En el corazón del Tidyverso

• readr (ya la estamos usando)
• dplyr (Clase anterior)
• tidyr (Hoy)
• forcats (Para variables categóricas)
• stringr (Para carácteres, Palabras)
• ggplot2 (Próxima clase)
• purrr (En clase sobre loops)

• lubridate para fechas y fechas/horas (Hoy en algunos casos)
• hms para horas
• broom tablas para modelos tidy
• readxl para leer archivos excel

Dos funciones

• pivot_longer hace que tablas anchas se vuelvan largas
• pivot_wider hace que tablas largas se vuelvan anchan

• ¿Como paso de esto?

Contagiados <- read_csv("https://raw.githubusercontent.com/MinCiencia/Datos-COVID19/master/output/producto19/CasosActivosPorComuna.csv")

• a tidy data?

Entendamos la función

• cols: Columnas a alargar
• names_to: Nombre que tendra la columna con los nombres de las columnas
• values_to: Nombre que tendrá la columna de los valores

library(tidyverse)
DF_largo <- Contagiados %>% pivot_longer(starts_with("2020"), 
    names_to = "Fecha", values_to = "Infectados")

DF_largo <- DF_largo %>% mutate(Fecha = lubridate::ymd(Fecha))

Reciente <- DF_largo %>% dplyr::filter(Fecha == max(Fecha)) %>% 
    mutate(Prevalencia = 1e+05 * (Infectados/Poblacion))

• Inverso de gather hace tablas anchas
• names_from: Variable que pasará a ser nombres de columnas
• values_from: Variable que llenará esas columnas
• values_fill: Valor para rellenar los vacios, default NA
• values_fn: Función para resumir celdas replicadas

data(fish_encounters)

Tabla <- fish_encounters %>% pivot_wider(names_from = station, 
    values_from = seen)

Tabla <- fish_encounters %>% pivot_wider(names_from = station, 
    values_from = seen, values_fill = 0)

warpbreaks <- warpbreaks %>% dplyr::select(wool, tension, 
    breaks)
Wide <- warpbreaks %>% pivot_wider(names_from = wool, 
    values_from = breaks, )

• Veamos esta base de datos

warpbreaks <- warpbreaks %>% dplyr::select(wool, tension, 
    breaks)
Wide <- warpbreaks %>% pivot_wider(names_from = wool, 
    values_from = breaks, values_fn = mean)

• Para unir bases de datos distintas con columnas en comun
• full_join une todo
• left_join Solo lo que está en la primera base de datos
• right_join Solo lo que esta en la segunda base de datos
• anti_join solo lo que no es comun entre ambas bases de datos

Tres bases de datos

Episodes <- read_csv("https://raw.githubusercontent.com/derek-corcoran-barrios/The_office/master/The_Office_Episodes_per_Character.csv")

words <- read_csv("https://raw.githubusercontent.com/derek-corcoran-barrios/The_office/master/The_office_Words.csv")

stop_words <- read_csv("https://raw.githubusercontent.com/derek-corcoran-barrios/The_office/master/stop_words.csv")

Episodios_words <- full_join(Episodes, words)

• Supongamos que solo queremos los 10 personajes con más capitulos y sus palabras

Episodes_top_10 <- Episodes %>% slice_max(order_by = n_episodes, 
    n = 10)

Episodios_words_10 <- Episodes_top_10 %>% left_join(words)

• Quieren comparar con full_join?

• Solo por los 10 personajes con más capítulos
• las 20 palabras mas usadas

Mas_Palabras <- Episodios_words_10 %>% group_by(word) %>% 
    summarise(n = n()) %>% slice_max(order_by = n, 
    n = 20)

• Esto no aprota mucho

• anti_join

Mas_Palabras <- Episodios_words_10 %>% anti_join(stop_words) %>% 
    group_by(word) %>% summarise(n = n()) %>% slice_max(order_by = n, 
    n = 20)

Mas_Palabras <- Episodios_words_10 %>% anti_join(stop_words) %>% 
    group_by(word, speaker) %>% summarise(n = n()) %>% 
    ungroup() %>% group_by(speaker) %>% slice_max(order_by = n, 
    n = 10) %>% arrange(speaker, desc(n))

• Ver para cada temporada cuales son los 10 personajes con más palabras (cambia en el tiempo?)
• Quien aumenta y quien disminuye mas?
• Crear una columna de delta palabras entre temporadas por personaje por episodio de la serie