-
Notifications
You must be signed in to change notification settings - Fork 0
/
r-python-ine.qmd
448 lines (306 loc) · 13.4 KB
/
r-python-ine.qmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
---
title: "3R4EDI: R para la Empresa, Docencia e Investigación "
subtitle: "R-Quixote. Almagro, 19 y 20 de Octubre de 2023"
author: "Julián Gómez y Gema Fernández-Avilés"
date: "`r Sys.Date()`"
bibliography: biblio.bib
format:
revealjs:
theme: theme-dds.scss
scrollable: true
toc-title: Index
toc: false
slide-number: c/t
fig-align: center
show-slide-number: all
transition: fade
background-transition: fade
height: 900
width: 1600
fontcolor: "#262d36"
highlight-style: ayu-mirage
multiplex: true
embed-resources: true
code-overflow: scroll
pdf:
toc: true
number-sections: true
colorlinks: true
out-width: "50%"
code-link: true
execute:
code-overflow: scroll
echo: true
freeze: auto
eval: true
fig-height: 6
warning: false
code-fold: true
comment: "#>"
code-line-numbers: true
code-copy: true
---
# {#title-slide data-menu-title="R, docencia y ciencia de datos"}
[Viaje al centro del dato]{.custom-title-1} [R + Python]{.custom-title-2} [Julián Gómez y Gema Fernández-Avilés]{.custom-author}
```{r}
#| echo: false
library(scales)
library(knitr)
library(kableExtra)
options(dplyr.print_min = 6, dplyr.print_max = 6)
ggplot2::theme_set(ggplot2::theme_gray(base_size = 18))
```
# ¿R o Python? {background-color="#017eae"}
## No es cuestión de R o Pythón...
::: columns
::: {.column width="50%"}
![Julián Gómez](img/julian.png){width="35%"}
- CTO y co-fundador de Analyticae SL.
- Vive en Toledo y trabaja en Madrid.
- Python.
:::
::: {.column width="50%"}
![Gema Fernández-Avilés](img/gema.jpg){width="30%"}
- Catedrática de Estadística (UCLM).
- Vive en Madrid y trabaja en Toledo.
- **R.**
:::
:::
## Versiones...
![Imagen tomada de: https://datasciencebox.org](img/04-lego-steps.png)
## Versiones... con mensajes legibles para los humanos
![Imagen tomada de: https://datasciencebox.org](img/04-lego-steps-commit-messages.png)
## ¿Por qué necesitamos un control de versiones?
![Imagen tomada de: https://datasciencebox.org](img/04-phd_comics_vc.png)
# Decisiones previas `r emo::ji("question")` {background-color="#017eae"}
Rstudio y GitHub: control de versiones
::: columns
::: {.column width="50%"}
![Imagen tomada de: https://posit.co/products/cloud/](img/posit_cloud.png){width="40%"}
:::
::: {.column width="50%"}
![Imagen tomada de: https://posit.co/products/cloud/](img/04-github-logo.png){width="30%"}
:::
:::
## 1. RStudio cloud
#### *Bring along your favorite data science tools to the cloud, including RStudio, R, and Python.*
![RStudio cloud](img/posit_gema.png){width="30%"}
## 2. GitHub
- Git es un sistema de control de versiones, como las funciones de "Control de cambios" de Microsoft Word.
- Es el más popular.
- GitHub el "alojamiento" de los proyectos Git de internet -- como DropBox mucho mejor.
![RStudio cloud](img/github_gema.png){width="30%"}
## 3. ¿Cómo trabajar con Git y GitHub en Rstudio?
![Imagen tomada de: https://datasciencebox.org](img/04-whole-game-01.png)
## 3. ¿Cómo trabajar con Git y GitHub en Rstudio?
![Imagen tomada de: https://datasciencebox.org](img/04-whole-game-02.png)
## 3. ¿Cómo trabajar con Git y GitHub en Rstudio?
![Imagen tomada de: https://datasciencebox.org](img/04-whole-game-03.png)
## 3. ¿Cómo trabajar con Git y GitHub en Rstudio?
![Imagen tomada de: https://datasciencebox.org](img/04-whole-game-04.png)
## 4. Veamos un caso real y sencillo {background-color="#017eae"}
![Imagen tomada de: https://ine.es](img/censo.png)
## Metodología CRIPS-DM para ciencia de datos: 6 pasos básicos
![Imagen tomada de: https://ruthsitorus.medium.com/mempelajari-modeling-cross-industry-standard-process-for-data-mining-atau-crisp-dm-166735c14159](img/crisp-dm.png)
## Etapa 1: Entendimiento del negocio
+ El censo es la operación estadística de mayor tradición que existe.
+ En España, durante los reinos de taifas (entre los siglos XI y XIII) ya se utilizaban para establecer los tributos que debían pagar cristianos, musulmanes y judíos.
+ A partir del censo de población se obtiene información sobre la cifra de población de un país, su estructura, crecimiento y características económicas, sociales y demográficas con un elevado nivel de detalle.
## Etapa 2: Entendimiento de los datos
Webscraping y estructura de los datos
::: panel-tabset
### R
```{r}
library(httr)
# Url base del servio API del Censo
url <- "https://www.ine.es/Censo2021/api"
# Consulta a la base de datos.
# Resultados por provincia. Población por sexo, nacionalidad (española/extranjera) y edad (grandes grupos)
consulta <- '{"idioma":"ES", "metrica":["SPERSONAS"], "tabla":"per.ppal", "variables": ["ID_RESIDENCIA_N1", "ID_NACIONALIDAD_N1", "ID_SEXO", "ID_GRAN_GRUPO_EDAD"]}'
# Llamada a la API utilizando el método POST
response <- VERB("POST", url,
body = consulta,
content_type("application/json"),
accept("application/json"),
encode = "json")
# Obtenemos el contenido de la respuesta, que contiene tanto los datos como los metadatos
contenido <- content(response, "text")
# La cadena de texto internamente es un json
contenido <- jsonlite::fromJSON(contenido)
# Data frame con los datos
datos <- contenido$data
```
### Python
```{python}
#| eval: true
import requests
import json
import pandas as pd
import numpy as np
# Url base del servio API del Censo
url = 'https://www.ine.es/Censo2021/api'
# Datos en formato JSON que enviaremos en la solicitud POST
data = {
'idioma':'ES',
'metrica':['SPERSONAS'],
'tabla':'per.ppal',
'variables': ['ID_RESIDENCIA_N1', 'ID_NACIONALIDAD_N1', 'ID_SEXO', 'ID_GRAN_GRUPO_EDAD']
}
data_json = json.dumps(data)
headers = {'Content-Type': 'application/json'}
response = requests.post(url, data=data_json, headers=headers)
# Verificamos el código de estado de la respuesta (200 para éxito)
if response.status_code == 200:
contenido = response.json()
datos = pd.DataFrame (contenido['data'])
else:
print('Error en la solicitud. Código de estado:', response.status_code)
```
:::
## Etapa 3: Preparación de los datos
::: panel-tabset
### R
```{r}
library(dplyr)
datos_originales <- datos
correspondencia_residencia <- c(
'Andalucía' = 1,
'Aragón' = 2,
'Asturias, Principado de' = 3,
'Balears, Illes' = 4,
'Canarias' = 5,
'Cantabria' = 6,
'Castilla y León' = 7,
'Castilla - La Mancha' = 8,
'Cataluña' = 9,
'Comunitat Valenciana' = 10,
'Extremadura' = 11,
'Galicia' = 12,
'Madrid, Comunidad de' = 13,
'Murcia, Región de' = 14,
'Navarra, Comunidad Foral de'= 15,
'País Vasco' = 16,
'Rioja, La' = 17,
'Ceuta' = 51,
'Melilla' = 52
)
# Calcular el percentil y reemplazar los valores en la columna SPERSONAS
datos <- datos %>%
mutate(ID_NACIONALIDAD_N1 = as.numeric(factor(ID_NACIONALIDAD_N1)),
ID_GRAN_GRUPO_EDAD = as.numeric(factor(ID_GRAN_GRUPO_EDAD)),
ID_SEXO = as.numeric(factor(ID_SEXO)),
ID_RESIDENCIA_N1 = as.numeric(correspondencia_residencia[ID_RESIDENCIA_N1]),
SPERSONAS = percent_rank(SPERSONAS))
datos_escalados <- scale(datos)
#datos_escalados
```
### Python
```{python}
from sklearn.preprocessing import StandardScaler
datos_procesados = datos.copy()
datos_procesados.ID_GRAN_GRUPO_EDAD.replace(['Menos de 16', '16-64', '65 o más'],
[0, 1, 2], inplace=True)
datos_procesados.ID_SEXO.replace(['Hombre', 'Mujer'],
[0, 1], inplace=True)
datos_procesados.ID_NACIONALIDAD_N1.replace(['Española','Extranjera'],
[0, 1], inplace=True)
datos_procesados.ID_RESIDENCIA_N1.replace(
['Andalucía',
'Aragón',
'Asturias, Principado de',
'Balears, Illes',
'Canarias',
'Cantabria',
'Castilla y León',
'Castilla - La Mancha',
'Cataluña',
'Comunitat Valenciana',
'Extremadura',
'Galicia',
'Madrid, Comunidad de',
'Murcia, Región de',
'Navarra, Comunidad Foral de',
'País Vasco',
'Rioja, La',
'Ceuta',
'Melilla'],
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 51, 52], inplace=True)
def percentile_rank(column):
return column.rank(pct = True)
datos_procesados.SPERSONAS = percentile_rank(datos_procesados['SPERSONAS'])
scaler = StandardScaler()
datos_procesados_escalados = scaler.fit_transform(datos_procesados)
```
:::
## Etapa 4: Modelado
::: panel-tabset
### R
```{r}
library(factoextra)
library(NbClust)
fviz_nbclust(x = datos_escalados, FUNcluster = kmeans, method = "wss", k.max = 10)
#nb <- NbClust(datos_escalados, distance = "euclidean", min.nc = 2,
# max.nc = 10, method = "kmeans")
```
### Python
```{python}
from sklearn.cluster import KMeans
from yellowbrick.cluster import KElbowVisualizer
model = KMeans(random_state=123, n_init='auto')
visualizer = KElbowVisualizer(model, k=(2,10))
visualizer.fit(datos_procesados_escalados)
visualizer.show()
```
:::
## Etapa 5: Evaluación
::: panel-tabset
### R
```{r}
km_clusters <- eclust(x = datos_escalados, FUNcluster = "kmeans", k = 4, seed = 123,
hc_metric = "euclidean", nstart = 50, graph = FALSE)
fviz_silhouette(km_clusters, print.summary = TRUE, palette = "jco",
ggtheme = theme_classic())
```
### Python
```{python}
from yellowbrick.cluster import SilhouetteVisualizer
model = KMeans(4, random_state=123, n_init='auto')
visualizer = SilhouetteVisualizer(model, colors='yellowbrick')
visualizer.fit(datos_procesados_escalados)
visualizer.show()
```
:::
## Etapa 6: Despliegue
* Por ejemplo `Shiny`, en R y Python.
## Conclusiones {.smaller}
::: panel-tabset
### Ventajas
+ **Diversidad de bibliotecas**: mientras que Python tiene bibliotecas como `Pandas`, `NumPy` y `Scikit-learn`, R cuenta con `dplyr`, `ggplot2` y `tidyverse`. Esta diversidad permite aprovechar lo mejor de ambos mundos.
+ **Visualización de datos**: aunque Python tiene bibliotecas de visualización como Matplotlib y Seaborn, R es conocido por su capacidad superior de visualización con ggplot2.
+ **Estadísticas avanzadas**: R fue diseñado específicamente para estadísticas, por lo que tiene una amplia variedad de paquetes estadísticos que no están disponibles o no son tan intuitivos en Python.
+ **Flexibilidad**: algunos paquetes y funciones están disponibles solo en uno de los lenguajes. Usar ambos garantiza que siempre tendrás la herramienta adecuada para el trabajo.
+ **Comunidad**: ambos lenguajes tienen comunidades activas y en crecimiento. Es decir, que es más probable obtener ayuda, independientemente del problema que tengas.
+ **Integración**: las integraciones con otras plataformas son mucho más habituales y sencillas desde Python, pero también algunas librerías en R dan soporte a estos temas sencillos como APIS Rest.
+ **Desarrollo y producción**: Python es ampliamente utilizado en el desarrollo y la producción de aplicaciones, mientras que R es excelente para el análisis y la visualización. Usar ambos te permite crear un flujo de trabajo desde el análisis hasta la producción.
+ **Aprendizaje**: Aprender ambos lenguajes te hace más versátil como analista o científico de datos.
+ **Ofertas de trabajo**: algunas empresas prefieren Python, mientras que otras prefieren R. Conocer ambos aumenta tus oportunidades en el mercado laboral.
+ **Actualizaciones y mejoras**: al estar en sintonía con ambas comunidades, puedes beneficiarte de las actualizaciones y mejoras en ambos lenguajes.
+ **Diversidad de enfoques**: cada lenguaje tiene su propia filosofía y enfoque, lo que puede proporcionar diferentes perspectivas al abordar un problema.
+ **Optimización**: Para ciertas tareas, uno de los lenguajes puede ser más eficiente que el otro.
+ **Educación**: R es ampliamente utilizado en la academia y la investigación, mientras que Python es popular en la industria. Conocer ambos te prepara para ambos mundos.
+ **Extensibilidad**: Ambos lenguajes se pueden extender con otros lenguajes como C y C++.
+ **Reproducibilidad**: R tiene un enfoque fuerte en la reproducibilidad, especialmente con herramientas como RMarkdown. Esto complementa las capacidades de Python en el mismo ámbito.
### Desventajas
+ **Curva de aprendizaje**: aprender y mantenerse actualizado en ambos lenguajes puede ser abrumador.
+ **Integración complicada**: aunque es posible integrar ambos lenguajes, hacerlo de manera efectiva puede ser un desafío.
+ **Rendimiento**: usar ambos lenguajes en un proyecto puede afectar el rendimiento si no se gestiona adecuadamente.
+ **Mantenimiento**: Mantener código en ambos lenguajes puede ser más laborioso que centrarse en uno solo.
+ **Decisión**: A veces, puede ser difícil decidir qué lenguaje usar para una tarea específica, lo que puede llevar a la parálisis por análisis.
:::
## Consideración final
![Imagen tomada de serie de TVE](img/Quijote-Sancho.png)
## Referencias
- [Happy Git and GitHub for the useR](https://happygitwithr.com/). Libro imprescindible.
- [Cómo usar Git/GitHub con R](http://destio.us.es/calvo/asignaturas/ge_esco/tutorialusargitgithubrstudio/UsarGitGithubconRStudio.html). Muy didáctico, sencillo y en español.
- [R for Data Science (2e)](https://r4ds.hadley.nz/)
- [Python for Data Analysis, 3E](https://wesmckinney.com/book/)