Análisis exploratorio de datos

B0305 – Lab Eco Gral
https://ucr-ecologia.github.io/B0305-lab-eco-gral/

Prof. G. Avalos y T. Nakov

Escuela de Biologia, Universidad de Costa Rica

01 Aug 2025

Que vamos a ver:

• ¿Qué es el análisis exploratorio de datos?
• Distribuciones (Variación)
• Relaciones (Covariación)
• Ejercicios
• Bibliografia

¿Qué es el análisis exploratorio de datos?

Análisis exploratorio de datos

Análisis exploratorio de datos

Explora los datos de manera sistemática

• Genera preguntas sobre tus datos.
• Busca respuestas visualizando, transformando y modelando tus datos.
• Usa lo que aprendes para refinar tus preguntas y/o generar nuevas preguntas.

 Hadley Wickham, Mine Çetinkaya-Rundel, and Garrett Grolemund. R for Data Science, 2ed. 

Análisis exploratorio de datos

• El objetivo es desarrollar una comprensión de los datos
• Lo hacemos haciendo preguntas (¿Cómo cambia la tasa de crecimiento con la temperatura?)
• Cuantas más preguntas hagamos, más ideas obtendremos y será más probable encontrar respuestas significativas
• No hay reglas sobre las preguntas que podemos hacer, pero buenos puntos de partida son:
  • ¿Cuál es la variación dentro de mis variables?
  • ¿Cuál es la covariación entre mis variables?

Resumen de los datos

• ‘Panorama general’ del conjunto de datos:
  • ¿Cuántas variables?
  • Tipos de variables (números, categorías, fechas, …)?
  • Rangos, medias, conteos de categorías, …?
  • ¿Cuántos datos faltantes?

dim(penguins)

[1] 344   8

ncol(penguins)

[1] 8

nrow(penguins)

[1] 344

summary(penguins)

      species          island       bill_len        bill_dep    
 Adelie   :152   Biscoe   :168   Min.   :32.10   Min.   :13.10  
 Chinstrap: 68   Dream    :124   1st Qu.:39.23   1st Qu.:15.60  
 Gentoo   :124   Torgersen: 52   Median :44.45   Median :17.30  
                                 Mean   :43.92   Mean   :17.15  
                                 3rd Qu.:48.50   3rd Qu.:18.70  
                                 Max.   :59.60   Max.   :21.50  
                                 NA's   :2       NA's   :2      
  flipper_len      body_mass        sex           year     
 Min.   :172.0   Min.   :2700   female:165   Min.   :2007  
 1st Qu.:190.0   1st Qu.:3550   male  :168   1st Qu.:2007  
 Median :197.0   Median :4050   NA's  : 11   Median :2008  
 Mean   :200.9   Mean   :4202                Mean   :2008  
 3rd Qu.:213.0   3rd Qu.:4750                3rd Qu.:2009  
 Max.   :231.0   Max.   :6300                Max.   :2009  
 NA's   :2       NA's   :2                                 

Distribuciones (Variación)

Preparación

• Usaremos los paquetes {tidyverse}
• {ggplot2} para visualización
• {dplyr} para manipulación de datos

Configuración del entorno: Ya configuramos nuestro entorno en la clase anterior.

# Si aún no has configurado el entorno:
renv::restore()  # Instala todos los paquetes necesarios

Cargar los paquetes necesarios:

library(ggplot2)
library(dplyr)
# Establecer tema global para todos los gráficos
theme_set(theme_bw())

Variables categóricas (discretas)

# library(ggplot2)
ggplot(penguins) +
    aes(x=species) +
    geom_bar(fill="steelblue")

# library(ggplot2)
ggplot(penguins) +
    aes(x=species, fill = species) +
    geom_bar()

Variables categóricas (discretas)

# library(dplyr)
penguins |> 
    group_by(species) |> 
    tally()

# A tibble: 3 × 2
  species       n
  <fct>     <int>
1 Adelie      152
2 Chinstrap    68
3 Gentoo      124

# library(dplyr)
penguins |> 
    group_by(island) |> 
    tally()

# A tibble: 3 × 2
  island        n
  <fct>     <int>
1 Biscoe      168
2 Dream       124
3 Torgersen    52

Variables numéricas (continuas)

# library(ggplot2)
ggplot(penguins) +
    aes(x = bill_len) +
    geom_histogram(
        fill = "steelblue", 
        color= "white"
    )

# library(ggplot2)
ggplot(penguins) +
    aes(y = bill_len) +
    geom_boxplot(
        fill = "steelblue"
        )

Sidenote on boxplots

Variables numéricas (continuas) - Datos de histograma

min_bill <- min(penguins$bill_len, na.rm=TRUE)
max_bill <- max(penguins$bill_len, na.rm=TRUE)
bin_breaks <- seq(min_bill, max_bill, by=2)
bill_len_bin <- cut(penguins$bill_len, breaks = bin_breaks)
table(bill_len_bin)

bill_len_bin
(32.1,34.1] (34.1,36.1] (36.1,38.1] (38.1,40.1] (40.1,42.1] (42.1,44.1] 
          4          21          40          35          39          30 
(44.1,46.1] (46.1,48.1] (48.1,50.1] (50.1,52.1] (52.1,54.1] (54.1,56.1] 
         39          41          42          36           7           5 
(56.1,58.1] 
          1 

Variables numéricas (continuas) - Datos de boxplot

summary(penguins$bill_len)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
  32.10   39.23   44.45   43.92   48.50   59.60       2 

Relaciones (Covariación)

Categórica + Categórica

penguins |> 
    ggplot(aes(x = island)) +
    geom_bar(aes(fill = species))

penguins |> 
    ggplot(aes(x = island)) +
    geom_bar(
        aes(fill = species), 
        position = "dodge"
    )

Categórica + Categórica

penguins |> 
    group_by(species, island) |> 
    tally()

# A tibble: 5 × 3
# Groups:   species [3]
  species   island        n
  <fct>     <fct>     <int>
1 Adelie    Biscoe       44
2 Adelie    Dream        56
3 Adelie    Torgersen    52
4 Chinstrap Dream        68
5 Gentoo    Biscoe      124

penguins |> 
    group_by(species, island, sex) |> 
    tally()

# A tibble: 13 × 4
# Groups:   species, island [5]
   species   island    sex        n
   <fct>     <fct>     <fct>  <int>
 1 Adelie    Biscoe    female    22
 2 Adelie    Biscoe    male      22
 3 Adelie    Dream     female    27
 4 Adelie    Dream     male      28
 5 Adelie    Dream     <NA>       1
 6 Adelie    Torgersen female    24
 7 Adelie    Torgersen male      23
 8 Adelie    Torgersen <NA>       5
 9 Chinstrap Dream     female    34
10 Chinstrap Dream     male      34
11 Gentoo    Biscoe    female    58
12 Gentoo    Biscoe    male      61
13 Gentoo    Biscoe    <NA>       5

Categórica + Numérica - histogramas

penguins |> 
    ggplot(aes(x = bill_len)) +
    geom_histogram(
        aes(fill = sex), 
        color = "white"
    )

penguins |> 
    ggplot(aes(x = bill_len)) +
    geom_histogram(
        aes(fill = sex), 
        color = "white",
        position = "dodge"
    )

Categórica + Numérica - boxplots

penguins |> 
    ggplot(aes(x = species, y = bill_len)) +
    geom_boxplot(aes(fill = species))

penguins |> 
    ggplot(aes(x = species, y = bill_len)) +
    geom_boxplot(aes(fill = island)) +
    scale_fill_viridis_d()

Categórica + Numérica - heatmaps

penguins |> 
    group_by(island, species) |> 
    summarise(mean_bill_len = mean(bill_len, na.rm = TRUE)) |> 
    ggplot() +
    aes(x = island, y = species, fill = mean_bill_len) +
    geom_tile(color = "white") +
    geom_text(aes(label = round(mean_bill_len, 2)), color = "white")

Categórica + Numérica - datos

penguins |> 
    group_by(year) |> 
    summarise(
        mean_bill_len = 
            mean(bill_len, na.rm = TRUE),
        mean_body_mass = 
            mean(body_mass, na.rm = TRUE),
        )

# A tibble: 3 × 3
   year mean_bill_len mean_body_mass
  <int>         <dbl>          <dbl>
1  2007          43.7          4125.
2  2008          43.5          4267.
3  2009          44.5          4210.

penguins |> 
    filter(
        island == "Dream", 
        species == "Adelie", 
        sex == "male",
        body_mass >= 4500) |> 
    select(island, species, sex, body_mass)

  island species  sex body_mass
1  Dream  Adelie male      4650
2  Dream  Adelie male      4600

Numérica + Numérica - scatterplots

ggplot(penguins) +
    aes(
        x = body_mass, 
        y = flipper_len
    ) +
    geom_point(
        alpha = 0.4,
        aes(size = body_mass)
    )

ggplot(penguins) +
    aes(
        x = body_mass, 
        y = flipper_len
    ) +
    geom_point(
        size = 5, alpha = 0.4,
        aes(
            color = species, 
            shape = sex
        )
    )

Numérica + Numérica - scatterplots con regression

ggplot(penguins) +
    aes(x = body_mass, y = flipper_len) +
    geom_point(
        size = 5, alpha = 0.4,
        aes(color = species, shape = sex)
    ) +
    geom_smooth(method = "lm")

Numérica + Numérica - scatterplots con regression

ggplot(penguins) +
    aes(x = body_mass, y = flipper_len) +
    geom_point(size = 5, alpha = 0.4, aes(color = island, shape = sex)) +
    geom_smooth(method = "lm") +
    facet_wrap(vars(species), ncol = 3)

Ejercicios

Usando el conjunto de datos incorporado iris:

• Grafica el número de observaciones por especies usando geom_bar
• Calcula la media de Sepal.Length por Species usando group_by y summarise
• Grafica una regresión entre Sepal.Length y Petal.Length para la especie setosa. (Filtra primero para la especie setosa, luego grafica)

Bibliografia

Hadley Wickham, Mine Çetinkaya-Rundel, and Garrett Grolemund. R for Data Science, 2ed. https://r4ds.hadley.nz/

Especificamente:

Capitulo 1: https://r4ds.hadley.nz/data-visualize.html

Capitulo 10: https://r4ds.hadley.nz/EDA.html