¡Hola!

Les presentamos un documento RMarkdown renderizado a HTML :)

En este ejemplo vamos a ver cómo construir un archivo Rmarkdown que incluya texto, tablas y figuras en el documento.

El documento se divide en 3 partes:

• Sintáxis
• Bloques de código
• Pasos para analizar datos en Rmarkdown

Sintaxis

Los títulos se identifican anteponiendo numerales (#)

Con cada # que que se agrega pasamos a otro nivel de subtítulo

En el texto se pueden señalar palabras en:

• negrita
• itálica
• itálica y negrita
• tachado
• resaltado

• color

También se pueden cambiar el color del fondo y la alineación del texto o incluso agregar emojis 😉

Podemos incluir codigos y links como éste al capítulo sobre Rmarkdown del libro R para Ciencia de Datos en español.

Y muchas más opciones!

---

Bloques o ‘Chunks’ de código

Los bloques o ‘chunks’ son fragmentos de código incluidos en nuestro documento. Cada bloque comienza con ```{r} y termina con```.

Se agregan:

• apretando Ctrl+Alt+I

• haciendo click en Code > Insert Chunk

Dentro de ellos podemos escribir texto anteponiendo un #. Todo lo que este detrás del # no será leido.

Los códigos de bloque se pueden correr:

• apretando Ctrl+Enter en la línea de código

• haciendo click sobre la flecha verde en cada bloque

Dentro de los bloques podemos:

1. Indicar que se incluya una imagen

# comando para incluir una imagen
knitr::include_graphics("REINVENTARTEC 2022.png")

2. Realizar operaciones matemáticas

# ejemplo de operación matemática
2 + 2

## [1] 4

3. Configurar condiciones para futuros bloques

# para cambiar algunas opciones por default de los bloques 
knitr::opts_chunk$set(
  
          warning = FALSE, #evita que se muestren "warnings"
          message = FALSE, #evita que se muestren mensajes
          fig.align = 'center' #centra las imágenes
  
              )

4. Realizar análisis de datos!

Analizaremos el set de datos llamado “Datos 2010-2016.csv” (que pueden descargar de este link) pero ahora con R en vez de Python.

Para ver el documento final que incluye tanto el contenido como la salida de cualquier bloque de código de R debemos hacer clic en el botón Knit y listo!

Pasos para analizar datos en Rmarkdown

Paso 1: cargar los paquetes necesarios

Para cargar, manipular y vizualizar los datos debemos tener instalados ciertos paquetes y cargarlos.

La instalación se realiza una única vez y los paquetes se cargan cada vez que se inicia una sesión de R.

En este caso utilizaremos 2 paquetes:

1. tidyverse (incluye varios paquetes diseñados para la ciencia de datos)
2. janitor

Carguemos los paquetes:

# Instalación de los paquetes (solo la primera vez)
# Si nunca los instalaron, sacar el # que esta adelante de los siguientes comandos

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

# Carga de los paquetes
library(tidyverse)
library(janitor)

Paso 2: cargar la base de datos

Se pueden leer bases de datos en formato csv utilizando la función read.csv() y generando un objeto que los contenga.

#Creación de un objeto con los datos
datos <- read.csv(file="Datos 2010-2016.csv",
                  header=T)

Podemos ver la estructura de los datos utilizando la función glimpse().

# Para ver cuáles son las variables y de qué tipo son
glimpse(datos)

## Rows: 58,840
## Columns: 22
## $ AÃ.o                       <int> 2010, 2010, 2010, 2010, 2010, 2010, 2010, 2~
## $ Tipo.de.Institucion        <chr> "Universidad ", "Universidad ", "Universida~
## $ Institucion                <chr> "Pontificia Universidad Catolica Argentina ~
## $ Institucion.New            <chr> "Pontificia Universidad Catolica Argentina ~
## $ Unidad.Academica           <chr> "Facultad de Artes y Ciencias Musicales", "~
## $ Unidad.Academica.New       <chr> "Facultad de Artes y Ciencias Musicales", "~
## $ Carrera                    <chr> "Musica", "Musica", "Musica", "Musica", "Mu~
## $ Titulo                     <chr> "Licenciado en Composicion", "Licenciado en~
## $ Gestion                    <chr> "Privada ", "Privada ", "Privada ", "Privad~
## $ Nivel.de.la.Oferta         <chr> "Grado ", "Grado ", "Grado ", "Pregrado", "~
## $ Total.de.Estudiantes       <chr> "144", "3", "53", "5", "36", "42", "350", "~
## $ Estudiantes.Varones        <chr> "111", "1", "34", "3", "27", "24", "268", "~
## $ Estudiantes.Mujeres        <chr> "33", "2", "19", "2", "9", "18", "82", "32"~
## $ Total.de.Nuevos.Inscriptos <chr> "40", "", "10", "", "10", "", "91", "35", "~
## $ Nuevos.Inscriptos.Varones  <chr> "27", "", "8", "", "7", "", "66", "27", "7"~
## $ Nuevos.Inscriptos.Mujeres  <chr> "13", "", "2", "", "3", "", "25", "8", "24"~
## $ Total.de.Reinscriptos      <chr> "104", "3", "43", "5", "26", "", "259", "12~
## $ Reinscriptos.Varones       <chr> "84", "1", "26", "3", "20", "", "202", "100~
## $ Reinscriptos.Mujeres       <chr> "20", "2", "17", "2", "6", "", "57", "24", ~
## $ Total.de.Egresados         <chr> "11", "2", "15", "", "", "7", "21", "2", "2~
## $ Egresados.Varones          <chr> "11", "1", "10", "", "", "6", "13", "", "9"~
## $ Egresados.Mujeres          <chr> "", "1", "5", "", "", "1", "8", "2", "18", ~

El set de datos tiene 58840 filas (observaciones) y 22 columnas (variables).

Debajo estan los nombres de las variables (detras de cada $), el tipo de variable (numérica o de caracteres) y algunos de los valores que toman.

En este ejemplo vamos a analizar la relación de ingresantes que se autoperciben mujeres o varones en las 10 carreras de postgrado con mayor número de ingresantes por lo que antes de realizar cualquier análisis hay que “limpiar” los datos.

Paso 3: limpieza de datos

Este paso suele ser uno de los más tediosos pero también de los más importantes!

Pero no se preocupen, R lo hace rápido y para este taller ya traemos la solución 😉

Estos son los pasos para obetener la tabla de datos “limpia” de las 10 carreras de postgrado con mayor número de ingresantes para los análisis.

# Generaremos un nuevo objeto con los datos de interés 
# a partir del set original de datos

datos_limpios <- datos %>% 
  
  # renombramos las columnas sin mayúsculas y con "_" entre palabras
  clean_names() %>% 

  # seleccionamos las variables de interés
  select(nivel_de_la_oferta,
         carrera,
         total_de_nuevos_inscriptos,
         nuevos_inscriptos_varones,
         nuevos_inscriptos_mujeres) %>% 
  
  # convertimos a factor el nivel y la carrera
  mutate(across(c(nivel_de_la_oferta,
                  carrera), 
                as.factor)) %>% 
  
  # convertimos a números los inscriptos
  mutate(across(c(total_de_nuevos_inscriptos,
                  nuevos_inscriptos_varones,
                  nuevos_inscriptos_mujeres), 
                as.numeric)) %>% 
  
  # reemplazamos los valores faltantes (NA) por 0
  mutate_if(is.numeric, ~replace_na(., 0)) %>%  
  
  # filtramos las carreras de posgrado
  filter(nivel_de_la_oferta=="Posgrado") %>% 
  
  # eliminamos la columna de "nivel_de_la_oferta"
  select(-nivel_de_la_oferta)%>% 
  
  # agrupamos los datos por carrera
  group_by(carrera)%>% 
  
  # sumamos los valores por carrera
  summarise(across(everything(), sum))%>% 

  # seleccionamos las 10 carreras con más personas inscriptas
  top_n(10,total_de_nuevos_inscriptos) %>% 
  
  # renombramos las variables
  rename("Carrera" = carrera, 
         "Total" = total_de_nuevos_inscriptos, 
         "Varones" = nuevos_inscriptos_varones,
         "Mujeres" = nuevos_inscriptos_mujeres)

Ahora sí pasemos a algo más divertido 😁

Paso 4: analizar los datos

Podemos simplemente visualizar los datos

datos_limpios %>%
  kableExtra::kbl(caption = "Tabla 1. Número  de ingresantes totales y que se autoperciben mujeres o varones en las 10 carreras de postgrado con mayor número  de ingresantes.") %>%
  kableExtra::kable_classic(full_width = F, html_font = "Helvetica", font_size = 12)

datos_limpios %>%
  pivot_longer(!c(Carrera, Total), names_to = "Género", values_to = "N") %>% 
    ggplot(aes(x =reorder(Carrera, N), y =N)) +
      geom_col(aes(fill=Género), stat = "identity")+ 
      scale_fill_viridis_d() +
      scale_x_discrete(labels = label_wrap_gen(width = 27))+
      coord_flip() + 
      labs(x = NULL, y = "Número de personas")+
      theme_minimal()+ 
      theme(legend.text = element_text(size = 12),
            legend.position = "bottom",
            axis.text = element_text(size = 12),
            title = element_text(size = 12, hjust = 0.5))

  datos_limpios %>%
    pivot_longer(!c(Carrera, Total), 
                 names_to = "Género", values_to = "N") %>% 
  group_by(Género)%>% 
  summarise(total = sum(N)) %>% 
  mutate(porcentaje = total/sum(total),
         ymax = cumsum(porcentaje),
         ymin = c(0, head(ymax, n=-1)),
         labelPosition = (ymax + ymin) / 2,
         label = paste0(Género, "\n value: ", total)) %>% 
    ggplot(aes(x=2, y=porcentaje, fill=Género)) +
      geom_bar(stat = "identity") +
      xlim(0.5, 2.5) +
      coord_polar(start = 0, theta = "y") +
      labs(x = "", 
           y = "", 
           title = "Representación de género de las 10 carreras\nde postgrado con más ingresantes\nentre 2010 y 2016",
           fill= NULL) +
      scale_fill_viridis_d() +
      geom_text(aes(label = scales::percent(porcentaje)),
                size = 6, position = position_stack(vjust = 0.5),
                colour = c(rep("white", 1), 1))+
      theme_void() +
      theme(legend.text = element_text(size = 16),
            legend.position = "bottom",
            title = element_text(size = 16))