src/06-forcats.html

<!DOCTYPE html>
<html lang="" xml:lang="">
  <head>
    <title>forcats</title>
    <meta charset="utf-8" />
    <meta name="author" content="Alberto Torres Barrán" />
    <meta name="date" content="2021-01-07" />
    <link href="libs/remark-css-0.0.1/default.css" rel="stylesheet" />
    <link rel="stylesheet" href="custom.css" type="text/css" />
  </head>
  <body>
    <textarea id="source">
class: center, middle, inverse, title-slide

# forcats
## Entornos de Análisis de Datos: R
### Alberto Torres Barrán
### 2021-01-07

---

<script type="text/x-mathjax-config">
MathJax.Hub.Config({
  TeX: {
    Macros: {
      Xcal: "{\\mathcal{X}}",
      Xbf: "{\\mathbf{X}}",
      Qbf: "{\\mathbf{Q}}",
      Zbf: "{\\mathbf{Z}}",
      Vbf: "{\\mathbf{V}}",
      Hbf: "{\\mathbf{H}}",
      Rbb: "{\\mathbb{R}}"
    },
    extensions: ["AMSmath.js","AMSsymbols.js"]
  }
});
</script>


## Factores

- Representan variables categóricas, con un número posible de valores:
    + fijo
    + *pequeño*
    + conocido

- Ejemplos: meses del año, provincias, paises de la Unión Europea, etc.

- Muchas funciones de R convierten los vectores de cadenas de caracteres a factores automáticamente

- La librería `forcats` implementa funciones para manipular factores

---

## Creando factores

- Función `factor()`

- Necesita dos argumentos:

    + Datos a convertir (típicamente vector de cadenas)
    
    + Opcionalmente también los valores posibles (**niveles**)
    
    ```r
    x &lt;- c("Primavera", "Verano", "Verano", "Verano", "Otoño")
    f &lt;- factor(x, levels = c("Primavera", "Verano", "Otoño", "Invierno"))
    f
    ## [1] Primavera Verano    Verano    Verano    Otoño    
    ## Levels: Primavera Verano Otoño Invierno
    ```

- Los niveles se pueden ver con la función `levels`
    
    ```r
    levels(f)
    ## [1] "Primavera" "Verano"    "Otoño"     "Invierno"
    ```


---

- Si un valor no está en los niveles se convierte a `NA`
    
    ```r
    x &lt;- c("Primavera", "Verano", "Verano", "Verano", "Otono")
    f1 &lt;- factor(x, levels = c("Primavera", "Verano", "Otoño", "Invierno"))
    f1
    ## [1] Primavera Verano    Verano    Verano    &lt;NA&gt;     
    ## Levels: Primavera Verano Otoño Invierno
    ```

- Si no se indican los niveles, se toman como los valores únicos del vector
    
    ```r
    unique(x)
    ## [1] "Primavera" "Verano"    "Otono"
    ```
    
    ```r
    factor(x)
    ## [1] Primavera Verano    Verano    Verano    Otono    
    ## Levels: Otono Primavera Verano
    ```

---

## Orden de los niveles

- Por defecto los niveles están en orden creciente:
    
    ```r
    sort(unique(x))
    ## [1] "Otono"     "Primavera" "Verano"
    ```
    
- En la mayoría de los casos el orden de los factores es irrelevante

- Dos ejemplos donde importa el orden:

  1. realizar gráficos, el orden de las escalas es el orden de los niveles del factor
  
  2. realizar modelos, donde el primer nivel se considera el nivel de referencia


---

## Función cut

* Crea un factor a partir de una variable numérica
    
    ```r
    edad &lt;- c(10, 15, 20, 25, 38)  
    cut(edad, breaks = c(10, 20, 30, 40))
    ## [1] &lt;NA&gt;    (10,20] (10,20] (20,30] (30,40]
    ## Levels: (10,20] (20,30] (30,40]
    ```

* Incluir el valor de la izquierda del primer intervalo
    
    ```r
    cut(edad, breaks = c(10, 20, 30, 40), include.lowest = TRUE)
    ## [1] [10,20] [10,20] [10,20] (20,30] (30,40]
    ## Levels: [10,20] (20,30] (30,40]
    ```

* Cerrar los intervalos por la izquierda, no la derecha
    
    ```r
    cut(edad, breaks = c(10, 20, 30, 40), right = FALSE)
    ## [1] [10,20) [10,20) [20,30) [20,30) [30,40)
    ## Levels: [10,20) [20,30) [30,40)
    ```
    
---

* Cambiar nombre de los niveles
    
    ```r
    cut(edad, breaks = c(10, 20, 30, 40), labels = c("10-20", "20-30", "30-40"))
    ## [1] &lt;NA&gt;  10-20 10-20 20-30 30-40
    ## Levels: 10-20 20-30 30-40
    ```
    
---

## Creación factor de ejemplo

- Creamos un factor de ejemplo con los tipos de coche de `mpg`
    
    ```r
    f &lt;- factor(mpg$class)
    length(f)
    ## [1] 234
    ```

- Niveles:
    
    ```r
    levels(f)
    ## [1] "2seater"    "compact"    "midsize"    "minivan"    "pickup"     "subcompact" "suv"
    ```

- Frecuencia de cada uno de los niveles
    
    ```r
    fct_count(f) %&gt;% arrange(desc(n))
    ## # A tibble: 7 x 2
    ##   f              n
    ##   &lt;fct&gt;      &lt;int&gt;
    ## 1 suv           62
    ## 2 compact       47
    ## 3 midsize       41
    ## 4 subcompact    35
    ## 5 pickup        33
    ## 6 minivan       11
    ## 7 2seater        5
    ```

---

## Reordenar niveles de un factor

- `fct_relevel()`, para reordenar los niveles a mano (se mueven al principio)
    
    ```r
    f1 &lt;- fct_relevel(f, "minivan", "compact") 
    levels(f1)
    ## [1] "minivan"    "compact"    "2seater"    "midsize"    "pickup"     "subcompact" "suv"
    ```

- `fct_infreq()`, para reordenar los niveles de acuerdo a su frecuencia
    
    ```r
    f2 &lt;- fct_infreq(f)
    levels(f2)
    ## [1] "suv"        "compact"    "midsize"    "subcompact" "pickup"     "minivan"    "2seater"
    ```

---

## Reordenar de acuerdo a otra variable

- `fct_reorder()`, para reordenar los niveles de acuerdo a otra variable
    
    ```r
    f3 &lt;- fct_reorder(f, .x = mpg$cty, .fun = mean)
    levels(f3)
    ## [1] "pickup"     "suv"        "2seater"    "minivan"    "midsize"    "compact"    "subcompact"
    ```

- El orden de los niveles es creciente en `.fun(.x)`
    
    ```r
    consumo_medio &lt;-
      mpg %&gt;%
        group_by(class) %&gt;%
        summarize(avg_cty = mean(cty))
      
    arrange(consumo_medio, avg_cty)
    ## # A tibble: 7 x 2
    ##   class      avg_cty
    ##   &lt;chr&gt;        &lt;dbl&gt;
    ## 1 pickup        13  
    ## 2 suv           13.5
    ## 3 2seater       15.4
    ## 4 minivan       15.8
    ## 5 midsize       18.8
    ## 6 compact       20.1
    ## 7 subcompact    20.4
    ```

---

La función `fct_reorder` es útil para ordenar los ejes en gráficos


```r
ggplot(consumo_medio, aes(x = class, y = avg_cty)) + geom_col()
```

![](06-forcats_files/figure-html/unnamed-chunk-18-1.png)&lt;!-- --&gt;

---


```r
ggplot(consumo_medio, aes(x = fct_reorder(class, avg_cty), y = avg_cty)) +
  geom_col() +
  xlab("class")
```

![](06-forcats_files/figure-html/unnamed-chunk-19-1.png)&lt;!-- --&gt;

---

## Renombrar niveles

- `fct_recode()` cambia el nombre de los niveles o los elimina (asignando el valor `NULL`)
    
    ```r
    f4 &lt;- fct_recode(f, todoterreno = "suv", `2plazas` = "2seater", 
                        NULL = "pickup")
    levels(f4)
    ## [1] "2plazas"     "compact"     "midsize"     "minivan"     "subcompact"  "todoterreno"
    ```

- `fct_recode()` también puede colapsar niveles asignando el mismo nombre
    
    ```r
    f5 &lt;- fct_recode(f, `4seater` = "compact", `4seater` = "subcompact", 
                        `4seater` = "midsize")
    levels(f5)
    ## [1] "2seater" "4seater" "minivan" "pickup"  "suv"
    ```

---

## Otras funciones

- Otra alternativa es `fct_collapse`
    
    ```r
    f6 &lt;- fct_collapse(f, `4seater` = c("compact", "subcompact", "midsize"),
                          `2seater` = c("2seater",   "pickup"))
    levels(f6)
    ## [1] "2seater" "4seater" "minivan" "suv"
    ```

- O `fct_lump`, que colapsa los niveles menos frecuentes
    
    ```r
    fct_count(f) %&gt;% arrange(desc(n))
    ## # A tibble: 7 x 2
    ##   f              n
    ##   &lt;fct&gt;      &lt;int&gt;
    ## 1 suv           62
    ## 2 compact       47
    ## 3 midsize       41
    ## 4 subcompact    35
    ## 5 pickup        33
    ## 6 minivan       11
    ## 7 2seater        5
    ```
    
    ```r
    f7 &lt;- fct_lump(f, n = 3)
    levels(f7)
    ## [1] "compact" "midsize" "suv"     "Other"
    ```
    </textarea>
<style data-target="print-only">@media screen {.remark-slide-container{display:block;}.remark-slide-scaler{box-shadow:none;}}</style>
<script src="https://remarkjs.com/downloads/remark-latest.min.js"></script>
<script src="macros.js"></script>
<script>var slideshow = remark.create({
"highlightStyle": "github",
"highlightLines": true,
"countIncrementalSlides": false
});
if (window.HTMLWidgets) slideshow.on('afterShowSlide', function (slide) {
  window.dispatchEvent(new Event('resize'));
});
(function(d) {
  var s = d.createElement("style"), r = d.querySelector(".remark-slide-scaler");
  if (!r) return;
  s.type = "text/css"; s.innerHTML = "@page {size: " + r.style.width + " " + r.style.height +"; }";
  d.head.appendChild(s);
})(document);

(function(d) {
  var el = d.getElementsByClassName("remark-slides-area");
  if (!el) return;
  var slide, slides = slideshow.getSlides(), els = el[0].children;
  for (var i = 1; i < slides.length; i++) {
    slide = slides[i];
    if (slide.properties.continued === "true" || slide.properties.count === "false") {
      els[i - 1].className += ' has-continuation';
    }
  }
  var s = d.createElement("style");
  s.type = "text/css"; s.innerHTML = "@media print { .has-continuation { display: none; } }";
  d.head.appendChild(s);
})(document);
// delete the temporary CSS (for displaying all slides initially) when the user
// starts to view slides
(function() {
  var deleted = false;
  slideshow.on('beforeShowSlide', function(slide) {
    if (deleted) return;
    var sheets = document.styleSheets, node;
    for (var i = 0; i < sheets.length; i++) {
      node = sheets[i].ownerNode;
      if (node.dataset["target"] !== "print-only") continue;
      node.parentNode.removeChild(node);
    }
    deleted = true;
  });
})();
(function() {
  "use strict"
  // Replace <script> tags in slides area to make them executable
  var scripts = document.querySelectorAll(
    '.remark-slides-area .remark-slide-container script'
  );
  if (!scripts.length) return;
  for (var i = 0; i < scripts.length; i++) {
    var s = document.createElement('script');
    var code = document.createTextNode(scripts[i].textContent);
    s.appendChild(code);
    var scriptAttrs = scripts[i].attributes;
    for (var j = 0; j < scriptAttrs.length; j++) {
      s.setAttribute(scriptAttrs[j].name, scriptAttrs[j].value);
    }
    scripts[i].parentElement.replaceChild(s, scripts[i]);
  }
})();
(function() {
  var links = document.getElementsByTagName('a');
  for (var i = 0; i < links.length; i++) {
    if (/^(https?:)?\/\//.test(links[i].getAttribute('href'))) {
      links[i].target = '_blank';
    }
  }
})();
// adds .remark-code-has-line-highlighted class to <pre> parent elements
// of code chunks containing highlighted lines with class .remark-code-line-highlighted
(function(d) {
  const hlines = d.querySelectorAll('.remark-code-line-highlighted');
  const preParents = [];
  const findPreParent = function(line, p = 0) {
    if (p > 1) return null; // traverse up no further than grandparent
    const el = line.parentElement;
    return el.tagName === "PRE" ? el : findPreParent(el, ++p);
  };

  for (let line of hlines) {
    let pre = findPreParent(line);
    if (pre && !preParents.includes(pre)) preParents.push(pre);
  }
  preParents.forEach(p => p.classList.add("remark-code-has-line-highlighted"));
})(document);</script>

<script>
slideshow._releaseMath = function(el) {
  var i, text, code, codes = el.getElementsByTagName('code');
  for (i = 0; i < codes.length;) {
    code = codes[i];
    if (code.parentNode.tagName !== 'PRE' && code.childElementCount === 0) {
      text = code.textContent;
      if (/^\\\((.|\s)+\\\)$/.test(text) || /^\\\[(.|\s)+\\\]$/.test(text) ||
          /^\$\$(.|\s)+\$\$$/.test(text) ||
          /^\\begin\{([^}]+)\}(.|\s)+\\end\{[^}]+\}$/.test(text)) {
        code.outerHTML = code.innerHTML;  // remove <code></code>
        continue;
      }
    }
    i++;
  }
};
slideshow._releaseMath(document);
</script>
<!-- dynamically load mathjax for compatibility with self-contained -->
<script>
(function () {
  var script = document.createElement('script');
  script.type = 'text/javascript';
  script.src  = 'https://mathjax.rstudio.com/latest/MathJax.js?config=TeX-MML-AM_CHTML';
  if (location.protocol !== 'file:' && /^https?:/.test(script.src))
    script.src  = script.src.replace(/^https?:/, '');
  document.getElementsByTagName('head')[0].appendChild(script);
})();
</script>
  </body>
</html>