Importar, limpiar, unir

• Author: Jordi Mas Elias
• Profession: Profesor de los Estudios de Derecho y Ciencia Política en la Universitat Oberta de Catalunya (UOC)
• Pages: 251-295

Editorial UOC Capítulo V. Importar, limpiar, unir

251

Capítulo V

Importar, limpiar, unir

1. Introducción

No siempre un analista de datos encuentra la información a

punto para ser explorada. El trabajo principal del analista es, a

menudo, mucho más pesado de lo que parece, puesto que los

datos pueden estar desordenados, con nombres mal escritos difí-

ciles de interpretar o separados en diferentes archivos de inter-

net. Por esta razón, en algunos ámbitos, los científicos de datos

tienen que dedicar la mayor parte de su tiempo a estas tareas

(Lohr, 2014). El objetivo de este capítulo es ayudaros a convertir

datos dispersos y desconectados entre sí en un solo marco de

datos preparado para ser analizado.

En ciencias sociales, y más particularmente cuando se realiza

investigación sobre temas de índole internacional, los datos pro-

vienen en la mayoría de ocasiones de las principales organizacio-

nes y centros de estudios internacionales, de modo que ya han

sido sistematizados previamente. Estas entidades se encargan de

recoger, limpiar y ordenar los datos para presentarlos al público.

Incluso algunos datos tienen disponible una librería específica en

R para facilitarnos el tratamiento. Esto no resta importancia al

hecho de aprender a adquirir y a preparar los datos para poderlos

estudiar a fondo.

En este capítulo os enseñaremos tres pasos básicos para pre-

parar los datos:

Editorial UOC Análisis de datos con R en estudios internacionales

252

1) Importar los datos a RStudio. En este primer apartado os

enseñaremos diferentes maneras de incorporar los datos en el

programa.

2) Una vez incorporados, hay que saber limpiar los datos.

Dedicaremos el segundo apartado del módulo a esta tarea, que

consiste en modificar cuando sea necesario la estructura del

marco de datos y el tipo de variables que tenemos, y a tomar

decisiones sobre los valores perdidos y los casos extremos.

3) Finalmente, hay que unir diferentes marcos de datos. Este

proceso es sumamente útil para nuestro trabajo, puesto que nos

permite analizar información que proviene de fuentes diferentes.

Por lo tanto, el proceso de unir bases de datos será un paso esen-

cial previo al tratamiento.

2. Importar datos

Importar contenido es el primer paso que tenemos que hacer

para trabajar con datos en RStudio. En internet tenemos multi-

tud de bases de datos relacionadas con estudios internacionales,

como World Bank, Eurostat, Correlates of War, etc.1 En este

apartado aprenderemos a importar a R algunas de ellas. Tenemos

dos vías principales para importarlas: mediante un paquete de R,

o bien importando un archivo localizado en nuestro ordenador

o en la red.

1. Una de las listas más extensas de bases de datos en estudios internacionales

que encontramos en la red la tenemos en este GitHub: https://github.com/

erikgahner/PolData.

Editorial UOC Capítulo V. Importar, limpiar, unir

253

2.1. Importar un paquete

Dentro de los paquetes que ya tenemos actualmente cargados

en R, ya hay una gran cantidad de bases de datos que nos pueden

servir para practicar con el programa. Uno de los paquetes de

base de R denominado datasets contiene cerca de un centenar de

marcos de datos que podéis consultar tecleando help = "data-

sets". Otros paquetes que ya conocemos, como dplyr o ggplot2,

incorporan también, entre muchos objetos y funciones, algunos

marcos de datos en el interior. Hay otros paquetes que están

alojados en la biblioteca central de R, el CRAN, como es el caso

de gapminder, que son fáciles de utilizar porque, cuando carga-

mos el paquete en R, se nos cargan también los marcos de datos

de su interior. Para instalar un paquete, utilizaremos la función

install.packages() con el nombre del paquete entre comillas

y para cargarlo en R utilizaremos library() con el nombre

del paquete sin las comillas. Una vez cargado, podemos ver las

funciones y los objetos del paquete si introducimos su nombre

seguido de dos puntos (por ejemplo, gapminder::). Nos apare-

cerá un desplegable con la información.

Marcos de datos en dplyr y ggplot2

El paquete dplyr, por ejemplo, tiene el marco de datos starwars. El

paquete ggplot2 incorpora presidential (mandatos de los presi-

dentes de Estados Unidos desde Eisenhower). Si queréis saber más

detalles, poned el nombre en la consola con un interrogante delante

(ejemplo: ?Titanic).

Sin embargo, la mayoría de paquetes que tienen relación con

los estudios internacionales son algo más sofisticados, puesto