3.5 El operador pipe
El software estadístico R es un lenguaje de programación creado por estadísticos para estadísticos. Una de las contribuciones recientes es el desarrollo de los pipelines que permiten de una forma intuitiva generar consultas y objetos desde una base de datos. El operador pipe, %>%, viene del paquete magrittr (Bache, S. et al., 2022) y está cargado automáticamente en los paquetes del Tidyverse.
El objetivo del operador pipe es ayudar a escribir código de una manera que sea más fácil de leer y entender. En este sentido, el operador %>% permite “encadenar” operaciones en el sentido que el resultado de una operación anterior se convierta en el input de la siguiente operación. A continuación, ejemplificaremos el uso del %>% en la base de datos de Brasil haciendo un conteo del total de elementos que contiene la base de datos utilizando la función count.
data2 %>% count()## n
## 1 356904Otra operación que se puede realizar en R es re-codificar los niveles de los factores que en muchas ocasiones son necesarios en las encuestas de hogares. El siguiente código permite generar los nombres de los estados en Brasil.
data2$estados <- factor(data2$uf,
levels = c(11:17, 21:29, 31:33, 35, 41:43, 50:53),
labels = c("Rondonia", "Acre", "Amazonas", "Roraima",
"Para", "Amapa", "Tocantins", "Maranhao",
"Piaui", "Ceara", "RioGrandeNorte", "Paraiba",
"Pernambuco", "Alagoas", "Sergipe", "Bahia",
"MinasGerais", "EspirituSanto", "RioJaneiro",
"SaoPaulo", "Parana", "SantaCatarina",
"RioGrandeSur", "MatoGrossoSur", "MatoGrosso",
"Goias", "DistritoFederal"))Adicionalmente, para efectos de visualización en tablas y gráficos es conviene codificar los nombres de las variables. Para este ejemplo, se codificarán de la siguiente manera:
data2$deptos <- factor(data2$uf,
levels = c(11:17, 21:29, 31:33, 35, 41:43, 50:53),
labels = c("RO", "AC", "AM", "RR", "PA",
"AP", "TO", "MA", "PI", "CE", "RN", "PB",
"PE", "AL", "SE", "BA", "MG", "ES", "RJ", "SP",
"PR", "SC", "RS", "MS", "MT", "GO", "DF"))Por otro lado, existe una gama amplia de funciones que se pueden utilizar con el operador %>%, A continuación, se enlistan una serie de funciones muy útiles al momento de hacer análisis con bases de datos provenientes de encuestas de hogares:
- filter: mantiene un criterio de filtro sobre alguna variable o mezcla de variables.
- select: selecciona columnas por nombres.
- arrange: ordena las filas de la base de datos.
- mutate: añade nuevas variables a la base de datos.
- summarise: reduce variables a valores y los presenta en una tabla.
- group_by: ejecuta funciones y agrupa el resultado por las variables de interés.
Ejemplificando alguna de las funciones mostradas anteriormente, una de las primeras consultas que se realizan en las encuestas de hogares es saber el número de encuestas (personas) realizadas y que están contenida en la base de datos. Usando %>% se realiza de la siguiente manera:
data2 %>% count()## n
## 1 356904Otro de los ejercicios que se hacen usualmente con las encuestas de hogares está relacionado con saber la cantidad de hogares que hay en el país de estudio. Una de las formas más sencillas de hacer esta revisión es usar la función filter. Las encuestas de hogares muchas veces recopilan información a nivel de viviendas, hogares y personas. Particularmente, las bases de datos que están disponibles en BADEHOG están a nivel de persona. Ahora bien, para saber la cantidad de hogares que se encuestaron basta con filtrar por hogar porque sólo hay un jefe de hogar por hogar, como se muestra a continuación:
datahogar1 <- data2 %>% filter(parentco == 1)
datahogar2 <- data2 %>% filter(paren_ee == "Jefe") Por otro lado, si el interés ahora es filtrar la base de datos por la ubicación de la persona en el área rural y urbana se realiza de la siguiente manera:
dataurbano <- data2 %>%
filter(area_ee == "Area urbana")
datarural <- data2 %>%
filter(area_ee == "Area rural") En este mismo sentido, si el objetivo ahora es filtrar la base de datos por algunos ingresos particulares mensuales por personas, por ejemplo, altos o bajos, se realiza de la siguiente manera:
dataingreso1 <- data2 %>%
filter(ingcorte %in% c(50, 100))
dataingreso2 <- data2 %>%
filter(ingcorte %in% c(1000, 2000))Otra función muy útil en el análisis en encuestas de hogares es la función select la cual, como se mencionó anteriormente permite seleccionar un grupo de variables de interés a analizar. Si por ejemplo, se desea seleccionar de la base de ejemplo solo las variables identificación del hogar (id_hogar), unidades primarias de muestreo (_upm), factores de expansión (_feh) y estratos muestrales ( _estrato) se realiza de la siguiente manera:
datared <- data2 %>% select(`id_hogar`, `_upm`,
`_feh`, `_estrato`)
datablue <- data2 %>% select(id_pers, edad,
sexo, ingcorte)La función select no solo sirve para seleccionar variables de una base de datos, también se puede utilizar para eliminar algunas variables de la base de datos que ya no son de interés para el análisis o que simplemente se generaron en la manipulación de la base de datos como variables puentes para realizar algunos cálculos de interés. Por ejemplo, si se desea eliminar de la base de datos de ejemplo las variables identificación del hogar (id_hogar) e identificación de las personas (id_pers) se realiza introduciendo un signo “menos” (-) delante del nombre de la variable como sigue:
datagrey <- data2 %>% select(-id_hogar, -id_pers)Por otro lado, si el objetivo ahora en análisis de las encuestas de hogares es ordenar las filas de la base por alguna variable en particular, se utiliza en R la función arrange para realizar esta operación. A continuación, se ejemplifica con la base de datos de ejemplo, cómo se ordena la base de acuerdo con la variable ingcorte:
datadog <- datablue %>% arrange(ingcorte)
datadog %>% head()## id_pers edad sexo ingcorte
## 1 1 38 Mujer 0
## 2 2 12 Mujer 0
## 3 1 26 Hombre 0
## 4 2 29 Mujer 0
## 5 1 50 Hombre 0
## 6 1 53 Mujer 0Es posible utilizar la función arrange para hacer ordenamientos más complicados. Por ejemplo, ordenar por más de una variable. A modo de ejemplo, ordenemos la base de datos datablue de acuerdo con las variables sexo y edad
datablue %>% arrange(sexo, edad) %>% head()## id_pers edad sexo ingcorte
## 1 6 0 Hombre 660.4400
## 2 6 0 Hombre 162.5000
## 3 3 0 Hombre 381.6667
## 4 5 0 Hombre 320.0000
## 5 6 0 Hombre 375.0000
## 6 4 0 Hombre 1425.0000También es posible utilizar la función arrange junto con la opción desc() para que el ordenamiento sea descendente.
datablue %>% arrange(desc(edad)) %>% head()## id_pers edad sexo ingcorte
## 1 2 115 Mujer 103.0000
## 2 4 110 Mujer 1156.5300
## 3 2 107 Hombre 415.5904
## 4 1 107 Mujer 1754.4600
## 5 3 105 Mujer 380.7904
## 6 2 105 Mujer 898.3200