Sesión 3: Uso de librerías y análisis de correlación

1. Uso de R base para manipular nombres de filas

Se requieren mas pasos para manipular un dataframe con R base

mi_tabla <- mtcars
mi_tabla$Marca <- rownames(mi_tabla)
rownames(mi_tabla) <- NULL
rownames(mi_tabla) <- mi_tabla$Marca
mi_tabla$Marca <- NULL

2. Uso de la librería tibble

Con una libraría puedes lograr el mismo resultado con menos pasos, más fácil y más rápido

# install.packages("tibble")  # Descomenta si no está instalada
library(tibble)

# Dos formas de usar la función
otra_tabla <- rownames_to_column(mtcars, var = "rowname")
tabla_nueva <- tibble::rownames_to_column(mtcars, var = "rowname")

3. Análisis de correlación

Se puede realizar un análisis de correlación con solamente 2 líneas de código. cor calcula la matriz de correlación en un solo paso. corrplot nos permite graficar la matriz de correlación en un segundo paso.

cor_matrix <- cor(mtcars)

# install.packages("corrplot")  # Descomenta si no está instalada
library(corrplot)

## Warning: package 'corrplot' was built under R version 4.3.3

## corrplot 0.95 loaded

corrplot(cor_matrix)

4. Valores p y agrupamiento jerárquico

Se puede modificar el gráfico base que obtenemos con corrplot para obtener un gráfico con mas información como el p-val, clusterización jerárquica e incluso modificar la paleta de colores entre otros

# Primero calculamos el valor de p con:
testRes <- cor.mtest(mtcars, conf.level = 0.95)
# Agregamos los parámetros para incluir
corrplot(cor_matrix,
         order = 'hclust', # Agrupamiento jerárquico
         p.mat = testRes$p, # Valor de p
         sig.level = 0.05, # Limite de p
         method = "color", # Para visualizar como heatmap con cuadrados
         #Paleta de colores personalizada (invertir colores)
         col = colorRampPalette(rev(c("red", "white", "blue")))(200) 
         )