Lenguajes y Fundamentos de Programación · LNG-110

R desde cero

Vectores, factores y data frames: la lógica propia de R para quien llega de otro lenguaje.

Bajo demanda Iniciación 6 módulos · 29 clases

Formato asíncrono Ingeniería / Industria, Docentes FP, Alumnado R, JupyterLab

DESARROLLO DATOS JUPYTER

Lo que aprenderás

Operar con vectores aprovechando la vectorización y las reglas de reciclado.
Distinguir vector, lista, matriz y data frame y elegir la estructura adecuada en cada caso.
Manejar factores y niveles para representar variables categóricas sin sorpresas al ordenar.
Seleccionar filas y columnas con corchetes, condiciones lógicas y la función subset.
Importar datos desde CSV y Excel controlando tipos, decimales y valores ausentes.
Producir gráficos exploratorios y estadísticos descriptivos de un conjunto de datos real.

Contenido del curso

6 módulos · 29 clases en vídeo · práctica guiada en cada módulo

Módulo 1 · Entorno y primeros pasos 4 clases

R sobre JupyterLab: consola, celdas y espacio de trabajo
Asignación, operadores y ayuda del lenguaje
Paquetes: instalar, cargar y saber qué está disponible
Errores y avisos: cómo se leen en R

Módulo 2 · Vectores 5 clases

Crear vectores y tipos atómicos
Vectorización: operar sin bucles
Reglas de reciclado y sus trampas
Indexación por posición, por nombre y por condición lógica
Valores ausentes NA y funciones que los toleran

Módulo 3 · Estructuras de datos 5 clases

Listas y acceso con corchetes simples y dobles
Matrices y operaciones por filas y columnas
Data frames: la estructura de trabajo habitual
Factores, niveles y orden de las categorías
Convertir entre estructuras sin perder información

Módulo 4 · Manipular datos 5 clases

Seleccionar filas y columnas con corchetes
Filtrar por condiciones combinadas
Crear y modificar columnas
Ordenar, agrupar y resumir con funciones base
La familia apply frente al bucle for

Módulo 5 · Entrada y salida de datos 5 clases

Leer CSV con separadores y decimales europeos
Importar hojas de Excel
Codificación de caracteres y acentos
Detectar y tratar valores ausentes y duplicados
Guardar resultados en fichero

Módulo 6 · Descripción y gráficos 5 clases

Estadísticos descriptivos y resúmenes por grupo
Histogramas y diagramas de caja
Diagramas de dispersión y relaciones entre variables
Ajustar títulos, ejes y colores en gráficos base
Caso práctico: análisis descriptivo completo de un conjunto de datos

Requisitos

No se necesita experiencia previa con R.
Nociones básicas de programación o de estadística descriptiva ayudan, pero no son imprescindibles.
Basta con un navegador: se trabaja con R sobre JupyterLab.

Descripción

R se aprende mal cuando se aborda como si fuera otro lenguaje cualquiera. Quien llega de Python o de Java escribe bucles donde R espera operaciones vectoriales, se pelea con los factores y no entiende por qué una selección devuelve a veces un vector y a veces un data frame. El resultado es código lento y frágil que funciona por casualidad.

Este curso enseña la lógica propia del lenguaje desde el principio. Se empieza por el vector como unidad básica, se recorren listas, matrices, factores y data frames, se practica la selección y la modificación de datos, se importan ficheros reales con sus problemas de codificación y valores ausentes, y se cierra con estadística descriptiva y gráficos exploratorios sobre un conjunto de datos completo.

Al terminar se puede leer código de R ajeno, entender por qué está escrito así y producir análisis propios sin recurrir a bucles innecesarios ni a conversiones que pierden información por el camino. Es la base directa para el curso de tidyverse y programación funcional, donde estas estructuras se manipulan con una gramática común, y para el de estadística e informes reproducibles con Quarto.

¿Para quién es este curso?

Ingenieros y técnicos que analizan datos de ensayo o de proceso y necesitan pasar de la hoja de cálculo a R.
Profesorado de FP y de ciclos sanitarios o agrarios que imparte estadística aplicada.
Alumnado de ciclos superiores que se enfrenta a su primer módulo de análisis de datos.