Ordenar datos
Introducción
Ahora que sabemos importar nuestros datos brutos, el siguiente paso es transformarlos en algo manejable. Para este apartado, vamos a usar nuestro propio set de datos: brca.txt, que contiene información analítica sobre diferentes casos de cáncer de mama, como por ejemplo la edad del paciente, subtipo clínico, subtipo molecular, número de ganglios linfáticos, radioterapia, entre otros (puedes mirar todas las variables en el fichero original).
Además, vamos a emplear un paquete de funciones nuevo, hablar, que no viene incluido ni en Tidyverse ni en R base. Este contiene una función muy útil que nos permite cambiar el tipo de dato asignado a una variable, tema que trataremos más adelante en el tutorial (si necesitas obtener más información, lee el manual de referencia). Lo instalamos y cargamos los paquetes Tidyverse y hablar:
| install.packages("hablar")
|
| library(tidyverse)
library(hablar)
|
Una vez cargados los paquetes y descargado el archivo (que emplea tabulaciones como delimitadores), lo abrimos y le asignamos una variable:
| datos <- read_tsv("brca.txt")
|
Podemos ver el dataset en la consola simplemente escribiendo el nombre de la variable:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 11 x 1,098
attrib_name TCGA.3C.AAAU TCGA.3C.AALI TCGA.3C.AALJ TCGA.3C.AALK TCGA.4H.AAAK TCGA.5L.AAT0
<chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 years_to_bir~ 55 50 62 52 50 42
2 Tumor_purity 0.7886 0.6974 0.7666 0.6869 0.649 0.6501
3 pathologic_s~ NA 2 2 1 3 2
4 histological~ infiltratingl~ infiltratingd~ infiltratingd~ infiltratingd~ infiltrating~ infiltrating~
5 number_of_ly~ 4 1 1 0 4 0
6 gender female female female female female female
7 radiation_th~ no yes no no no yes
8 race white blackorafrica~ blackorafrica~ blackorafrica~ white white
9 ethnicity nothispanicor~ nothispanicor~ nothispanicor~ nothispanicor~ nothispanico~ hispanicorla~
10 Median_overa~ 1 1 0 0 0 0
11 overall_surv~ 4047 4005 1474 1448 348 1477
# ... with 1,091 more variables: TCGA.5L.AAT1 <chr>, TCGA.5T.A9QA <chr>, TCGA.A1.A0SB <chr>,...
|
Para visualizarlos en forma de tabla empleamos:
Debe aparecer algo similar a esto:
Orientación de los datos
Para considerar que un conjunto de datos está correctamente ordenado, este debe cumplir al menos las siguientes tres reglas:
-
Cada variable debe tener su propia columna
-
Cada caso debe tener su propia fila
-
Cada valor debe tener su propia celda
Lo primero de lo que podemos darnos cuenta es que la orientación de nuestro conjunto de datos es incorrecta, pues se muestran las variables en las filas y los diferentes casos en las columnas.
Esto puede solucionarse fácilmente transponiendo las filas y columnas. Sin embargo, Tidyverse no ofrece ninguna función para transponer tibbles. Por tanto, tenemos que usar la función t(), incluida en R base:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16 | [,1] [,2] [,3] [,4]
attrib_name "years_to_birth" "Tumor_purity" "pathologic_stage" "histological_type"
TCGA.3C.AAAU "55" "0.7886" NA "infiltratinglobularcarcinoma"
TCGA.3C.AALI "50" "0.6974" "2" "infiltratingductalcarcinoma"
TCGA.3C.AALJ "62" "0.7666" "2" "infiltratingductalcarcinoma"
TCGA.3C.AALK "52" "0.6869" "1" "infiltratingductalcarcinoma"
TCGA.4H.AAAK "50" "0.649" "3" "infiltratinglobularcarcinoma"
TCGA.5L.AAT0 "42" "0.6501" "2" "infiltratinglobularcarcinoma"
TCGA.5L.AAT1 "63" "0.5553" "4" "infiltratinglobularcarcinoma"
TCGA.5T.A9QA "52" "0.8368" "2" "other,specify"
TCGA.A1.A0SB "70" "0.9328" "1" "other,specify"
TCGA.A1.A0SD "59" "0.6906" "2" "infiltratingductalcarcinoma"
TCGA.A1.A0SE "56" "0.7979" "1" "mixedhistology(pleasespecify)"
TCGA.A1.A0SF "54" "0.7237" "2" "infiltratingductalcarcinoma"
...
|
Esta función, sin embargo, transforma las tibbles en data frames de R estándar. Esto también puede solucionarse fácilmente usando as_tibble(). Vamos a definir una nueva variable para diferenciar los datos originales (variable datos) de los bien ordenados (variable brca), con los que vamos a trabajar a partir de ahora:
| brca <- as_tibble(t(datos), rownames = NA) # "rownames = NA" evita eliminar la columna de nombres
|
Comprobamos como se encuentran ahora nuestros datos:
1
2
3
4
5
6
7
8
9
10
11
12
13
14 | # A tibble: 1,098 x 10
V1 V2 V3 V4 V5 V6 V7 V8 V9 V10
* <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 years_t~ Tumor_p~ patholog~ histologica~ number_o~ gender_and~ radiati~ ethnicity Median_ov~ overall~
2 55 0.7886 NA infiltratin~ 4 female/whi~ no nothispa~ 1 4047
3 50 0.6974 2 infiltratin~ 1 female/bla~ yes nothispa~ 1 4005
4 62 0.7666 2 infiltratin~ 1 female/bla~ no nothispa~ 0 1474
5 52 0.6869 1 infiltratin~ 0 female/bla~ no nothispa~ 0 1448
6 50 0.649 3 infiltratin~ 4 female/whi~ no nothispa~ 0 348
7 42 0.6501 2 infiltratin~ 0 female/whi~ yes hispanic~ 0 1477
8 63 0.5553 4 infiltratin~ 0 female/whi~ no hispanic~ 0 1471
9 52 0.8368 2 other,speci~ NA female/bla~ yes nothispa~ 0 303
10 70 0.9328 1 other,speci~ 0 female/whi~ NA nothispa~ 0 259
# ... with 1,088 more rows
|
Vemos que esta función ha asignado nombres predeterminados a las columnas traspuestas (V1, V2, V3...), dejando los nombres originales en una fila aparte. Corregimos los nombres y eliminamos la fila sobrante de esta manera:
| colnames(brca) <- brca[1,] # Cambia los nombres de las columnas
brca <- brca[-1,] # Elimina la fila que contenía los nombres
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 10
years_to_birth Tumor_purity pathologic_stage histological_type number_of_lymph_~ gender_and_race
<chr> <chr> <chr> <chr> <chr> <chr>
1 55 0.7886 NA infiltratinglobula~ 4 female/white
2 50 0.6974 2 infiltratingductal~ 1 female/blackorafr~
3 62 0.7666 2 infiltratingductal~ 1 female/blackorafr~
4 52 0.6869 1 infiltratingductal~ 0 female/blackorafr~
5 50 0.649 3 infiltratinglobula~ 4 female/white
6 42 0.6501 2 infiltratinglobula~ 0 female/white
7 63 0.5553 4 infiltratinglobula~ 0 female/white
8 52 0.8368 2 other,specify NA female/blackorafr~
9 70 0.9328 1 other,specify 0 female/white
10 59 0.6906 2 infiltratingductal~ 0 female/white
# ... with 1,087 more rows, and 4 more variables: radiation_therapy <chr>, ethnicity <chr>,
# Median_overall_survival <chr>, overall_survival <chr>
|
Los datos quedarían finalmente de la siguiente forma:
Importante:
Vamos a usar estos datos modificados brca hasta el final del apartado. Es posible que algún ejercicio no funcione si no habéis seguido los pasos que hemos hecho hasta ahora.
Modificar datos
Ahora que los datos se encuentran bien orientados, es más fácil ver los resultados y pensar qué modificaciones podemos hacer.
Nota
Ya hemos estudiado la manipulación básica de data frames en el tutorial básico anterior. Puedes mirarlo aquí.
Combinar columnas
Tidyverse ofrece una herramienta que nos permite unir variables en una sola columna en caso de que lo necesitemos. Para ello, empleamos el comando unite(), de la siguiente forma:
| unite(<DATOS>, <COL_NUEVA>, <COLUMNA1>, <COLUMNA2>, ..., sep = "<SEPARADOR>")
|
Por ejemplo, imaginemos que necesitamos en una sola columna a edad del paciente y la pureza del tumor:
| ejemplo1 <- unite(brca, ejemplo1, years_to_birth, Tumor_purity, sep = " - ")
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 9
ejemplo1 pathologic_stage histological_type number_of_lymph_~ gender_and_race radiation_thera~
<chr> <chr> <chr> <chr> <chr> <chr>
1 55 - 0.7~ NA infiltratinglobular~ 4 female/white no
2 50 - 0.6~ 2 infiltratingductalc~ 1 female/blackorafr~ yes
3 62 - 0.7~ 2 infiltratingductalc~ 1 female/blackorafr~ no
4 52 - 0.6~ 1 infiltratingductalc~ 0 female/blackorafr~ no
5 50 - 0.6~ 3 infiltratinglobular~ 4 female/white no
6 42 - 0.6~ 2 infiltratinglobular~ 0 female/white yes
7 63 - 0.5~ 4 infiltratinglobular~ 0 female/white no
8 52 - 0.8~ 2 other,specify NA female/blackorafr~ yes
9 70 - 0.9~ 1 other,specify 0 female/white NA
10 59 - 0.6~ 2 infiltratingductalc~ 0 female/white NA
# ... with 1,087 more rows, and 3 more variables: ethnicity <chr>, Median_overall_survival <chr>,
# overall_survival <chr>
|
Si no queremos eliminar las columnas originales, añadimos remove = FALSE al comando:
| ejemplo2 <- unite(brca, ejemplo2, years_to_birth, Tumor_purity, sep = " - ", remove = FALSE)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 11
ejemplo2 years_to_birth Tumor_purity pathologic_stage histological_type number_of_lymph_no~
<chr> <chr> <chr> <chr> <chr> <chr>
1 55 - 0.7886 55 0.7886 NA infiltratinglobularcarc~ 4
2 50 - 0.6974 50 0.6974 2 infiltratingductalcarci~ 1
3 62 - 0.7666 62 0.7666 2 infiltratingductalcarci~ 1
4 52 - 0.6869 52 0.6869 1 infiltratingductalcarci~ 0
5 50 - 0.649 50 0.649 3 infiltratinglobularcarc~ 4
6 42 - 0.6501 42 0.6501 2 infiltratinglobularcarc~ 0
7 63 - 0.5553 63 0.5553 4 infiltratinglobularcarc~ 0
8 52 - 0.8368 52 0.8368 2 other,specify NA
9 70 - 0.9328 70 0.9328 1 other,specify 0
10 59 - 0.6906 59 0.6906 2 infiltratingductalcarci~ 0
# ... with 1,087 more rows, and 5 more variables: gender_and_race <chr>, radiation_therapy <chr>,
# ethnicity <chr>, Median_overall_survival <chr>, overall_survival <chr>
|
Ejercicio
Prueba a combinar las variables pathologic_stage y radiation_therapy en una nueva columna llamada treatment_urgency, usando como separador " & " y sin eliminar las columnas originales.
Respuesta
| ejercicio1 <- unite(brca, treatment_urgency,
pathologic_stage,
radiation_therapy,
sep = " & ",remove = FALSE
)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 11
years_to_birth Tumor_purity treatment_urgency pathologic_stage histological_type number_of_lymph_~
<chr> <chr> <chr> <chr> <chr> <chr>
1 55 0.7886 NA & no NA infiltratinglobular~ 4
2 50 0.6974 2 & yes 2 infiltratingductalc~ 1
3 62 0.7666 2 & no 2 infiltratingductalc~ 1
4 52 0.6869 1 & no 1 infiltratingductalc~ 0
5 50 0.649 3 & no 3 infiltratinglobular~ 4
6 42 0.6501 2 & yes 2 infiltratinglobular~ 0
7 63 0.5553 4 & no 4 infiltratinglobular~ 0
8 52 0.8368 2 & yes 2 other,specify NA
9 70 0.9328 1 & NA 1 other,specify 0
10 59 0.6906 2 & NA 2 infiltratingductalc~ 0
# ... with 1,087 more rows, and 5 more variables: gender_and_race <chr>, radiation_therapy <chr>,
# ethnicity <chr>, Median_overall_survival <chr>, overall_survival <chr>
|
Separar columnas
De la misma forma, podemos separar variables en varias columnas fácilmente empleando separate():
| separate(<DATOS>, <NOMBRE_COLUMNA>, into = c("<COL_NUEVA_1>", "<COL_NUEVA_2>"), sep = "<SEPARADOR>")
|
Esta función es muy útil, pues permite separar las columnas empleando cualquier tipo de carácter como separador. Por ejemplo, en nuestro set de datos encontramos las variables "género" y "raza" en una misma columna llamada gender_and_race. Vamos a separarlas:
| ejemplo3 <- separate(brca, gender_and_race, into = c("gender", "race"), sep = "/")
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 11
years_to_birth Tumor_purity pathologic_stage histological_type number_of_lymph_~ gender race
<chr> <chr> <chr> <chr> <chr> <chr> <chr>
1 55 0.7886 NA infiltratinglobular~ 4 female white
2 50 0.6974 2 infiltratingductalc~ 1 female blackoraf~
3 62 0.7666 2 infiltratingductalc~ 1 female blackoraf~
4 52 0.6869 1 infiltratingductalc~ 0 female blackoraf~
5 50 0.649 3 infiltratinglobular~ 4 female white
6 42 0.6501 2 infiltratinglobular~ 0 female white
7 63 0.5553 4 infiltratinglobular~ 0 female white
8 52 0.8368 2 other,specify NA female blackoraf~
9 70 0.9328 1 other,specify 0 female white
10 59 0.6906 2 infiltratingductalc~ 0 female white
# ... with 1,087 more rows, and 4 more variables: radiation_therapy <chr>, ethnicity <chr>,
# Median_overall_survival <chr>, overall_survival <chr>
|
Reordenar columnas
Normalmente las variables se organizan de forma que aquellas que son más importantes se encuentran más hacia la izquierda. Trabajando podemos estimar que alguna variable es la más importante en nuestro caso y queremos que sea la que ocupa la primera columna.
Esto es muy sencillo de arreglar empleando la función relocate(), con la que podemos elegir la columna que queremos ver más a la izquierda:
| relocate(<DATOS>, <VARIABLE>)
|
Por ejemplo, mirando nuestros datos ordenados estimamos que la variable histological_type es la más importante para nuestro estudio. La reordenamos de la siguiente forma:
| ejemplo4 <- relocate(brca, histological_type)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 10
histological_type years_to_birth Tumor_purity pathologic_stage number_of_lymph_~ gender_and_race
<chr> <chr> <chr> <chr> <chr> <chr>
1 infiltratinglobula~ 55 0.7886 NA 4 female/white
2 infiltratingductal~ 50 0.6974 2 1 female/blackorafr~
3 infiltratingductal~ 62 0.7666 2 1 female/blackorafr~
4 infiltratingductal~ 52 0.6869 1 0 female/blackorafr~
5 infiltratinglobula~ 50 0.649 3 4 female/white
6 infiltratinglobula~ 42 0.6501 2 0 female/white
7 infiltratinglobula~ 63 0.5553 4 0 female/white
8 other,specify 52 0.8368 2 NA female/blackorafr~
9 other,specify 70 0.9328 1 0 female/white
10 infiltratingductal~ 59 0.6906 2 0 female/white
# ... with 1,087 more rows, and 4 more variables: radiation_therapy <chr>, ethnicity <chr>,
# Median_overall_survival <chr>, overall_survival <chr>
|
Ejercicio
Con esta función podemos colocar las columnas en las posiciones que queramos, no solamente en la primera columna. Intenta mover la variable ethnicity a la 3ª columna.
Pista 1
Puedes usar alguno de estos dos comandos dentro de relocate(): .before = o .after =.
Pista 2
Trata de usar el comando de una de las siguientes formas:
| relocate(<DATOS>, <VARIABLE>,
.before = <VARIABLE_ANTES>
)
|
| relocate(<DATOS>, <VARIABLE>,
.after = <VARIABLE_DESPUES>
)
|
Respuesta
| ejercicio2 <- relocate(brca, ethnicity,
.before = pathologic_stage
)
|
También sirve:
| ejercicio2 <- relocate(brca, ethnicity,
.after = Tumor_purity
)
|
En ambos casos obtenemos:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 10
years_to_birth Tumor_purity ethnicity pathologic_stage histological_type number_of_lymph_n~
<chr> <chr> <chr> <chr> <chr> <chr>
1 55 0.7886 nothispanicor~ NA infiltratinglobularca~ 4
2 50 0.6974 nothispanicor~ 2 infiltratingductalcar~ 1
3 62 0.7666 nothispanicor~ 2 infiltratingductalcar~ 1
4 52 0.6869 nothispanicor~ 1 infiltratingductalcar~ 0
5 50 0.649 nothispanicor~ 3 infiltratinglobularca~ 4
6 42 0.6501 hispanicorlat~ 2 infiltratinglobularca~ 0
7 63 0.5553 hispanicorlat~ 4 infiltratinglobularca~ 0
8 52 0.8368 nothispanicor~ 2 other,specify NA
9 70 0.9328 nothispanicor~ 1 other,specify 0
10 59 0.6906 nothispanicor~ 2 infiltratingductalcar~ 0
# ... with 1,087 more rows, and 4 more variables: gender_and_race <chr>, radiation_therapy <chr>,
# Median_overall_survival <chr>, overall_survival <chr>
|
Separar datos por factores
En algunos casos vamos a necesitar separar nuestro set de datos en función de una de sus variables tipo factor. Para ello, empleamos la función split():
| split(<DATOS>, <VARIABLES>)
|
En nuestro caso de ejemplo, imaginemos que necesitamos separar nuestros datos en diferentes tibbles en función del tipo de tumor (variable histological_type). Lo hacemos creando una variable de la siguiente forma:
| tipo_tumor <- split(brca, brca$histological_type)
|
A esta variable se le asigna una lista similar a la siguiente:
De este modo, podemos estudiar uno de los factores sin tener en cuenta los demás, Veamos, por ejemplo, únicamente los datos correspondientes a aquellos carcinomas de origen medular (medullarycarcinoma):
| View(tipo_tumor$medullarycarcinoma)
|
Cambiar tipo de datos
Al importar los datos, transformarlos a tibble y modificarlos hemos cambiado su naturaleza. Esto puede comprobarse debajo de los nombres de las columnas, donde vemos que las funciones de coversion asignadas no coinciden con el tipo de dato.
Esto puede darnos problemas a la hora de realizar cálculos estadísticos, modificaciones más complejas y representaciones gráficas, por lo que es conveniente transformarlos al tipo de dato correspondiente.
Nota
Es necesario antes conocer qué significan cada una de las funciones de conversión de datos. A continuación, se muestran las más comunes:
| FUNCIONES |
TIPO DE DATO |
<chr> |
Carácter |
<num> |
Numérico |
<int> |
Entero |
<lgl> |
Lógico |
<fct> |
Factor |
<dte> |
Fecha |
<dtm> |
Fecha y hora |
<dbl> |
Decimales |
Usemos de nuevo nuestros datos. Muchas de nuestras variables son numéricas. Sin embargo, a todas se les ha asignado el tipo carácter. Podemos arreglar esto empleando la función convert(), perteneciente al paquete de datos hablar:
| convert(<DATOS>, <FUNCIÓN_CONVERSIÓN>(<COLUMNAS>))
|
Vemos que muchas de las variables (years_to_birth, number_of_lymph_nodes, Median_overall_survival y overall_survival) son números enteros (<int>) pero están clasificados como carácter (<chr>). Arreglamos esto de forma sencilla:
| ejemplo4 <- convert(brca, int(
years_to_birth,
number_of_lymph_nodes,
Median_overall_survival,
overall_survival
)
)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 10
years_to_birth Tumor_purity pathologic_stage histological_type number_of_lymph_~ gender_and_race
<int> <chr> <chr> <chr> <int> <chr>
1 55 0.7886 NA infiltratinglobula~ 4 female/white
2 50 0.6974 2 infiltratingductal~ 1 female/blackorafr~
3 62 0.7666 2 infiltratingductal~ 1 female/blackorafr~
4 52 0.6869 1 infiltratingductal~ 0 female/blackorafr~
5 50 0.649 3 infiltratinglobula~ 4 female/white
6 42 0.6501 2 infiltratinglobula~ 0 female/white
7 63 0.5553 4 infiltratinglobula~ 0 female/white
8 52 0.8368 2 other,specify NA female/blackorafr~
9 70 0.9328 1 other,specify 0 female/white
10 59 0.6906 2 infiltratingductal~ 0 female/white
# ... with 1,087 more rows, and 4 more variables: radiation_therapy <chr>, ethnicity <chr>,
# Median_overall_survival <int>, overall_survival <int>
|
Podemos aplicar varios tipos de datos a diferentes variables. Por ejemplo, la variable Tumor_purity es una variable decimal (<dbl>):
| ejemplo5 <- convert(brca,
int(
years_to_birth,
number_of_lymph_nodes,
Median_overall_survival,
overall_survival
),
dbl(
Tumor_purity
)
)
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15 | # A tibble: 1,097 x 10
years_to_birth Tumor_purity pathologic_stage histological_type number_of_lymph_~ gender_and_race
<int> <dbl> <chr> <chr> <int> <chr>
1 55 0.789 NA infiltratinglobula~ 4 female/white
2 50 0.697 2 infiltratingductal~ 1 female/blackorafr~
3 62 0.767 2 infiltratingductal~ 1 female/blackorafr~
4 52 0.687 1 infiltratingductal~ 0 female/blackorafr~
5 50 0.649 3 infiltratinglobula~ 4 female/white
6 42 0.650 2 infiltratinglobula~ 0 female/white
7 63 0.555 4 infiltratinglobula~ 0 female/white
8 52 0.837 2 other,specify NA female/blackorafr~
9 70 0.933 1 other,specify 0 female/white
10 59 0.691 2 infiltratingductal~ 0 female/white
# ... with 1,087 more rows, and 4 more variables: radiation_therapy <chr>, ethnicity <chr>,
# Median_overall_survival <int>, overall_survival <int>
|
De esta forma hemos solucionado muchos problemas en el futuro por trabajar con datos erróneamente clasificados.
Ejercicios
Ejercicios de repaso
Para ver si has entendido todo, intenta realizar estos ejercicios propuestos. Para saber cómo hacerlos, visita el apartado de "Realización de ejercicios".
Tras esto, ejecuta el siguiente comando:
| learnr::run_tutorial("ordenar", "tutoradvr")
|
Se abrirá una ventana en tu navegador con los ejercicios a resolver.