Sesión 3

Manejo y transformación de datos con dplyr y pipes

Juan David Leongómez

Universidad El Bosque

5 de junio de 2026

Agenda

Datos sucios: el problema de partida
Los verbos de dplyr: select, rename, filter, mutate, summarise, group_by
El problema de combinar verbos sin pipe
El pipe nativo |> (y una nota sobre %>%)
Por qué Excel no es para datos de investigación
Datos de psicología: limpieza y figuras

Parte 1

Datos sucios

La realidad de los datos

En investigación, los datos no llegan limpios. A menudo llegan así:

Esta es una hoja de Excel típica: filas de título, celdas combinadas, columnas con nombres que nadie va a querer escribir en código.

Descargar y cargar los datos

⬇ Descargar encuesta_bruta.xlsx

Guarda el archivo en tu computador (por ejemplo en el escritorio o en Documentos). Para cargarlo sin necesitar conocer rutas, usa el menú de RStudio:

Environment → Import Dataset → From Excel…

Navega hasta el archivo y selecciónalo
En la vista previa verás que la primera fila es el título del estudio: ajusta Skip a 2
Verifica que la vista previa ya muestre las columnas correctas
Copia el código del recuadro Code Preview antes de hacer clic en Import
Pégalo en tu script y ejecútalo desde ahí

El paso más importante es copiar el código. Sin eso, la próxima vez que abras RStudio tendrás que repetir todo el proceso. Con el código en el script, basta con ejecutarlo una vez.

El código que genera RStudio

El código que aparece en Code Preview se verá así (con la ruta a tu archivo):

library(readxl)
encuesta_bruta <- read_excel("~/Desktop/encuesta_bruta.xlsx", skip = 2)

Pégalo en tu script. La ruta será absoluta (depende de tu computador), lo cual está bien por ahora. En la Sesión 4 crearás un proyecto organizado y moverás este archivo a una carpeta datos/, donde podrás cargarlo con read_excel("datos/encuesta_bruta.xlsx", skip = 2).

glimpse(encuesta_bruta)

Rows: 180
Columns: 17
$ id            <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 1…
$ nombre        <chr> "P001", "P002", "P003", "P004", "P005", "P006", "P007", …
$ edad          <dbl> 30, 26, 18, 23, 30, 28, 29, 21, 22, 29, 27, 19, 25, 20, …
$ Género        <chr> "Hombre", "mujer", "Mujer", "Mujer", "Mujer", "M", "Homb…
$ carrera       <chr> "psicología", "Medicina", "Medicina", "Psicología", "Enf…
$ semestre      <dbl> 8, 9, 1, 10, 7, 2, 4, 3, 3, 8, 10, 8, 4, 3, 2, 7, 1, 2, …
$ `GAD 1`       <dbl> 1, 2, 1, 3, 1, 3, 1, 2, 0, 3, 2, 3, 1, 1, 2, 1, 1, 3, 0,…
$ `GAD 2`       <dbl> 2, 1, 2, 3, 0, 0, 2, 3, 3, 1, 0, 3, 2, 1, 1, 1, 2, 2, 3,…
$ `GAD 3`       <dbl> 3, 2, 1, 0, 1, 2, 0, 3, 2, 2, 3, 3, 1, 1, 0, 2, 0, 0, 2,…
$ `GAD 4`       <dbl> 1, 0, 3, 0, 1, 0, 3, 1, 2, 0, 1, 1, 2, 2, 3, 1, 3, 3, 2,…
$ `GAD 5`       <dbl> 0, 2, 1, 1, 0, 0, 3, 3, 2, 1, 0, 1, 2, 1, 2, 3, 2, 2, 1,…
$ `GAD 6`       <dbl> 2, 3, 3, 3, 3, 0, 0, 1, 3, 0, 1, 1, 3, 1, 3, 3, 1, 0, 0,…
$ `GAD 7`       <dbl> 2, 2, 1, 2, 1, 2, 0, 0, 0, 3, 0, 0, 2, 1, 3, 0, 3, 2, 3,…
$ observaciones <chr> "revisar", NA, NA, NA, "revisar", "revisar", NA, NA, NA,…
$ ...15         <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
$ ...16         <chr> NA, NA, "Nata, mira esto", "Edad mediana", NA, NA, NA, N…
$ ...17         <dbl> NA, NA, NA, 23, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …

180 filas, columnas con nombre. Pero quedan columnas extra al final (...15, ...16, ...17) por el texto y el cálculo que alguien dejó fuera de la tabla.

¿Qué necesitamos?

Para dejar encuesta_bruta lista para analizar, necesitamos:

Eliminar las columnas fantasma (...15, ...16, ...17) y las innecesarias (nombre, observaciones)
Renombrar columnas con espacios o tildes (Género → genero, GAD 1 → gad_1…)
Transformar columnas: estandarizar categorías inconsistentes (“Mujer” / “mujer” / “M”)
Crear columnas nuevas: puntaje total, nivel de ansiedad
Resumir por grupos

Todas esas operaciones las resuelve dplyr. Pero primero aprendemos las herramientas.

Parte 2

Los verbos de dplyr

dplyr en el ecosistema tidyverse

dplyr es parte de tidyverse y trabaja en perfecta sintonía con ggplot2: ambos esperan datos en formato tabular (filas = observaciones, columnas = variables).

library(tidyverse)

Sus funciones principales se llaman verbos:

Verbo	Qué hace
`select()`	Selecciona columnas
`rename()`	Renombra columnas
`filter()`	Filtra filas según una condición
`mutate()`	Crea o sobreescribe columnas
`summarise()`	Resume datos en una o pocas filas
`group_by()`	Agrupa filas para operar por grupo

Nuestros datos de práctica

Usaremos pinguinos (los pingüinos de Palmer, ya conocidos de la sesión anterior):

library(palmerpenguins)
pinguinos <- drop_na(penguins)
glimpse(pinguinos)

Rows: 333
Columns: 8
$ species           <fct> Adelie, Adelie, Adelie, Adelie, Adelie, Adelie, Adel…
$ island            <fct> Torgersen, Torgersen, Torgersen, Torgersen, Torgerse…
$ bill_length_mm    <dbl> 39.1, 39.5, 40.3, 36.7, 39.3, 38.9, 39.2, 41.1, 38.6…
$ bill_depth_mm     <dbl> 18.7, 17.4, 18.0, 19.3, 20.6, 17.8, 19.6, 17.6, 21.2…
$ flipper_length_mm <int> 181, 186, 195, 193, 190, 181, 195, 182, 191, 198, 18…
$ body_mass_g       <int> 3750, 3800, 3250, 3450, 3650, 3625, 4675, 3200, 3800…
$ sex               <fct> male, female, female, female, male, female, male, fe…
$ year              <int> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007…

Verbo 1

select() · elegir columnas

`select()`: elegir columnas por nombre

select(pinguinos, species, body_mass_g, sex)

# A tibble: 333 × 3
   species body_mass_g sex   
   <fct>         <int> <fct> 
 1 Adelie         3750 male  
 2 Adelie         3800 female
 3 Adelie         3250 female
 4 Adelie         3450 female
 5 Adelie         3650 male  
 6 Adelie         3625 female
 7 Adelie         4675 male  
 8 Adelie         3200 female
 9 Adelie         3800 male  
10 Adelie         4400 male  
# ℹ 323 more rows

`select()`: excluir con `-`

select(pinguinos, -year, -island)

# A tibble: 333 × 6
   species bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex   
   <fct>            <dbl>         <dbl>             <int>       <int> <fct> 
 1 Adelie            39.1          18.7               181        3750 male  
 2 Adelie            39.5          17.4               186        3800 female
 3 Adelie            40.3          18                 195        3250 female
 4 Adelie            36.7          19.3               193        3450 female
 5 Adelie            39.3          20.6               190        3650 male  
 6 Adelie            38.9          17.8               181        3625 female
 7 Adelie            39.2          19.6               195        4675 male  
 8 Adelie            41.1          17.6               182        3200 female
 9 Adelie            38.6          21.2               191        3800 male  
10 Adelie            34.6          21.1               198        4400 male  
# ℹ 323 more rows

`select()`: patrones de nombre

starts_with(), ends_with() y contains() seleccionan columnas según su nombre:

select(pinguinos, species, starts_with("bill"))

# A tibble: 333 × 3
   species bill_length_mm bill_depth_mm
   <fct>            <dbl>         <dbl>
 1 Adelie            39.1          18.7
 2 Adelie            39.5          17.4
 3 Adelie            40.3          18  
 4 Adelie            36.7          19.3
 5 Adelie            39.3          20.6
 6 Adelie            38.9          17.8
 7 Adelie            39.2          19.6
 8 Adelie            41.1          17.6
 9 Adelie            38.6          21.2
10 Adelie            34.6          21.1
# ℹ 323 more rows

select(pinguinos, species, ends_with("_mm"))

# A tibble: 333 × 4
   species bill_length_mm bill_depth_mm flipper_length_mm
   <fct>            <dbl>         <dbl>             <int>
 1 Adelie            39.1          18.7               181
 2 Adelie            39.5          17.4               186
 3 Adelie            40.3          18                 195
 4 Adelie            36.7          19.3               193
 5 Adelie            39.3          20.6               190
 6 Adelie            38.9          17.8               181
 7 Adelie            39.2          19.6               195
 8 Adelie            41.1          17.6               182
 9 Adelie            38.6          21.2               191
10 Adelie            34.6          21.1               198
# ℹ 323 more rows

Verbo 2

rename(): renombrar columnas

`rename()`: renombrar columnas

rename(pinguinos, especie = species, masa_g = body_mass_g)

# A tibble: 333 × 8
   especie island    bill_length_mm bill_depth_mm flipper_length_mm masa_g sex  
   <fct>   <fct>              <dbl>         <dbl>             <int>  <int> <fct>
 1 Adelie  Torgersen           39.1          18.7               181   3750 male 
 2 Adelie  Torgersen           39.5          17.4               186   3800 fema…
 3 Adelie  Torgersen           40.3          18                 195   3250 fema…
 4 Adelie  Torgersen           36.7          19.3               193   3450 fema…
 5 Adelie  Torgersen           39.3          20.6               190   3650 male 
 6 Adelie  Torgersen           38.9          17.8               181   3625 fema…
 7 Adelie  Torgersen           39.2          19.6               195   4675 male 
 8 Adelie  Torgersen           41.1          17.6               182   3200 fema…
 9 Adelie  Torgersen           38.6          21.2               191   3800 male 
10 Adelie  Torgersen           34.6          21.1               198   4400 male 
# ℹ 323 more rows
# ℹ 1 more variable: year <int>

La sintaxis es siempre nuevo_nombre = nombre_actual.

Verbo 3

filter() · elegir filas

`filter()`: filas que cumplen una condición

filter(pinguinos, species == "Adelie")

# A tibble: 146 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           36.7          19.3               193        3450
 5 Adelie  Torgersen           39.3          20.6               190        3650
 6 Adelie  Torgersen           38.9          17.8               181        3625
 7 Adelie  Torgersen           39.2          19.6               195        4675
 8 Adelie  Torgersen           41.1          17.6               182        3200
 9 Adelie  Torgersen           38.6          21.2               191        3800
10 Adelie  Torgersen           34.6          21.1               198        4400
# ℹ 136 more rows
# ℹ 2 more variables: sex <fct>, year <int>

Usa == para comparar igualdad (no =). Los operadores habituales: == igual, != distinto, >, <, >=, <=.

`filter()`: varias condiciones con AND

Separar condiciones con , o con & equivalen a AND (se deben cumplir todas):

filter(pinguinos, species == "Adelie" & body_mass_g > 4000)

# A tibble: 34 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.2          19.6               195        4675
 2 Adelie  Torgersen           34.6          21.1               198        4400
 3 Adelie  Torgersen           42.5          20.7               197        4500
 4 Adelie  Torgersen           46            21.5               194        4200
 5 Adelie  Dream               39.2          21.1               196        4150
 6 Adelie  Dream               39.8          19.1               184        4650
 7 Adelie  Dream               44.1          19.7               196        4400
 8 Adelie  Dream               39.6          18.8               190        4600
 9 Adelie  Dream               42.3          21.2               191        4150
10 Adelie  Biscoe              40.1          18.9               188        4300
# ℹ 24 more rows
# ℹ 2 more variables: sex <fct>, year <int>

filter(pinguinos, species == "Adelie", body_mass_g > 4000)

`filter()`: condiciones con OR

El operador | significa OR (basta con que se cumpla al menos una):

filter(pinguinos, species == "Chinstrap" | body_mass_g > 5500)

# A tibble: 96 × 8
   species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>           <dbl>         <dbl>             <int>       <int>
 1 Gentoo  Biscoe           50            16.3               230        5700
 2 Gentoo  Biscoe           50            15.2               218        5700
 3 Gentoo  Biscoe           49            16.1               216        5550
 4 Gentoo  Biscoe           48.4          14.6               213        5850
 5 Gentoo  Biscoe           49.3          15.7               217        5850
 6 Gentoo  Biscoe           49.2          15.2               221        6300
 7 Gentoo  Biscoe           50.2          14.3               218        5700
 8 Gentoo  Biscoe           47.8          15                 215        5650
 9 Gentoo  Biscoe           50            15.3               220        5550
10 Gentoo  Biscoe           59.6          17                 230        6050
# ℹ 86 more rows
# ℹ 2 more variables: sex <fct>, year <int>

`filter()`: el operador `%in%`

%in% comprueba si un valor pertenece a un conjunto. Es más limpio que escribir varios OR:

# Sin %in%: repetitivo
filter(pinguinos, species == "Adelie" | species == "Chinstrap")

Es equivalente a:

# Con %in%: más claro
filter(pinguinos, species %in% c("Adelie", "Chinstrap"))

# A tibble: 214 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           36.7          19.3               193        3450
 5 Adelie  Torgersen           39.3          20.6               190        3650
 6 Adelie  Torgersen           38.9          17.8               181        3625
 7 Adelie  Torgersen           39.2          19.6               195        4675
 8 Adelie  Torgersen           41.1          17.6               182        3200
 9 Adelie  Torgersen           38.6          21.2               191        3800
10 Adelie  Torgersen           34.6          21.1               198        4400
# ℹ 204 more rows
# ℹ 2 more variables: sex <fct>, year <int>

%in% devuelve TRUE si el valor de la izquierda aparece en algún lugar del vector de la derecha. ! invierte: !species %in% c("Adelie", "Chinstrap") excluye esas dos especies.

Actividad · 2 min

AND vs. OR: ¿quién se incluye?

Considera estos dos filtros sobre pinguinos:

filter(pinguinos, sex == "female", body_mass_g > 4500)
filter(pinguinos, sex == "female" | body_mass_g > 4500)

¿Se incluiría una hembra que pesa 4100 g en cada caso?

¿Y un macho que pesa 5000 g?

Verbo 4

mutate() · crear y transformar columnas

`mutate()`: crear una columna nueva

mutate(pinguinos, body_mass_kg = body_mass_g / 1000)

# A tibble: 333 × 9
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           36.7          19.3               193        3450
 5 Adelie  Torgersen           39.3          20.6               190        3650
 6 Adelie  Torgersen           38.9          17.8               181        3625
 7 Adelie  Torgersen           39.2          19.6               195        4675
 8 Adelie  Torgersen           41.1          17.6               182        3200
 9 Adelie  Torgersen           38.6          21.2               191        3800
10 Adelie  Torgersen           34.6          21.1               198        4400
# ℹ 323 more rows
# ℹ 3 more variables: sex <fct>, year <int>, body_mass_kg <dbl>

La nueva columna se añade al final. El data frame original no cambia.

`mutate()`: sobreescribir una columna existente

Si usas el nombre de una columna que ya existe, la sobreescribe:

mutate(pinguinos, body_mass_g = body_mass_g / 1000)

# A tibble: 333 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <dbl>
 1 Adelie  Torgersen           39.1          18.7               181        3.75
 2 Adelie  Torgersen           39.5          17.4               186        3.8 
 3 Adelie  Torgersen           40.3          18                 195        3.25
 4 Adelie  Torgersen           36.7          19.3               193        3.45
 5 Adelie  Torgersen           39.3          20.6               190        3.65
 6 Adelie  Torgersen           38.9          17.8               181        3.62
 7 Adelie  Torgersen           39.2          19.6               195        4.68
 8 Adelie  Torgersen           41.1          17.6               182        3.2 
 9 Adelie  Torgersen           38.6          21.2               191        3.8 
10 Adelie  Torgersen           34.6          21.1               198        4.4 
# ℹ 323 more rows
# ℹ 2 more variables: sex <fct>, year <int>

Las columnas body_mass_g y body_mass_kg harían lo mismo aquí. La diferencia es si quieres conservar el valor original con otro nombre o simplemente transformar la columna en su lugar. En el análisis de datos, sobreescribir es útil para estandarizar unidades, convertir tipos o corregir errores de codificación.

`mutate()` + `case_when()`: recodificar

case_when() evalúa condiciones de arriba a abajo y asigna el valor de la primera que se cumpla:

mutate(
    pinguinos,
    tamano = case_when(
        body_mass_g >= 5000 ~ "Grande",
        body_mass_g >= 3500 ~ "Mediano",
        .default = "Pequeño"
    )
)

# A tibble: 333 × 9
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           36.7          19.3               193        3450
 5 Adelie  Torgersen           39.3          20.6               190        3650
 6 Adelie  Torgersen           38.9          17.8               181        3625
 7 Adelie  Torgersen           39.2          19.6               195        4675
 8 Adelie  Torgersen           41.1          17.6               182        3200
 9 Adelie  Torgersen           38.6          21.2               191        3800
10 Adelie  Torgersen           34.6          21.1               198        4400
# ℹ 323 more rows
# ℹ 3 more variables: sex <fct>, year <int>, tamano <chr>

Verbos 5 y 6

summarise() y group_by()

`summarise()`: colapsar en un resumen

summarise(
    pinguinos,
    masa_media = mean(body_mass_g),
    masa_sd    = sd(body_mass_g),
    n          = n()
)

# A tibble: 1 × 3
  masa_media masa_sd     n
       <dbl>   <dbl> <int>
1      4207.    805.   333

n() cuenta el número de filas. Las demás son funciones estadísticas normales.

`group_by()` + `summarise()`: resumen por grupos

group_by() divide el data frame en grupos; summarise() opera dentro de cada uno. Podemos agrupar por una o más variables:

por_especie <- group_by(pinguinos, species)
summarise(por_especie,
    masa_media = mean(body_mass_g),
    n          = n()
)

# A tibble: 3 × 3
  species   masa_media     n
  <fct>          <dbl> <int>
1 Adelie         3706.   146
2 Chinstrap      3733.    68
3 Gentoo         5092.   119

por_esp_sexo <- group_by(pinguinos, species, sex)
summarise(por_esp_sexo,
    masa_media = mean(body_mass_g),
    n          = n()
)

# A tibble: 6 × 4
# Groups:   species [3]
  species   sex    masa_media     n
  <fct>     <fct>       <dbl> <int>
1 Adelie    female      3369.    73
2 Adelie    male        4043.    73
3 Chinstrap female      3527.    34
4 Chinstrap male        3939.    34
5 Gentoo    female      4680.    58
6 Gentoo    male        5485.    61

`group_by()` + `mutate()`: calcular dentro de grupos

A diferencia de summarise(), mutate() devuelve una fila por observación original:

por_especie <- group_by(pinguinos, species)
mutate(por_especie, masa_vs_especie = body_mass_g - mean(body_mass_g))

# A tibble: 333 × 9
# Groups:   species [3]
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           36.7          19.3               193        3450
 5 Adelie  Torgersen           39.3          20.6               190        3650
 6 Adelie  Torgersen           38.9          17.8               181        3625
 7 Adelie  Torgersen           39.2          19.6               195        4675
 8 Adelie  Torgersen           41.1          17.6               182        3200
 9 Adelie  Torgersen           38.6          21.2               191        3800
10 Adelie  Torgersen           34.6          21.1               198        4400
# ℹ 323 more rows
# ℹ 3 more variables: sex <fct>, year <int>, masa_vs_especie <dbl>

Actividad · 8 min

Encadenar verbos

Con pinguinos, aplica los verbos que conoces y:

Filtra solo las observaciones de la isla Dream
Añade una columna masa_kg (masa en kilogramos)
Selecciona solo species, sex, flipper_length_mm y masa_kg

¿Qué dificultad aparece al hacerlo en pasos separados?

Parte 3

El problema de combinar verbos

Varios pasos, varios objetos

Cuando necesitas aplicar varios verbos, sin pipe tienes que guardar cada paso:

paso1 <- select(pinguinos, species, sex, body_mass_g)
paso2 <- filter(paso1, sex == "female")
paso3 <- mutate(paso2, body_mass_kg = body_mass_g / 1000)
paso4 <- group_by(paso3, species)
paso5 <- summarise(paso4, masa_media_kg = mean(body_mass_kg))
paso5

# A tibble: 3 × 2
  species   masa_media_kg
  <fct>             <dbl>
1 Adelie             3.37
2 Chinstrap          3.53
3 Gentoo             4.68

El entorno se llena de paso1… paso5. ¿Cuál es el definitivo?

O todo anidado (leer de adentro hacia afuera)

summarise(
    group_by(
        mutate(
            filter(
                select(pinguinos, species, sex, body_mass_g),
                sex == "female"
            ),
            body_mass_kg = body_mass_g / 1000
        ),
        species
    ),
    masa_media_kg = mean(body_mass_kg)
)

# A tibble: 3 × 2
  species   masa_media_kg
  <fct>             <dbl>
1 Adelie             3.37
2 Chinstrap          3.53
3 Gentoo             4.68

El orden de ejecución va de adentro hacia afuera, pero el orden de lectura va de arriba hacia abajo. Una sola coma en el lugar equivocado rompe todo.

Parte 4

El pipe |>

La solución: el pipe nativo `|>`

El pipe toma el resultado de la izquierda y lo pasa como primer argumento de la función de la derecha:

x |> f() # equivale a: f(x)
x |> f(y) # equivale a: f(x, y)
x |>
    f() |>
    g() # equivale a: g(f(x))

Con pipe, el código se lee de arriba a abajo, como una secuencia de pasos.

El mismo ejemplo, con pipe

pinguinos |>
    select(species, sex, body_mass_g) |>
    filter(sex == "female") |>
    mutate(body_mass_kg = body_mass_g / 1000) |>
    group_by(species) |>
    summarise(masa_media_kg = mean(body_mass_kg))

# A tibble: 3 × 2
  species   masa_media_kg
  <fct>             <dbl>
1 Adelie             3.37
2 Chinstrap          3.53
3 Gentoo             4.68

Un solo resultado sin objetos intermedios. Se lee como una receta.

Atajo de teclado

En RStudio, el pipe se inserta con:

Windows / Linux: Ctrl + Shift + M

Mac: Cmd + Shift + M

Verifica que el atajo esté configurado para |> y no para %>%. Ve a Tools > Global Options > Code > Editing y marca “Use native pipe operator |>”.

El pipe de magrittr: `%>%`

Antes de que R 4.1 (2021) introdujera |>, el pipe más usado venía del paquete magrittr (parte de tidyverse).

pinguinos %>%
    filter(species == "Adelie") %>%
    summarise(masa_media = mean(body_mass_g))

Si ves %>% en tutoriales, libros o código de otras personas, hace lo mismo que |> en la gran mayoría de los casos.

Hoy se recomienda |> por ser nativo (no requiere paquetes adicionales). %>% tiene algunas funciones avanzadas para casos muy específicos, pero para el trabajo cotidiano son equivalentes.

Pipe + ggplot2: el pipeline completo

Los datos pasan directamente de dplyr a ggplot2 sin crear objetos intermedios:

pinguinos |>
    filter(species != "Gentoo") |>
    group_by(species, sex) |>
    summarise(masa = mean(body_mass_g)) |>
    ggplot(aes(
        x = species,
        y = masa,
        fill = sex
    )) +
    geom_col(position = "dodge") +
    theme_minimal()

Parte 5

Por qué Excel no es para datos de investigación

Excel no es machine-readable

Un archivo machine-readable (legible por máquina) tiene un formato que un programa puede interpretar directamente, fila por fila, sin que haya ninguna ambigüedad.

Excel no lo garantiza porque:

Permite mezclar datos, cálculos, gráficos, notas y texto decorativo en la misma hoja
Una celda puede contener algo como “3,5 kg de masa corporal (valor estimado)”
Las celdas combinadas y las filas de títulos extra dañan cualquier estructura tabular
El formato .xlsx almacena colores, fuentes y bordes junto a los datos, haciéndolo pesado y dependiente de un programa propietario

Un CSV o un data frame en R son machine-readable: cada columna tiene un tipo fijo y cada fila es una observación.

Más problemas de Excel

Reproducibilidad

Cuando calculas algo en Excel, queda el resultado pero no el proceso
Cualquier edición a los datos originales es permanente e invisible
Dos personas haciendo “lo mismo” en Excel pueden obtener resultados distintos

Escala

Serios problemas con tablas muy grandes (más de unos cientos de miles de filas)
Un archivo con muchas fórmulas se vuelve lento e inestable

Formato propietario

Depende de Microsoft para abrirlo correctamente
Distintas versiones de Excel abren el mismo archivo de forma diferente
En la próxima sesión veremos formatos abiertos como CSV, que evitan este problema

Tipos de datos

Excel adivina el tipo de cada celda, y a veces se equivoca de forma silenciosa

El enemigo silencioso: Excel modifica datos

El enemigo silencioso: Excel modifica datos

Excel convierte datos automáticamente, con consecuencias que a veces son difíciles de detectar.

Casos documentados:

El gen SEPT2 (Septin-2) se convierte en “Sep-2” (fecha: septiembre 2)
DEC1 se convierte en “1-Dic”
IDs numéricos largos como 123456789012 se redondean en silencio
Fechas en formato DD/MM/AAAA se invierten al copiar entre sistemas con regiones distintas

Los datos parecen correctos: por eso estos errores se publican.

Un estudio encontró que el 30% de los artículos de genómica publicados en revistas científicas tenían errores en nombres de genes causados por Excel.

Ziemann et al. (2016). Genome Biology.

El principio de reproducibilidad

La diferencia entre R y Excel es metodológica:

Con Excel

Los datos originales se editan directamente. No queda registro de qué cambió, cuándo ni por qué. El proceso no se puede auditar ni replicar.

Con R

El archivo de datos no se toca. El script documenta cada transformación. Cualquier persona (incluyendo a ti en seis meses) puede ejecutar el script y obtener exactamente el mismo resultado.

Regla: los datos originales no se tocan. El script es el registro permanente de todo lo que hiciste con ellos.

Cómo diseñar bien una base de datos

Muchos problemas de limpieza se evitan desde el diseño de la encuesta.

Errores comunes

Preguntas abiertas donde una escala es suficiente (si quieres medir estrés, usa 1-5, no texto libre)
Categorías escritas de formas distintas: “Mujer”, “mujer”, “MUJER”, “M”
Dos variables en una celda: “Psicología, 3er semestre”
Combinar datos, cálculos y notas en la misma hoja

Buenas prácticas

Una variable por columna, una observación por fila
Nombres de columna sin espacios ni acentos (snake_case; por ejemplo nivel_ansiedad)
Categorías fijas con listas desplegables (Google Forms, KoboToolbox)
Código de participante, no nombre (para anonimizar desde el inicio)
Un archivo por fuente de datos

Parte 6

Aplicación: datos de psicología

El GAD-7

El GAD-7 (Generalized Anxiety Disorder 7-item scale) es un cuestionario de 7 ítems, cada uno puntuado de 0 a 3. La suma da un puntaje de 0 a 21.

Puntaje	Nivel
0–4	Mínima
5–9	Leve
10–14	Moderada
15–21	Severa

Nuestra base de datos simulada tiene respuestas de 180 estudiantes universitarios con variables demográficas. Viene con los problemas típicos que ya vimos.

Los datos en bruto

glimpse(encuesta_bruta)

Rows: 180
Columns: 17
$ id            <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 1…
$ nombre        <chr> "P001", "P002", "P003", "P004", "P005", "P006", "P007", …
$ edad          <dbl> 30, 26, 18, 23, 30, 28, 29, 21, 22, 29, 27, 19, 25, 20, …
$ Género        <chr> "Hombre", "mujer", "Mujer", "Mujer", "Mujer", "M", "Homb…
$ carrera       <chr> "psicología", "Medicina", "Medicina", "Psicología", "Enf…
$ semestre      <dbl> 8, 9, 1, 10, 7, 2, 4, 3, 3, 8, 10, 8, 4, 3, 2, 7, 1, 2, …
$ `GAD 1`       <dbl> 1, 2, 1, 3, 1, 3, 1, 2, 0, 3, 2, 3, 1, 1, 2, 1, 1, 3, 0,…
$ `GAD 2`       <dbl> 2, 1, 2, 3, 0, 0, 2, 3, 3, 1, 0, 3, 2, 1, 1, 1, 2, 2, 3,…
$ `GAD 3`       <dbl> 3, 2, 1, 0, 1, 2, 0, 3, 2, 2, 3, 3, 1, 1, 0, 2, 0, 0, 2,…
$ `GAD 4`       <dbl> 1, 0, 3, 0, 1, 0, 3, 1, 2, 0, 1, 1, 2, 2, 3, 1, 3, 3, 2,…
$ `GAD 5`       <dbl> 0, 2, 1, 1, 0, 0, 3, 3, 2, 1, 0, 1, 2, 1, 2, 3, 2, 2, 1,…
$ `GAD 6`       <dbl> 2, 3, 3, 3, 3, 0, 0, 1, 3, 0, 1, 1, 3, 1, 3, 3, 1, 0, 0,…
$ `GAD 7`       <dbl> 2, 2, 1, 2, 1, 2, 0, 0, 0, 3, 0, 0, 2, 1, 3, 0, 3, 2, 3,…
$ observaciones <chr> "revisar", NA, NA, NA, "revisar", "revisar", NA, NA, NA,…
$ ...15         <lgl> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …
$ ...16         <chr> NA, NA, "Nata, mira esto", "Edad mediana", NA, NA, NA, N…
$ ...17         <dbl> NA, NA, NA, 23, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, …

Paso 1: explorar las columnas problemáticas

Antes de transformar, revisamos qué valores hay:

encuesta_bruta |> count(`Género`, sort = TRUE)

# A tibble: 7 × 2
  Género         n
  <chr>      <int>
1 Mujer         55
2 Hombre        44
3 mujer         34
4 hombre        19
5 H             12
6 M             10
7 No binario     6

encuesta_bruta |> count(carrera, sort = TRUE)

# A tibble: 6 × 2
  carrera        n
  <chr>      <int>
1 Medicina      41
2 Psicología    34
3 enfermeria    31
4 psicología    28
5 PSICOLOGIA    26
6 Enfermería    20

Paso 2: quitar columnas y estandarizar nombres

encuesta <- encuesta_bruta |>
    select(-nombre, -observaciones, -starts_with("...")) |>
    rename(genero = `Género`) |>
    rename_with(~ tolower(gsub(" ", "_", .)), starts_with("GAD"))

glimpse(encuesta)

Rows: 180
Columns: 12
$ id       <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18…
$ edad     <dbl> 30, 26, 18, 23, 30, 28, 29, 21, 22, 29, 27, 19, 25, 20, 30, 1…
$ genero   <chr> "Hombre", "mujer", "Mujer", "Mujer", "Mujer", "M", "Hombre", …
$ carrera  <chr> "psicología", "Medicina", "Medicina", "Psicología", "Enfermer…
$ semestre <dbl> 8, 9, 1, 10, 7, 2, 4, 3, 3, 8, 10, 8, 4, 3, 2, 7, 1, 2, 1, 1,…
$ gad_1    <dbl> 1, 2, 1, 3, 1, 3, 1, 2, 0, 3, 2, 3, 1, 1, 2, 1, 1, 3, 0, 2, 3…
$ gad_2    <dbl> 2, 1, 2, 3, 0, 0, 2, 3, 3, 1, 0, 3, 2, 1, 1, 1, 2, 2, 3, 1, 3…
$ gad_3    <dbl> 3, 2, 1, 0, 1, 2, 0, 3, 2, 2, 3, 3, 1, 1, 0, 2, 0, 0, 2, 0, 0…
$ gad_4    <dbl> 1, 0, 3, 0, 1, 0, 3, 1, 2, 0, 1, 1, 2, 2, 3, 1, 3, 3, 2, 1, 3…
$ gad_5    <dbl> 0, 2, 1, 1, 0, 0, 3, 3, 2, 1, 0, 1, 2, 1, 2, 3, 2, 2, 1, 1, 0…
$ gad_6    <dbl> 2, 3, 3, 3, 3, 0, 0, 1, 3, 0, 1, 1, 3, 1, 3, 3, 1, 0, 0, 0, 0…
$ gad_7    <dbl> 2, 2, 1, 2, 1, 2, 0, 0, 0, 3, 0, 0, 2, 1, 3, 0, 3, 2, 3, 2, 1…

select(-starts_with("...")) elimina las columnas fantasma generadas por las anotaciones fuera de la tabla. rename_with() convierte "GAD 1" en "gad_1", y así con todos.

Paso 3: estandarizar categorías y calcular puntaje

encuesta <- encuesta |>
    mutate(
        genero = case_when(
            genero %in% c("Mujer", "mujer", "M") ~ "Mujer",
            genero %in% c("Hombre", "hombre", "H") ~ "Hombre",
            .default = genero
        ),
        carrera = case_when(
            tolower(carrera) %in% c("psicología", "psicologia") ~ "Psicología",
            tolower(carrera) == "medicina" ~ "Medicina",
            tolower(carrera) %in% c("enfermería", "enfermeria") ~ "Enfermería",
            .default = carrera
        ),
        ansiedad_total = gad_1 + gad_2 + gad_3 + gad_4 + gad_5 + gad_6 + gad_7,
        nivel_ansiedad = case_when(
            ansiedad_total <= 4 ~ "Mínima",
            ansiedad_total <= 9 ~ "Leve",
            ansiedad_total <= 14 ~ "Moderada",
            ansiedad_total >= 15 ~ "Severa"
        ),
        nivel_ansiedad = factor(nivel_ansiedad,
            levels = c("Mínima", "Leve", "Moderada", "Severa")
        )
    )

Paso 4: verificar el resultado

encuesta |> count(genero)

# A tibble: 3 × 2
  genero         n
  <chr>      <int>
1 Hombre        75
2 Mujer         99
3 No binario     6

encuesta |> count(carrera)

# A tibble: 3 × 2
  carrera        n
  <chr>      <int>
1 Enfermería    51
2 Medicina      41
3 Psicología    88

encuesta |> count(nivel_ansiedad)

# A tibble: 4 × 2
  nivel_ansiedad     n
  <fct>          <int>
1 Mínima             3
2 Leve              63
3 Moderada         105
4 Severa             9

Hacer esto manualmente en Excel puede funcionar para conjuntos pequeños, pero resulta inviable con bases muy grandes y es propenso a errores. Aquí, como no modificamos los datos originales, podemos rehacer el código y volver a ejecutar para obtener un resultado limpio.

Un script bien escrito reduce significativamente los errores humanos y hace el análisis reproducible y transparente

Resumen por grupo

encuesta |>
    group_by(carrera) |>
    summarise(
        n              = n(),
        ansiedad_media = round(mean(ansiedad_total), 1),
        ansiedad_sd    = round(sd(ansiedad_total), 1)
    )

# A tibble: 3 × 4
  carrera        n ansiedad_media ansiedad_sd
  <chr>      <int>          <dbl>       <dbl>
1 Enfermería    51            9.7         2.9
2 Medicina      41           10.6         2.4
3 Psicología    88           10.5         2.7

`ungroup()`: liberar el agrupamiento

group_by() deja el data frame agrupado hasta que se use ungroup() explícitamente. Sin él, operaciones posteriores (incluyendo figuras) pueden comportarse de forma inesperada.

encuesta <- ungroup(encuesta)

Como regla general, añade ungroup() al final de cualquier pipeline que use group_by() cuando quieras seguir usando el objeto sin agrupamiento. Por ejemplo:

encuesta <- encuesta |>
  group_by(carrera) |>
  mutate(ansiedad_rel = ansiedad_total - mean(ansiedad_total)) |>
  ungroup()

Figura 1: distribución del puntaje GAD-7

ggplot(
    encuesta,
    aes(x = ansiedad_total)
) +
    geom_histogram(
        binwidth = 1,
        fill = "#225faa",
        colour = "white"
    ) +
    xlim(0, 21) + # limitar el eje x al rango posible del GAD-7
    labs(
        title = "Distribución del puntaje GAD-7",
        x     = "Puntaje total (0–21)",
        y     = "Frecuencia"
    ) +
    theme_minimal()

Figura 2: ansiedad por carrera

ggplot(encuesta,
        aes(x = carrera,
            y = ansiedad_total,
            fill = carrera,
            colour = carrera)
) +
    geom_violin(alpha = 0.2) +
    geom_jitter(
        width = 0.15,
        alpha = 0.4,
        size  = 1.5
    ) +
    scale_fill_viridis_d() +
    scale_colour_viridis_d() +
    labs(
        title = "Ansiedad según carrera",
        x     = NULL,
        y     = "Puntaje GAD-7"
    ) +
    theme_minimal() +
    theme(legend.position = "none")

Figura 3: nivel de ansiedad por género

encuesta |>
    filter(genero != "No binario") |>
    ggplot(aes(
        x = nivel_ansiedad,
        fill = genero
    )) +
    geom_bar(position = "dodge") +
    scale_fill_manual(values = c(
        "Mujer"  = "#6b1220",
        "Hombre" = "#225faa"
    )) +
    labs(
        title = "Nivel de ansiedad por género",
        x     = "Nivel GAD-7",
        y     = "Conteo",
        fill  = "Género"
    ) +
    theme_minimal()

El pipeline llega hasta la figura: encuesta |> filter(...) |> ggplot(...) + geom_*(). Los datos pasan de dplyr a ggplot2 sin crear objetos intermedios.

Antes de terminar…

Quiz rápido

Quiz · 1 de 4

¿Qué hace |> en este código?

pinguinos |> filter(species == "Adelie")

1. Compara pinguinos con las filas de especie Adelie
1. Toma pinguinos y lo pasa como primer argumento de filter(), devolviendo solo las filas donde species es "Adelie"
1. Crea un nuevo objeto llamado filter
1. Elimina la especie Adelie de la base de datos

✓ b) El pipe pasa lo que está a su izquierda como primer argumento de la función de la derecha. Es equivalente a filter(pinguinos, species == "Adelie").

Quiz · 2 de 4

¿Cuál verbo usarías para quedarte solo con las columnas species y body_mass_g?

1. filter(species, body_mass_g): elige filas según condición
1. mutate(species, body_mass_g): crea columnas nuevas
1. select(species, body_mass_g): elige columnas por nombre
1. summarise(species, body_mass_g): resume en una fila

✓ c) select() elige columnas. filter() elige filas. Son los dos verbos de “recorte”: uno actúa sobre columnas, el otro sobre filas.

Quiz · 3 de 4

¿Cuál es la diferencia entre estas dos condiciones en filter()?

filter(pinguinos, sex == "female", body_mass_g > 4000)
filter(pinguinos, sex == "female" | body_mass_g > 4000)

1. Son equivalentes: la coma y | hacen lo mismo
1. La primera usa AND (ambas condiciones); la segunda usa OR (al menos una)
1. La primera usa OR; la segunda usa AND
1. La segunda genera un error de sintaxis

✓ b) Con , ambas condiciones deben cumplirse (AND). Con | basta con que se cumpla una (OR). Una hembra de 3900 g entraría solo en el segundo caso: no cumple la masa, pero sí el sexo.

Quiz · 4 de 4

¿Qué produce este código?

pinguinos |>
  group_by(species) |>
  summarise(n = n(), masa_media = mean(body_mass_g))

1. Una columna nueva n añadida a pinguinos
1. Un data frame con una fila por cada pingüino y su especie
1. Un data frame con una fila por especie, con el conteo y la media
1. Un error: group_by() y summarise() no se pueden encadenar

✓ c) group_by() agrupa las filas sin cambiarlas. summarise() colapsa cada grupo en una sola fila. El resultado tiene tantas filas como grupos: tres, una por especie.

A practicar

Usa los datos de encuesta que limpiamos hoy y explora al menos una pregunta con un pipeline completo:

encuesta |>
  filter(...) |>
  group_by(...) |>
  summarise(...) |>
  ggplot(aes(...)) +
  geom_*() +
  labs(...)

Algunas preguntas posibles:

¿Varía el puntaje de ansiedad según el semestre?
¿Hay diferencias entre carreras en los niveles de ansiedad severa?
¿Cómo se distribuye la edad según el nivel de ansiedad?

Reto 1

El concurso de la figura más fea

Para la Sesión 4 · Entrega el script · El grupo vota

Reto 1: el concurso de la figura más fea

Tu misión: crear la figura estadística más horrible, ilegible y estéticamente ofensiva que seas capaz de producir en R.

Debe generarse completamente con ggplot2 (y los paquetes que quieras)
Guarda el script .R con tu nombre y súbelo aquí
El script debe comenzar por cargar los paquetes necesarios
La presentas en la Sesión 4: máximo 3 minutos, muestras código y figura
El grupo vota por la más fea

→ Instrucciones completas y criterios de evaluación

→ Otro ejemplo de inspiración (código)

Inspiración (1 de 2)

Nicole Daniela Sierra, 2026

labs(
    title = "GRAFICA HIPER PROFESIONAL",
    subtitle = "ANALISIS SUPER CIENTIFICO",
    caption = "100% REAL",
    x = "EDaAaAaAD",
    y = "ESTREeEEeEs"
) +
    scale_color_manual(
        values = c("#FFFF00", "#FF0000")
    ) +
    theme(
        plot.background = element_rect(
            fill = "#FF00FF"
        ),
        panel.background = element_rect(
            fill = "#00FFFF"
        ),
        panel.grid.major = element_line(
            color = "#00FF00", linewidth = 3
        )
    )

Inspiración (2 de 2)

Ana Sofía Reyes, 2025

theme_dark() +
    theme(
        panel.background = element_rect(
            fill = "yellow"
        ),
        plot.background = element_rect(
            fill = "pink"
        ),
        legend.background = element_rect(
            fill = "cyan"
        )
    ) +
    annotate("text",
        x = 15, y = 300,
        label = "MUCHOS DATOS",
        color = "red", size = 10,
        angle = 45
    ) +
    annotate("text",
        x = 30, y = 50,
        label = "💥 CARROS 💥",
        color = "darkgreen", size = 12,
        angle = -30
    )

Hasta la próxima sesión

¡Gracias!

jdleongomez.github.io/curso-r

Sesión 3

Agenda

La realidad de los datos

Descargar y cargar los datos

El código que genera RStudio

¿Qué necesitamos?

dplyr en el ecosistema tidyverse

Nuestros datos de práctica

select(): elegir columnas por nombre

select(): excluir con -

select(): patrones de nombre

rename(): renombrar columnas

filter(): filas que cumplen una condición

filter(): varias condiciones con AND

filter(): condiciones con OR

filter(): el operador %in%

mutate(): crear una columna nueva

mutate(): sobreescribir una columna existente

mutate() + case_when(): recodificar

summarise(): colapsar en un resumen

group_by() + summarise(): resumen por grupos

group_by() + mutate(): calcular dentro de grupos

Varios pasos, varios objetos

O todo anidado (leer de adentro hacia afuera)

La solución: el pipe nativo |>

El mismo ejemplo, con pipe

Atajo de teclado

El pipe de magrittr: %>%

Pipe + ggplot2: el pipeline completo

Excel no es machine-readable

Más problemas de Excel

El enemigo silencioso: Excel modifica datos

El enemigo silencioso: Excel modifica datos

El principio de reproducibilidad

Cómo diseñar bien una base de datos

El GAD-7

Los datos en bruto

Paso 1: explorar las columnas problemáticas

Paso 2: quitar columnas y estandarizar nombres

Paso 3: estandarizar categorías y calcular puntaje

Paso 4: verificar el resultado

Resumen por grupo

ungroup(): liberar el agrupamiento

Figura 1: distribución del puntaje GAD-7

Figura 2: ansiedad por carrera

Figura 3: nivel de ansiedad por género

Quiz · 1 de 4

Quiz · 2 de 4

Quiz · 3 de 4

Quiz · 4 de 4

A practicar

Reto 1: el concurso de la figura más fea

Inspiración (1 de 2)

Inspiración (2 de 2)

`select()`: elegir columnas por nombre

`select()`: excluir con `-`

`select()`: patrones de nombre

`rename()`: renombrar columnas

`filter()`: filas que cumplen una condición

`filter()`: varias condiciones con AND

`filter()`: condiciones con OR

`filter()`: el operador `%in%`

`mutate()`: crear una columna nueva

`mutate()`: sobreescribir una columna existente

`mutate()` + `case_when()`: recodificar

`summarise()`: colapsar en un resumen

`group_by()` + `summarise()`: resumen por grupos

`group_by()` + `mutate()`: calcular dentro de grupos

La solución: el pipe nativo `|>`

El pipe de magrittr: `%>%`

`ungroup()`: liberar el agrupamiento