Recorriendo el Tidyverse con las R-Ladies

class: title-slide, inverse, bottom
background-image: url(https://images.unsplash.com/photo-1487235829740-e0ac5a286e1c?ixlib=rb-1.2.1&ixid=eyJhcHBfaWQiOjEyMDd9&auto=format&fit=crop&w=1496&q=80)
background-size: cover

# Recorriendo el Tidyverse con las R-Ladies

## R-Ladies Madrid

### María Paula Caldas

### 2020-10-19

.right[
Foto de [Octavian Rosca](https://unsplash.com/photos/UfCYo7zHyY8)
]

---
class: about-me, right, bottom

## María Paula Caldas

[<i class="fas  fa-link "></i> mpaulacaldas.com](https://mpaulacaldas.com)<br/>
[<i class="fab  fa-twitter "></i> mapaulacaldas](https://twitter.com/mapaulacaldas)<br/>
[<i class="fab  fa-github "></i> mpaulacaldas](https://github.com/mpaulacaldas)<br/>

---
class: left, middle

# Antes de comenzar

### Slides: <https://mpaulacaldas.github.io/rrrtidyverse>
### Código: <https://github.com/mpaulacaldas/rrrtidyverse>

# Paquetes

```r
# install.packages("tidyverse")
library(tidyverse)
library(lubridate)
```

---

## Herramientas que usaremos hoy

📦 Los paquetes del **[tidyverse](https://www.tidyverse.org/)**, desarrollados por [RStudio](https://rstudio.com/).

🧮 Los **[datos sobre eventos de R-Ladies](https://github.com/cienciadedatos/datos-de-miercoles/tree/master/datos/2019/2019-06-26)** compartidos en [#DatosDeMiercoles](https://twitter.com/search?q=%23DatosDeMiercoles)

📖 **[R para la Ciencia de Datos](https://es.r4ds.hadley.nz/)**, la versión en español de [R for Data Science](https://r4ds.had.co.nz/) de Garrett Grolemund y Hadley Wickham, traducido por la comunidad de hispanoablante de R y coordinado por [Riva Quiroga](https://twitter.com/rivaquiroga?lang=en).

## Inspiración para esta presentación

🐧 Las diapositivas y su contenido se inspiran de la presentación **[An Artic Tour of the Tidyverse](https://spcanelon.github.io/tour-of-the-tidyverse/)** de [Silvia Canelón](https://twitter.com/spcanelon) para las R-Ladies Chicago.

📦 Usando los paquetes **[xaringan](https://github.com/yihui/xaringan)**, de [Yihui Xie](https://yihui.org/en/about/),  **[xaringanExtra](https://github.com/gadenbuie/xaringanExtra)** de [Garrick Aden-Buie](https://twitter.com/grrrck), y el **[R-Ladies `xaringan` theme](https://alison.rbind.io/post/2017-12-18-r-ladies-presentation-ninja/)** diseñado por [Alison Presmanes Hill](https://twitter.com/apreshill).

---
class: inverse, bottom, left

# Parte 1
## Importar, manipular, y encadenar

---
background-image: url(https://github.com/cienciadedatos.png)
background-position: 1050px 20px
background-size: 110px

# Datos sobre capítulos de las RLadies

Estos datos fueron publicados para uno de los  [#DatosDeMiercoles](https://github.com/cienciadedatos/datos-de-miercoles/tree/master/datos/2019/2019-06-26) de junio de 2019.

Para esta parte del taller, utilizaremos un tablero con la información de creación de los diferentes capítulos de las R-Ladies alrededor del mundo.

#### `capitulos`

```
#>  # A tibble: 160 x 7
#>     capitulo       creacion            miembros latitud longitud ciudad       pais 
#>     <chr>          <dttm>                 <dbl>   <dbl>    <dbl> <chr>        <chr>
#>   1 R-Ladies Barc… 2016-10-22 10:56:36      389   41.4      2.17 Barcelona    ES   
#>   2 R-Ladies Ushu… 2018-05-09 16:39:48       23  -54.8    -68.3  Ushuaia      AR   
#>   3 R-Ladies Bilb… 2019-02-27 05:37:09       38   43.2     -2.93 Bilbao       ES   
#>   4 R-Ladies Bari… 2018-05-10 02:22:15      114  -41.1    -71.3  San Carlos … AR   
#>   5 R-Ladies Melb… 2016-09-02 00:31:57     1213  -37.8    145.   Melbourne    AU   
#>   6 R-Ladies Novi… 2019-05-24 15:14:08       46   45.2     19.8  Novi Sad     RS   
#>   7 R-Ladies Port… 2017-10-30 02:47:19      261  -30.0    -51.2  Porto Alegre BR   
#>   8 R-Ladies High… 2019-05-09 17:48:51       30   40.5    -74.4  Highland Pa… US   
#>   9 R-Ladies Canb… 2018-12-10 04:26:52      108  -35.3    149.   Canberra     AU   
#>  10 R-Ladies Guay… 2018-04-05 22:48:47      292   -2.21   -79.9  Guayaquil    EC   
#>  # … with 150 more rows
```

---
background-image: url(https://raw.githubusercontent.com/tidyverse/readr/master/man/figures/logo.png)
background-position: 1050px 20px
background-size: 100px

# Importar y exportar datos con `readr`

.panelset[

.panel[.panel-name[Descripción]

### `readr` sirve para importar y escribir tableros rectangulares guardados en archivos de texto plano

.pull-left[

La representación del tablero en el archivo de texto:

```
ciudad,pais,miembros
Barcelona,ES,389
Bilbao,ES,38
Valencia,ES,33
Madrid,ES,1222
```

]
.pull-right[

La representación del tablero en la consola de R:

```
# A tibble: 4 x 3
  ciudad    pais  miembros
  <chr>     <chr>    <dbl>
1 Barcelona ES         389
2 Bilbao    ES          38
3 Valencia  ES          33
4 Madrid    ES        1222
```

]

.panel[.panel-name[Funciones]

### Leémos con `read_*()` y escribimos con `write_*()`

Las funciones más comunes de `readr` son:

| Para leer en R | Para escribir a un archivo | Delimitador |
|----------------|----------------------------|:-----------:|
| `read_csv()`   | `write_csv()` | `,` |
| `read_csv2()`   | `write_csv2()` | `;` |
| `read_tsv()`   | `write_tsv()` | `\t` |
| `read_delim()` | `write_delim()` | Cualquiera |

- Existen también `read_fwf()`, para archivos de ancho fijo, `read_log()` para archivos de registro.
- Y `read_rds()` para archivos de formato `.rds`, un formato nativo de R.

]

.panel[.panel-name[Ejemplos]

Para leer un archivo local:

```r
capitulos <- read_csv("capitulos_rladies.csv")
```

Para leer un archivo de la web:

```r
capitulos <- read_csv("https://raw.githubusercontent.com/cienciadedatos/datos-de-miercoles/master/datos/2019/2019-06-26/capitulos_rladies.csv")
```

Guardar un archivo:

```r
write_tsv(capitulos, "capitulos_rladies.tsv")
```

]

.panel[.panel-name[Discusión]

### Ensayemos el código anterior en RStudio

- ¿Qué se imprime en la consola cuando usamos `read_csv()`? 
- ¿Cuántas columnas tiene el `capitulos`? ¿Cuántas líneas?
- ¿Cuál es el delimitador de `capitulos_rladies.tsv`?

]

---
background-image: url(https://raw.githubusercontent.com/tidyverse/dplyr/master/man/figures/logo.png)
background-position: 1050px 20px
background-size: 100px

# Manipular datos con `dplyr`

.panelset[

.panel[.panel-name[Descripción]

### `dplyr` nos da una serie de herramientas para *manipular* datos

Las principales funciones, o *verbos* de `dplyr`, son:

- `select()`, para seleccionar columnas
- `filter()`, para filtrar filas
- `mutate()`, para crear o modificar columnas
- `summarise()`, para resumir información de las columnas

Las tres últimas funciones se pueden usar con `group_by()`, para aplicar operaciones por grupos.

### ¡Dirijámonos a RStudio para explorarlas!

]

.panel[.panel-name[`select()`]

### `select()` para seleccionar columnas

Podemos seleccionar las columnas por sus nombres:

```r
select(capitulos, ciudad, pais)
```

Excluir las que no nos interesan:

```r
select(capitulos, -creacion)
```

O usar las funciones auxiliares documentadas en `?tidyselect::language`

```r
select(capitulos, latitud:pais)
select(capitulos, starts_with("c"))
select(capitulos, ends_with("tud"))
```

]

.panel[.panel-name[`filter()`]

### `filter()` para filtrar filas según *condiciones*

Por ejemplo, guardando solo los capítulos de España:

```r
filter(capitulos, pais == "ES")
```

Los capítulos con más de 1000 miembros:

```r
filter(capitulos, miembros > 1000)
```

Los capítulos de más de 1000 miembros que se encuentran en España:

```r
filter(capitulos, miembros > 1000 & pais == "ES")
filter(capitulos, miembros > 1000, pais == "ES") # ¡ojo con la coma!
```

]

.panel[.panel-name[`mutate()`]

### `mutate()` para crear o modificar columnas

Podemos crear una columna a partir de los valores de otra:

```r
mutate(capitulos, miembros_por_cien = miembros * 100)
```

Crear una columna con un solo valor:

```r
mutate(capitulos, miembros_total = sum(miembros))
```

O remplazar los valores de una columna existente:

```r
mutate(capitulos, miembros = miembros * 100 / sum(miembros))
```

]

.panel[.panel-name[`summarise()`]

### `summarise()` para resumir información de las columnas

.pull-left[
En la mayoría de los casos, `summarise()` se usa para colapsar la información de un tablero en una sola fila:

```r
summarise(
  capitulos, 
  total_miembros = sum(miembros)
  )
#>  # A tibble: 1 x 1
#>    total_miembros
#>             <dbl>
#>  1          49037
```
]

.pull-right[

... aunque también permite resumenes de más de una fila

```r
summarise(
  capitulos, 
  rango_miembros = range(miembros)
  )
#>  # A tibble: 2 x 1
#>    rango_miembros
#>             <dbl>
#>  1              8
#>  2           2069
```
]

]

.panel[.panel-name[`group_by()`]
### `group_by()` para aplicar operaciones por grupos

Por ejemplo, agrupando por país:

```r
capitulos_agrupado <- group_by(capitulos, pais)
```

`filter()` guarda la fila con mayor número de miembros por país:

```r
filter(capitulos_agrupado, miembros == max(miembros))
```

`mutate()` y `summarise()` devueven el total de miembros por país:

```r
mutate(capitulos_agrupado, total_miembros = sum(miembros))
summarise(capitulos_agrupado, total_miembros = sum(miembros))
```

🙋 ¿Cuál es la diferencia entre el resultado de `mutate()` y `summarise()`?

]

---
background-image: url(https://raw.githubusercontent.com/tidyverse/magrittr/master/man/figures/logo.png)
background-position: 1050px 20px
background-size: 100px

# Encadenar operaciones con `%>%`

.center[El operador `%>%` se llama *pipe*. Se pronuncia *paip*.]

.pull-left[

### El *pipe* permite encadenar operaciones y facilita la lectura

Una operación de tipo:

```r
g(f(x, y), z)
```

Se puede reescribir como:

```r
x %>% f(y) %>% g(z)
```
]

.pull-right[

### Los verbos de `dplyr` se pueden encadenar fácilmente porque siempre reciben y retornan un tablero

```r
capitulos %>%
  filter(pais %in% c("ES", "FR")) %>% 
  group_by(pais) %>%
  summarise(miembros = sum(miembros))
#>  `summarise()` ungrouping output (override with `.groups` argument)
#>  # A tibble: 2 x 2
#>    pais  miembros
#>    <chr>    <dbl>
#>  1 ES        1682
#>  2 FR         724
```

]

---
class: inverse, bottom, left

# Parte 2
## Cadenas de caracteres y fechas

---
background-image: url(https://raw.githubusercontent.com/tidyverse/stringr/master/man/figures/logo.png)
background-position: 1050px 20px
background-size: 100px

# Cadenas de caracteres con `stringr`

.panelset[

.panel[.panel-name[Descripción]

### `stringr` nos permite trabajar con cadenas de caracteres, o *strings*, usando expresiones regulares, o *regex*

Las expresiones regulares permiten describir patrones que se encuentran en cadenas de caracteres.

.pull-left[

```r
str_view_all(
  string = c("Git", "GitHub", "R"), 
* pattern = "G"
  )
```

<div id="htmlwidget-86b21db3b0f61396841a" style="width:960px;height:100%;" class="str_view html-widget"></div>
<script type="application/json" data-for="htmlwidget-86b21db3b0f61396841a">{"x":{"html":"<ul>\n  <li><span class='match'>G<\/span>it<\/li>\n  <li><span class='match'>G<\/span>itHub<\/li>\n  <li>R<\/li>\n<\/ul>"},"evals":[],"jsHooks":[]}</script>
]

.pull-right[

```r
str_view_all(
  string = c("Git", "GitHub", "R"), 
* pattern = "G.t"
  )
```

<div id="htmlwidget-2ffa5420d9e83b02c903" style="width:960px;height:100%;" class="str_view html-widget"></div>
<script type="application/json" data-for="htmlwidget-2ffa5420d9e83b02c903">{"x":{"html":"<ul>\n  <li><span class='match'>Git<\/span><\/li>\n  <li><span class='match'>Git<\/span>Hub<\/li>\n  <li>R<\/li>\n<\/ul>"},"evals":[],"jsHooks":[]}</script>
]

]

.panel[.panel-name[Ejemplos]

.pull-left[

### `dplyr::filter()`

```r
capitulos %>%
  filter(
    str_starts(
      ciudad,   # string
      "M[a|e]", # patrón
      )
    ) %>%
  select(capitulo)
#>  # A tibble: 6 x 1
#>    capitulo           
#>    <chr>              
#>  1 R-Ladies Melbourne 
#>  2 R-Ladies Madrid    
#>  3 R-Ladies Memphis   
#>  4 R-Ladies Mendoza   
#>  5 R-Ladies Manchester
#>  6 R-Ladies Madison
```

]

.pull-left[

### `dplyr::mutate()`

```r
capitulos %>% 
  mutate(
    capitulo = str_remove(
      capitulo,   # string
      "R-Ladies " # patrón
    )
  ) %>% 
  select(capitulo)
#>  # A tibble: 160 x 1
#>     capitulo     
#>     <chr>        
#>   1 Barcelona    
#>   2 Ushuaia      
#>   3 Bilbao       
#>   4 Bariloche    
#>   5 Melbourne    
#>   6 Novi Sad     
#>   7 Porto Alegre 
#>   8 Highland Park
#>   9 Canberra     
#>  10 Guayaquil    
#>  # … with 150 more rows
```

]

.panel[.panel-name[Ejercicio]

¿Cuál es el único capítulo de las R-Ladies que *no* comienza por `"R-Ladies"`?

```r
capitulos %>%
  filter(str_...(capitulo, ..., ...)) %>%
  select(capitulo)
```

]

---
background-image: url(https://raw.githubusercontent.com/tidyverse/lubridate/master/man/figures/logo.png)
background-position: 1050px 20px
background-size: 100px

# Fechas con `lubridate`

.panelset[

.panel[.panel-name[Descripción]

### `lubridate` facilita el trabajo con fechas y horas

- Permite **crear** fechas y horas a partir de cadenas de caracteres o componentes individuales.
    
    ```r
    ymd_hms("2010-12-13 15:30:30")
    #>  [1] "2010-12-13 15:30:30 UTC"
    ```
- Permite **extraer** componentes de fechas y horas.
    
    ```r
     ymd_hms("2010-12-13 15:30:30") %>% month()
    #>  [1] 12
    ```

- Facilita el trabajo con **lapsos de tiempo** y **zonas horarias**.

]

.panel[.panel-name[Ejemplos]

```r
capitulos %>% 
  select(capitulo, creacion) %>% 
  mutate(
    hora = hour(creacion),
    minuto = minute(creacion),
    segundo = second(creacion)
  )
#>  # A tibble: 160 x 5
#>     capitulo               creacion             hora minuto segundo
#>     <chr>                  <dttm>              <int>  <int>   <dbl>
#>   1 R-Ladies Barcelona     2016-10-22 10:56:36    10     56      36
#>   2 R-Ladies Ushuaia       2018-05-09 16:39:48    16     39      48
#>   3 R-Ladies Bilbao        2019-02-27 05:37:09     5     37       9
#>   4 R-Ladies Bariloche     2018-05-10 02:22:15     2     22      15
#>   5 R-Ladies Melbourne     2016-09-02 00:31:57     0     31      57
#>   6 R-Ladies Novi Sad      2019-05-24 15:14:08    15     14       8
#>   7 R-Ladies Porto Alegre  2017-10-30 02:47:19     2     47      19
#>   8 R-Ladies Highland Park 2019-05-09 17:48:51    17     48      51
#>   9 R-Ladies Canberra      2018-12-10 04:26:52     4     26      52
#>  10 R-Ladies Guayaquil     2018-04-05 22:48:47    22     48      47
#>  # … with 150 more rows
```

]

.panel[.panel-name[Ejercicio]

¿En qué año se creó el mayor número de capítulos de R-Ladies? ¿Tenemos información para los 12 meses de cada año?

```r
capitulos %>% 
  mutate(
    anio = ...(creacion),
    mes = ...(creacion)
    ) %>% 
  ...(anio) %>% 
  summarise(
    n_capitulos = n(),
    n_meses = n_distinct(mes)
    )
```

]

---
class: inverse, bottom, left

# Parte 3
## Datos relacionales y datos ordenados

---
background-image: url(https://raw.githubusercontent.com/tidyverse/tidyr/master/man/figures/logo.png)
background-position: 1050px 20px
background-size: 100px

# Ordenar datos con `tidyr`

.panelset[
.panel[.panel-name[Descripción]

Existen tres reglas interrelacionadas que hacen que un conjunto de datos sea ordenado:

1. Cada variable debe tener su propia columna.
1. Cada observación debe tener su propia fila.
1. Cada valor debe tener su propia celda.

![](https://es.r4ds.hadley.nz/diagrams_w_text_as_path/es/tidy-1.svg)

.right[Fuente: [R para Ciencia de Datos](https://es.r4ds.hadley.nz/datos-ordenados.html)]

]

.panel[.panel-name[`Ejemplo`]

`capitulos` es un conjunto de datos limpio:

- Cada variable tiene su propia columna.
- Cada capítulo tiene su propia fila.
- Cada valor tiene su propia celda.

```r
capitulos
#>  # A tibble: 160 x 7
#>     capitulo       creacion            miembros latitud longitud ciudad       pais 
#>     <chr>          <dttm>                 <dbl>   <dbl>    <dbl> <chr>        <chr>
#>   1 R-Ladies Barc… 2016-10-22 10:56:36      389   41.4      2.17 Barcelona    ES   
#>   2 R-Ladies Ushu… 2018-05-09 16:39:48       23  -54.8    -68.3  Ushuaia      AR   
#>   3 R-Ladies Bilb… 2019-02-27 05:37:09       38   43.2     -2.93 Bilbao       ES   
#>   4 R-Ladies Bari… 2018-05-10 02:22:15      114  -41.1    -71.3  San Carlos … AR   
#>   5 R-Ladies Melb… 2016-09-02 00:31:57     1213  -37.8    145.   Melbourne    AU   
#>   6 R-Ladies Novi… 2019-05-24 15:14:08       46   45.2     19.8  Novi Sad     RS   
#>   7 R-Ladies Port… 2017-10-30 02:47:19      261  -30.0    -51.2  Porto Alegre BR   
#>   8 R-Ladies High… 2019-05-09 17:48:51       30   40.5    -74.4  Highland Pa… US   
#>   9 R-Ladies Canb… 2018-12-10 04:26:52      108  -35.3    149.   Canberra     AU   
#>  10 R-Ladies Guay… 2018-04-05 22:48:47      292   -2.21   -79.9  Guayaquil    EC   
#>  # … with 150 more rows
```

]

.panel[.panel-name[`pivot_longer()`]

"Ensuciemos" nuestros datos:

```r
capitulos_coord_largo <- capitulos %>%
  pivot_longer(
    c(latitud, longitud),
    names_to = "nombre_coord",
    values_to = "valor_coord"
    )
capitulos_coord_largo
#>  # A tibble: 320 x 7
#>     capitulo   creacion            miembros ciudad   pais  nombre_coord valor_coord
#>     <chr>      <dttm>                 <dbl> <chr>    <chr> <chr>              <dbl>
#>   1 R-Ladies … 2016-10-22 10:56:36      389 Barcelo… ES    latitud            41.4 
#>   2 R-Ladies … 2016-10-22 10:56:36      389 Barcelo… ES    longitud            2.17
#>   3 R-Ladies … 2018-05-09 16:39:48       23 Ushuaia  AR    latitud           -54.8 
#>   4 R-Ladies … 2018-05-09 16:39:48       23 Ushuaia  AR    longitud          -68.3 
#>   5 R-Ladies … 2019-02-27 05:37:09       38 Bilbao   ES    latitud            43.2 
#>   6 R-Ladies … 2019-02-27 05:37:09       38 Bilbao   ES    longitud           -2.93
#>   7 R-Ladies … 2018-05-10 02:22:15      114 San Car… AR    latitud           -41.1 
#>   8 R-Ladies … 2018-05-10 02:22:15      114 San Car… AR    longitud          -71.3 
#>   9 R-Ladies … 2016-09-02 00:31:57     1213 Melbour… AU    latitud           -37.8 
#>  10 R-Ladies … 2016-09-02 00:31:57     1213 Melbour… AU    longitud          145.  
#>  # … with 310 more rows
```

]

.panel[.panel-name[`pivot_wider()`]

Volvamos al estado inicial:

```r
capitulos_coord_largo %>%
  pivot_wider(
    names_from = nombre_coord, 
    values_from = valor_coord
    )
#>  # A tibble: 160 x 7
#>     capitulo       creacion            miembros ciudad       pais  latitud longitud
#>     <chr>          <dttm>                 <dbl> <chr>        <chr>   <dbl>    <dbl>
#>   1 R-Ladies Barc… 2016-10-22 10:56:36      389 Barcelona    ES      41.4      2.17
#>   2 R-Ladies Ushu… 2018-05-09 16:39:48       23 Ushuaia      AR     -54.8    -68.3 
#>   3 R-Ladies Bilb… 2019-02-27 05:37:09       38 Bilbao       ES      43.2     -2.93
#>   4 R-Ladies Bari… 2018-05-10 02:22:15      114 San Carlos … AR     -41.1    -71.3 
#>   5 R-Ladies Melb… 2016-09-02 00:31:57     1213 Melbourne    AU     -37.8    145.  
#>   6 R-Ladies Novi… 2019-05-24 15:14:08       46 Novi Sad     RS      45.2     19.8 
#>   7 R-Ladies Port… 2017-10-30 02:47:19      261 Porto Alegre BR     -30.0    -51.2 
#>   8 R-Ladies High… 2019-05-09 17:48:51       30 Highland Pa… US      40.5    -74.4 
#>   9 R-Ladies Canb… 2018-12-10 04:26:52      108 Canberra     AU     -35.3    149.  
#>  10 R-Ladies Guay… 2018-04-05 22:48:47      292 Guayaquil    EC      -2.21   -79.9 
#>  # … with 150 more rows
```

]

---
background-image: url(https://github.com/cienciadedatos.png)
background-position: 1050px 20px
background-size: 100px

# Datos sobre eventos de las RLadies

Ahora comenzaremos a trabajar con un tablero adicional con información de los eventos organizados por los diferentes capítulos de las R-Ladies.

```r
eventos <- read_csv("https://raw.githubusercontent.com/cienciadedatos/datos-de-miercoles/master/datos/2019/2019-06-26/eventos_rladies.csv")
```

.pull-left[
#### `eventos`

```r
glimpse(eventos)
#>  Rows: 1,534
#>  Columns: 6
#>  $ capitulo           <chr> "R-Ladies Barcelona", "R-Ladies Barcelona", "R-Ladie…
#>  $ titulo_evento      <chr> "¡Primer evento de R-Ladies Barcelona!", "Scalable M…
#>  $ fecha_local        <date> 2016-11-21, 2016-12-05, 2017-01-16, 2017-02-20, 201…
#>  $ hora_local         <time> 19:00:00, 19:00:00, 19:00:00, 19:00:00, 19:00:00, 1…
#>  $ respuesta_asistire <dbl> 18, 58, 33, 38, 16, 31, 18, 1, 33, 36, 28, 30, 8, 24…
#>  $ descripcion_evento <chr> "<p>Estamos preparando el primer encuentro de #RLadi…
```
]

.pull-right[
#### `capitulos`

```r
glimpse(capitulos)
#>  Rows: 160
#>  Columns: 7
#>  $ capitulo <chr> "R-Ladies Barcelona", "R-Ladies Ushuaia", "R-Ladies Bilbao", "…
#>  $ creacion <dttm> 2016-10-22 10:56:36, 2018-05-09 16:39:48, 2019-02-27 05:37:09…
#>  $ miembros <dbl> 389, 23, 38, 114, 1213, 46, 261, 30, 108, 292, 149, 658, 118, …
#>  $ latitud  <dbl> 41.40, -54.79, 43.25, -41.14, -37.81, 45.25, -30.04, 40.50, -3…
#>  $ longitud <dbl> 2.17, -68.31, -2.93, -71.32, 144.96, 19.85, -51.22, -74.43, 14…
#>  $ ciudad   <chr> "Barcelona", "Ushuaia", "Bilbao", "San Carlos de Bariloche", "…
#>  $ pais     <chr> "ES", "AR", "ES", "AR", "AU", "RS", "BR", "US", "AU", "EC", "I…
```

]

Ambos tableros comparten la columna `capitulo`.

---
background-image: url(https://raw.githubusercontent.com/tidyverse/dplyr/master/man/figures/logo.png)
background-position: 1050px 20px
background-size: 100px

# Datos relacionales con `dplyr`

.panelset[

.panel[.panel-name[Descripción]

### Los verbos **join** de `dplyr` permiten unir tableros relacionadas

**Uniones de transformación**, que agregan nuevas variables a un tablero con respecto a las observaciones de otro tablero.

- `left_join()`
- `right_join()`
- `full_join()`
- `inner_join()`

**Uniones de filtro**, que filtran observaciones con respecto a la presencia o a la ausencia de observaciones en otro tablero.

- `semi_join()`
- `anti_join()`

]

.panel[.panel-name[`left_join()`]

```r
dim(eventos)
#>  [1] 1534    6

left_join(eventos, capitulos, by = "capitulo")
#>  # A tibble: 1,534 x 12
#>     capitulo titulo_evento fecha_local hora_local respuesta_asist… descripcion_eve…
#>     <chr>    <chr>         <date>      <time>                <dbl> <chr>           
#>   1 R-Ladie… ¡Primer even… 2016-11-21  19:00                    18 "<p>Estamos pre…
#>   2 R-Ladie… Scalable Mac… 2016-12-05  19:00                    58 "<p>&lt;a&gt;L'…
#>   3 R-Ladie… RMarkdown tu… 2017-01-16  19:00                    33 "<p>(Scroll dow…
#>   4 R-Ladie… Google Analy… 2017-02-20  19:00                    38 "<p>(Scroll dow…
#>   5 R-Ladie… Data wrangli… 2017-03-20  19:00                    16 "<p>(Scroll dow…
#>   6 R-Ladie… Introducció … 2017-04-24  19:00                    31 "<p>Tindrem un …
#>   7 R-Ladie… Descifrando … 2017-06-12  19:00                    18 "<p>Es realitza…
#>   8 R-Ladie… WomenInTech … 2017-08-25  18:30                     1 "<p>[!!!] NO OS…
#>   9 R-Ladie… Plots with g… 2017-09-27  19:00                    33 "<p>Per fi torn…
#>  10 R-Ladie… Take your R … 2017-11-06  19:00                    36 "<p>T'agradaria…
#>  # … with 1,524 more rows, and 6 more variables: creacion <dttm>, miembros <dbl>,
#>  #   latitud <dbl>, longitud <dbl>, ciudad <chr>, pais <chr>
```

]

.panel[.panel-name[`semi_join()`]

```r
capitulos_mpc <- filter(capitulos, pais %in% c("ES", "FR", "CO"))
pull(capitulos_mpc, ciudad)
#>  [1] "Barcelona"   "Bilbao"      "Valencia"    "Madrid"      "Lyon"       
#>  [6] "Montpellier" "Paris"       "Strasbourg"  "Bogotá"

semi_join(eventos, capitulos_mpc, by = "capitulo")
#>  # A tibble: 78 x 6
#>     capitulo titulo_evento fecha_local hora_local respuesta_asist… descripcion_eve…
#>     <chr>    <chr>         <date>      <time>                <dbl> <chr>           
#>   1 R-Ladie… ¡Primer even… 2016-11-21  19:00                    18 "<p>Estamos pre…
#>   2 R-Ladie… Scalable Mac… 2016-12-05  19:00                    58 "<p>&lt;a&gt;L'…
#>   3 R-Ladie… RMarkdown tu… 2017-01-16  19:00                    33 "<p>(Scroll dow…
#>   4 R-Ladie… Google Analy… 2017-02-20  19:00                    38 "<p>(Scroll dow…
#>   5 R-Ladie… Data wrangli… 2017-03-20  19:00                    16 "<p>(Scroll dow…
#>   6 R-Ladie… Introducció … 2017-04-24  19:00                    31 "<p>Tindrem un …
#>   7 R-Ladie… Descifrando … 2017-06-12  19:00                    18 "<p>Es realitza…
#>   8 R-Ladie… WomenInTech … 2017-08-25  18:30                     1 "<p>[!!!] NO OS…
#>   9 R-Ladie… Plots with g… 2017-09-27  19:00                    33 "<p>Per fi torn…
#>  10 R-Ladie… Take your R … 2017-11-06  19:00                    36 "<p>T'agradaria…
#>  # … with 68 more rows
```

]

---
class: inverse, middle, center
background-image: url(https://images.unsplash.com/photo-1487235829740-e0ac5a286e1c?ixlib=rb-1.2.1&ixid=eyJhcHBfaWQiOjEyMDd9&auto=format&fit=crop&w=1496&q=80)
background-size: cover

# ¿Preguntas?