Resumen de Análisis Exploratorio de Datos (EDA)
Análisis Exploratorio de Datos (EDA): Guía Completa para Estudiantes
Introducción
El propósito de este material es enseñar a usar herramientas de visualización en R con énfasis en el paquete ggplot2 dentro del ecosistema Tidyverse, y repasar cómo visualizar distribuciones de variables (univariado) según su tipo: categórica o numérica. Veremos la gramática de los gráficos, ejemplos prácticos con datos de vehículos y recomendaciones para elegir gráficos adecuados.
Definición: La gramática de los gráficos es un conjunto de componentes (datos, mapeos estéticos, geométricos, estadísticas, posición, coordenadas y facetas) que permiten construir gráficos de forma modular y coherente.
1. ggplot2: conceptos básicos y plantilla
ggplot2 trabaja por capas y cada gráfico se construye combinando componentes. La plantilla general es:
ggplot(data = <DATOS>) +
<GEOM_FUNCIÓN>(mapping = aes(<MAPEOS>), stat = <ESTADÍSTICAS>, position = <POSICIÓN>) +
<FUNCIÓN_COORDENADAS> +
<FUNCIÓN_FACETAS>
- data: data frame que contiene las variables.
- geom función: el tipo de gráfico (por ejemplo, geom_bar, geom_histogram, geom_point).
- mapping = aes(...): mapeos estéticos, ej. eje x, eje y, color, fill, tamaño.
- stat: transformación estadística que ggplot aplica (por ejemplo, "count" para barras, "identity" para alturas dadas).
- position: ajuste de posición (ej. "stack", "dodge", "fill").
- coordenadas: ajuste del sistema de coordenadas, ej. coord_flip(), coord_polar().
- facetas: crear subgráficos por niveles de una variable con facet_wrap() o facet_grid().
Definición: Un mapeo estético (aes) es la asociación entre una variable del conjunto de datos y una propiedad visual del gráfico, como la posición en el eje x o el color.
Ejemplo corto en R (esquema)
- Cargar tidyverse: library(tidyverse)
- Crear gráfico de barras de la variable Procedencia:
ggplot(data = cars, mapping = aes(x = Procedencia)) +
geom_bar() +
labs(title = "Procedencia del vehículo", y = "Frecuencia", x = "Región")
2. Variación: idea clave antes de graficar
- La variación indica cómo cambian las mediciones de una variable entre observaciones. Incluso constantes físicas muestran variación por error de medición.
- Las variables categóricas varían entre sujetos o momentos (ej. color de ojos; opinión sobre un tema).
Definición: La variación es la tendencia de los valores de una variable a cambiar de una medición a otra debido a diferencias reales o error de medición.
3. Visualizando distribuciones — Análisis univariado
El objetivo es describir la distribución de una variable: los valores posibles y su frecuencia. Primero se estudia una variable por vez (univariado); después se exploran relaciones entre variables.
- Métodos: medidas resumen (p. ej., moda, proporciones, medias) y gráficos.
- La elección depende del tipo de variable: categórica u numérica.
Variables categóricas
- Guardadas como factores o caracteres en R.
- Valores: etiquetas que nombran categorías.
- Distribución: lista de categorías con conteos o porcentajes.
Definición: Moda (para variables categóricas) es la categoría con mayor frecuencia absoluta o relativa.
Opciones de visualización para categóricas:
- Gráfico de barras (vertical u horizontal).
- Eje x: categorías; eje y: frecuencia absoluta o relativa.
- Si las categorías tienen orden intrínseco (ej. Bajo, Medio, Alto), respetarlo.
- Si no, ordenar por frecuencia para facilitar la lectura.
- Diagrama de sectores (pie chart).
- El área del círculo se divide en sectores proporcionales a las frecuencias.
- Recomendación: usar con cautela; en muchos casos las barras comunican mejor las diferencias.
Ejemplo práctico: Procedencia del vehículo (datos resumidos)
| Región | Frecuencia | Porcentaje |
|---|---|---|
| A |
Regístrate para el resumen completo¿Ya tienes cuenta? Iniciar sesión
Visualización con ggplot2
Klíčové pojmy: La gramática de ggplot2 combina datos, mapeos estéticos, geoms, estadísticos, posición, coordenadas y facetas., Usar library(tidyverse) carga ggplot2 y otros paquetes útiles., Para variables categóricas, la visualización principal es el gráfico de barras; el pie chart se usa con cautela., La plantilla básica: ggplot(data=datos) + geom_*(mapping=aes(...)) + coord_* + facet_*., Frecuencia absoluta $n_i$, frecuencia relativa $p_i = \frac{n_i}{N}$ y porcentaje $100\times p_i$., La moda es la categoría con mayor frecuencia absoluta., Al ordenar categorías, usar orden por frecuencia mejora la perceptibilidad., Para porcentajes en ggplot2 usar after_stat(prop) o calcular proporciones antes de graficar., geom_col() se usa cuando ya tenemos la altura (valor) de cada barra; geom_bar() cuenta observaciones., coord_polar(theta = "y") convierte barras en gráfico de sectores (pie chart)., Verificar valores faltantes y niveles raros antes de graficar., Cuando las etiquetas son largas, usar barras horizontales con coord_flip().