In ixpantia/introR: Aprenda R con ejercicios interactivos del curso introducción a R de ixpantia
knitr::opts_chunk$set(echo = FALSE)
library(learnr)
library(dplyr)
library(gradethis)
library(datasets)
tutorial_options(exercise.checker = gradethis::grade_learnr)
regiones <- data.frame(id = c(254, 369, 147, 852),
region = c("NORTE", "SUR", "NORTE", "ESTE"),
valor = c(2500, 3700, 4200, 1200),
tipo = c("A", "A", "C", "B"))
ahorro_paises <- LifeCycleSavings %>%
mutate(pais = row.names(LifeCycleSavings))
knitr::include_graphics(
"https://storage.googleapis.com/datos_cursos/ixpantia_introR/ixpantia_logo.png"
)
Datos: regiones
Este es un conjunto de datos donde cada observación corresponde a una región.
Posee 4 observaciones (filas) y 4 variables (columnas).
glimpse(regiones)
Descripción de las columnas:
| Variable | Descripción |
|:----------:|:--------------------------------:|
| id | identificación de la región |
| region | punto cardinal de la región |
| valor | monto recolectado en la región |
| tipo | A,B o C |
Ejercicios: regiones
1. ¿Cómo obtener la 3ra fila de regiones?
El conjunto de datos regiones tiene 4 filas, ahora obtenga los datos que se
encuentran en la tercera fila, incluyendo todas las columnas.
regiones
"[]"
regiones[3,]
grade_code("¡Muy bien!")
2. ¿Cómo obtener la 2da columna de regiones?
El conjunto de datos tiene 4 columnas, ahora obtenga la información de la
cuarta columna, incluyendo todas las filas.
regiones
"[]"
regiones[ , 2]
grade_code("¡Muy bien!")
3. ¿Cómo obtener lo referente a la región NORTE únicamente?
En el conjunto de datos hay una columna llamada region que se refiere al punto
cardinal al que pertenece la región: NORTE, SUR, ESTE u OESTE. Ahora obtenga la
información referente a aquellas regiones que pertenezcan a la región NORTE
solamente.
"subset()"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(subset(regiones, region == "NORTE"))),
"¡Muy bien!")
)
4. ¿Cómo obtener lo referente a aquellas regiones donde los montos son mayores 3000?
En el set de datos hay una columna llamada valor, donde se encuentra el monto
recolectado en cada región. Ahora obtenga la información referente a las
regiones que tienen montos recolectados mayores de 3000.
"subset()"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(subset(regiones, valor > 3000))),
"Excelente!")
)
¿Cómo obtener lo referente a las regiones que NO son de tipo B?
En el set de datos hay una variable llamada tipo, que describe si la región
es tipo A, B o C. Ahora obtenga la información referente a aquellas regiones
que NO son de tipo B, es decir, A o C.
regiones
"!="
grade_result(
pass_if(~ identical(unlist(.result),
unlist(subset(regiones, tipo != "B"))),
"¡Buenísimo!")
)
Datos: ahorro_paises
Este conjunto de datos contiene información sobre el ciclo de vida de los
ahorros de 50 paises. Está inspirado en la hipótesis de Franco Modigliani sobre
la razón de ahorro: que puede ser explicada por el ingreso disponible per
capita, el porcentaje de cambio en el ingreso disponible per capita, el
porcentaje de población con menos de 15 años y el porcentaje de población con
más de 75 años. Los datos fueron recolectados en la década 1960-1970.
glimpse(ahorro_paises)
Descripción de las variables:
| Variable | Descripción |
| :----------: | :--------------------------------: |
| sr | razón de ahorros (savings ratio) |
| pop15 | % de población con menos de 15 años |
| pop75 | % de población con más de 75 años |
| dpi | ingreso disponible per cápita |
| ddpi | % de cambio del ingreso disponible per cápita |
Ejercicios: ahorro_paises
1. Obtener media de variable dpi
En el set de datos hay una variable llamada dpi, obtenga la media o el
promedio de esta.
ahorro_paises$dpi
"mean()"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(mean(ahorro_paises$dpi))),
"¡Genial!")
)
2. ¿Cuál país tiene mayor porcentaje de población menor a 15?
En el conjunto de datos hay una variable que representa el porcentaje de
población que es menor de 15 años, descubra cuál país tiene un mayor porcentaje
de esta población.
ahorro_paises$pop15
"max()"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(max(ahorro_paises$pop15))),
"¡Buenísimo!")
)
3. ¿Cuál país tiene menor porcentaje de población mayor a 75?
En el set de datos hay una variable que representa el porcentaje de población
que es mayor de 75 años, descubra cuál país tiene un menor porcentaje de esta
población.
"min()"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(min(ahorro_paises$pop75))),
"¡Bien!")
)
4. Cambiar nombre dpi a disposable_income
En el set de datos hay una variable que se llama dpi, que representa el
ingreso disponible per cápita, ahora cambie el nombre de esta variable a
diposable_income.
ahorro_paises$dpi
"colnames()"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(
colnames(ahorro_paises)[4] <- "disposable_income")),
"¡Muy bien!")
)
5. ¿Por qué no es recomendable hacer subsets por posición?
En el mundo de los datos se menciona que no es recomendable hacer subsets por
posición, es decir, basándose en la posición de la variable por la que quiero
filtrar la base, ¿porqué no se recomienda hacerlo?
question("¿Por qué no es recomendable hacer subsets por posición?",
answer("Porque se ve feo"),
answer("Porque no va con el estilo de código recomendado"),
answer("Porque los datos pueden cambiar en el futuro y la posición de lo que buscabamos puede cambiar",
correct = TRUE),
answer("Opcion al escribirlo me puedo equivocar y poner la posición que no es"),
incorrect = "Incorrecto",
correct = "Correcto")
6. Generar nueva columna que contenga la suma de pop15 y pop75
En el set de datos hay una variable llamada pop15, el porcentaje de población
menor de 15 años y otra denominada pop75, el porcentaje de población mayor a
75 años, ahora cree una nueva columna que sume, para cada país, estos dos
porcentajes. Llame a esta nueva columna "suma".
"ahorro_paises$suma"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(
ahorro_paises$suma <- ahorro_paises$pop15 + ahorro_paises$pop75
)),
"¡Excelente!")
)
7. Subset con países que tengan porcentajes de población menores a 15 años menor 23% y mayor a 47%
El set de datos incluye información de 50 países, cada uno con un porcentaje de
población menor de 15 años (pop15) y un porcentaje de población mayor 75 años
(pop75). Ahora obtenga un subconjunto donde solo se encuentren los países en
los que pop15 sea menor a 23% o pop75 mayor a 47%.
subset
"| es 'ó'"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(subset(ahorro_paises,
ahorro_paises$pop15 < 23 |
ahorro_paises$pop75 > 47))),
"Bien hecho!")
)
8. Obtener un subset de los 6 países con mayor porcentaje de población mayor a 75
El set de datos contiene información de 50 países, cada uno con un porcentaje
de población mayor de 75 años (pop75). Ahora obtenga un subconjunto que solo
contenga los 6 países con mayor porcentaje de población mayor a 75 años.
"usa arrange u order"
grade_result(
pass_if(~ identical(unlist(.result),
unlist(
ahorro_paises %>%
slice_max(pop75, n = 6) %>%
arrange(desc(pop75)))),
"Bien hecho!"),
pass_if(~ identical(unlist(.result),
unlist(
ahorro_paises[order(ahorro_paises$pop75,
decreasing = TRUE)[1:6],])),
"¡Bien hecho!")
)
ixpantia/introR documentation built on Jan. 28, 2024, 8:03 a.m.
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
knitr::opts_chunk$set(echo = FALSE) library(learnr) library(dplyr) library(gradethis) library(datasets) tutorial_options(exercise.checker = gradethis::grade_learnr) regiones <- data.frame(id = c(254, 369, 147, 852), region = c("NORTE", "SUR", "NORTE", "ESTE"), valor = c(2500, 3700, 4200, 1200), tipo = c("A", "A", "C", "B")) ahorro_paises <- LifeCycleSavings %>% mutate(pais = row.names(LifeCycleSavings))
knitr::include_graphics( "https://storage.googleapis.com/datos_cursos/ixpantia_introR/ixpantia_logo.png" )
Datos: regiones
Este es un conjunto de datos donde cada observación corresponde a una región. Posee 4 observaciones (filas) y 4 variables (columnas).
glimpse(regiones)
Descripción de las columnas:
| Variable | Descripción |
|:----------:|:--------------------------------:|
| id | identificación de la región |
| region | punto cardinal de la región |
| valor | monto recolectado en la región |
| tipo | A,B o C |
Ejercicios: regiones
1. ¿Cómo obtener la 3ra fila de regiones?
El conjunto de datos regiones tiene 4 filas, ahora obtenga los datos que se encuentran en la tercera fila, incluyendo todas las columnas.
regiones
"[]"
regiones[3,]
grade_code("¡Muy bien!")
2. ¿Cómo obtener la 2da columna de regiones?
El conjunto de datos tiene 4 columnas, ahora obtenga la información de la cuarta columna, incluyendo todas las filas.
regiones
"[]"
regiones[ , 2]
grade_code("¡Muy bien!")
3. ¿Cómo obtener lo referente a la región NORTE únicamente?
En el conjunto de datos hay una columna llamada region que se refiere al punto
cardinal al que pertenece la región: NORTE, SUR, ESTE u OESTE. Ahora obtenga la
información referente a aquellas regiones que pertenezcan a la región NORTE
solamente.
"subset()"
grade_result( pass_if(~ identical(unlist(.result), unlist(subset(regiones, region == "NORTE"))), "¡Muy bien!") )
4. ¿Cómo obtener lo referente a aquellas regiones donde los montos son mayores 3000?
En el set de datos hay una columna llamada valor, donde se encuentra el monto
recolectado en cada región. Ahora obtenga la información referente a las
regiones que tienen montos recolectados mayores de 3000.
"subset()"
grade_result( pass_if(~ identical(unlist(.result), unlist(subset(regiones, valor > 3000))), "Excelente!") )
¿Cómo obtener lo referente a las regiones que NO son de tipo B?
En el set de datos hay una variable llamada tipo, que describe si la región
es tipo A, B o C. Ahora obtenga la información referente a aquellas regiones
que NO son de tipo B, es decir, A o C.
regiones
"!="
grade_result( pass_if(~ identical(unlist(.result), unlist(subset(regiones, tipo != "B"))), "¡Buenísimo!") )
Datos: ahorro_paises
Este conjunto de datos contiene información sobre el ciclo de vida de los ahorros de 50 paises. Está inspirado en la hipótesis de Franco Modigliani sobre la razón de ahorro: que puede ser explicada por el ingreso disponible per capita, el porcentaje de cambio en el ingreso disponible per capita, el porcentaje de población con menos de 15 años y el porcentaje de población con más de 75 años. Los datos fueron recolectados en la década 1960-1970.
glimpse(ahorro_paises)
Descripción de las variables:
| Variable | Descripción |
| :----------: | :--------------------------------: |
| sr | razón de ahorros (savings ratio) |
| pop15 | % de población con menos de 15 años |
| pop75 | % de población con más de 75 años |
| dpi | ingreso disponible per cápita |
| ddpi | % de cambio del ingreso disponible per cápita |
Ejercicios: ahorro_paises
1. Obtener media de variable dpi
En el set de datos hay una variable llamada dpi, obtenga la media o el
promedio de esta.
ahorro_paises$dpi
"mean()"
grade_result( pass_if(~ identical(unlist(.result), unlist(mean(ahorro_paises$dpi))), "¡Genial!") )
2. ¿Cuál país tiene mayor porcentaje de población menor a 15?
En el conjunto de datos hay una variable que representa el porcentaje de población que es menor de 15 años, descubra cuál país tiene un mayor porcentaje de esta población.
ahorro_paises$pop15
"max()"
grade_result( pass_if(~ identical(unlist(.result), unlist(max(ahorro_paises$pop15))), "¡Buenísimo!") )
3. ¿Cuál país tiene menor porcentaje de población mayor a 75?
En el set de datos hay una variable que representa el porcentaje de población que es mayor de 75 años, descubra cuál país tiene un menor porcentaje de esta población.
"min()"
grade_result( pass_if(~ identical(unlist(.result), unlist(min(ahorro_paises$pop75))), "¡Bien!") )
4. Cambiar nombre dpi a disposable_income
En el set de datos hay una variable que se llama dpi, que representa el
ingreso disponible per cápita, ahora cambie el nombre de esta variable a
diposable_income.
ahorro_paises$dpi
"colnames()"
grade_result( pass_if(~ identical(unlist(.result), unlist( colnames(ahorro_paises)[4] <- "disposable_income")), "¡Muy bien!") )
5. ¿Por qué no es recomendable hacer subsets por posición?
En el mundo de los datos se menciona que no es recomendable hacer subsets por posición, es decir, basándose en la posición de la variable por la que quiero filtrar la base, ¿porqué no se recomienda hacerlo?
question("¿Por qué no es recomendable hacer subsets por posición?", answer("Porque se ve feo"), answer("Porque no va con el estilo de código recomendado"), answer("Porque los datos pueden cambiar en el futuro y la posición de lo que buscabamos puede cambiar", correct = TRUE), answer("Opcion al escribirlo me puedo equivocar y poner la posición que no es"), incorrect = "Incorrecto", correct = "Correcto")
6. Generar nueva columna que contenga la suma de pop15 y pop75
En el set de datos hay una variable llamada pop15, el porcentaje de población
menor de 15 años y otra denominada pop75, el porcentaje de población mayor a
75 años, ahora cree una nueva columna que sume, para cada país, estos dos
porcentajes. Llame a esta nueva columna "suma".
"ahorro_paises$suma"
grade_result( pass_if(~ identical(unlist(.result), unlist( ahorro_paises$suma <- ahorro_paises$pop15 + ahorro_paises$pop75 )), "¡Excelente!") )
7. Subset con países que tengan porcentajes de población menores a 15 años menor 23% y mayor a 47%
El set de datos incluye información de 50 países, cada uno con un porcentaje de
población menor de 15 años (pop15) y un porcentaje de población mayor 75 años
(pop75). Ahora obtenga un subconjunto donde solo se encuentren los países en
los que pop15 sea menor a 23% o pop75 mayor a 47%.
subset
"| es 'ó'"
grade_result( pass_if(~ identical(unlist(.result), unlist(subset(ahorro_paises, ahorro_paises$pop15 < 23 | ahorro_paises$pop75 > 47))), "Bien hecho!") )
8. Obtener un subset de los 6 países con mayor porcentaje de población mayor a 75
El set de datos contiene información de 50 países, cada uno con un porcentaje
de población mayor de 75 años (pop75). Ahora obtenga un subconjunto que solo
contenga los 6 países con mayor porcentaje de población mayor a 75 años.
"usa arrange u order"
grade_result( pass_if(~ identical(unlist(.result), unlist( ahorro_paises %>% slice_max(pop75, n = 6) %>% arrange(desc(pop75)))), "Bien hecho!"), pass_if(~ identical(unlist(.result), unlist( ahorro_paises[order(ahorro_paises$pop75, decreasing = TRUE)[1:6],])), "¡Bien hecho!") )
R Package Documentation
Browse R Packages
We want your feedback!
Note that we can't provide technical support on individual packages. You should contact the package authors for that.
Embedding an R snippet on your website
Add the following code to your website.
For more information on customizing the embed code, read Embedding Snippets.