Sergio García Mora

Proyectos

Trabajar con proyectos en RStudio hace que todo el trabajo sea más sencillo. Los proyectos crean una carpeta en nuestra PC en donde se almacenarán los archivos, tablas, scripts, y hace que todo sea más organizado.

Para crear un proyecto tenés podés entrar en:

• File
  • New project

Y luego poner el nombre de la carpeta.

Tidy Data

Cuando hacemos algún tutorial, los datos están perfectos, limpios, y prolijos. Y cuando querés aplicar el mismo código a tus propios datos, resulta que no funciona, o tenés que hacer mucho procesamiento de datos para terminar replicando un ejemplo de un tutorial.

Por estas razones, la limpieza de datos, suele representar entre el 60 al 80% de cualquier proyecto de Analytics, hasta lograr tener datos ordenados (tidy data). Entre algunos principios de tidy data podemos mencionar dos:

1. Cada variable forma una columna.
2. Cada observación forma una fila.
3. Cada tipo de unidad observacional forma una tabla.

dplyr

El paquete dplyr es uno de los paquetes embebidos dentro del paquete tidyverse: un conjunto de paquetes destinados a la limpieza y manipulación de datos y que se convirtió en un estándar en la práctica de la limpieza y manipulación de datos en R. dplyr fue desarrollado por Hadley Wickham, Romain François, Lionel Henry y Kirill Müller.

Una de las razones por las que se hizo tan popular es por su sintaxis simple, con nombres de funciones que usan palabras muy coloquiales, imitando la forma en la que hablamos.

Usualmente se dice que usamos dplyr para hacer data wrangling. Así que empecemos a aprender a domar nuestros datos.

dplyr: Instalación y carga

Al igual que la gran mayoría de los paquetes de R, podemos instalar el paquete directamente desde el script:

# Instalando el paquete individual
install.packages("dplyr")
# Instalando el conjunto de paquetes de tidyverse
install.packages("tidyverse")

Antes de empezar a usar las funciones de dplyr, tenemos que cargarlo con la función library():

library(dplyr)

Los cheatsheets

(machete, cola, trencito, copiatín, plage, batería, torpedo, chuleta, chanchullo, etc.)

Los cheatsheet son documentos con resúmenes de las principales funciones de los paquetes más utilizados.

La comunidad de R de hispanoamérica ha traducido unos cuantos, gracias a quienes podemos contar hoy con un cheatsheet en castellano.

El dataset

Vamos a utilizar una versión abreviada de la 🥝 Encuesta KIWI de Sueldos de RH que desarrollamos con el Club de R para RRHH (pueden ver los resultados en este link).

library(dplyr) # Manipulación y limpieza de datos
library(readr) # Lectura y carga de archivos
# Cargamos encuesta de sueldos
encuesta <- read_delim("https://raw.githubusercontent.com/r4hr/r4hr_introduccion_dplyr/main/Datos/encuesta_sueldos.csv", 
                       delim = ",")

Explorando los datos

Vamos a explorar algunas características del dataset:

glimpse(encuesta)

## Rows: 464
## Columns: 15
## $ genero           <chr> "Femenino", "Femenino", "Masculino", "Femenino", "Fem~
## $ edad             <dbl> 31, 28, 25, 33, 24, 30, 39, 23, 29, 30, 32, 28, 25, 2~
## $ universidad      <chr> "Universidad Privada", "Universidad Privada", "Univer~
## $ rubro            <chr> "Función pública", "Alimentación; bebidas; tabaco", "~
## $ empleados        <dbl> 400, 150, 186, 4, 80, 135, 15, 10000, 300, 65, 10000,~
## $ origen_capital   <chr> "Nacional", "Nacional", "Nacional", "Nacional", "Naci~
## $ empleados_rh     <dbl> 6, 3, 2, 1, 1, 3, 1, 40, 2, 3, 10, 15, 2, 2, 2, 2, 6,~
## $ puesto           <chr> "Administrativo", "Administrativo", "Administrativo",~
## $ personas_a_cargo <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 4, 0, 0, 0, 0, 0, 0, 0,~
## $ anios_rh         <dbl> 8, 9, 2, 3, 1, 6, 6, 3, 5, 6, 5, 8, 2, 1, 1, 4, 5, 18~
## $ sueldo_bruto     <dbl> 41000.00, 40000.00, 43954.43, 40000.00, 15000.00, 570~
## $ aumento          <dbl> 0.0, 10.0, 0.0, 20.0, 0.0, 0.0, 49.0, 0.0, 0.0, 30.0,~
## $ erp              <chr> "No tenemos sistema de gestión", "Tango", "Tango", "E~
## $ satisfaccion     <dbl> 2, 4, 3, 3, 2, 3, 4, 3, NA, NA, 4, 3, 3, 4, 4, 1, 3, ~
## $ buscando_trabajo <chr> "No,  pero escucho ofertas", "No,  pero escucho ofert~

Los "verbos" en dplyr

Una de las razones por las cuales tidyverse se hizo tan popular es que la lógica de las funciones imita el razonamiento que haríamos verbalmente.

Por ejemplo, ¿cómo harían para calcular el sueldo promedio por puesto y ordenar los resultados de mayor a menor?

encuesta %>% 
  select(puesto, sueldo_bruto) %>% # Selecciona las columnas
  group_by(puesto) %>%     # Agrupa por la variable puesto
  summarise(sueldo_promedio = mean(sueldo_bruto)) %>% # Crea una variable con el sueldo promedio
  arrange(-sueldo_promedio) # Ordena descendentemente los resultados por la variable que pasemos.

## # A tibble: 7 x 2
##   puesto         sueldo_promedio
##   <chr>                    <dbl>
## 1 Gerente                230972.
## 2 Director               210788.
## 3 Jefe                   110486.
## 4 HRBP                    93805.
## 5 Responsable             75024.
## 6 Analista                68061.
## 7 Administrativo          44154.

dplyr: El "pipe"

¿Vieron este símbolo %>% en la slide anterior? En la jerga lo conocemos como "pipe" (atajo de teclado Ctrl + Mayús + M). Lo que nos permite este "tubo" es ordenar el código en secuencias, haciéndolo más comprensible a la lectura.

Una de las ventajas del pipe es que no necesitamos invocar al dataframe en cada función que encadenamos en el pipe.

dplyr: Secuencias

Por ejemplo, si quiero ver los sueldos brutos por puesto de las personas que no tienen gente a cargo ordenados por el puesto. Los pasos son:

1. Elegir las variables puesto, sueldo_bruto, personas_a_cargo.
2. Filtrar de la variable personas_a_cargo los casos que no tienen gente a cargo.
3. Ordenar los resultados por puesto.

Acá estoy usando la función head() para que quede prolijo en la presentación. Ustedes no la usen y recuerden sacar el último paréntesis

head(arrange(filter(select(encuesta, puesto, sueldo_bruto, personas_a_cargo), personas_a_cargo > 0), puesto))

## # A tibble: 6 x 3
##   puesto         sueldo_bruto personas_a_cargo
##   <chr>                 <dbl>            <dbl>
## 1 Administrativo        94050                4
## 2 Analista             650000               70
## 3 Analista              37000               44
## 4 Analista              65500                2
## 5 Analista              45500              120
## 6 Analista             134000                2

dplyr: Secuencias

Esto mismo usando el pipe de dplyr lo hacemos así:

encuesta %>%
  select(puesto, sueldo_bruto, personas_a_cargo) %>%
  filter(personas_a_cargo>0) %>%
  arrange(puesto) %>%
  head()

## # A tibble: 6 x 3
##   puesto         sueldo_bruto personas_a_cargo
##   <chr>                 <dbl>            <dbl>
## 1 Administrativo        94050                4
## 2 Analista             650000               70
## 3 Analista              37000               44
## 4 Analista              65500                2
## 5 Analista              45500              120
## 6 Analista             134000                2

¿Cuál es más fácil de entender?

Código sin el pipe

arrange(filter(select(encuesta, puesto, sueldo_bruto, personas_a_cargo), personas_a_cargo > 0), puesto)

Código con el pipe

encuesta %>%
  select(puesto, sueldo_bruto, personas_a_cargo) %>%
  filter(personas_a_cargo>0) %>%
  arrange(puesto)

Las funciones de dplyr

En esta presentación vamos a repasar los siguientes "verbos" o funciones:

• select: Para elegir las variables para trabajar.
• filter: Filtra a las variables por alguna condición que le pasemos.
• group_by: Define las variables por las cuales vamos a agrupar los cálculos.
• summarise: Permite crear cálculos de resumen estadístico.
• mutate: Permite crear variables nuevas en función de variables existentes, o bien sobrescribir una columna para modificar sus características.

Hay muchas funciones más, que pueden explorar en el cheatsheet.

select()

select() tiene algunas variantes interesantes (y en general aplican para casi todas las funciones de dplyr).

Supongamos que quiera seleccionar todas las columnas numéricas nada más:

encuesta %>%
  select_if(is.numeric) %>%
  head()

## # A tibble: 6 x 8
##    edad empleados empleados_rh personas_a_cargo anios_rh sueldo_bruto aumento
##   <dbl>     <dbl>        <dbl>            <dbl>    <dbl>        <dbl>   <dbl>
## 1    31       400            6                0        8       41000        0
## 2    28       150            3                0        9       40000       10
## 3    25       186            2                0        2       43954.       0
## 4    33         4            1                0        3       40000       20
## 5    24        80            1                0        1       15000        0
## 6    30       135            3                0        6       57000        0
## # ... with 1 more variable: satisfaccion <dbl>

filter

filter() nos permite obtener las filas (observaciones) que cumplen con las condiciones que necesitamos.

Ej.: Respuestas de Universidades Públicas

encuesta %>%
  # Prestar atención al doble signo igual "=="
  filter(universidad == "Universidad Pública") %>%
  head()

## # A tibble: 6 x 15
##   genero   edad universidad rubro   empleados origen_capital empleados_rh puesto
##   <chr>   <dbl> <chr>       <chr>       <dbl> <chr>                 <dbl> <chr> 
## 1 Femeni~    25 Universida~ Transp~     22000 Nacional                  2 Admin~
## 2 Femeni~    24 Universida~ Comerc~        94 Nacional                  2 Admin~
## 3 Femeni~    24 Universida~ Comerc~        94 Nacional                  2 Admin~
## 4 Femeni~    33 Universida~ Servic~       117 Nacional                  2 Admin~
## 5 Femeni~    29 Universida~ Petról~       225 Multinacional             6 Admin~
## 6 Mascul~    46 Universida~ Constr~       250 Nacional                  2 Admin~
## # ... with 7 more variables: personas_a_cargo <dbl>, anios_rh <dbl>,
## #   sueldo_bruto <dbl>, aumento <dbl>, erp <chr>, satisfaccion <dbl>,
## #   buscando_trabajo <chr>

filter

filter() nos permite obtener las filas (observaciones) que cumplen con las condiciones que necesitamos.

Ej.: Respuestas de trabajadores privados (filtrar todo lo que no sea Función pública)

encuesta %>%
  # Prestar atención al signo "No igual a "!="
  filter(universidad != "Función pública") %>%
  head()

## # A tibble: 6 x 15
##   genero   edad universidad  rubro  empleados origen_capital empleados_rh puesto
##   <chr>   <dbl> <chr>        <chr>      <dbl> <chr>                 <dbl> <chr> 
## 1 Femeni~    31 Universidad~ Funci~       400 Nacional                  6 Admin~
## 2 Femeni~    28 Universidad~ Alime~       150 Nacional                  3 Admin~
## 3 Mascul~    25 Universidad~ Miner~       186 Nacional                  2 Admin~
## 4 Femeni~    33 Universidad~ Servi~         4 Nacional                  1 Admin~
## 5 Femeni~    24 Universidad~ Const~        80 Nacional                  1 Admin~
## 6 Femeni~    30 Universidad~ Servi~       135 Nacional                  3 Admin~
## # ... with 7 more variables: personas_a_cargo <dbl>, anios_rh <dbl>,
## #   sueldo_bruto <dbl>, aumento <dbl>, erp <chr>, satisfaccion <dbl>,
## #   buscando_trabajo <chr>

filter: Operadores lógicos

Estas son los operadores lógicos que nos van a ayudar con la función filter.

filter()

filter() nos permite obtener las filas (observaciones) que cumplen con las condiciones que necesitamos.

Ej.: Listado de respuestas de Universidad Privada y de empresas con más de 700 empleados.

# Filtramos los empleados que son de Universidad Privada y de empresas con más de 700 empleados.
encuesta %>%
  filter(universidad == "Universidad Privada" &  empleados > 700) %>%
  head()

## # A tibble: 6 x 15
##   genero   edad universidad rubro   empleados origen_capital empleados_rh puesto
##   <chr>   <dbl> <chr>       <chr>       <dbl> <chr>                 <dbl> <chr> 
## 1 Femeni~    23 Universida~ Alimen~     10000 Nacional                 40 Admin~
## 2 Femeni~    32 Universida~ Servic~     10000 Multinacional            10 Admin~
## 3 Femeni~    35 Universida~ Comerc~      1433 Nacional                 10 Anali~
## 4 Femeni~    41 Universida~ Transp~      1000 Nacional                  8 Anali~
## 5 Femeni~    27 Universida~ Produc~      5350 Multinacional           160 Anali~
## 6 Femeni~    31 Universida~ Petról~     60000 Multinacional          2500 Anali~
## # ... with 7 more variables: personas_a_cargo <dbl>, anios_rh <dbl>,
## #   sueldo_bruto <dbl>, aumento <dbl>, erp <chr>, satisfaccion <dbl>,
## #   buscando_trabajo <chr>

filter: Operadores lógicos

library(ggplot2) 
ggplot(encuesta, aes(x = sueldo_bruto)) + # Defino fuente de datos y variable a graficar
  geom_histogram() +                  # Tipo de gráfico
  ggtitle("Distribución de sueldos brutos") # Agrego título al gráfico

filter: Operadores lógicos

¿Qué salió mal? Tenemos valores extremos que pueden ser válidos, pero que no son representativos. Exploremos la variable:

summary(encuesta$sueldo_bruto)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
##       2   53837   74000   94370  105250 2140000

Vemos que hay sueldos muy altos, que pueden ser válidos pero que son atípicos. Y también encontramos sueldos muy bajos.

filter: Operadores lógicos

# Creo un objeto nuevo
encuesta_limpia <- encuesta %>% 
  filter(between(sueldo_bruto,   # Variable a filtrar 
                 50000,          # Valor mínimo
                 200000))        # Valor máximo
# Vuelvo a graficar
ggplot(encuesta_limpia, aes(x = sueldo_bruto)) +
  geom_histogram() +
  ggtitle("Distribución de sueldos brutos")

filter()

filter() nos permite obtener las filas (observaciones) que cumplen con las condiciones que necesitamos.

Ej.: Empleados de dos rubros diferentes

encuesta %>%
  filter(rubro == "Comercio"| rubro == "Servicios de salud") %>%
  head()

## # A tibble: 6 x 15
##   genero   edad universidad  rubro  empleados origen_capital empleados_rh puesto
##   <chr>   <dbl> <chr>        <chr>      <dbl> <chr>                 <dbl> <chr> 
## 1 Femeni~    30 Universidad~ Servi~       135 Nacional                  3 Admin~
## 2 Femeni~    30 Universidad~ Servi~        65 Nacional                  3 Admin~
## 3 Femeni~    24 Universidad~ Comer~        94 Nacional                  2 Admin~
## 4 Femeni~    24 Universidad~ Comer~        94 Nacional                  2 Admin~
## 5 Femeni~    33 Universidad~ Servi~       117 Nacional                  2 Admin~
## 6 Femeni~    24 Universidad~ Comer~        94 Nacional                  2 Admin~
## # ... with 7 more variables: personas_a_cargo <dbl>, anios_rh <dbl>,
## #   sueldo_bruto <dbl>, aumento <dbl>, erp <chr>, satisfaccion <dbl>,
## #   buscando_trabajo <chr>

filter()

Una alternativa es usar un vector de selección

encuesta %>%
  filter(rubro %in% c("Comercio", "Servicios de salud"))

group_by y summarise

encuesta %>%
  select(puesto, sueldo_bruto) %>%
  # Agrupo por puesto
  group_by(puesto) %>%
  #Calculo el sueldo promedio
  summarise(sueldo_promedio = mean(sueldo_bruto))

## # A tibble: 7 x 2
##   puesto         sueldo_promedio
## * <chr>                    <dbl>
## 1 Administrativo          44154.
## 2 Analista                68061.
## 3 Director               210788.
## 4 Gerente                230972.
## 5 HRBP                    93805.
## 6 Jefe                   110486.
## 7 Responsable             75024.

]

mutate: Ejemplos

Calcular el sueldo anual en base a la columna sueldo bruto

En Argentina tenemos un bono anual llamado aguinaldo, que equivale a un sueldo más y se paga dos veces en el año.

encuesta %>%
  select(puesto, sueldo_bruto) %>%
  mutate(sueldo_bruto_anual = sueldo_bruto * 13) %>%
  head()

## # A tibble: 6 x 3
##   puesto         sueldo_bruto sueldo_bruto_anual
##   <chr>                 <dbl>              <dbl>
## 1 Administrativo       41000             533000 
## 2 Administrativo       40000             520000 
## 3 Administrativo       43954.            571408.
## 4 Administrativo       40000             520000 
## 5 Administrativo       15000             195000 
## 6 Administrativo       57000             741000

mutate: Ejemplos

Con mutate podemos cambiar las características de algunas variables. Por ejemplo, la variable puesto es de tipo character o nominal, es decir que no nos permite ordenar sus resultados.

class(encuesta$puesto)

## [1] "character"

Si convertimos esta variable en tipo factor podremos definir el orden que nos sirva para representar la jerarquía.

mutate: Ejemplos

encuesta %>% select(puesto, sueldo_bruto) %>% 
  mutate(puesto = factor(puesto, levels = c("Director", "Gerente", "Jefe", "Responsable",
                                            "HRBP", "Analista", "Administrativo"))) %>%
  group_by(puesto) %>% summarise(sueldo_promedio = mean(sueldo_bruto))

## # A tibble: 7 x 2
##   puesto         sueldo_promedio
## * <fct>                    <dbl>
## 1 Director               210788.
## 2 Gerente                230972.
## 3 Jefe                   110486.
## 4 Responsable             75024.
## 5 HRBP                    93805.
## 6 Analista                68061.
## 7 Administrativo          44154.

mutate + case_when

encuesta <- encuesta %>%  
  mutate(cantidad_empleados = case_when(
    empleados <= 100 ~ "Hasta 100",
    empleados <= 500 ~ "Hasta 500",
    empleados <= 1000 ~ "Hasta 1000",
    empleados <= 5000 ~ "Hasta 5000",
    empleados = TRUE ~ "Más de 5000"
  )) 
encuesta %>% 
  group_by(cantidad_empleados) %>% 
  summarise(sueldo_promedio = mean(sueldo_bruto))

## # A tibble: 5 x 2
##   cantidad_empleados sueldo_promedio
## * <chr>                        <dbl>
## 1 Hasta 100                   84486.
## 2 Hasta 1000                  88247.
## 3 Hasta 500                  103045.
## 4 Hasta 5000                  94464.
## 5 Más de 5000                 92847.

Ejemplo de Análisis

Realicemos un análisis de los sueldos brutos por cantidad de empleados, según el origen del capital.

Pasos:

1. Creo un objeto nuevo.
2. Agrupar los resultados por origen_capital y la columna nueva de cantidad_empleados.
3. Calculo el sueldo promedio con summarise()
4. Grafico los resultados.

Manos a la obra!

# Creo un objeto nuevo
analisis_sueldos <- encuesta %>% 
# Agrupo por origen_capital y cantidad_empleados
  group_by(origen_capital, cantidad_empleados) %>% 
  # Calculo el sueldo promedio
  summarise(sueldo_promedio = mean(sueldo_bruto))
# Veo los resultados
analisis_sueldos

## # A tibble: 10 x 3
## # Groups:   origen_capital [2]
##    origen_capital cantidad_empleados sueldo_promedio
##    <chr>          <chr>                        <dbl>
##  1 Multinacional  Hasta 100                  179451.
##  2 Multinacional  Hasta 1000                 104350 
##  3 Multinacional  Hasta 500                  130732.
##  4 Multinacional  Hasta 5000                 102300.
##  5 Multinacional  Más de 5000                 96458.
##  6 Nacional       Hasta 100                   67464.
##  7 Nacional       Hasta 1000                  84566.
##  8 Nacional       Hasta 500                   91306.
##  9 Nacional       Hasta 5000                  88162.
## 10 Nacional       Más de 5000                 90714.

Gráfico básico

ggplot(analisis_sueldos, aes(x = cantidad_empleados,
                             y = sueldo_promedio,
                             fill = origen_capital)) + # Color de las barras
  geom_col(position = "dodge") # Posiciona las barras una al lado de la otra

Gráfico copado

library(scales) # Modificar formato escalas gráfico
library(ggthemes) # Añade más opciones de formato a los gráficos
ggplot(analisis_sueldos, aes(x = cantidad_empleados,
                             y = sueldo_promedio,
                             fill = origen_capital)) + # Color de las barras
  geom_col(position = "dodge") +
  scale_fill_economist() + # Cambia paleta de colores de las barras.
  # Añade separador de miles al eje y
  scale_y_continuous(labels = comma_format(big.mark = ".", 
                                           decimal.mark = ",")) +
  labs(title = "Sueldo Promedio por Origen de Capital \n y Tamaño de Empresa", #Título
       subtitle = "En Pesos Argentinos", #Subtítulo
       x = "", y ="",                    # Elimino etiquetas de eje
       fill = "Origen de Capital",       # Cambio nombre colores
       caption = "HR Bootcamp - Humanos Reales \n Fuente: Encuesta KIWI de Sueldos de RH") + # Agrega nota al pie
  theme_economist() # Modifica el estilo del gráfico

Fuentes adicionales

• Ciencia de Datos para Gente Sociable de Antonio Vazquez Brust

• R para Ciencia de Datos de Hadley Wickham y Garrett Grolemund

• Canal de Youtube Club de R para RRHH

Paquetes utilizados

• dplyr: Hadley Wickham, Romain François, Lionel Henry and Kirill Müller (2021). dplyr: A Grammar of Data Manipulation. R package version 1.0.4. https://CRAN.R-project.org/package=dplyr
• xaringan: Yihui Xie (2020). xaringan: Presentation Ninja. R package version 0.19. https://CRAN.R-project.org/package=xaringan
• ggplot2: H. Wickham. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York, 2016.
• scales: Hadley Wickham and Dana Seidel (2020). scales: Scale Functions for Visualization. R package version 1.1.1. https://CRAN.R-project.org/package=scales
• ggthemes: Jeffrey B. Arnold (2021). ggthemes: Extra Themes, Scales and Geoms for 'ggplot2'. R package version 4.2.4. https://CRAN.R-project.org/package=ggthemes
• readr: Hadley Wickham and Jim Hester (2020). readr: Read Rectangular Text Data. R package version 1.4.0. https://CRAN.R-project.org/package=readr