intro_r.utf8

# <svg style="height:0.8em;top:.04em;position:relative;fill:steelblue;" viewBox="0 0 581 512"><path d="M581 226.6C581 119.1 450.9 32 290.5 32S0 119.1 0 226.6C0 322.4 103.3 402 239.4 418.1V480h99.1v-61.5c24.3-2.7 47.6-7.4 69.4-13.9L448 480h112l-67.4-113.7c54.5-35.4 88.4-84.9 88.4-139.7zm-466.8 14.5c0-73.5 98.9-133 220.8-133s211.9 40.7 211.9 133c0 50.1-26.5 85-70.3 106.4-2.4-1.6-4.7-2.9-6.4-3.7-10.2-5.2-27.8-10.5-27.8-10.5s86.6-6.4 86.6-92.7-90.6-87.9-90.6-87.9h-199V361c-74.1-21.5-125.2-67.1-125.2-119.9zm225.1 38.3v-55.6c57.8 0 87.8-6.8 87.8 27.3 0 36.5-38.2 28.3-87.8 28.3zm-.9 72.5H365c10.8 0 18.9 11.7 24 19.2-16.1 1.9-33 2.8-50.6 2.9v-22.1z"/></svg> para análisis de datos

## `Introducción a R`

.large[Roxana N. Villafañe | LEMyP | <a href='http://twitter.com/data_datum'><svg style="height:0.8em;top:.04em;position:relative;fill:steelblue;" viewBox="0 0 512 512"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg> @data_datum</a>] 
.large[Florencia D'Andrea | INTA-CONICET | <a href="http://twitter.com/cantoflor_87"> <svg style="height:0.8em;top:.04em;position:relative;fill:steelblue;" viewBox="0 0 512 512"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg> @cantoflor_87</a> ]

Slides disponibles en <https://flor14.github.io/intro_r/intro_r.html#1> ✨
 Página web del curso en <https://flor14.github.io/Curso_r_unne_2020/> 🌟

---

# Nota

Las filminas del primer dia de clase se basan en el curso que se dio en 2019 en la JAIIO
https://flor14.github.io/r_cai_2019/

---

# Configuración

---

# Obteniendo Datos

**Campo**

Obtención de datos a campo – Planillas
_Ej: Planilla con valores de presencia – ausencia de especies_

**Laboratorio**

Procesamiento de muestras de experimentos. Mediciones. 
_Ej: Planilla con valores de mediciones enzimáticas._

**Bases de datos**

Trabajo sobre datos ya obtenidos
_Ej: Datos de estaciones meteorológicas._

---

background-image: url(cajanegra.png)
background-size: contain
---
class: center, middle

# Ciencia de Datos

# ¿Por qué programar?

---

Cuando un trabajo se hace a manualmente, el tiempo empleado para realizar un trabajo suele ser directamente proporcional a la cantidad de trabajo

---

---

Al final, el informático puede hacer más trabajo sin necesidad de invertir más tiempo, mientras que el no informático descubre que no puede competir.

---

---

class: center, middle, inverse
## Nos permite manejar bases de datos más grandes.

## Los paquetes permiten explorar varias funcionalidades de forma relativamente sencilla.

---

## Múltiples formas de comunicar resultados: 
### con R podes crear reportes en distintos formatos, paginas web, mapas, gráficos, libros, posters, presentaciones, etc...

## Es software libre 🕊️

---
class: center, middle

---
background-image: url(6_r.png)
background-size: contain
class: center, middle

---

background-size: contain
background-image: url(7_r.png)

---

---

# R y RStudio IDE

---
class: center, middle

---

En nuestra máquina, se presentan dos íconos

---

Para instalar R y R-Studio pueden usar el link que esta en la página del curso.

Cuando lo instalamos en nuestra máquina, se presentan dos íconos

---
class: center, middle, inverse

# R y RStudio IDE

---

---

---
class: center, middle, inverse
# Paquetes 📦

---

# Paquetes 📦

---

# Funciones

---

# ¿Cuál es la diferencia entre un paquete y una libreria?

---

# ¿Cuál es la diferencia entre un paquete y una libreria?

---

---

---

# Repositorios ☁️

---

---

# Uso de Proyectos

---

---

---

# DEMO 1 🙌💻

Diferencia entre R y RStudio
 
 Abrir un proyecto de trabajo 
 
 Instalar y llamar un paquete en R

---

# Mensajes en R

### Errores 
 Generalmente cuando hay un error, el código no se ejecutará.

### Advertencias
 En general, el código seguirá funcionando, pero hay algo a revisar o estar atentos.

### Mensajes
 Son mensajes de diagnóstico útiles y no impiden que el código funcione.

---

---

---

---

---

---

# Comunidades

### R-Ladies

[Twitter](https://twitter.com/rladies_rciacte?lang=es)

]

### R en el NEA

[Twitter](https://twitter.com/NeaRenel)

]

---

# Avanza muy rápido 📈

---

# La comunidad de R es twittera 🐦

---

<img src="tidyverse.png" width="40%" align="middle" />
# Tidyverse 🌌

---

---

---

---

---

---

---

---

---

# Tidyverse 🌌

---

# Tidyverse 🌌

---
<img src="tidyverse.png" width="10%" align="right" />

# Tidyverse 🌌

Las funciones de los paquetes del Tidyverse y los de R base pueden coincidir

---

# Los paquetes del tidyverse se escriben diferente, tienen una sintaxis particular

---

---

---

---

##  `f(x,y)`  seria idéntico a escribir
## `x %>% f(y)`

---

---
class: center, middle, inverse
# Importar datos

---

---

---

# Vector

.footnote[*Analogía de Jenny Bryan* - https://speakerdeck.com/jennybc/data-rectangling
*Software Carpentry* - http://swcarpentry.github.io/r-novice-gapminder/04-data-structures-part1/index.html
]

---

# dataframe

.footnote[*Analogía de Jenny Bryan* - https://speakerdeck.com/jennybc/data-rectangling
*Software Carpentry* - http://swcarpentry.github.io/r-novice-gapminder/04-data-structures-part1/index.html
]

---

# dataframe

.footnote[*Analogía de Jenny Bryan* - https://speakerdeck.com/jennybc/data-rectangling
*Software Carpentry* - http://swcarpentry.github.io/r-novice-gapminder/04-data-structures-part1/index.html
]

---

# Importar archivos desde Excel 📎

---

# Formas de importar archivos

---

# Otros paquetes 📦

---

# DEMO 2 🙌💻

Importar una base de datos
 
 Escribir con pipes

---

# 🙋 ¿Preguntas?

---

# Práctica 🙌

- Inicien un proyecto dónde van a realizar las actividades del curso
- Instalar `tidyverse`, `datos`, `tidymodels`, `GGally`, `gapminder`, `mlbench`
- Observar que hay dentro de un paquete usando  `::`
- Importar un dataset desde excel
- Pipes

---

# Práctica 🙌

## ¿Cómo escribirían este código con pipes?

El dataset inicial se llama `babynames`

```r
# primer caso
babynames <- filter(babynames, year == 2015, sex == "M")
babynames <- select(babynames, name, n)
babynames <- arrange(babynames, desc(n))
babynames

# segundo caso
boys_2015 <- filter(babynames, year == 2015, sex == "M")
boys_2015 <- select(boys_2015, name, n)
boys_2015 <- arrange(boys_2015, desc(n))
boys_2015
```

---

# Práctica 🙌
## Rta

```r
babynames %>% 
  filter(year == 2015, sex == "M") %>% 
  select(name, n) %>% 
  arrange(desc(n))
```