R y RStudio

 

El lenguaje R es ampliamente utilizado en la actualidad por su capacidad para el análisis estadístico y la visualización de datos. Aquí te explico cómo se ocupa R en la actualidad y algunos de sus avances recientes.

Uso Actual de R

1. Análisis de Datos:

   • Estadísticas Descriptivas: Resumen de datos mediante medidas como la media, mediana, moda, varianza y desviación estándar.
   • Análisis Inferencial: Pruebas estadísticas como t-tests, ANOVA, regresión lineal y regresión logística.

2. Visualización de Datos:

   • R es conocido por sus capacidades gráficas avanzadas. Paquetes como ggplot2 permiten crear visualizaciones sofisticadas y personalizadas.
   • shiny permite crear aplicaciones web interactivas para explorar datos de forma dinámica.

3. Machine Learning:

   • R se utiliza para implementar modelos de aprendizaje supervisado y no supervisado, como la regresión, clasificación, árboles de decisión, clustering y redes neuronales.
   • Paquetes como caret, randomForest, y xgboost facilitan el desarrollo y la evaluación de modelos de machine learning.

4. Análisis de Series Temporales:

   • R ofrece herramientas robustas para el análisis de series temporales, como forecast y tseries.
   • Se utiliza para pronosticar datos financieros, meteorológicos y otros datos secuenciales.

5. Bioinformática:

   • R se utiliza en biología computacional para el análisis de secuencias genómicas, expresión génica y otros datos biológicos.
   • Paquetes como Bioconductor proporcionan herramientas específicas para análisis genómicos y proteómicos.

6. Econometría y Finanzas:

   • R se aplica en el análisis de datos financieros, econometría y modelado financiero.
   • Paquetes como quantmod, xts, y zoo son populares en esta área.

Avances Recientes

1. R 4.0 y 4.1:

   • Mejoras en el rendimiento y nuevas funciones.
   • Mejor manejo de cadenas y vectores.

2. Tidyverse:

   • Conjunto de paquetes como dplyr, tidyr, readr, purrr y ggplot2 que facilitan la manipulación y visualización de datos.
   • Introducción de dplyr 1.0.0 con nuevas funciones de programación y mejoras de rendimiento.

3. Data.table:

   • Paquete para manipulación de datos extremadamente rápido y eficiente, especialmente útil para grandes volúmenes de datos.

4. Shiny y RMarkdown:

   • shiny sigue evolucionando, permitiendo la creación de aplicaciones web más rápidas y personalizables.
   • RMarkdown se utiliza para crear documentos dinámicos que pueden combinar código R, texto y gráficos.

5. Inteligencia Artificial:

   • Integración con TensorFlow y Keras para deep learning.
   • Nuevos paquetes y funciones para trabajar con modelos de IA.

6. RStudio IDE:

• RStudio ha lanzado versiones con mejoras en la interfaz, soporte para múltiples lenguajes y mejor integración con herramientas de desarrollo moderno.
• RStudio Connect facilita la publicación y gestión de aplicaciones Shiny, documentos RMarkdown y otros productos de datos.

Para instalar y usar R y RStudio, sigue los pasos a continuación. Esto incluye tanto la instalación de los programas como una introducción básica a su uso.

Instalación de R

1. Descargar R:

   • Ve al sitio web oficial de R: CRAN (The Comprehensive R Archive Network).
   • Selecciona tu sistema operativo (Windows, macOS, o Linux).
   • Descarga el instalador correspondiente.

2. Instalar R:

   • Ejecuta el archivo descargado.
   • Sigue las instrucciones del instalador. Normalmente, puedes aceptar las configuraciones predeterminadas.

Instalación de RStudio

1. Descargar RStudio:

   • Ve al sitio web oficial de RStudio: RStudio.
   • Selecciona tu sistema operativo y descarga el instalador.

2. Instalar RStudio:

   • Ejecuta el archivo descargado.
   • Sigue las instrucciones del instalador.

Uso de R y RStudio

1. Abrir RStudio:

   • Después de instalar R y RStudio, abre RStudio desde el menú de inicio o el icono en tu escritorio.

2. Interfaz de RStudio:

• Script Editor (Editor de Scripts): Aquí puedes escribir y guardar tu código R.
• Console (Consola): Aquí puedes ejecutar comandos R directamente.
• Environment/History: Aquí puedes ver las variables en tu entorno de trabajo y el historial de comandos ejecutados.
• Files/Plots/Packages/Help/Viewer: Aquí puedes gestionar tus archivos, ver gráficos, gestionar paquetes instalados, acceder a la ayuda, y más.

PRIMEROS PASOS EN RSTUDIO

RStudio es una GUI, Graphical user interface, para R programada en C#, multiplataforma (Windows, Linux y Mac). Que aún todos los entornos y asume la filosofía de las expresiones.

Para comenzar crearemos nuestro primer script, tenemos dos formas:

• ·         File->New File->R Script (Ctrl+Shift+N)
• ·         Atreves de la barra de herramientas

Comenzaremos a trabajar en nuestro primer script que por default tiene el nombre de untitled1, nosotros lo vamos a guardar con el nombre de Ejemplo_uno ; Para esto tenemos que indicarle a RStudio cual va ser nuestro espacio de trabajo,

El "espacio de trabajo" (o "workspace" en inglés) se refiere al entorno donde se almacenan todas las variables, funciones, datos y otros objetos que has creado o cargado durante tu sesión de R. Es básicamente la memoria actual de tu sesión de R

Guardamos nuestro script con las combinaciones de teclas Ctrl+Alt+S  o  Menu File->Sava All.

CONCEPTOS DE LENGUAJE

Cada lenguaje de programación tiene su sintaxis y elementos para guardar información; Una de las formas de guardar información durante la ejecución de un programa son las variables, son espacio de memoria que solicita el programa en ejecución para guardar información temporalmente, su nombre puede ser cualquiera, tenemos varios estilos para poder indicar una variable en el programa como son los siguientes.

• ·         VARIABLE.-todas las letras en mayúsculas.
• ·         Variable .-Que la palabra comience con mayúscula.
• ·         variable.- Todas las letras en minúscula
• ·         Variable1.- Que la palabra este acompañada de un indicador numérico.
• ·         Variable_uno.- Este compuesta utilizando el guion bajo para separar.
• ·         VariableUno.- utilizando el estilo CamelCase .
• ·         Var.- solo usando las tres primeras letras de la palabra para formar un prefijo.
• ·         Var1.- Usar el prefijo con un indicador numérico.

Tomemos en cuenta que los lenguajes de programación son sensibles al manejo de Mayúsculas y minúsculas, no es la misma variable “Variable” a “variable”, una está con mayúscula y la otra esta con minúscula.

Cuando ocupamos una variable para almacenar un dato o información, la asignación de valor se realiza de derecha a izquierda. Primero se realiza la operación y después se asigna el resultado a la variable, ejemplo.

·         A=1, a la variable “A” se asigna el valor uno.

·         A=1+1, a la variable “A” se le asigna el resultado de la suma de dos números.

·         A=B+C, a la variable “A” se le asigna el resultado de la suma de dos variables.

·         A=A-A, a la variable “A” se la asigna el resultado de restar de su mismo valos, es decir, si “A” vale 1 el resultado de 1-1 es 0, por consecuente el valor final de “A” es 0.

Realizaremos el script Ejemplo_uno.

#uso de variables

#para ejecur #uso de variables

#para ejecutar cada línea presione Ctrl+Enter

A=20    #se declara la variable "A" y se asigna el valos 20 (Ctrl+Enter)

B=5     #se declara la variable "B" y se asigna el valor 5 (Ctrl+Enter)

res     # variable que se ocupara para guardar el resultado de la operación

res=A+B     #realizamos la suma de las variables "A+B" (Ctrl+Enter)

res

res=A-B     #realizamos la resta de las variables "A+B" (Ctrl+Enter)

res

res=A*B     #realizamos la multiplicacion de las variables "A+B" (Ctrl+Enter)

res

res=A/B     #realizamos la divicion  de las variables "A+B" (Ctrl+Enter)

res

res=A%%B     #realizamos la modularidad de las variables "A+B" (Ctrl+Enter)

res

res=A^B      #realizamos la potencia de las variable "A^B" (Ctrl+Enter)

res

res=sqrt(A)  #realizamos la raiz cuadrada de las variable "A" (Ctrl+Enter)

res ar cada linea precione Ctrl+Enter

Las operaciones matemáticas tienen jerarquía, tomemos nuestras precauciones a la hora de colocar una operación aritmética con más de un operador para obtener el resultado esperado. El operador con mayor prioridad es la suma, después la resta, en seguida la multiplicación y así sucesivamente, en la tabla que a continuación se presenta la prioridad es de arriba hacia bajo.

+	Suma
–	Resta
*	Multiplicación
/	División
%	Residuo
^	Potencia

El lenguaje de RStudio es flexible cuando hablamos de tipo de valor, es decir la clase de información que podemos almacenar en una variable, para conocer el tipo de valor de una variable utilizamos la función class.

Realizaremos el script Ejemplo_dos.

#tipos de valor

#texto o cadena(strig)

var="hola mundo"

class(var)

#caracter

var='1'

class(var)

#numero

var=1

class(var)

COERCIÓN

En R es posible “forzar” (“coerce”) la conversión de una clase de datos en otra, mediante comandos de la forma as.class. ;Esto lo podemos utilizar cuando el tipo de dato no coincida con la información a procesar, ejemplo. Cuando los datos están guardados como texto , los mas comunes son los números y fechas que suelen guardar con formato de texto y al momento de realizar una búsqueda u operación se genera un conflicto de tipo de dato ocasionando información errónea.

Realizaremos el script Ejemplo_tres.

#forzar a una variable que cambie de tipo

#tipo caracter

x="1"

class(x)

#forzamos a numérico(integer)

y=as.integer(x)

y

class(y)

#forzamos  a carácter(character)

z=as.character(y)

class(z)

VECTORES NUMÉRICOS Y ALFANUMÉRICOS

Para poder manipular rápidamente un Tamayo de información moderado y organizada, tenemos los vectores donde podemos guardar información rápidamente. Se pueden agrupar varias variables de la misma clase para formar un vector mediante el comando c(). La asignación de un nombre de variable a dicho vector se realiza mediante el símbolo =. Así, podemos guardar las edades de 10 personas de una muestra en la variable edad mediante:

edad = c(22, 34, 29, 25, 30, 33, 31, 27, 25, 25)

Como comando de asignación de nombres a vectores puede utilizarse además el símbolo <-:

edad <- c(22, 34, 29, 25, 30, 33, 31, 27, 25, 25), o también el símbolo -> si bien en este caso debemos invertir la posición del nombre del vector y sus valores.

c(22, 34, 29, 25, 30, 33, 31, 27, 25, 25) -> edad

Podemos crear vectores alfanuméricos del mismo modo:

letras=c("a","b","c","d","e")

Si en un vector se combinan elementos de clase numeric y character el vector resultante es de clase character:

mezcla=c(1,2,3,"a","b","c")

LONGITUD DE UN VECTOR

La función length() devuelve la longitud (número de elementos) del vector:

x=c(1,4,5,2,4,5,4,3,2,2,3,2,2,4,4,5,5,6,6,7)

length(x)

VALORES PERDIDOS

Los valores perdidos constituyen una clase particular de dato, que se codifica siempre como NA independientemente de que la variable sea numérica o alfanumérica. Con carácter general cualquier operación que involucre a un valor perdido dará como resultado también NA. A modo de ejemplo, si el vector peso recoge los pesos de 5 personas, habiéndose perdido el cuarto valor, se codificaría como:

peso=c(77,68,85,NA,73)

Si pretendemos calcular el peso medio, obtenemos como resultado un valor perdido:

mean(peso)

Si, en cualquier caso, deseamos calcular la media de los pesos efectivamente disponibles, utilizaríamos la opción eliminar valores perdidos o NA remove que se declara como na.rm=TRUE.

mean(peso, na.rm=TRUE)

Una segunda clase de valores “perdidos”" en R corresponden a cálculos numéricos cuyos resultados son indefinidos, como por ejemplo 0000 o log(−1)log(−1). En este caso, el resultado que devuelve R es NaN (Not a Number), que a todos los efectos es considerado como un valor perdido:

ACCESO A LOS COMPONENTES DE UN VECTOR

Es posible acceder al valor que ocupa la posición k dentro de un vector x refiriéndonos a él como x[k]. Así, podemos ver el contenido del tercer y quinto valores del vector edad:

Realizaremos el script Ejemplo_cuatro.

#acceso a elementos de un vector

edad = c(22, 34, 29, 25, 30, 33, 31, 27, 25, 25)

edad[3]

edad[5]

Podemos acceder también simultáneamente a varios valores dentro de un vector. Por ejemplo, si deseamos ver del segundo al quinto de los valores observados en la variable edad:

edad[2:5]

Y si quisiéramos ver sólo los valores primero, tercero y séptimo:

edad[c(1,3,7)]

SELECCIÓN CONDICIONADA DE VALORES DE UNA VARIABLE

La función which() nos da las posiciones, dentro de un vector, de los valores que cumplen cierta condición. Por ejemplo, si definimos:

edad = c(22, 34, 29, 25, 30, 33, 31, 27, 25, 25)

la siguiente función nos devuelve las posiciones de los valores de este vector que son mayores que 25.

which(edad>25)

esto es, los valores del vector edad mayores que 25 son los que ocupan las posiciones 2, 3, 5, 6, 7 y 8.

Podemos asignar estas posiciones a una nueva variable.

mayores25=which(edad>25)

y utilizarla para mostrar cuáles son concretamente esos valores mediante.

edad[mayores25]

Esta expresión puede simplificarse; si no utilizamos which() obtenemos exactamente el mismo resultado:

edad[edad>25]

Se puede realizar también la selección de valores de un vector condicionando por los valores de otro vector. Por ejemplo, si las diez edades del ejemplo anterior corresponden a personas cuyo sexo viene dado por:

sexo <- c("M","H","H","M","M","H","M","M","H","H")

podríamos seleccionar la edad de las mujeres simplemente mediante:

edad[sexo=="M"]

Si además el tiempo (en minutos) que cada una de estas personas se ha pasado al teléfono durante el último día es:

tiempo=c(14.21, 10.36, 11.89, 13.81, 12.03, 10.99, 12.48, 13.37, 12.29, 11.92)

podemos seleccionar el sexo de aquellos que han hablado más de 13 minutos diarios mediante:

sexo[tiempo>13]

Realizaremos el script Ejemplo_cinco.

#acceso a elementos de un vector

edad = c(22, 34, 29, 25, 30, 33, 31, 27, 25, 25)

length(edad)

edad[3]

edad[5]

edad[2:5]

edad[c(1,3,7)]

which(edad>25)

mayores25=which(edad>25)

edad[mayores25]

edad[edad>25]

sexo =c("M","H","H","M","M","H","M","M","H","H")

edad[sexo=="M"]

tiempo=c(14.21, 10.36, 11.89, 13.81, 12.03, 10.99, 12.48, 13.37, 12.29, 11.92)

sexo[tiempo>13]

Una cuestión muy importante que siempre debemos tener en cuenta cuando trabajamos con vectores es que en un vector sólo podemos concatenar elementos del mismo tipo.

·         Carácter

·         Numéricos

·         Enteros

·         Complejos

·         Lógicos

TIPOS DE OBJETOS: MATRICES, LISTAS, DATA FRAME Y FACTORES.

La función matrix() permite organizar los datos en forma bidimensional con  filas y columnas como se indiquen.

Sintaxis

matrix(data, nrow , ncol, byrow, dimnames)

Parámetros

·        
data=verctor de datos

·         nrow=numero de filas

·         ncol = número de columnas.

·         byrow lógico. Si es FALSO (el valor predeterminado), la matriz se rellena con columnas, de lo contrario, la matriz se rellena con filas.

·         Dimnames= una lista de longitud 2 que da los nombres de fila y columna respectivamente.

Realizaremos el script Ejemplo_seis.

#como usar un arreglo o matrix

#una fila y tres columnas

matrix(1:3,1,3,T,list(c("X1"),c("Y1", "Y2","Y3")))

#tres filas una columna

matrix(1:3,3,1,T,list(c("X1","X2","x3"),c("Y1")))

#tres fila y tres columnas y lo asignamos a un objeto

y<-matrix(1:9,3,3,T,list(c("X1","X2","x3"),c("Y1", "Y2","Y3")))

y

#Renombrar encabezados de filas y columnas

rownames(y) <- c("fila1","fila2","fila3")

y

colnames(y) <- c("columna1", "columna2", "columna3")

y

#insertar columna

col<-c(21,22,23)

z<-cbind(y,col)

z

#insertar columna

fil<-c(100,200,300)

x<-rbind(y,fil)

x

#inserter fila y columna

a<-matrix(1:9,3,3,T,list(c("X1","X2","x3"),c("Y1", "Y2","Y3")))

fil<-c(100,200,300)

a<-rbind(a,fil)

a

col<-c(21,22,23,24)

a<-cbind(a,col)

a

#trae el elemento de la fila dos columnas tres

a[2,3]

#trae los valores de la fila uno y dos, columnas dos y cuatro sin

#tomar en cuenta la columna tres

a[c(1,2),c(2,4)]

#trae el rango de fila uno hasta la tres hasta la columna dos hasta la cuatro

a[1:3,2:4]

#solo trae los valores de la primera fila

a[1,]

#trae el rango de filas de la uno a la dos

a[1:2,]

#trae el rango de columnas de las dos astas la tres

a[,2:3]

#Trea todo menos las filas uno y tres

a[-c(1,3),]

LISTAS

Las listas son estructuras de almacenamiento que pueden contener cualquier tipo de dato e información, es una herramienta de almacenamiento muy versátil y nos puede ser de mucha utilidad a diferencia de los vectores o matrices que solo pueden almacenar variables del mismo tipo y compartiendo el mismo nombre, las listas pueden contener elementos/componentes de distinto tipo.

Sitaxis

list(...)

Parámetros

...  objetos, posiblemente nombrados.

Realizaremos el script Ejemplo_siete.

#Listas

#declaramos una lista con diferentes datos y vectores en listaremos cada uno

#asi mismo indicaremos como acceder a ellos

#elemento 1 vector Titulación con elementos de cadena

#elemento 2 vector Edad con elementos numéricos

#elemento 3 vector numérico

#elemento 4 cadena

#elemento 5 Booleano

y <- list(Titulacion = c("Economía", "Sociología", "Derecho"),

           Edad =c(25,26,27),c(1,2,3,4), "Curso", F)

y

# invocaremos el primer elemento vector

y$Titulacion

#invocamos el segundo elemento vector

y$Edad

#invocamos el tercer elemento vector

y[[3]]

#invocamos el cuarto elemento cadena

y[[4]]

#invocamos el quinto elemento booleano

y[[5]]

DATA FRAME

El término “dataframe” es difícil de traducir al castellano. Podría traducirse como Hoja de datos o Marco de datos. Los dataframes son una clase de objetos especial en R. Normalmente, cuando se realiza un estudio estadístico sobre los sujetos u objetos de una muestra, la información se organiza precisamente en un dataframe: una hoja de datos, en los que cada fila corresponde a un sujeto y cada columna a una variable. La estructura de un data.frame es muy similar a la de una matriz. La diferencia es que una matriz sólo admite valores numéricos, mientras que en un dataframe podemos incluir también datos alfanuméricos. 

Realizaremos el script Ejemplo_ocho.

#Crearemos un data frame

x <- data.frame(Titulacion = c("Economía", "ADE", "Sociología", "Magisterio"), Edad = c(25, 27, 25, 24))

x

# número de filas

nrow(x)

# número de columnas

ncol(x)

# número de filas y columnas

dim(x) 

#invocamos el vector titulación  los elemento uno y dos

x$Titulacion[1:2]

#incertamos la columna id

x$id <- 1:4

x

Realizaremos el script Ejemplo_nueve.

# manejo de data frame

#creacion de data.frame misDatos

#declaramos los vectores edad, tiempo y sexo.

edad <- c(22, 34, 29, 25, 30, 33, 31, 27, 25, 25)

tiempo <- c(14.21, 10.36, 11.89, 13.81, 12.03, 10.99, 12.48, 13.37, 12.29, 11.92)

sexo <- c("M","H","H","M","M","H","M","M","H","H")

#creamos el data frame con los vectores anteriormente declarados

misDatos <- data.frame(edad,tiempo,sexo)

misDatos

# visualizar la estructura de datos

str(misDatos)

#nombre de columnas

names(misDatos)

# presentamos las filas 3 asta la 6

misDatos[3:6,]

#presentamos la primera columna

misDatos[,1]

# presentamos el vector edad

misDatos$edad

# otra forma de presentar el vector edad

misDatos[,"edad"]

#segunda forma de presentar el vector edad

misDatos[["edad"]]

SUBCONJUNTOS DE UN DATAFRAME

La función subset() nos permite seleccionar una parte del data.frame. 

Realizaremos el script Ejemplo_diez.

# manejo de subconjuntos  data frame

#creacion de data.frame misDatos

#declaramos los vectores edad, tiempo y sexo.

edad <- c(22, 34, 29, 25, 30, 33, 31, 27, 25, 25)

tiempo <- c(14.21, 10.36, 11.89, 13.81, 12.03, 10.99, 12.48, 13.37, 12.29, 11.92)

sexo <- c("M","H","H","M","M","H","M","M","H","H")

#creamos el data frame con los vectores anteriormente declarados

misDatos <- data.frame(edad,tiempo,sexo)

misDatos

#seleccionamos solo los hombre

hombres=subset(misDatos,sexo=="H")

hombres

#seleccionamos solo las mujeres

mujeres=subset(misDatos,sexo=="M")

mujeres

#seleccionamos los hombres mayores de 30

mayores=subset(misDatos,sexo=="H" & edad>30)

mayores

#seleccionamos los hombres menores de 30 con menos de 12 hablando

jov_habladores=subset(misDatos,sexo=="H" & edad<30 & tiempo>12)

jov_habladores

#Sujetos que tengan menos de 25 o más 30 años

extremos=subset(misDatos,edad<25|edad>30)

extremos

#Sujetos que esten en el rango  de 25 a 30 años

internos=subset(misDatos,edad>25|edad<30)

internos

 

FACTORES

Un factor es una variable categórica con un número finito de valores o niveles. En R los factores se utilizan habitualmente para realizar clasificaciones de los datos, estableciendo su pertenencia a los grupos o categorías determinados por los niveles del factor.

Los niveles de un factor pueden estar codificados como valores numéricos o como caracteres. Independientemente de que el factor sea numérico o carácter, sus valores son siempre almacenados internamente por R como números enteros, con lo que se consigue economizar memoria.

Realizaremos el script Ejemplo_once.

#empleo de fatores

#creamos un vector llamado sexo

sexo <- c("M", "H", "M", "M", "M", "H", "M", "M", "H", "H")

sexo

#convertimos el vector a factor

#el factor agrupa la información por niveles, en este ejemplo 'H' y 'M'

sexo <- factor(sexo)

sexo

#colocamos las etiquetas 'Hombre' Y 'Mujer'

sexo <- factor(sexo,levels=c("H","M"),labels=c("Hombre","Mujer"))

sexo

#pedimos a R que nos construya la tabla de frecuencias de sexos,

#en lugar de H o M nos mostrará los términos “Hombre”" o “Mujer”:

table(sexo)

LECTURA DE DATOS EXTERNOS

Comencemos a trabajar con nuestros propios archivos, tenemos distintas formas de leer nuestros datos externos dentro de nuestros libros de Excel. Como primer paso debemos colocarnos en nuestro espacio de trabajo que va ser nuestra carpeta creada en el escritorio llamada “MANUAL”.

Utilizaremos las funciones

·         getwd() .- Conocer el espacio de trabajo actual

·         setwd().- Establecer la dirección del espacio de trabajo

Realizaremos el script Ejemplo_doce.

#Datos externos

#Establesemos nuestro espacio de trabajo

setwd("C:/Users/PC150/OneDrive/Escritorio/MANUAL")

#verificamos nuestro espacio de trabajo

getwd()

#instalaremos el paquete 'readr'para usar la funcion 'file.choose()' y read_csv

install.packages("readr")

#instalaremos el paquete 'readxl'para usar la funcion read_ecel

install.packages("readxl")

# instalamos el paquete "xlsx" para usar la runcion read.xlsx

install.packages("xlsx")

# instalamos el paquete "rio" para usar la runcion import

install.packages("rio")

# Cargar el paquete

library(readr)

library(readxl)

library(xlsx)

library(rio)

#la funcion file.choose nos presenta un cuadro de dialogo donde vamos a seleccionar

#manualmente nuestro archivo.

tusDatos <- read_csv(file.choose())

#la siguiente forma es usar una direccion absoluta, debemos de conoser la diceccion

#exacta donde se encuentra nuestro archivo en la computadora, recuerde cambiar

#las diagonales invertidas(\) por diagonales(/)

#leemos un archivo .csv

tusDatosA <-read_csv("C:/Users/Escritorio/MANUAL/Accidentes_manual.csv")

tusDatosA

#leemos un archivo de excel

tusDatosB <-read_excel("C:/Users/Escritorio/MANUAL/Accidentes_manual.xlsx")

tusDatosB

#leemos un archivo de excel

tusdatosC <- read.xlsx("C:/Users/Escritorio/MANUAL/Accidentes_manual.xlsx")

tusdatosC

tusDatosD <- import("C:/Escritorio/MANUAL/Accidentes_manual.xlsx")

tusDatosD

CIBERGRAFIA

1.      https://exceltotal.com/base-de-datos-en-excel/

2.      http://www.maestrosdelweb.com/que-son-las-bases-de-datos/

3.      https://videlcloud.wordpress.com/2017/03/05/buenas-practicas-para-el-diseno-de-base-de-datos/

4.       http://soporte.gurucontact.com/support/solutions/articles/5000578287--c%C3%B3mo-guardar-una-planilla-excel-en-formato-csv-

5.      https://www.datanalytics.com/libro_r/contenido-y-plan-del-libro.html

6.       http://gauss.inf.um.es/feir/10/

7.       https://www.uv.es/vcoll/primeros-pasos.html

8.       http://www.dma.ulpgc.es/profesores/personal/stat/cursoR4ULPGC/6a-Tipos_basicos_de_datos.html

9.       http://www.dma.ulpgc.es/profesores/personal/stat/cursoR4ULPGC/6g-Data_frames-Listas.html

http://www.dma.ulpgc.es/profesores/personal/stat/cursoR4ULPGC/6d-Factores.html