dplyr-ejercicios.Rmd

---
title: "Rladies"
subtitle: "⚔<br/> Resistencia Corrientes"
author: "Ejercicios dplyr"
date: "15 de Agosto de 2019"
output:
  xaringan::moon_reader:
    css: ["default", "rladies", "rladies-fonts"]
    nature: 
      highlightStyle: github
      highlightLines: true
---
<img src="dplyr.png" width="10%" align="right" />

# Tener los paquetes cargados

```{r gapminder, warning=FALSE, message=FALSE}
library(dplyr)
library(magrittr)
library(gapminder)
```


---
<img src="dplyr.png" width="10%" align="right" />

# 1. De gapminder seleccionar los datos correspondientes a Argentina. 


```{r , warning=FALSE, echo=FALSE}
gapminder_unfiltered %>%
  filter(country=="Argentina")
```


---
<img src="dplyr.png" width="10%" align="right" />

# Solución

```{r , warning=FALSE}
gapminder %>%
  filter(country=="Argentina")
```

---
<img src="dplyr.png" width="10%" align="right" />

# 2. Eliminar la columna correspondiente a la población en gapminder

```{r , warning=FALSE, echo=FALSE}
gapminder %>%
  select(-pop)
```


---
<img src="dplyr.png" width="10%" align="right" />

# Solución 

```{r , warning=FALSE}
gapminder %>%
  select(-pop)
```

---
<img src="dplyr.png" width="10%" align="right" />

## 3. Seleccionar los datos correspondientes al continente americano, correspondientes del año 80 en adelante. Los datos deben estar ordenados según los años más actuales. 

```{r , warning=FALSE, echo=FALSE}
gapminder %>%
  filter(continent=="Americas", year >= 1980) %>%
  arrange(desc(year))
```

---
<img src="dplyr.png" width="10%" align="right" />

# Solución
```{r , warning=FALSE}
gapminder %>%
  filter(continent=="Americas", year >= 1980) %>%
  arrange(desc(year))
```

---
<img src="dplyr.png" width="10%" align="right" />

# 4. Seleccionar las columnas correspondientes a ingresos per capita y esperanza de vida

```{r , warning=FALSE, echo=FALSE}
gapminder %>%
  select(lifeExp, gdpPercap)
```
---
<img src="dplyr.png" width="10%" align="right" />

# Solución 

```{r , warning=FALSE}
gapminder %>%
  select(lifeExp, gdpPercap)
```
---
<img src="dplyr.png" width="10%" align="right" />

# 5. Calcular la media por continente del ingreso per cápita y la esperanza de vida. Ordenarlos de mayor a menor según la esperanza de vida.

```{r , warning=FALSE, echo=FALSE}
gapminder %>%
  group_by(continent) %>%
  summarize(gpd=mean(gdpPercap), lifeE=mean(lifeExp)) %>%
  arrange(desc(lifeE))
```



---
<img src="dplyr.png" width="10%" align="right" />

# Solución

```{r , warning=FALSE}
gapminder %>%
  group_by(continent) %>%
  summarize(gpd=mean(gdpPercap), lifeE=mean(lifeExp)) %>%
  arrange(desc(lifeE))
```

---
<img src="dplyr.png" width="10%" align="right" />

# 6. ¿Cuáles son los 7 países con mayor esperanza de vida en el año 2002?

```{r , warning=FALSE, message=FALSE, echo=FALSE}
gapminder %>%
  filter(year==2002) %>%
  arrange(desc(lifeExp)) %>%
  head(7)
```

---
<img src="dplyr.png" width="10%" align="right" />

# Solución

```{r , warning=FALSE, message=FALSE}
gapminder %>%
  filter(year==2002) %>%
  arrange(desc(lifeExp)) %>%
  head(7)
```
---
<img src="dplyr.png" width="10%" align="right" />

# Solución 2
### Podemos usar top_n() en vez de head(), pero... 

```{r , warning=FALSE, message=FALSE}
gapminder %>%
  filter(year==2002) %>%
  arrange(desc(lifeExp)) %>%
  top_n(7, lifeExp)
```
---
<img src="dplyr.png" width="10%" align="right" />

# 7. ¿Cuáles son los países con menor esperanza de vida y menor ingreso en el año 2002?

```{r , warning=FALSE, message=FALSE, echo=FALSE}
gapminder %>%
  filter(year==2002) %>%
  arrange(lifeExp, gdpPercap) %>%
  head(5)
```

---
<img src="dplyr.png" width="10%" align="right" />

#Solución

```{r , warning=FALSE, message=FALSE}
gapminder %>%
  filter(year==2002) %>%
  arrange(lifeExp, gdpPercap) %>%
  head(5)
```

---
<img src="dplyr.png" width="10%" align="right" />

# 8. En el dataset iris, poner la columna species en primer lugar

### Vamos a reordenar columnas

```{r , warning=FALSE, message=FALSE, echo=FALSE}
iris %>%
  select(Species, everything()) %>%
  head(5)
```

---
<img src="dplyr.png" width="10%" align="right" />

#Solución

```{r , warning=FALSE, message=FALSE}
iris %>%
  select(Species, everything()) %>%
  head(5)
```

---
<img src="dplyr.png" width="10%" align="right" />

# 9. Seleccionar la mitad (50%) del dataset gapminder_unfiltered 

```{r , warning=FALSE, message=FALSE, echo=FALSE}
gapminder_unfiltered %>%
  sample_frac(size=0.5)
```


---
<img src="dplyr.png" width="10%" align="right" />

# Solución

```{r , warning=FALSE, message=FALSE}
gapminder_unfiltered %>%
  sample_frac(size=0.5)
```

---
<img src="dplyr.png" width="10%" align="right" />

# 10. Elegir los casos que están entre las filas 20 y 30. 

```{r , warning=FALSE, message=FALSE, echo=FALSE}
gapminder %>%
  slice(20:30)
```

---
<img src="dplyr.png" width="10%" align="right" />

# Solución

```{r , warning=FALSE, message=FALSE}
gapminder %>%
  slice(20:30)
```

---
<img src="dplyr.png" width="10%" align="right" />

# Para seguir practicando...

https://garthtarr.github.io/meatR/dplyr_ex1.html

### R4DS Capítulo 5: Data Transformation

https://r4ds.had.co.nz/transform.html

### R4DS Capítulo 5 (en español)

https://es.r4ds.hadley.nz/transform.html 

### Soluciones (en inglés)

https://jrnold.github.io/r4ds-exercise-solutions/transform.html