• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Validación y distribución de los paquetes R (Creación de paquetes en R 8ª y última parte)

junio 12, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

Una vez finalizada la escritura de nuestro paquete, incluida la escritura de las pruebas automáticas, la documentación y las viñetas es necesario distribuirlo. En el caso de que los paquetes sean públicos y cumplan las normas del CRAN es posible enviarlo a para su aprobación. Aunque este no es el único camino para distribuir el trabajo. Ya que se pueden distribuir como archivos comprimidos, repositorios Git o, incluso, mediante un repositorio corporativo. En esta última entrada se va a explicar cómo generar los paquetes y las repasar las opciones que tenemos para la distribución de los paquetes R.

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

Tabla de contenidos

  • 1. Validación del paquete
  • 2. Compilación del paquete
  • 3. Distribución de paquetes R
    • 3.1. Instalación mediante archivo
    • 3.2. Repositorio Git
    • 3.3. Repositorio privado
    • 3.4. Publicar en el CRAN
  • 4. Conclusiones

Validación del paquete

Posiblemente una de las funciones más importantes del paquete devtools es check(), con la que se puede comprobar si nuestro paquete cumple con los requisitos para subir al CRAN. Aunque este no sea el destino de nuestro paquete no es una mala idea ejecutar este comando para comprobar si falta algo, por ejemplo, la documentación de alguna función.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Para ejecutarlos simplemente debemos cargar el paquete con devtools::load_all() y posteriormente ejecutar devtools::check(). El tiempo de ejecución puede ser más o menos largo dependiendo del tamaño de nuestro paquete y los ejemplos de código que se han usado en el paquete.

La información que nos encontraremos al ejecutar el comando son los errores, advertencias y otras recomendaciones que nos hace el validador. Obviamente en el caso de que aparezca algún error lo es necesario resolverlo, al igual que las advertencias. Si todo va viene nos encontraremos con un mensaje como el siguiente.

Compilación del paquete

Ahora se puede generar el paquete, para lo que se puede usar el comando de devtools que vimos la primera semana: devtools::build(). El que creará un archivo zip o tar.gz con el contenido.

Así podemos enumerar las funciones que deberíamos lanzar antes de crear un paquete con devtools:

devtools::load_all()        # Carga el paquete
devtools::test()            # Ejecuta las pruebas automáticas
devtools::document ()       # Crea la documentación
devtools::build_vignettes() # Crea las viñetas
devtools::check()           # Valida el paquete según los estándares de R
devtools::build()           # Crea el paquete

Adicionalmente es aconsejable usar covr para medir el grado de cobertura de nuestras pruebas automáticas.

Distribución de paquetes R

Ahora ya se puede distribuir el paquete. Para esto se puede usar el archivo generado en el paso anterior u otras opciones como Git, sin descartar la publicación en el CRAN.

Instalación mediante archivo

El archivo generado en la sección anterior se puede enviar por cualquier método a los usuarios. Para instalarlo esto solo tendrán que usa el comando install.packages indicando que este se instale desde archivo en lugar de un repositorio. Por ejemplo, si tenemos nuestro paquete en la carpeta local se puede usar

install.packages(“./rlane_0.1.0.tar.gz”, repos = NULL, type = “source”)

Algo que opcionalmente también se puede hacer desde el asistente de RStudio.

Repositorio Git

El paquete lo podemos subir a un repositorio Git, por lo que solamente tenemos que darle la ruta a nuestros usuarios para que usen el comando install_git() del paquete devtools o, en el caso de usar GitHub, install_github(). Estos comandos se encargará descargar y generar el paquete automáticamente antes de su instalación.

Repositorio privado

Esto se ha explicado en otra entrada, en el caso de trabajar en un departamento que comparte código este se puede publicar en un repositorio como el CRAN en el que se podría publicar este y otros paquetes.

Publicar en el CRAN

Si nuestro paquete cumple las normas de publicación del CRAN y consideramos que es de interés este se puede enviar para su verificación y publicación. Para lo que solamente se tienen pueden seguir los pasos indicados en el siguiente formulario https://cran.r-project.org/submit.html.

En este caso es importante que a la hora de validar el paquete no exista ningún error. Además, debemos comprobar que no existe o, ha existido, otro paquete publicado con el mismo nombre.

Conclusiones

Con esta entrega, donde hemos visto como validar y distribuir nuestros paquetes, finaliza la serie sobre la creación de paquetes en R. Al igual que hemos visto en otras ocasiones, como en la creación de paquetes Python, saber cómo empaquetar y distribuir el código no facilita la reutilización de este. Además de facilitar el uso a otros usuarios.

El código de este proyecto se puede encontrar en un repositorio dentro de la cuenta de GitHub de Analytics Lane.

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?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

Publicidad

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

Guía Completa para Usar el Panda Planner: Tu Camino hacia la Productividad y el Bienestar

noviembre 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Instantáneas de VirtualBox (Snapshots) publicado el marzo 27, 2019 | en Herramientas
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos publicado el noviembre 16, 2020 | en Python
  • Identificando celdas con espacios en blanco en Excel publicado el noviembre 5, 2018 | en Herramientas
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Solución del error 504 Gateway Timeout en NGINX publicado el abril 10, 2024 | en Herramientas

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 Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • 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

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