 more rows
# ℹ 29 more variables: q12 <dbl>, q13 <dbl>, q14 <dbl>, q15 <dbl>, q16 <dbl>,
# q17_1 <dbl>, q17_2 <dbl>, q18_1 <dbl>, q18_2 <dbl>, q18_3 <dbl>,
# q18_4 <dbl>, q19_1 <dbl>, q19_2 <dbl>, q19_3 <dbl>, q19_4 <dbl>, q20 <dbl>,
# q22_1 <dbl>, q22_2 <dbl>, q23_1 <dbl>, q23_2 <dbl>, q23_3 <dbl>, q25 <dbl>,
# q26 <dbl>, q27 <dbl>, q28 <dbl>, q30 <dbl>, q31_1 <dbl>, q31_2 <dbl>,
# q32 <dbl>Las funciones ends_with() y contains() operan con la misma lógica que starts_with().
La función last_col() se usa a menudo en combinación con los dos puntos (:) para indicar que queremos seleccionar un grupo de variables que se encuentra al final del marco de datos. En este ejemplo hemos seleccionado las variables de EQI, que son desde ppltrst hasta la última columna de datos.
nuts |>
select(ccode, nuts, ppltrst:last_col())# A tibble: 368 × 16
ccode nuts ppltrst sgnptit lrscale stfgov freehms imueclt atchctr atcherp
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 AT AT11 5.86 1.89 4.97 4.5 1.97 4.09 8.66 5.21
2 AT AT12 5.74 1.74 5.28 4.60 2.06 4.28 7.98 5.22
3 AT AT13 5.10 1.64 4.36 4.57 2.02 5.40 7.55 6.36
4 AT AT21 4.92 1.80 5.09 3.27 2 3.57 8.41 5.27
5 AT AT22 4.7 1.87 4.94 3.96 2.06 4.11 8.05 5.82
6 AT AT31 6.08 1.82 5.59 5.01 1.91 4.44 7.98 5.78
7 AT AT32 5.57 1.76 4.75 4.40 1.80 4.80 6.99 5.55
8 AT AT33 5.06 1.73 5.03 4.62 1.86 4.96 8.30 5.79
9 AT AT34 4.77 1.73 4.97 3.66 2.45 3.89 7.94 5.52
10 BE BE1 4.37 1.80 4.35 5.03 2.27 7.01 7.02 6.16
# ℹ 358 more rows
# ℹ 6 more variables: dscrgrp <dbl>, dscrntn <dbl>, dscrlng <dbl>,
# dscretn <dbl>, blgetmg <dbl>, gvrfgap <dbl>5.3 Rename
La función rename() renombra el nombre de las columnas que indicamos conservando todas las otras columnas. Su estructura es muy sencilla: dentro de la función indicaremos primero el nombre nuevo que tendrá el vector en cuestión, seguido del símbolo = y del nombre antiguo del vector.
df |>
rename(nombre_nuevo = nombre_antiguo)A diferencia de select(), la función rename() no suprime ninguna columna, sino que solo cambia los nombres indicados. Se pueden añadir tantos argumentos como nombres de columnas se quieran cambiar. Veamos un ejemplo:
nuts |>
rename(country_name = country,
nuts_name = name)# A tibble: 368 × 74
ccode country_name nuts level nuts_name geo gdpcap_nuts gdpcap_ctr pop
<chr> <chr> <chr> <int> <chr> <chr> <dbl> <dbl> <dbl>
1 AT Austria AT11 2 Burgenland AT11 29800 42000 2.92e5
2 AT Austria AT12 2 Niederöst… AT12 34900 42000 1.67e6
3 AT Austria AT13 2 Wien AT13 49500 42000 1.87e6
4 AT Austria AT21 2 Kärnten AT21 35500 42000 5.61e5
5 AT Austria AT22 2 Steiermark AT22 38400 42000 1.24e6
6 AT Austria AT31 2 Oberöster… AT31 42900 42000 1.47e6
7 AT Austria AT32 2 Salzburg AT32 50200 42000 5.49e5
8 AT Austria AT33 2 Tirol AT33 44600 42000 7.46e5
9 AT Austria AT34 2 Vorarlberg AT34 46000 42000 3.89e5
10 BE Belgium BE1 1 Région De… BE1 68400 39100 1.20e6
# ℹ 358 more rows
# ℹ 65 more variables: density <dbl>, land <dbl>, lon <dbl>, lat <dbl>,
# capital <chr>, lon_cap <dbl>, lat_cap <dbl>, distance <dbl>, innov <dbl>,
# d3 <dbl>, d6 <dbl>, q1 <dbl>, q2 <dbl>, q3 <dbl>, q4 <dbl>, q5 <dbl>,
# q6 <dbl>, q7 <dbl>, q8 <dbl>, q9 <dbl>, q10 <dbl>, q11 <dbl>, q12 <dbl>,
# q13 <dbl>, q14 <dbl>, q15 <dbl>, q16 <dbl>, q17_1 <dbl>, q17_2 <dbl>,
# q18_1 <dbl>, q18_2 <dbl>, q18_3 <dbl>, q18_4 <dbl>, q19_1 <dbl>, …Con las funciones que hemos visto, ya podemos ver cómo quedaría una transformación del marco de datos con diversas variables implicadas. Lo más importante de todo es tener clara la pregunta que nos queremos hacer sobre los datos y después pensar cómo iremos desplegando el código que necesitamos para llegar a la respuesta. Por ejemplo:
En Portugal, ¿cuáles son las regiones que toleran más, de media, la homosexualidad y la inmigración?
- Filtraremos los datos por Portugal.
- Seleccionaremos las tres variables que nos interesan: el nombre de la unidad de observación (
name), tolerancia de la homosexualidad (freehms) y la inmigración (imueclt). - Estableceremos algún criterio para ordenar los datos de más tolerantes a menos tolerantes. En este caso, ordenaremos por
imueclten orden descendente.
nuts |>
filter(country == "Portugal") |>
select(name, freehms, imueclt) |>
arrange(desc(imueclt))# A tibble: 7 × 3
name freehms imueclt
<chr> <dbl> <dbl>
1 Área Metropolitana De Lisboa 1.74 6.48
2 Alentejo 1.97 6.08
3 Centro (Pt) 1.87 6.02
4 Norte 1.91 6.02
5 Algarve 2.02 5.9
6 Região Autónoma Dos Açores NA NA
7 Região Autónoma Da Madeira NA NA Hay muchas maneras de eliminar las filas que contienen datos perdidos. Una opción es introducir una última línea de código que excluya los NA:
nuts |>
... |>
filter(!is.na(imueclt))5.4 Mutate
La función mutate() permite transformar los valores de una variable. La estructura interna de la función consta de los elementos siguientes:
- Indicamos el nombre del vector de destino donde guardaremos la operación.
- Ubicamos el símbolo igual (
=). - Especificamos la operación en cuestión.
df |>
mutate(vector_destino = operación)Lo más importante que se debe tener en cuenta con mutate() es el vector de destino, puesto que, según como lo indicamos, sobrescribiremos los datos en un vector ya existente o bien crearemos un vector nuevo:
- Si el nombre del vector de destino donde guardaremos la operación ya existe en el marco de datos, R sobrescribirá los datos en el vector especificado. En el ejemplo de la derecha, en el marco de datos
dfhemos multiplicado por 100 los valores del vectorvec. Como el vector de destino es el mismo vector, el resultado de la operación se sobrescribirá envec.
df |>
mutate(vec = vec * 100)- Si, en cambio, el nombre del vector donde guardaremos la operación no existe en el marco de datos, R creará un nuevo vector con el nombre indicado que contendrá el resultado de la operación. En el ejemplo de la derecha, en el marco de datos
dfhemos multiplicado por 100 los valores del vectorvec. Como en este caso guardamos el resultado envec_nuevo, un vector que todavía no existe en el marco de datos, nos creará un nuevo vector con este nombre que contendrá el resultado de la operación.
df |>
mutate(vec_nuevo = vec * 100)Como veremos a continuación, dentro de mutate() podemos hacer muchas operaciones que hasta ahora hemos aprendido en capítulos anteriores. En este primer bloque de ejemplos, utilizamos operaciones básicas como sumar, restar, multiplicar o dividir valores de varias variables. Al tratarse de operaciones con vectores numéricos, hay que recordar que, en función de la longitud de los vectores, podemos hacer dos tipos de operaciones (ved el cuadro de la derecha).
Según la longitud de los vectores, podemos hacer dos tipos de operaciones:
- Entre un vector y un número, realizamos la operación de todos los valores del vector por el número en cuestión.
c(30, 40) / 2[1] 15 20- Entre vectores de igual longitud, hacemos la operación entre los valores que tienen la misma posición en el vector.
Para facilitar el seguimiento de los ejemplos, en el código reduciremos el número de variables con select().
Para hacer más fácil la lectura de los datos de población, queremos que la unidad sea el millón, de forma que, en lugar de ver una cifra de 1.000.000, la vemos 1. Para eso dividiremos el vector de la variable pop entre un millón. Como el resultado lo guardamos en pop, R nos sobrescribirá el resultado en la misma columna.
nuts |>
select(name, pop) |>
mutate(pop = pop / 1000000)# A tibble: 368 × 2
name pop
<chr> <dbl>
1 Burgenland 0.292
2 Niederösterreich 1.67
3 Wien 1.87
4 Kärnten 0.561
5 Steiermark 1.24
6 Oberösterreich 1.47
7 Salzburg 0.549
8 Tirol 0.746
9 Vorarlberg 0.389
10 Région De Bruxelles-Capitale 1.20
# ℹ 358 more rows¿Cuál es el PIB total de cada región? Esta información la podemos obtener si multiplicamos el PIB per cápita de la región (gdpcap_nuts) por su población (pop). En este caso, en el código indicaremos el nombre de una columna nueva que todavía no existe en el marco de datos: gdp_nuts. Como esta variable no existe, R mantendrá el nombre de las columnas originales con las que hemos hecho la operación (gdpcap_nuts, pop) y guardará el resultado en una columna nueva llamada gdp_nuts.
nuts |>
select(name, gdpcap_nuts, pop) |>
mutate(gdp_nuts = gdpcap_nuts * pop)# A tibble: 368 × 4
name gdpcap_nuts pop gdp_nuts
<chr> <dbl> <dbl> <dbl>
1 Burgenland 29800 291942 8699871600
2 Niederösterreich 34900 1665753 58134779700
3 Wien 49500 1867582 92445309000
4 Kärnten 35500 561077 19918233500
5 Steiermark 38400 1237298 47512243200
6 Oberösterreich 42900 1465045 62850430500
7 Salzburg 50200 549263 27573002600
8 Tirol 44600 746153 33278423800
9 Vorarlberg 46000 388752 17882592000
10 Région De Bruxelles-Capitale 68400 1199095 82018098000
# ℹ 358 more rowsTambién podemos combinar varias operaciones dentro de mutate() siempre que vayan separadas con una coma. En el código siguiente hemos hecho el cálculo siguiente:
- El PIB total de cada región (ved la pestaña Nuevo Vector).
- Después de una coma, en una línea nueva hacemos una nueva operación en la que calculamos la distancia de cada región respecto a la capital del país y guardamos el resultado a
dist. - Después de otra coma, dividimos por un millón los valores de la variable
popy sobrescribimos el resultado en la misma variable. Para acabar, en una nueva pipe, seleccionamos solo las variables que hemos creado o modificado para ver mejor el resultado de la transformación.
nuts |>
mutate(gdp_nuts = gdpcap_nuts * pop,
dist = sqrt(abs(lon_cap - lon) * abs(lat_cap - lat)),
pop = pop / 1000000) |>
select(name, gdpcap_nuts, dist, pop)# A tibble: 368 × 4
name gdpcap_nuts dist pop
<chr> <dbl> <dbl> <dbl>
1 Burgenland 29800 0.317 0.292
2 Niederösterreich 34900 0.210 1.67
3 Wien 49500 0.00964 1.87
4 Kärnten 35500 1.87 0.561
5 Steiermark 38400 1.12 1.24
6 Oberösterreich 42900 0.390 1.47
7 Salzburg 50200 1.63 0.549
8 Tirol 44600 2.21 0.746
9 Vorarlberg 46000 2.49 0.389
10 Région De Bruxelles-Capitale 68400 0.0107 1.20
# ℹ 358 more rowsTened en cuenta que el orden en el que establecemos las diferentes operaciones dentro de mutate() puede determinar la tabla resultante. Si en la primera operación hacemos los cálculos para modificar pop, el nuevo resultado de pop modificará los valores de la operación para calcular los valores de gdp_nuts.
Aparte de operaciones entre vectores, dentro de mutate() también podemos utilizar funciones. Dos de las más frecuentes son if_else() y case_when(), que nos son extremadamente útiles para transformar variables numéricas en variables categóricas. A continuación vemos algunos ejemplos de cómo utilizarlas.
¿Qué regiones NUTS son urbanas? Con if_else(), hemos creado la variable dummy urban que toma el valor 1 si la región en cuestión tiene más de un millón de habitantes o bien una densidad superior al millar de habitantes por kilómetro cuadrado.
nuts |>
mutate(urban = if_else(pop > 1000000 | density > 1000, 1, 0)) |>
select(name, pop, density, urban)# A tibble: 368 × 4
name pop density urban
<chr> <dbl> <dbl> <dbl>
1 Burgenland 291942 79.7 0
2 Niederösterreich 1665753 88.2 1
3 Wien 1867582 4755. 1
4 Kärnten 561077 59.9 0
5 Steiermark 1237298 76.2 1
6 Oberösterreich 1465045 125. 1
7 Salzburg 549263 78.1 0
8 Tirol 746153 59.8 0
9 Vorarlberg 388752 154 0
10 Région De Bruxelles-Capitale 1199095 7422. 1
# ℹ 358 more rows¿Qué regiones tienen la población más de izquierdas, cuáles más de centro y cuáles más de derechas? Con case_when(), hemos creado una variable categórica que adopta el valor “Right” si la media del posicionamiento de la población en el eje izquierda-derecha es superior a 5.5, “Center” si es entre 4.5 y 5.5 y “Left” si es inferior a 4.5.
nuts |>
mutate(lr = case_when(lrscale > 5.5 ~ "Right",
lrscale > 4.5 ~ "Center",
lrscale > 0 ~ "Left")) |>
select(name, lr, lrscale)# A tibble: 368 × 3
name lr lrscale
<chr> <chr> <dbl>
1 Burgenland Center 4.97
2 Niederösterreich Center 5.28
3 Wien Left 4.36
4 Kärnten Center 5.09
5 Steiermark Center 4.94
6 Oberösterreich Right 5.59
7 Salzburg Center 4.75
8 Tirol Center 5.03
9 Vorarlberg Center 4.97
10 Région De Bruxelles-Capitale Left 4.35
# ℹ 358 more rows¿Qué porcentaje sobre el territorio total ocupa cada región? La fórmula x / sum(x) es muy útil para calcular proporciones con nuestros datos. Después, hemos multiplicado el resultado por 100 para obtener el porcentaje.
nuts |>
mutate(land_percentage = land / sum(land, na.rm = T) * 100) |>
select(name, land, land_percentage)# A tibble: 368 × 3
name land land_percentage
<chr> <dbl> <dbl>
1 Burgenland 3962 0.113
2 Niederösterreich 19186 0.547
3 Wien 415 0.0118
4 Kärnten 9538 0.272
5 Steiermark 16401 0.467
6 Oberösterreich 11980 0.341
7 Salzburg 7156 0.204
8 Tirol 12640 0.360
9 Vorarlberg 2601 0.0741
10 Région De Bruxelles-Capitale 161 0.00459
# ℹ 358 more rowstransmute()
La función transmute() es de la familia de mutate() o select() y, de hecho, combina algunas propiedades de estas dos funciones. A diferencia de select(), permite hacer operaciones dentro de la función. Y, a diferencia de mutate(), permite seleccionar variables. Lo más habitual es, primero, escribir el código con select() y mutate() y, después, percatarnos de que podemos reducir el código y hacerlo más entendedor si sustituimos estas dos funciones por transmute(). Por ejemplo, fijaos cómo simplificamos todos los códigos que acabamos de usar en la caja anterior:
nuts |>
transmute(name,
lr = case_when(lrscale > 5.5 ~ "Right",
lrscale > 4.5 ~ "Center",
lrscale > 0 ~ "Left"),
land_percentage = land / sum(land, na.rm = T) * 100,
urban = if_else(pop > 1000000 | density > 1000, 1, 0)) # A tibble: 368 × 4
name lr land_percentage urban
<chr> <chr> <dbl> <dbl>
1 Burgenland Center 0.113 0
2 Niederösterreich Center 0.547 1
3 Wien Left 0.0118 1
4 Kärnten Center 0.272 0
5 Steiermark Center 0.467 1
6 Oberösterreich Right 0.341 1
7 Salzburg Center 0.204 0
8 Tirol Center 0.360 0
9 Vorarlberg Center 0.0741 0
10 Région De Bruxelles-Capitale Left 0.00459 1
# ℹ 358 more rows