El tidyverse en acción

class: center, middle

# El tidyverse en acción
### Análisis estadístico utilizando R

UNQ UNTreF CONICET

Ignacio Spiousas
[<svg viewBox="0 0 496 512" style="height:1em;position:relative;display:inline-block;top:.1em;fill:#A42339;" xmlns="http://www.w3.org/2000/svg">  <path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"></path></svg>](https://github.com/spiousas) [<svg viewBox="0 0 512 512" style="height:1em;position:relative;display:inline-block;top:.1em;fill:#A42339;" xmlns="http://www.w3.org/2000/svg">  <path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"></path></svg>](https://twitter.com/Spiousas)

Pablo Etchemendy
[<svg viewBox="0 0 496 512" style="height:1em;position:relative;display:inline-block;top:.1em;fill:black;" xmlns="http://www.w3.org/2000/svg">  <path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"></path></svg>](https://github.com/https://github.com/petcheme) [<svg viewBox="0 0 512 512" style="height:1em;position:relative;display:inline-block;top:.1em;fill:#black;" xmlns="http://www.w3.org/2000/svg">  <path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"></path></svg>](https://twitter.com/petcheme)

2021-08-02

---
class: left, top, highlight-last-item
# Leamos unos datos

```r
test <- read_csv(here("./presentaciones/2-3/data/test.csv")) #*
test
```

```
FALSE # A tibble: 4 × 3
FALSE   id     test_1 test_2
FALSE   <chr>   <dbl>  <dbl>
FALSE 1 George     82     62
FALSE 2 Elaine     74     71
FALSE 3 Jerry      56     76
FALSE 4 Cosmo      98     91
```

Están en formato tidy?

.right.tiny[`*` Para leerlo en sus computadoras no deben usar la función `here()`.]
.right.tiny[Ya vamos a ver por qué la usamos acá.]
---
class: left, top, highlight-last-item
# Leamos unos datos
No hay problema, **tidyr** al rescate con pivot_longer() ![:scale 5%](https://raw.githubusercontent.com/rstudio/hex-stickers/master/PNG/tidyr.png)

```r
test2 <- test %>% 
    pivot_longer(c(test_1, test_2), names_to = "test", values_to = "grade") %>% 
    arrange(id, test)
test2
```

```
FALSE # A tibble: 8 × 3
FALSE   id     test   grade
FALSE   <chr>  <chr>  <dbl>
FALSE 1 Cosmo  test_1    98
FALSE 2 Cosmo  test_2    91
FALSE 3 Elaine test_1    74
FALSE 4 Elaine test_2    71
FALSE 5 George test_1    82
FALSE 6 George test_2    62
FALSE 7 Jerry  test_1    56
FALSE 8 Jerry  test_2    76
```

Pero... ¿Qué son los **%>%**?
---
class: left, top, highlight-last-item
# Piping **%>%**

Se utiliza **%>%** para encadenar una secuencia de acciones donde el **output** del paso anterior es el **input** del actual.

.pull-left[
Por ejemplo, si queremos ordenar los valores de una lista:

```r
x <- c(1, 3, 1, 2, 1, 3)

x_unique <- unique(x)

x_sorted <- sort(x_unique)
x_sorted
```

```
FALSE [1] 1 2 3
```
]

.pull-right[
Las funciones se pueden encadenar en una línea de código

```r
x <- c(1, 3, 1, 2, 1, 3)

x_sorted <- x %>%
            unique() %>%
            sort()
x_sorted
```

```
FALSE [1] 1 2 3
```
]

Es decir, la función después del **%>%** toma como input lo que sale del paso anterior.

.center[![:scale 10%](https://raw.githubusercontent.com/rstudio/hex-stickers/master/PNG/pipe.png)]

Igual tranquilxs que lo vamos a usar **MUCHO** y ya va a ir quedando claro
---
class: left, top, highlight-last-item
# Acá llega lo bueno!

Una vez que tenemos los datos acomodados podemos usar las funciones de **dplyr**

En lo que sigue vamos a usar los datos de **Palmer penguins**

```r
penguins %>% 
  head() %>%
  kbl() %>%
  kable_styling(font_size = 14) 
```

<table class="table" style="font-size: 14px; margin-left: auto; margin-right: auto;">
 <thead>
  <tr>
   <th style="text-align:left;"> species </th>
   <th style="text-align:left;"> island </th>
   <th style="text-align:right;"> bill_length_mm </th>
   <th style="text-align:right;"> bill_depth_mm </th>
   <th style="text-align:right;"> flipper_length_mm </th>
   <th style="text-align:right;"> body_mass_g </th>
   <th style="text-align:left;"> sex </th>
   <th style="text-align:right;"> year </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Adelie </td>
   <td style="text-align:left;"> Torgersen </td>
   <td style="text-align:right;"> 39.1 </td>
   <td style="text-align:right;"> 18.7 </td>
   <td style="text-align:right;"> 181 </td>
   <td style="text-align:right;"> 3750 </td>
   <td style="text-align:left;"> male </td>
   <td style="text-align:right;"> 2007 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Adelie </td>
   <td style="text-align:left;"> Torgersen </td>
   <td style="text-align:right;"> 39.5 </td>
   <td style="text-align:right;"> 17.4 </td>
   <td style="text-align:right;"> 186 </td>
   <td style="text-align:right;"> 3800 </td>
   <td style="text-align:left;"> female </td>
   <td style="text-align:right;"> 2007 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Adelie </td>
   <td style="text-align:left;"> Torgersen </td>
   <td style="text-align:right;"> 40.3 </td>
   <td style="text-align:right;"> 18.0 </td>
   <td style="text-align:right;"> 195 </td>
   <td style="text-align:right;"> 3250 </td>
   <td style="text-align:left;"> female </td>
   <td style="text-align:right;"> 2007 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Adelie </td>
   <td style="text-align:left;"> Torgersen </td>
   <td style="text-align:right;"> NA </td>
   <td style="text-align:right;"> NA </td>
   <td style="text-align:right;"> NA </td>
   <td style="text-align:right;"> NA </td>
   <td style="text-align:left;"> NA </td>
   <td style="text-align:right;"> 2007 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Adelie </td>
   <td style="text-align:left;"> Torgersen </td>
   <td style="text-align:right;"> 36.7 </td>
   <td style="text-align:right;"> 19.3 </td>
   <td style="text-align:right;"> 193 </td>
   <td style="text-align:right;"> 3450 </td>
   <td style="text-align:left;"> female </td>
   <td style="text-align:right;"> 2007 </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Adelie </td>
   <td style="text-align:left;"> Torgersen </td>
   <td style="text-align:right;"> 39.3 </td>
   <td style="text-align:right;"> 20.6 </td>
   <td style="text-align:right;"> 190 </td>
   <td style="text-align:right;"> 3650 </td>
   <td style="text-align:left;"> male </td>
   <td style="text-align:right;"> 2007 </td>
  </tr>
</tbody>
</table>

---
class: left, top, highlight-last-item
# Calculemos el promedio del peso por especie

Primero agrupamos los datos por especie

```r
grouped_penguins <- group_by(penguins, species)
```

---
class: left, top, highlight-last-item
# Calculemos el promedio del peso por especie

Y ahora calculamos el promedio

```r
summarise(grouped_penguins, mass = mean(body_mass_g))
```

```
FALSE # A tibble: 3 × 2
FALSE   species    mass
FALSE   <fct>     <dbl>
FALSE 1 Adelie      NA 
FALSE 2 Chinstrap 3733.
FALSE 3 Gentoo      NA
```

Automáticamente se da cuenta que los promedios deben ser por especie

Vamos a sacarnos de encima a los NAs

```r
summarise(grouped_penguins, mean_mass = mean(body_mass_g, na.rm = TRUE))
```

```
FALSE # A tibble: 3 × 2
FALSE   species   mean_mass
FALSE   <fct>         <dbl>
FALSE 1 Adelie        3701.
FALSE 2 Chinstrap     3733.
FALSE 3 Gentoo        5076.
```

---
class: left, top, highlight-last-item
# Calculemos el promedio del peso por especie

Pongamos en práctica el **%>%**

```r
penguins %>%
  group_by(species) %>%
  summarise(mean_mass = mean(body_mass_g, 
                             na.rm = TRUE))
```

```
FALSE # A tibble: 3 × 2
FALSE   species   mean_mass
FALSE   <fct>         <dbl>
FALSE 1 Adelie        3701.
FALSE 2 Chinstrap     3733.
FALSE 3 Gentoo        5076.
```

El operador **%>%** no sólo nos ayuda a tener menos líneas de código sino un código **más ordenado**

---
class: left, top, highlight-last-item
# Calculemos una nueva columna

![:scale 30%](https://allisonhorst.github.io/palmerpenguins/reference/figures/culmen_depth.png) La vamos a hacer con la suma del ancho y largo del pico.

El verbo de **dplyr** que vamos a usar ahora es **mutate()**

```r
penguins %>%
  group_by(species) %>%
  mutate(sum_bill = bill_length_mm + bill_depth_mm) %>%
  head()
```

```
FALSE # A tibble: 6 × 9
FALSE # Groups:   species [1]
FALSE   species island bill_length_mm bill_depth_mm flipper_length_… body_mass_g sex  
FALSE   <fct>   <fct>           <dbl>         <dbl>            <int>       <int> <fct>
FALSE 1 Adelie  Torge…           39.1          18.7              181        3750 male 
FALSE 2 Adelie  Torge…           39.5          17.4              186        3800 fema…
FALSE 3 Adelie  Torge…           40.3          18                195        3250 fema…
FALSE 4 Adelie  Torge…           NA            NA                 NA          NA <NA> 
FALSE 5 Adelie  Torge…           36.7          19.3              193        3450 fema…
FALSE 6 Adelie  Torge…           39.3          20.6              190        3650 male 
FALSE # … with 2 more variables: year <int>, sum_bill <dbl>
```

---
class: left, top, highlight-last-item
# Elijamos algunas columnas

Vamos a quedarnos con la  **especie**, la **isla** y la **nueva columna**.

El verbo para seleccionar columnas es... bueno... **select()**

```r
penguins %>%
  group_by(species) %>%
  mutate(sum_bill = bill_length_mm + bill_depth_mm) %>%
  select(c(species, island, sum_bill)) 
```

```
FALSE # A tibble: 344 × 3
FALSE # Groups:   species [3]
FALSE    species island    sum_bill
FALSE    <fct>   <fct>        <dbl>
FALSE  1 Adelie  Torgersen     57.8
FALSE  2 Adelie  Torgersen     56.9
FALSE  3 Adelie  Torgersen     58.3
FALSE  4 Adelie  Torgersen     NA  
FALSE  5 Adelie  Torgersen     56  
FALSE  6 Adelie  Torgersen     59.9
FALSE  7 Adelie  Torgersen     56.7
FALSE  8 Adelie  Torgersen     58.8
FALSE  9 Adelie  Torgersen     52.2
FALSE 10 Adelie  Torgersen     62.2
FALSE # … with 334 more rows
```

---
class: left, top, highlight-last-item
# Y ahora elijamos unos casos

Vamos a quedarnos con los especímentes en los que **sum_bill** es  **mayor a 58 mm **

En este caso el verbo de  **dplyr** que tenemos que usar es **filter()**

```r
penguins %>%
  group_by(species) %>%
  mutate(sum_bill = bill_length_mm + bill_depth_mm) %>%
  select(c(species, island, sum_bill)) %>%
  filter(sum_bill > 58)
```

```
FALSE # A tibble: 232 × 3
FALSE # Groups:   species [3]
FALSE    species island    sum_bill
FALSE    <fct>   <fct>        <dbl>
FALSE  1 Adelie  Torgersen     58.3
FALSE  2 Adelie  Torgersen     59.9
FALSE  3 Adelie  Torgersen     58.8
FALSE  4 Adelie  Torgersen     62.2
FALSE  5 Adelie  Torgersen     58.7
FALSE  6 Adelie  Torgersen     59.8
FALSE  7 Adelie  Torgersen     63.2
FALSE  8 Adelie  Torgersen     67.5
FALSE  9 Adelie  Biscoe        59.2
FALSE 10 Adelie  Biscoe        58.4
FALSE # … with 222 more rows
```

Pasamos de **334** filas a **222**

---
class: left, top, highlight-last-item
# Por último, ordenarlos

Vamos a ordenar los casos de menos a mayor **sum_bill**

El último verbo de  **dplyr** que nos queda es **arrange()**

```r
penguins %>%
  group_by(species) %>%
  mutate(sum_bill = bill_length_mm + bill_depth_mm) %>%
  select(c(species, island, sum_bill)) %>%
  filter(sum_bill > 58) %>%
  arrange(sum_bill)
```

```
FALSE # A tibble: 232 × 3
FALSE # Groups:   species [3]
FALSE    species island    sum_bill
FALSE    <fct>   <fct>        <dbl>
FALSE  1 Adelie  Torgersen     58.1
FALSE  2 Adelie  Biscoe        58.2
FALSE  3 Gentoo  Biscoe        58.2
FALSE  4 Adelie  Torgersen     58.3
FALSE  5 Adelie  Biscoe        58.4
FALSE  6 Adelie  Dream         58.4
FALSE  7 Adelie  Biscoe        58.6
FALSE  8 Adelie  Dream         58.6
FALSE  9 Adelie  Torgersen     58.7
FALSE 10 Gentoo  Biscoe        58.7
FALSE # … with 222 more rows
```

Vimos como concatenar verbos de **dplyr** para extraer información de un dataset.

---
class: left, top, highlight-last-item
# Ahora pensemos en una apliación

### ¿Y si queremos eliminar outliers de peso por isla y por especie?

Vamos a eliminar los casos en los que el peso sea mayor a **mediana + 1.5IQR** y menor a **mediana - 1.5IQR**, donde IQR es el intervalo intercuartil

Pensemos los pasos que tenemos que llevar adelante

* Calcular la mediana y el IQR por isla y especie
  * Agrupar por isla y por especia (**group_by()**)
  * Calcular la mediana e IQR por grupo (**summarise()**)
  
* Armar una columna con los límites para poder comparar (**mutate()**)

* Elegir sólo a los animales que están en ese intervalo (**filter()**)

---
class: left, top, highlight-last-item
# Outliers por especie y por isla ![:scale 10%](https://allisonhorst.github.io/palmerpenguins/reference/figures/culmen_depth.png)

### Calcular la mediana y el IQR por isla y especie

Tenemos que hacer un group_by por isla y especie

```r
penguins %>%
  group_by(species, island) %>%
  mutate(median_mass = median(body_mass_g, na.rm = TRUE),
         IQR_mass = IQR(body_mass_g, na.rm = TRUE))
```

```
FALSE # A tibble: 344 × 10
FALSE # Groups:   species, island [5]
FALSE    species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
FALSE    <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
FALSE  1 Adelie  Torgersen           39.1          18.7               181        3750
FALSE  2 Adelie  Torgersen           39.5          17.4               186        3800
FALSE  3 Adelie  Torgersen           40.3          18                 195        3250
FALSE  4 Adelie  Torgersen           NA            NA                  NA          NA
FALSE  5 Adelie  Torgersen           36.7          19.3               193        3450
FALSE  6 Adelie  Torgersen           39.3          20.6               190        3650
FALSE  7 Adelie  Torgersen           38.9          17.8               181        3625
FALSE  8 Adelie  Torgersen           39.2          19.6               195        4675
FALSE  9 Adelie  Torgersen           34.1          18.1               193        3475
FALSE 10 Adelie  Torgersen           42            20.2               190        4250
FALSE # … with 334 more rows, and 4 more variables: sex <fct>, year <int>,
FALSE #   median_mass <dbl>, IQR_mass <dbl>
```
---
class: left, top, highlight-last-item
# Outliers por especie y por isla ![:scale 10%](https://allisonhorst.github.io/palmerpenguins/reference/figures/culmen_depth.png)

### Armar una columna con los límites para poder comparar

Una columna **median_mass + 1.5*IQR_mass** y otra **median_mass - 1.5I*QR_mas**

```r
penguins %>%
  group_by(species, island) %>%
  mutate(median_mass = median(body_mass_g, na.rm = TRUE),
         IQR_mass = IQR(body_mass_g, na.rm = TRUE)) %>%
  mutate(lim_sup = median_mass + 1.5*IQR_mass,
         lim_inf = median_mass - 1.5*IQR_mass)
```

```
FALSE # A tibble: 344 × 12
FALSE # Groups:   species, island [5]
FALSE    species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
FALSE    <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
FALSE  1 Adelie  Torgersen           39.1          18.7               181        3750
FALSE  2 Adelie  Torgersen           39.5          17.4               186        3800
FALSE  3 Adelie  Torgersen           40.3          18                 195        3250
FALSE  4 Adelie  Torgersen           NA            NA                  NA          NA
FALSE  5 Adelie  Torgersen           36.7          19.3               193        3450
FALSE  6 Adelie  Torgersen           39.3          20.6               190        3650
FALSE  7 Adelie  Torgersen           38.9          17.8               181        3625
FALSE  8 Adelie  Torgersen           39.2          19.6               195        4675
FALSE  9 Adelie  Torgersen           34.1          18.1               193        3475
FALSE 10 Adelie  Torgersen           42            20.2               190        4250
FALSE # … with 334 more rows, and 6 more variables: sex <fct>, year <int>,
FALSE #   median_mass <dbl>, IQR_mass <dbl>, lim_sup <dbl>, lim_inf <dbl>
```

---
class: left, top, highlight-last-item
# Outliers por especie y por isla ![:scale 10%](https://allisonhorst.github.io/palmerpenguins/reference/figures/culmen_depth.png)

### Armar una columna con los límites para poder comparar

Las podemos armar de un sólo paso:

```r
penguins %>%
  group_by(species, island) %>%
  mutate(lim_sup = median(body_mass_g, na.rm = TRUE) + 1.5*IQR(body_mass_g, na.rm = TRUE),
         lim_inf = median(body_mass_g, na.rm = TRUE) - 1.5*IQR(body_mass_g, na.rm = TRUE))
```

---
class: left, top, highlight-last-item
# Outliers por especie y por isla ![:scale 10%](https://allisonhorst.github.io/palmerpenguins/reference/figures/culmen_depth.png)

### Elegir sólo a los animales que están en ese intervalo

Ahora tenemos que filtrar los casos menores a **lim_sup** y mayores a **lim_inf**

```
FALSE # A tibble: 326 × 10
FALSE # Groups:   species, island [5]
FALSE    species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
FALSE    <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
FALSE  1 Adelie  Torgersen           39.1          18.7               181        3750
FALSE  2 Adelie  Torgersen           39.5          17.4               186        3800
FALSE  3 Adelie  Torgersen           40.3          18                 195        3250
FALSE  4 Adelie  Torgersen           36.7          19.3               193        3450
FALSE  5 Adelie  Torgersen           39.3          20.6               190        3650
FALSE  6 Adelie  Torgersen           38.9          17.8               181        3625
FALSE  7 Adelie  Torgersen           39.2          19.6               195        4675
FALSE  8 Adelie  Torgersen           34.1          18.1               193        3475
FALSE  9 Adelie  Torgersen           42            20.2               190        4250
FALSE 10 Adelie  Torgersen           37.8          17.1               186        3300
FALSE # … with 316 more rows, and 4 more variables: sex <fct>, year <int>,
FALSE #   lim_sup <dbl>, lim_inf <dbl>
```

Pasamos de **344** a **326** casos

---
class: center, top
# Referencias

.left[.big[
- Wickham, H. (2014). Tidy data. Journal of statistical software, 59(1), 1-23.

- Wickham, H., & Grolemund, G. (2016). R for data science: import, tidy, transform, visualize, and model data. " O'Reilly Media, Inc.".
]]