• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

El archivo DESCRIPTION (Creación de paquetes en R 2ª parte)

mayo 1, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

En la entrada de la semana pasada hemos creado la estructura de un paquete R con la ayuda de RStudio y el paquete devtools. En la entrada de esta semana vamos a ver como configurar el paquete modificando el archivo DESCRIPTION e incluir las primeras funciones.

Esta entrada forma parte de la serie “Creación de paquetes en R” cuyo código se puede encontrar en el repositorio y consta de las siguientes ocho entradas:

  1. Creación de paquetes en R
  2. El archivo DESCRIPTION
  3. Pruebas automáticas con testthat
  4. Pruebas avanzadas con testthat
  5. Medir la cobertura de las automáticas unitarias
  6. Documentación de los paquetes
  7. Creación de vignette
  8. Validación y distribución de los paquetes

El archivo DESCRIPTION

Al crear la estructura del paquete R la semana pasada el asistente generó varios archivos, siendo uno de ellos DESCRIPTION. En este archivo es donde se incluyen la descripción básica del paquete, el tipo de licencia con el que se distribuye e información de los paquetes requeridos y sugeridos entre otra información. Por defecto el asistente de RStudio ha creado el siguiente archivo como el siguiente

Package: rlane
Type: Package
Title: What the Package Does (Title Case)
Version: 0.1.0
Author: Who wrote it
Maintainer: The package maintainer <[email protected]>
Description: More about what it does (maybe more than one line)
    Use four spaces when indenting paragraphs within the Description.
License: What license is it under?
Encoding: UTF-8
LazyData: true

En este archivo se puede ver que en cada una de las líneas hay una propiedad a la que se le asigna un valor. En la primera línea se incluyen la propiedad Package en la que se indica en nombre del paquete y en la segunda el tipo, es decir un paquete. Propiedades que ha asignado correctamente el asistente de RStudio.

Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
En Analytics Lane
Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)

Incluyendo información en el archivo DESCRIPTION

Una de las primeras propiedades que debemos indicar en el archivo DESCRIPTION es el título del paquete. Junto a una pequeña descripción con la que se indica que puede esperar un usuario hacer tras la instalación. Una descripción que se ha de escribir en formato título, es decir, todas las palabras han de comenzar con mayúsculas. Posteriormente se ha de incluir la versión, que en nuestro caso dejaremos con el valor de 0.1.0.

Luego se encuentra el autor o autores del paquete y el responsable del mantenimiento. No es necesario que sea la misma persona y solamente se tiene que indicar el correo electrónico del responsable del mantenimiento para que los usuarios dispongan de una persona de contacto. Otra propiedad importante del archivo es Description, en la que se recomienda utilizar más de una línea para describir cuales son las tareas que realiza el paquete.

Finalmente debemos de indicar en este archivo cual es la licencia con la que se distribuye.

Publicidad


Incluir dependencias con otros paquetes

Además de las propiedades ya incluidas en la plantilla existen otras dos que son de gran importancia: Imports y Suggests. Mediante la primera se indicarán los paquetes y las versiones de estos que son necesarios para el correcto funcionamiento del nuestro. Paquetes que serán instalados automáticamente por R durante la instalación de nuestro paquete en el ordenador del usuario. Para lo que se indican los nombres de paquetes separados por coma, por ejemplo, en el caso de que necesitemos lubridate y sqliter con un número de versión mínimo se puede escribir:

Imports: lubridate (>= 1.7.0), sqliter (>= 0.1.0)

Por otro lado, los paquetes de Suggests se indican exactamente igual, pero a diferencia de los indicados en Imports estos no se instalarán de forma automática. Al no ser imprescindibles para el funcionamiento de los paquetes han de ser instalados manualmente por los usuarios.

Nuestro archivo DESCRIPTION

Finalmente, nuestro archivo DESCRIPTION queda de la siguiente manera.

Package: rlane
Type: Package
Title: Plantilla de Paquete R
Version: 0.1.0
Author: Daniel Rodríguez
Maintainer: Daniel Rodríguez <[email protected]>
Description: Esta es un paquete de ejemplo creado para el tutorial de Analytics Lane
License: GPL-3
Encoding: UTF-8
LazyData: true

En el que no se ha incluido ninguna dependencia, ya que el paquete que vamos a crear no lo necesita.

Conclusiones

En esta segunda entrada de la serie se ha visto la estructura del archivo DESCRIPTION, uno de los más importantes a la hora de crear un paquete de R. La semana que viene se verá cómo incluir pruebas unitarias en un paquete R con testthat.

Imagen de Peter H en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicidad


Publicaciones relacionadas

  • Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV
  • PSI: Cómo Saber Cuándo tu Modelo de Credit Scoring se ha Degradado
  • Champion vs Challenger: Cómo los Bancos Validan Modelos Nuevos antes de Ponerlos en Producción
  • Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring
  • Errores habituales al trabajar con DataFrames grandes en Pandas (y cómo evitarlos)
  • BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas
  • Curiosidad: De dónde vienen foo, bar y foobar
  • Cómo Comparar Dos Hipotecas con Todos los Gastos Incluidos

Publicado en: R

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Gini, KS y AUC: Cómo Medir la Calidad de un Modelo de Credit Scoring

agosto 18, 2026 Por Daniel Rodríguez

Curiosidad: De dónde vienen foo, bar y foobar

agosto 13, 2026 Por Daniel Rodríguez

BG/NBD + Gamma/Gamma: el modelo probabilístico para CLV en compras continuas

agosto 11, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Matriz en tabla con Excel Cómo convertir una matriz en tabla con Excel sin VBA publicado el diciembre 4, 2020 | en Herramientas
  • ¿Cómo saber la versión de Pandas o cualquier otra librería en Python? publicado el septiembre 25, 2023 | en Python
  • Calcular la similitud de Jaccard en Python publicado el enero 19, 2024 | en Ciencia de datos
  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en Opinión
  • Segmentación RFM: cómo clasificar tu cartera de clientes antes de calcular el CLV publicado el julio 28, 2026 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto