::p_load(
pacman# importación/exportación
rio, # localizador de ficheros
here, # iteración
purrr, # scales in ggplot
grates, # gestión y visualización de datos
tidyverse )
16 Iteración, bucles y listas
Con frecuencia nos enfrentamos a la repetición de análisis por subgrupos, como países, distritos o grupos de edad. Estas son sólo algunas de las situaciones frecuentes que implican la iteración. La codificación de sus operaciones iterativas utilizando los enfoques que se indican a continuación te ayudarán a realizar estas tareas repetitivas más rápidamente, a reducir la posibilidad de error y a reducir la longitud del código.
Esta página presentará dos enfoques de las operaciones iterativas: el uso de bucles for y el uso del paquete purrr.
- Los bucles for iteran el código a través de una serie de entradas, pero son menos comunes en R que en otros lenguajes de programación. No obstante, los presentamos aquí como herramienta de aprendizaje y referencia
- El paquete purrr es el enfoque tidyverse de las operaciones iterativas - funciona “mapeando” una función a través de muchas entradas (valores, columnas, conjuntos de datos, etc.)
En el camino, mostraremos ejemplos como:
- Importación y exportación de múltiples archivos
- Creación de epicurvas para múltiples jurisdicciones
- Ejecución de pruebas T para varias columnas en un dataframe
En la sección de purrr también proporcionaremos varios ejemplos de creación y manejo de listas.
16.1 Preparación
Cargar paquetes
Este trozo de código muestra la carga de los paquetes necesarios para los análisis. En este manual destacamos p_load()
de pacman, que instala el paquete si es necesario y lo carga para su uso. También puedes cargar los paquetes instalados con library()
de R base. Consulta la página sobre fundamentos de R para obtener más información sobre los paquetes de R.
Importar datos
Importamos los datos de casos de una epidemia de ébola simulada. Si quieres seguir el proceso, clica para descargar linelist “limpio” (como archivo .rds). Importa los datos con la función import()
del paquete rio (maneja muchos tipos de archivos como .xlsx, .csv, .rds - Mira la página de importación y exportación para más detalles).
# importar el listado de casos
<- import("linelist_cleaned.rds") linelist
A continuación se muestran las primeras 50 filas del listado.
16.2 bucles for
bucles for en R
Los bucles for no se resaltan mucho en R, pero son comunes en otros lenguajes de programación. Como principiante, pueden ser útiles para aprender y practicar, ya que son más fáciles de “explorar”, “depurar”, y de otra manera comprender exactamente lo que está sucediendo para cada iteración, especialmente cuando todavía no te sientes cómodo escribiendo tus propias funciones.
Puedes pasar rápidamente de los bucles for a la iteración con funciones mapeadas con purrr (véase la sección siguiente).
Componentes básicos
Un bucle for tiene tres partes fundamentales:
- La secuencia de elementos a iterar
- Las operaciones a realizar por cada elemento de la secuencia
- El contenedor de los resultados (opcional)
La sintaxis básica es: for (para cada elemento de la secuencia) {hacer operaciones con el elemento}
. Fíjate en los paréntesis y las llaves. Los resultados pueden ser impresos en la consola, o almacenados en un objeto R contenedor.
A continuación se muestra un sencillo ejemplo de bucle for.
for (num in c(1,2,3,4,5)) { # La SECUENCIA está definida (números de 1 a 5) y el bucle se abre con "{"
print(num + 2) # Las OPERACIONES (añadir dos a cada elemento de la secuencia e imprimirlos en la consola)
# El bucle se cierra con "}" }
[1] 3
[1] 4
[1] 5
[1] 6
[1] 7
# No hay CONTENEDOR" en este ejemplo
Secuencia
Esta es la parte “for” de un bucle for - las operaciones se ejecutarán “para” (for) cada elemento de la secuencia. La secuencia puede ser una serie de valores (por ejemplo, nombres de jurisdicciones, enfermedades, nombres de columnas, elementos de listas, etc.), o puede ser una serie de números consecutivos (por ejemplo, 1,2,3,4,5). Cada enfoque tiene sus propias utilidades, que se describen a continuación.
La estructura básica de una declaración de secuencia es el elemento en el vector
.
- Puedes escribir cualquier carácter o palabra en lugar de “item” (por ejemplo, “i”, “num”, “hosp”, “district”, etc.). El valor de este “elemento” cambia con cada iteración del bucle, pasando por cada valor del vector.
- El vector puede ser de valores de caracteres, nombres de columnas, o quizás una secuencia de números - estos son los valores que cambiarán con cada iteración. Puedes utilizarlos dentro de las operaciones del bucle for utilizando el término “item”.
Ejemplo: secuencia de valores de caracteres
En este ejemplo, se realiza un bucle para cada valor de un vector de caracteres predefinido de nombres de hospitales.
# crea un vector con los nombres de los hospitales
<- unique(linelist$hospital)
hospital_names # imprimir hospital_names
[1] "Other"
[2] "Missing"
[3] "St. Mark's Maternity Hospital (SMMH)"
[4] "Port Hospital"
[5] "Military Hospital"
[6] "Central Hospital"
Hemos elegido el término hosp
para representar los valores del vector nombres_de_hospital. Para la primera iteración del bucle, el valor de hosp
será hospital_names[1]]
. Para la segunda iteración del bucle será hospital_names[2]]
. Y así sucesivamente…
# un 'bucle for' con secuencia de caracteres
for (hosp in hospital_names){ # secuencia
# OPERACIONES AQUÍ
}
Ejemplo: secuencia de nombres de columnas
Se trata de una variación de la secuencia de caracteres anterior, en la que se extraen los nombres de un objeto R existente y se convierten en el vector. Por ejemplo, los nombres de las columnas de un dataframe. Convenientemente, en el código de operaciones del bucle for, los nombres de las columnas se pueden utilizar para indexar (subconjuntar) tu dataframe original
A continuación, la secuencia son los names()
(nombres de columnas) del dataframe linelist
. El nombre de nuestro “elemento” es col
, que representará el nombre de cada columna a medida que avanzan los bucles.
A modo de ejemplo, incluimos código de operaciones dentro del bucle for, que se ejecuta para cada valor de la secuencia. En este código, los valores de la secuencia (nombres de las columnas) se utilizan para indexar (subconjuntar) linelist
, una por una. Como se enseñó en la página de fundamentos de R, se utilizan dobles ramificaciones [[ ]]
para el subconjunto. La columna resultante se pasa a is.na()
, y luego a sum()
para producir el número de valores de la columna que faltan. El resultado se imprime en la consola: un número por cada columna.
Una nota sobre la indexación con los nombres de las columnas - ¡cuando se refiera a la propia columna ¡no escribas simplemente “col”! ya que representa sólo el nombre de la columna de caracteres! Para referirse a la columna completa debe utilizar el nombre de la columna como un índice en linelist
a través de linelist[[col]]
.
for (col in names(linelist)){ # el bucle se ejecuta para cada columna de linelist; nombre de columna representado por "col"
# Ejemplo de código de operaciones - imprimir el número de valores peridos en la columna
print(sum(is.na(linelist[[col]]))) # linelist está indexada por el valor actual de "col"
}
[1] 0
[1] 0
[1] 2087
[1] 256
[1] 0
[1] 936
[1] 1323
[1] 278
[1] 86
[1] 0
[1] 86
[1] 86
[1] 86
[1] 0
[1] 0
[1] 0
[1] 2088
[1] 2088
[1] 0
[1] 0
[1] 0
[1] 249
[1] 249
[1] 249
[1] 249
[1] 249
[1] 149
[1] 765
[1] 0
[1] 256
Secuencia de números
En este enfoque, la secuencia es una serie de números consecutivos. Por lo tanto, el valor del “ítem” no es un valor de carácter (por ejemplo, “Hospital Central” o “fecha_de_inicio”), sino que es un número. Esto es útil para hacer un bucle a través de los dataframes, ya que puedeS utilizar el número del “ítem” dentro del bucle for para indexar el dataframe por número de fila.
Por ejemplo, digamos que quiereS recorrer cada fila de tu dataframe y extraer cierta información. Sus “elementos” serían números de fila numéricos. A menudo, los “elementos” en este caso se escriben como i
.
El proceso del bucle for podría explicarse en palabras como “para cada elemento de una secuencia de números desde 1 hasta el número total de filas de mi dataframe, haz X”. Para la primera iteración del bucle, el valor del “elemento” i
sería 1. Para la segunda iteración, i
sería 2, etc.
Aquí está el aspecto de la secuencia en código: for (i in 1:nrow(linelist)) {CODIGO DE OPERACIONES}
donde i
representa el “elemento” y 1:nrow(linelist)
produce una secuencia de números consecutivos desde 1 hasta el número de filas en linelist
.
for (i in 1:nrow(linelist)) { # utilizar en un data frame
# OPERACIONES AQUÍ
}
Si quieres que la secuencia sea numérica, pero partes de un vector (no de un dataframe), utiliza el atajo seq_along()
para devolver una secuencia de números para cada elemento del vector. Por ejemplo, for (i en seq_along(nombres_de_hospital) {Código_de_operaciones}
.
El código siguiente devuelve en realidad números, que se convertirían en el valor dei
en tu respectivo bucle.
seq_along(hospital_names) # use on a named vector
[1] 1 2 3 4 5 6
Una ventaja de usar números en la secuencia es que es fácil usar también el númeroi
para indexar un contenedor que almacene las salidas del bucle. Hay un ejemplo de esto en la sección de Operaciones más abajo.
Operaciones
Este es el código dentro de las llaves { }
del bucle for. Quieres que este código se ejecute para cada “elemento” de la secuencia. Por lo tanto, ¡ten cuidado de que cada parte de tu código que cambia por el “ítem” esté correctamente codificado de manera que realmente cambie! Por ejemplo, recuerda usar [[ ]]
para la indexación.
En el ejemplo siguiente, iteramos por cada fila de linelist
. Los valores de género y edad de cada fila se pegan juntos y se almacenan en el vector de caracteres contenedor cases_demographics
. Observa cómo también utilizamos la indexación [[i]]
para guardar la salida del bucle en la posición correcta en el vector “contenedor”.
# crear un contenedor para almacenar los resultados - un vector de caracteres
<- vector(mode = "character", length = nrow(linelist))
cases_demographics
# el bucle for
for (i in 1:nrow(linelist)){
# OPERACIONES
# extraer valores de linelist para la fila i, usando paréntesis para indexarlos
<- linelist$gender[[i]]
row_gender <- linelist$age_years[[i]] # ¡no olvidar indexar!
row_age
# combinar género-edad y almacenar en el vector contenedor en la ubicación indexada
<- str_c(row_gender, row_age, sep = ",")
cases_demographics[[i]]
# fin del bucle for
}
# mostrar las 10 primeras filas del contenedor
head(cases_demographics, 10)
[1] "m,2" "f,3" "m,56" "f,18" "m,3" "f,16" "f,16" "f,0" "m,61" "f,27"
Contenedor
A veces los resultados de tu bucle for se imprimirán en la consola o en el panel de gráficos de RStudio. Otras veces, querrás almacenar los resultados en un “contenedor” para su uso posterior. Dicho contenedor puede ser un vector, un dataframe o incluso una lista.
Lo más eficiente es crear el contenedor de los resultados antes de comenzar el bucle for. En la práctica, esto significa crear un vector vacío, un dataframe o una lista. Estos pueden ser creados con las funciones vector()
para vectores o listas, o con matrix()
y data.frame()
para un dataframe.
Vector vacío
Utiliza vector()
y especifica el mode =
en función del tipo esperado de objetos que vas a insertar - ya sea “double” (para contener números), “carácter” o “lógico”. También debes establecer la length =
(longitud) por adelantado. Esta debe ser la longitud de tu secuencia de bucle for.
Digamos que quieres almacenar la mediana de la demora hasta el ingreso para cada hospital. Utilizarís “double” y establecerías que la longitud fuera el número de salidas esperadas (el número de hospitales únicos en el set de datos).
<- vector(
delays mode = "double", # esperamos almacenar números
length = length(unique(linelist$hospital))) # el número de hospitales únicos en el conjunto de datos
Dataframe vacío
Puedes hacer un dataframe vacío especificando el número de filas y columnas de esta manera:
<- data.frame(matrix(ncol = 2, nrow = 3)) delays
Lista vacía
Es posible que desees almacenar algunos gráficos creados por un bucle for en una lista. Una lista es como un vector, pero contiene otros objetos R dentro de ella que pueden ser de diferente tipo. Los elementos de una lista pueden ser un solo número, un dataframe, un vector e incluso otra lista.
En realidad, se inicializa una lista vacía utilizando el mismo comando vector()
que el anterior, pero con mode = "list"
. Especifica la longitud como quieras.
<- vector(mode = "list", length = 16) plots
Impresión
Ten en cuenta que para imprimir desde dentro de un bucle for probablemente tendrás que envolver explícitamente con la función print()
. En este ejemplo, la secuencia es un vector de caracteres explícito, que se utiliza para subsumir linelist
en un hospital. Los resultados no se almacenan en un contenedor, sino que se imprimen en la consola con la función print()
.
for (hosp in hospital_names){
<- linelist %>% filter(hospital == hosp)
hospital_cases print(nrow(hospital_cases))
}
[1] 885
[1] 1469
[1] 422
[1] 1762
[1] 896
[1] 454
###Probar tu bucle for {.unnumbered}
Para probar tu bucle, puedes ejecutar un comando para hacer una asignación temporal del “elemento”, como i <- 10
o hosp <- "Central Hospital "
. Haz esto fuera del bucle y luego ejecuta tu código de operaciones solamente (el código dentro de las llaves) para ver si se producen los resultados esperados.
Bucles con gráficos
Para reunir los tres componentes (contenedor, secuencia y operaciones) vamos a intentar trazar una epicurva para cada hospital (véase la página sobre curvas epidémicas).
Podemos hacer una bonita epicurva de todos los casos por género utilizando el paquete incidence2 como se indica a continuación:
# crear objeto 'incidence'
<- incidence2::incidence(
outbreak x = linelist, # dataframe - linelist completo
date_index = "date_onset", # columna de fecha
interval = "week", # agregar recuentos semanales
groups = "gender") # agrupar valores por género
#na_as_group = TRUE) # los valores perdidos de género tienen su grupo propio
# trazar curva epidemiológica
ggplot(outbreak, # nom de l'objet d'incidence
aes(x = date_index, #aesthetiques et axes
y = count,
fill = gender), # Fill colour of bars by gender
color = "black" # Contour colour of bars
+
) geom_col() +
facet_wrap(~gender) +
theme_bw() +
labs(title = "Outbreak of all cases", #titre
x = "Counts",
y = "Date",
fill = "Gender",
color = "Gender")
Para producir un gráfico separado para cada caso del hospital, podemos poner este código de epicurva dentro de un bucle for.
En primer lugar, guardamos un vector con los nombres únicos de los hospitales, hospital_names
. El bucle for se ejecutará una vez para cada uno de estos nombres: for (hosp in hospital_names)
. En cada iteración del bucle for, el nombre actual del hospital del vector se representará como hosp
para tu uso dentro del bucle.
Dentro de las operaciones del bucle, puedes escribir el código R de forma normal, pero utilizando el “elemento” (hosp
en este caso) sabiendo que tu valor será cambiante. Dentro de este bucle:
- Se aplica un
filter()
alinelist
, de forma que la columnahospital
debe ser igual al valor actual dehosp
- El objeto de incidencia se crea en
linelist
filtradas - Se crea una gráfica del hospital actual, con un título autoajustable que utiliza
hosp
- El gráfico del hospital actual se guarda temporalmente y luego se imprime
- El bucle sigue adelante para repetirse con el siguiente hospital de
hospital_names
# crear un vector con los nombres de los hospitales
<- unique(linelist$hospital)
hospital_names
# para cada nombre ("hosp") en hospital_names, crear e imprimir la curva epidémica
for (hosp in hospital_names) {
# crear objeto de incidencia específico para el hospital actual
<- incidence2::incidence(
outbreak_hosp x = linelist %>% filter(hospital == hosp), # se filtra linelist para el hospital actual
date_index = "date_onset",
interval = "week",
groups = "gender"#,
#na_as_group = TRUE
)
# Crea y guarda la gráfica. El título se ajusta automáticamente al hospital actual
<- ggplot(outbreak_hosp, # incidence object name
plot_hosp aes(x = date_index, #axes
y = count,
fill = gender), # fill colour by gender
color = "black" # colour of bar contour
+
) geom_col() +
facet_wrap(~gender) +
theme_bw() +
labs(title = stringr::str_glue("Epidemic of cases admitted to {hosp}"), #title
x = "Counts",
y = "Date",
fill = "Gender",
color = "Gender")
# With older versions of R, remove the # before na_as_group and use this plot command instead.
# plot_hosp <- plot(
# outbreak_hosp,
# fill = "gender",
# color = "black",
# title = stringr::str_glue("Epidemic of cases admitted to {hosp}")
# )
# imprime el gráfico para el hospital actual
print(plot_hosp)
# finaliza el bucle for cuando se ha ejecutado para cada hospital en hospital_names }
Seguimiento del progreso de un bucle
Un bucle con muchas iteraciones puede funcionar durante muchos minutos o incluso horas. Por lo tanto, puede ser útil imprimir el progreso en la consola de R. La sentencia if
de abajo puede colocarse dentro de las operaciones del bucle para imprimir cada 100 números. Sólo tiene que ajustarla para que i
sea el “elemento” de tu bucle.
# bucle con código para imprimir el progreso cada 100 iteraciones
for (i in seq_len(nrow(linelist))){
# imprimir progreso
if(i %% 100==0){ # El operador %% es el resto
print(i)
}
16.3 purrr y listas
Otro enfoque de las operaciones iterativas es el paquete purrr - es el enfoque tidyverse de la iteración.
Si tienes que realizar la misma tarea varias veces, probablemente merezca la pena crear una solución generalizada que puedas utilizar en muchas entradas. Por ejemplo, producir gráficos para múltiples jurisdicciones, o importar y combinar muchos archivos.
También hay algunas otras ventajas de purrr - puedes usarlo con pipes %>%
, que maneja los errores mejor que los bucles for normales, ¡y la sintaxis es bastante limpia y simple! Si estás utilizando un bucle for, probablemente puedas hacerlo de forma más clara y sucinta con purrr!
Ten en cuenta que purrr es una herramienta de programación funcional. Es decir, las operaciones que se van a aplicar de forma iterativa están envueltas en funciones. Consulta la página Escribir funciones para aprender a escribir tus propias funciones.
purrr también se basa casi por completo en listas y vectores, así que piensa en ello como si aplicaras una función a cada elemento de esa lista/vector.
Cargar paquetes
purrr forma parte de tidyverse, por lo que no es necesario instalar/cargar un paquete aparte.
::p_load(
pacman# importación/exportación
rio, # localizador de ficheros
here, # gestión y visualización de datos
tidyverse, # escribe un fichero Excel con múltiples hojas
writexl, # importa Excel con múltiples hojas
readxl )
map()
Una de las funciones principales de purrr es map()
, que “mapea” (aplica) una función a cada elemento de entrada de una lista/vector que has proporcionado.
La sintaxis básica es map(.x = SECUENCIA, .f = FUNCIÓN, OTROS ARGUMENTOS)
. Con un poco más de detalle:
.x =
son las entradas sobre las que se aplicará iterativamente la función .f - por ejemplo, un vector de nombres de jurisdicciones, columnas de un dataframe o una lista de dataframes.f =
es la función a aplicar a cada elemento de la entrada.x
- puede ser una función comoprint()
que ya existe, o una función personalizada que tu definas. La función se suele escribir después de una tilde~
(detalles más abajo).
Algunas notas más sobre la sintaxis:
- Si la función no necesita especificar más argumentos, puede escribirse sin paréntesis y sin tilde (por ejemplo,
.f = mean
). Para proporcionar argumentos que tendrán el mismo valor en cada iteración, escríbelos dentro demap()
pero fuera del argumento.f =
, como por ejemplona.rm = T
enmap(.x = mi_lista, .f = mean, na.rm=T)
. - Puedes utilizar
.x
(o simplemente.
) dentro de la función.f =
como marcador de posición para el valor.x
de esa iteración - Utiliza la sintaxis con tilde (
~
) para tener un mayor control sobre la función - escribe la función de forma normal con paréntesis, como por ejemplo:map(.x = mi_lista, .f = \~mean(., na.rm = T))
. Utiliza esta sintaxis sobre todo si el valor de un argumento va a cambiar en cada iteración, o si es el propio valor.x
(véanse los ejemplos siguientes)
La salida al usar map()
es una lista - una lista es un tipo de objeto como un vector pero cuyos elementos pueden ser de tipo diferente. Por lo tanto, una lista producida por map()
podría contener muchos dataframes, o muchos vectores, muchos valores individuales, ¡o incluso muchas listas! Existen versiones alternativas de map()
que se explican a continuación y que producen otros tipos de salidas (por ejemplo, map_dfr()
para producir un dataframe, map_chr()
para producir vectores de caracteres y map_dbl()
para producir vectores numéricos).
Ejemplo: importar y combinar hojas de Excel
Hagamos una demostración con una tarea epidemiológica común: - Quieres importar un libro de Excel con datos de casos, pero los datos están divididos en diferentes hojas en el libro. ¿Cómo puedes importar y combinar eficazmente las hojas en un dataframe?
Supongamos que nos envían el siguiente libro de Excel. Cada hoja contiene casos de un determinado hospital.
Este es un enfoque que utiliza map()
:
map()
la funciónimport()
para que se ejecute para cada hoja de Excel- Combinar los dataframes importados en uno solo utilizando
bind_rows()
- A lo largo del proceso, conserva el nombre original de la hoja para cada fila, almacenando esta información en una nueva columna en el dataframe final
En primer lugar, tenemos que extraer los nombres de las hojas y guardarlos. Proporcionamos la ruta del archivo de Excel a la función excel_sheets()
del paquete readxl, que extrae los nombres de las hojas. Los almacenamos en un vector de caracteres llamado sheet_names
.
<- readxl::excel_sheets("hospital_linelists.xlsx") sheet_names
Aquí están los nombres:
sheet_names
[1] "Central Hospital" "Military Hospital"
[3] "Missing" "Other"
[5] "Port Hospital" "St. Mark's Maternity Hospital"
Ahora que tenemos este vector de nombres, map()
puede proporcionarlos uno a uno a la función import()
. En este ejemplo, los sheet_names
son .x
e import()
es la función .f
.
Recuerda de la página de importación y exportación que cuando se utiliza en libros de Excel, import()
puede aceptar el argumento which =
especificando la hoja a importar. Dentro de la función .f
en import()
, proporcionamos which = .x
, cuyo valor cambiará con cada iteración a través del vector `sheet_names - primero “Hospital Central”, luego “Military Hospital”, etc.
Hay que tener en cuenta que, como hemos utilizado map()
, los datos de cada hoja de Excel se guardarán como un dataframe separado dentro de una lista. Queremos que cada uno de estos elementos de la lista (dataframes) tenga un elemento names, así que antes de pasar sheet_names
a map()
lo pasamos a través de set_names()
de purrr, lo que asegura que cada elemento de la lista obtenga el nombre apropiado.
Guardamos la lista de salida como combined
.
<- sheet_names %>%
combined ::set_names() %>%
purrrmap(.f = ~import("hospital_linelists.xlsx", which = .x))
Cuando inspeccionamos la salida, vemos que los datos de cada hoja de Excel se guardan en la lista con un nombre. Esto es bueno, pero no hemos terminado.
Por último, utilizamos la función bind_rows()
(de dplyr) que acepta la lista de dataframes de estructura similar y los combina en un dataframe. Para crear una nueva columna a partir de los nombres de los elementos de la lista, utilizamos el argumento .id =
y le proporcionamos el nombre deseado para la nueva columna.
A continuación se muestra toda la secuencia de comandos:
<- readxl::excel_sheets("hospital_linelists.xlsx") # extrae los nombres de las hojas
sheet_names
<- sheet_names %>% # comienza con los nombres de las hojas
combined ::set_names() %>% # establece sus nombres
purrrmap(.f = ~import("hospital_linelists.xlsx", which = .x)) %>% # iterativamente, importa, guarda en una lista
bind_rows(.id = "origin_sheet") # combina la lista de data frames, preservando el origen en la nueva columna
¡Y ahora tenemos un dataframe con una columna que contiene la hoja de origen!
Hay variaciones de map()
que debes conocer. Por ejemplo, map_dfr()
devuelve un dataframe, no una lista. Por lo tanto, podríamos haberla utilizado para la tarea anterior y no haber tenido que enlazar filas. Pero entonces no habríamos podido capturar de qué hoja (hospital) procedía cada caso.
Otras variaciones son map_chr()
, map_dbl()
. Estas funciones son muy útiles por dos razones. En primer lugar, convierten automáticamente la salida de una función iterativa en un vector (no en una lista). En segundo lugar, pueden controlar explícitamente el tipo en el que vuelven los datos - te aseguras de que tus datos vuelven como un vector de caracteres con map_chr()
, o vector numérico con map_dbl()
. Volveremos a esto más adelante en la sección.
Las funciones map_at()
y map_if()
también son muy útiles para la iteración - ¡permiten especificar en qué elementos de una lista se debe iterar! Funcionan simplemente aplicando un vector de índices/nombres (en el caso de map_at()
) o una prueba lógica (en el caso de map_if()
).
Utilicemos un ejemplo en el que no queremos leer la primera hoja de datos del hospital. Usamos map_at()
en lugar de map()
, y especificamos el argumento .at =
a c(-1)
que significa no usar el primer elemento de .x. Alternativamente, puedes proporcionar un vector de números positivos, o nombres, a .at =
para especificar qué elementos usar.
<- readxl::excel_sheets("hospital_linelists.xlsx")
sheet_names
<- sheet_names %>%
combined ::set_names() %>%
purrr# exclude the first sheet
map_at(.f = ~import( "hospital_linelists.xlsx", which = .x),
.at = c(-1))
Ten en cuenta que el nombre de la primera hoja seguirá apareciendo como un elemento de la lista de salida, pero es sólo un nombre de un solo carácter (no un dataframe). Tendrás que eliminar este elemento antes de vincular las filas. Veremos cómo eliminar y modificar los elementos de la lista en una sección posterior.
Dividir los datos y exportar
A continuación, damos un ejemplo de cómo dividir unos datos en partes y luego utilizar la iteración map()
para exportar cada parte como una hoja de Excel separada, o como un archivo CSV separado.
Dividir los datos
Digamos que tenemos una lista de casos
de casos completa como un dataframe, y ahora queremos crear un listado separado para cada hospital y exportar cada una como un archivo CSV separado. A continuación, hacemos los siguientes pasos:
Utiliza group_split()
(de dplyr) para dividir el dataframe del listado por valores únicos en la columna hospital
. La salida es una lista que contiene un dataframe por cada subconjunto de un hospital.
<- linelist %>%
linelist_split group_split(hospital)
Podemos ejecutar View(linelist_split)
y ver que esta lista contiene 6 dataframes (“tibbles”), cada uno de los cuales representa los casos de un hospital.
Sin embargo, ten en cuenta que los dataframes de la lista no tienen nombres por defecto. Queremos que cada uno de ellos tenga un nombre, y luego utilizar ese nombre al guardar el archivo CSV.
Un enfoque para extraer los nombres es utilizar pull()
(de dplyr) para extraer la columna hospital
de cada dataframe de la lista. Luego, para estar seguros, convertimos los valores a caracteres y luego usamos unique()
para obtener el nombre de ese dataframe en particular. Todos estos pasos se aplican a cada dataframe mediante map()
.
names(linelist_split) <- linelist_split %>% # Asigna a los nombres de los marcos de datos listados
# Extrae los nombres haciendo lo siguiente a cada data frame:
map(.f = ~pull(.x, hospital)) %>% # Extraer la columna hospital
map(.f = ~as.character(.x)) %>% # Convertir a carácter, por si acaso
map(.f = ~unique(.x)) # Toma el nombre único del hospital
Ahora podemos ver que cada uno de los elementos de la lista tiene un nombre. Se puede acceder a estos nombres mediante names(linelist_split)
.
names(linelist_split)
[1] "Central Hospital"
[2] "Military Hospital"
[3] "Missing"
[4] "Other"
[5] "Port Hospital"
[6] "St. Mark's Maternity Hospital (SMMH)"
Más de una columna group_split()
Si deseas dividir linelist
por más de una columna de agrupación, por ejemplo, para producir un listado de subconjuntos por la intersección de hospital Y género, necesitarás un enfoque diferente para nombrar los elementos de la lista. Esto implica recoger las “claves de grupo” únicas utilizando group_keys()
de dplyr - se devuelven como un dataframe. Luego puedes combinar las claves de grupo en valores con unite()
como se muestra a continuación, y asignar estos nombres conglomerados a linelist_split
.
# divide linelist por combinaciones únicas de hospital-género
<- linelist %>%
linelist_split group_split(hospital, gender)
# extrae group_keys() como un dataframe
<- linelist %>%
groupings group_by(hospital, gender) %>%
group_keys()
# muestra agrupaciones únicas groupings
# A tibble: 18 × 2
hospital gender
<chr> <chr>
1 Central Hospital f
2 Central Hospital m
3 Central Hospital <NA>
4 Military Hospital f
5 Military Hospital m
6 Military Hospital <NA>
7 Missing f
8 Missing m
9 Missing <NA>
10 Other f
11 Other m
12 Other <NA>
13 Port Hospital f
14 Port Hospital m
15 Port Hospital <NA>
16 St. Mark's Maternity Hospital (SMMH) f
17 St. Mark's Maternity Hospital (SMMH) m
18 St. Mark's Maternity Hospital (SMMH) <NA>
Ahora combinamos las agrupaciones juntas, separadas por guiones, y las asignamos como los nombres de los elementos de la lista en linelist_split
. Esto requiere algunas líneas adicionales, ya que sustituimos NA
por “Missing”, utilizamos unite()
de dplyr para combinar los valores de las columnas juntos (separados por guiones), y luego los convertimos en un vector sin nombre para poder utilizarlos como nombres de linelist_split
.
# Combinar en un valor de nombre
names(linelist_split) <- groupings %>%
mutate(across(everything(), replace_na, "Missing")) %>% # sustituye NA por "Missing" en todas las columnas
unite("combined", sep = "-") %>% # Unir todos los valores de columna en uno
setNames(NULL) %>%
as_vector() %>%
as.list()
Exportar como hojas de Excel
Para exportar los listados del hospital como un libro de Excel con un listado por hoja, podemos simplemente proporcionar la lista con nombre linelist_split
a la función write_xlsx()
del paquete writexl. Esto tiene la capacidad de guardar un libro de Excel con múltiples hojas. Los nombres de los elementos de la lista se aplican automáticamente como los nombres de las hojas.
%>%
linelist_split ::write_xlsx(path = here("data", "hospital_linelists.xlsx")) writexl
Ahora puedes abrir el archivo de Excel y ver que cada hospital tiene tu propia hoja.
Exportar como archivos CSV
Es un comando un poco más complejo, pero también puedes exportar cada listado por hospital como un archivo CSV separado, con un nombre de archivo específico para el hospital.
De nuevo utilizamos map()
: tomamos el vector de nombres de elementos de la lista (mostrado arriba) y utilizamos map()
para iterar a través de ellos, aplicando export()
(del paquete rio, véase la página Importar y exportar) en el dataframe de lista linelist_split
que tiene ese nombre. También utilizamos el nombre para crear un nombre de archivo único. Así es como funciona:
- Comenzamos con el vector de nombres de caracteres, pasado a
map()
como.x
- La función
.f
esexport()
, que requiere un dataframe y una ruta de archivo para escribirlo - La entrada
.x
(el nombre del hospital) se utiliza dentro de.f
para extraer/indexar ese elemento específico de la listalinelist_split
. Esto hace que sólo se proporcione un dataframe a la vez aexport()
. - Por ejemplo, cuando
map()
itera por “Military Hospital”, entonceslinelist
_split[.x]] es en realidadlinelist_split[["Military Hospital"]]
, devolviendo así el segundo elemento delinelist_split
- que son todos los casos del Military Hospital. - La ruta del archivo proporcionada a
export()
es dinámica mediante el uso destr_glue()
(ver página de caracteres y cadenas): - here() se utiliza para obtener la base de la ruta del archivo y especificar la carpeta “data” (nótese las comillas simples para no interrumpir las comillas dobles de
str_glue()
) - A continuación, una barra
/
, y luego de nuevo el.x
que imprime el nombre actual del hospital para que el archivo sea identificable - Por último, la extensión “.csv” que
export()
utiliza para crear un archivo CSV
names(linelist_split) %>%
map(.f = ~export(linelist_split[[.x]], file = str_glue("{here('data')}/{.x}.csv")))
¡Ahora puedes ver que cada archivo se guarda en la carpeta “data” del proyecto R “Epi_R_handbook”.”!
Funciones personalizadas
Puedes crear tu propia función para proporcionar a map()
.
Digamos que queremos crear curvas epidémicas para los casos de cada hospital. Para hacer esto usando purrr, nuestra función .f
puede ser ggplot()
y las extensiones con + como de costumbre. Como la salida de map()
es siempre una lista, los gráficos se almacenan en una lista. Como son gráficos, pueden ser extraídas y trazadas con la función ggarrange()
del paquete ggpubr (documentación).
# cargar paquete para graficar elementos de la lista
::p_load(ggpubr)
pacman
## mapear a través del vector de 6 "nombres" de hospital (creado anteriormente)
# usar la función ggplot especificada
# la salida es una lista con 6 ggplots
<- unique(linelist$hospital)
hospital_names
<- map(
my_plots .x = hospital_names,
.f = ~ggplot(data = linelist %>% filter(hospital == .x)) +
geom_histogram(aes(x = date_onset)) +
labs(title = .x)
)
# imprimir los ggplots (se almacenan en una lista)
ggarrange(plotlist = my_plots, ncol = 2, nrow = 3)
Si este código de map()
parece demasiado desordenado, se puede conseguir el mismo resultado guardando el comando específico de ggplot()
como una función personalizada definida por el usuario, por ejemplo podemos llamarla make_epicurve()
). Esta función se utiliza entonces dentro de la función map()
. .x
se sustituirá iterativamente por el nombre del hospital, y se utilizará como hosp_name
en la función make_epicurve()
. Véase la página sobre Escribir funciones.
# Crear función
<- function(hosp_name){
make_epicurve
ggplot(data = linelist %>% filter(hospital == hosp_name)) +
geom_histogram(aes(x = date_onset)) +
theme_classic()+
labs(title = hosp_name)
}
# mapear
<- map(hospital_names, ~make_epicurve(hosp_name = .x))
my_plots
# imprimir los ggplots (se almacenan en una lista)
ggarrange(plotlist = my_plots, ncol = 2, nrow = 3)
Mapear una función a través de las columnas
Otro caso de uso común es asignar una función a varias columnas. A continuación, map()
la función t.test()
a través de columnas numéricas del dataframe linelist
, comparando los valores numéricos por género.
Recuerda de la página sobre Test estadísticos simples que t.test()
puede tomar entradas en un formato de fórmula, como t.test(columna numérica ~ columna binaria)
. En este ejemplo, hacemos lo siguiente:
- Las columnas numéricas de interés se seleccionan del listado - éstas se convierten en las entradas
.x
demap()
- La función
t.test()
se suministra como la función.f
, que se aplica a cada columna numérica - Dentro del paréntesis de
t.test()
:- el primer
~
precede al.f
quemap()
iterará sobre el.x
- el
.x
representa la columna actual que se suministra a la funciónt.test()
- el segundo
~
es parte de la ecuación del test-t descrita anteriormente - la función
t.test()
espera una columna binaria en el lado derecho de la ecuación. Suministramos el vectorlinelist$gender
de forma independiente y estática (Ten en cuenta que no se incluye enselect()
).
- el primer
map()
devuelve una lista, por lo que la salida es una lista de resultados del test-t, un elemento de la lista por cada columna numérica analizada.
# Results are saved as a list
<- linelist %>%
t.test_results select(age, wt_kg, ht_cm, ct_blood, temp) %>% # mantener sólo algunas columnas numéricas para mapear a través de
map(.f = ~t.test(.x ~ linelist$gender)) # función t.test, con ecuación NUMERIC ~ CATEGORICAL
Este es el aspecto de la lista t.test_results
cuando se abre (view) en RStudio. Hemos resaltado las partes que son importantes para los ejemplos de esta página.
- Puedes ver en la parte superior que toda la lista se llama
t.test_results
y tiene cinco elementos. Esos cinco elementos se denominanage
,wt_km
,ht_cm
,ct_blood
,temp
después de cada variable que se utilizó en una prueba t con elgender
delinelist
. - Cada uno de esos cinco elementos son a su vez listas, con elementos dentro de ellas como
p.value
yconf.int
. Algunos de estos elementos, comop.value
, son números individuales, mientras que otros, comoconf.int
, constan de dos o más elementos (mean in group f
ymean in group m
).
Nota: Recuerda que si deseas aplicar una función sólo a determinadas columnas de un dataframe, puedes utilizar simplemente mutate()
y across()
, como se explica en la página Limpieza de datos y funciones básicas. A continuación se muestra un ejemplo de aplicación de as.character()
sólo a las columnas “age”. Observa la colocación de los paréntesis y las comas.
# convertir columnas cuyo nombre contenga " age " de clase Carácter
<- linelist %>%
linelist mutate(across(.cols = contains("age"), .fns = as.character))
Extraer de las listas
Como map()
produce una salida del tipo List, dedicaremos algún tiempo a discutir cómo extraer datos de las listas utilizando las funciones purrr que las acompañan. Para mostrar esto, utilizaremos la lista t.test_results
de la sección anterior. Esta es una lista de 5 listas - cada una de las 5 listas contiene los resultados de una prueba t entre una columna del dataframe linelist
y su columna binaria gender
. Consulta la imagen de la sección anterior para ver la estructura de la lista.
Nombres de elementos
Para extraer los nombres de los elementos en sí, basta con utilizar names()
de R base. En este caso, utilizamos names()
en t.test_results
para devolver los nombres de cada sublista, que son los nombres de las 5 variables a las que se les realizaron test-t.
names(t.test_results)
[1] "age" "wt_kg" "ht_cm" "ct_blood" "temp"
Elementos por nombre o posición
Para extraer los elementos de la lista por su nombre o su posición se pueden utilizar paréntesis [[ ]]
como se describe en la página de fundamentos de R. A continuación, utilizamos corchetes dobles para indexar la lista t.test_results
y mostrar el primer elemento, que son los resultados del test-t sobre age
.
1]] # primer elemento por posición t.test_results[[
Welch Two Sample t-test
data: .x by linelist$gender
t = -21.3, df = 4902.9, p-value < 2.2e-16
alternative hypothesis: true difference in means between group f and group m is not equal to 0
95 percent confidence interval:
-7.544409 -6.272675
sample estimates:
mean in group f mean in group m
12.66085 19.56939
1]]["p.value"] # devolver elemento llamado "p. value" del primer elemento t.test_results[[
$p.value
[1] 2.350374e-96
Sin embargo, a continuación mostraremos el uso de las sencillas y flexibles funciones de purrr map()
y pluck()
para lograr los mismos resultados.
pluck()
pluck()
extrae elementos por nombre o por posición. Por ejemplo, para extraer los resultados del test-t para la edad, puedes utilizar pluck()
así:
%>%
t.test_results pluck("age") # alternativamente, usa pluck(1)
Welch Two Sample t-test
data: .x by linelist$gender
t = -21.3, df = 4902.9, p-value < 2.2e-16
alternative hypothesis: true difference in means between group f and group m is not equal to 0
95 percent confidence interval:
-7.544409 -6.272675
sample estimates:
mean in group f mean in group m
12.66085 19.56939
Indexa niveles más profundos especificando los niveles adicionales con comas. A continuación se extrae el elemento denominado “p.value” de la lista age
dentro de la lista t.test_results
. También puedes utilizar números en lugar de nombres de caracteres.
%>%
t.test_results pluck("age", "p.value")
[1] 2.350374e-96
Puedes extraer estos elementos internos de todos los elementos de primer nivel utilizando map()
para ejecutar la función pluck()
en cada elemento de primer nivel. Por ejemplo, el siguiente código extrae los elementos “p.value” de todas las listas dentro de t.test_results
. La lista de resultados del test-t es el .x
que se itera, pluck()
es la función .f
que se itera, y el valor “p-value” se proporciona a la función.
%>%
t.test_results map(pluck, "p.value") # devuelve los valores-p
$age
[1] 2.350374e-96
$wt_kg
[1] 2.664367e-182
$ht_cm
[1] 3.515713e-144
$ct_blood
[1] 0.4473498
$temp
[1] 0.5735923
Como otra alternativa, map()
ofrece una forma abreviada en la que puedes escribir el nombre del elemento entre comillas, y lo extraerá. Si utilizas map()
la salida será una lista, mientras que si utilizas map_chr()
será un vector de caracteres con nombre y si utilizas map_dbl()
será un vector numérico con nombre.
%>%
t.test_results map_dbl("p.value") # devuelve los valores-p como un vector numérico con nombre
age wt_kg ht_cm ct_blood temp
2.350374e-96 2.664367e-182 3.515713e-144 4.473498e-01 5.735923e-01
Puedes leer más sobre pluck()
en la documentación purrr. Tiene una función hermana chuck()
que devolverá un error en lugar de NULL si no existe un elemento.
Convertir una lista en un dataframe
Este es un tema complejo - Mira la sección de Recursos para tutoriales más completos. Sin embargo, vamos a mostrar la conversión de la lista de resultados del test-t en un dataframe. Crearemos un dataframe con columnas para la variable, su valor-p y las medias de los dos grupos (hombres y mujeres).
Estos son algunos de los nuevos enfoques y funciones que se utilizarán:
- La función
tibble()
se utilizará para crear un tibble (como un dataframe)- Rodeamos la función
tibble()
con corchetes{ }
para evitar que todo elt.test_results
se almacene como la primera columna tibble
- Rodeamos la función
- Dentro de
tibble()
, cada columna se crea explícitamente, de forma similar a la sintaxis demutate()
:- El
.
representat.test_results
- Para crear una columna con los nombres de las variables del test-t (los nombres de cada elemento de la lista) utilizamos
names()
como se ha descrito anteriormente - Para crear una columna con los valores p utilizamos
map_dbl()
como se ha descrito anteriormente para extraer los elementosp.value
y convertirlos en un vector numérico
- El
%>% {
t.test_results tibble(
variables = names(.),
p = map_dbl(., "p.value"))
}
# A tibble: 5 × 2
variables p
<chr> <dbl>
1 age 2.35e- 96
2 wt_kg 2.66e-182
3 ht_cm 3.52e-144
4 ct_blood 4.47e- 1
5 temp 5.74e- 1
Pero ahora vamos a añadir columnas que contengan las medias de cada grupo (hombres y mujeres).
Tendríamos que extraer el elemento estimate
, pero éste contiene en realidad dos elementos en su interior (media en el grupo f
y media en el grupo m
). Por lo tanto, no se puede simplificar en un vector con map_chr()
o map_dbl()
. En su lugar, utilizamos map()
, que usado dentro de tibble()
creará una columna de tipo lista dentro del tibble! ¡Sí, esto es posible!
%>%
t.test_results tibble(
{variables = names(.),
p = map_dbl(., "p.value"),
means = map(., "estimate"))}
# A tibble: 5 × 3
variables p means
<chr> <dbl> <named list>
1 age 2.35e- 96 <dbl [2]>
2 wt_kg 2.66e-182 <dbl [2]>
3 ht_cm 3.52e-144 <dbl [2]>
4 ct_blood 4.47e- 1 <dbl [2]>
5 temp 5.74e- 1 <dbl [2]>
Una vez que tengas esta columna de lista, hay varias funciones de tidyr (parte de tidyverse) que te ayudan a “rectangular” o “desanidar” estas columnas de “lista anidada”. Lee más sobre ellas aquí, o ejecutando vignette("rectangle")
. En resumen:
unnest_wider()
- da a cada elemento de una lista-columna tu propia columnaunnest_longer()
- da a cada elemento de una lista-columna tu propia filahoist()
- actúa comounnest_wider()
pero se especifica qué elementos se van a anular
A continuación, pasamos el tibble a unnest_wider()
especificando la columna means
del tibble (que es una lista anidada). El resultado es que means
se sustituyen por dos nuevas columnas, cada una de las cuales refleja los dos elementos que había antes en cada celda means
.
%>%
t.test_results tibble(
{variables = names(.),
p = map_dbl(., "p.value"),
means = map(., "estimate")
%>%
)} unnest_wider(means)
# A tibble: 5 × 4
variables p `mean in group f` `mean in group m`
<chr> <dbl> <dbl> <dbl>
1 age 2.35e- 96 12.7 19.6
2 wt_kg 2.66e-182 45.8 59.6
3 ht_cm 3.52e-144 109. 142.
4 ct_blood 4.47e- 1 21.2 21.2
5 temp 5.74e- 1 38.6 38.6
Descartar, conservar y compactar listas
Dado que el trabajo con purrr implica a menudo listas, exploraremos brevemente algunas funciones de purrr para modificar listas. Consulta la sección de Recursos para ver tutoriales más completos sobre las funciones de purrr.
list_modify()
tiene muchos usos, uno de los cuales puede ser eliminar un elemento de la listakeep()
conserva los elementos especificados a.p =
, o cuando una función suministrada a.p =
evalúa a TRUEdiscard()
elimina los elementos especificados a.p
, o cuando una función suministrada a.p =
evalúa a TRUEcompact()
elimina todos los elementos vacíos
Aquí hay algunos ejemplos que utilizan la lista combined
creada en la sección anterior sobre el uso de map()
para importar y combinar múltiples archivos (contiene 6 dataframes de listas de casos):
Los elementos pueden ser eliminados por su nombre con list_modify()
y estableciendo el nombre igual a NULL
.
%>%
combined list_modify("Central Hospital" = NULL) # elimina el elemento de la lista por su nombre
También puedes eliminar elementos por criterio, proporcionando una ecuación “predicada” a .p =
(una ecuación que evalúa a TRUE o FALSE). Coloca una tilde ~
antes de la función y utiliza .x
para representar el elemento de la lista. Utilizando keep()
se conservarán los elementos de la lista que se evalúen como TRUE. A la inversa, si se utiliza discard()
se eliminarán los elementos de la lista que se evalúen como TRUE.
# conserva sólo los elementos de lista con más de 500 filas
%>%
combined keep(.p = ~nrow(.x) > 500)
En el siguiente ejemplo, los elementos de la lista se descartan si tu tipo no son dataframes.
# Descarta los elementos de la lista que no sean data frames
%>%
combined discard(.p = ~class(.x) != "data.frame")
Su función de predicado también puede hacer referencia a elementos/columnas dentro de cada elemento de la lista. Por ejemplo, a continuación, se descartan los elementos de la lista cuya media de la columna ct_blood
sea superior a 25.
# Conserva sólo los elementos de la lista en los que la media de la columna ct_blood es superior a 25
%>%
combined discard(.p = ~mean(.x$ct_blood) > 25)
Este comando eliminaría todos los elementos vacíos de la lista:
# Elimina todos los elementos vacíos de la lista
%>%
combined compact()
pmap()
ESTA SECCIÓN ESTÁ EN CONSTRUCCIÓN
16.4 Funciones Apply
La familia de funciones “apply” es una alternativa de R base a purrr para operaciones iterativas. Puedes leer más sobre ellas aquí.
16.5 Recursos
La página de R for Data Science en español sobre la iteración
Viñeta sobre escritura/lectura de archivos Excel
Un tutorial de purrr por jennybc
Otro tutorial de purrr por Rebecca Barter
Un tutorial de purrr sobre map, pmap e imap