• Ir al contenido principal
  • Skip to secondary menu
  • Ir a la barra lateral primaria
  • Ir al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Noticias
    • Opinión
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Boletín
  • Contacto
  • Acerca de Analytics Lane
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • GearBest
      • GeekBuying
      • JoyBuy

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Criptografía
  • Python
  • Matlab
  • R
  • Julia
  • JavaScript
  • Herramientas
  • Opinión
  • Noticias

Las tuberías del Tidyverse (Pipeline)

febrero 17, 2021 Por Daniel Rodríguez Dejar un comentario
Tiempo de lectura: 3 minutos

Posiblemente una de las características más llamativas del Tidyverse es el operador tubería o “pipeline” (%>%). Un operador que permite concatenar varias operaciones de una forma sencilla y eficiente. Ofreciendo una forma bastante clara de expresar las operaciones a realizar sobre un conjunto de datos. Veamos a continuación como funcionan las tuberías del Tidyverse.

El operador tubería (%>%)

La tubería es un operador binario que nos que toma el valor de la izquierda y lo usa como entrada en la operación que se indica a la derecha de este. Por ejemplo, se puede utilizar para convertir una cadena de texto es minúsculas escribiendo

"Hola R" %>% str_to_lower()

Cogiendo la cadena de texto "Hola R" y pasándole como parámetro a la función str_to_lower() del paquete stringr. Esto es, sería lo mismo que hacer:

str_to_lower("Hola R")

Quizás para operaciones tan sencillas no aporte nada el uso de tuberías. Pero ¿qué pasa si necesitamos hacer más operaciones sobre la cadena de texto? Por ejemplo, reemplazar “R” por “Tidyverse” y sacar el mensaje por pantalla. Para lo que empleando una sintaxis clásica se tendría que hacer algo como lo siguiente

print(str_to_lower(str_replace("Hola R", "R", "Tidyverse")))

Pero empleando tuberias en su lugar se podría escribir de la siguiente forma

"Hola R" %>% str_replace("R", "Tidyverse") %>% str_to_lower() %>% print()

Mayor claridad con saltos de línea

Lo que, desde mi punto de vista, es más claro ya que se pueden entender de un vistazo en qué orden se ejecutan las operaciones sobre el conjunto de datos. Incluso, dado que ni los espacios ni los saltos de línea son tenidos en cuenta por el operador, es posible escribir una operación en cada línea, dejando la expresión anterior en algo como:

"Hola R" %>%
  str_replace("R", "Tidyverse") %>%
  str_to_lower() %>%
  print()

Con lo que de esta forma se puede ver que al usar las tuberías del Tidyverse queda más claro que operaciones se desean realizar sobre los datos.

Cuando los datos no son el primer parámetro

El operador de tubería coge los datos de la izquierda y los pasa en la función de la derecha como parámetro. Para indicar la posición en la que se debe pasar este parámetro se pude usar el operador punto (.), aunque, como se ha visto en los ejemplos anteriores, se puede omitir si el parámetro es el primero de la función. Esto es, la operación

c(1,2,NA,4,5) %>% mean(na.rm = TRUE)

es equivalente a

c(1,2,NA,4,5) %>% mean(., na.rm = TRUE)

Pudiéndose usar el operador punto para los casos en los que los datos no se deben pasar como primer parámetro, como puede ser el caso de una regresión

marketing %>%
   lm(sales ~ youtube + facebook, data = .)

Lo que producirá el mismo resultado que la siguiente línea.

lm(sales ~ youtube + facebook, data = marketing)

El operador tubería y RStudio

La importancia que tiene el operador tubería se puede ver en RStudio, ya que existe un atajo para escribirlo en el editor. Para obtener este solamente se tiene que pulsar la combinación de teclas: Ctrl + ⇧ + M

Conclusiones

En esta entrada hemos visto cómo funciona el operador tubería y algunas de las ventajas que ofrece a la hora de expresar las operaciones sobre los conjuntos de datos. Haciendo que el código pueda ser más legible. Con lo que es más fácil la revisión de este tanto para entender lo que hace como para buscar errores en el mismo.

Imagen de Free-Photos 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?

Contenido relacionado

Archivado en:R Etiquetado con:Tidyverse

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.

Publicidad


Barra lateral primaria

Suscríbete a nuestro boletín

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

Política de Privacidad

¡Síguenos en redes sociales!

  • facebook
  • instagram
  • pinterest
  • tumblr
  • twitter
  • youtube
  • github
  • telegram
  • rss

Publicidad

Tiendas afiliadas

Ayúdanos realizando tus compras sin coste adicional con los enlaces de la tienda. ¡Gracias!

Entradas recientes

Epsilon-Greedy con decaimiento para un problema Bandido Multibrazo (Multi-Armed Bandit)

marzo 5, 2021 Por Daniel Rodríguez Dejar un comentario

Diferencias entre library() y require() en R

marzo 3, 2021 Por Daniel Rodríguez Dejar un comentario

Noticias

Disponible la versión 1.20.0 de NumPy

marzo 2, 2021 Por Daniel Rodríguez Dejar un comentario

Publicidad

Es tendencia

  • Seleccionar filas y columnas en Pandas con iloc y loc bajo Python
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? bajo Python
  • Numpy básico: eliminar elementos en arrays de Numpy bajo Python
  • ¿Cómo cambiar el nombre de las columnas en Pandas? bajo Python
  • pandas Pandas: Cómo crear un DataFrame vacío y agregar datos bajo Python

Publicidad

Lo mejor valorado

5 (5)

Diferencias entre var y let en JavaScript

5 (6)

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

5 (5)

Archivos JSON con Python: lectura y escritura

4.8 (6)

Seleccionar filas y columnas en Pandas con iloc y loc

4.2 (5)

Guardar y leer archivos Excel en Python

Publicidad

Comentarios recientes

  • egilda en Visualización de datos en Python con Seaborn
  • Sergio en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • javier en Uso de las f-string de Python para mejorar el formato de textos
  • Daniel Rodríguez en Guardar y leer archivos Excel en Python
  • franklin Chiluisa en Guardar y leer archivos Excel en Python

Publicidad

Footer

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Noticias
  • Opinión

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Lo más popular
  • Tienda

Programación

  • JavaScript
  • Julia
  • Matlab
  • Python
  • R

Tiendas Afiliadas

  • AliExpress
  • Amazon
  • BangGood
  • GearBest
  • Geekbuying
  • JoyBuy

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.

2018-2021 Analytics Lane · Términos y condiciones · Política de Cookies · Política de Privacidad · Herramientas de privacidad · Contacto