R

Seguimos a vueltas con la (ya) pandemia y R, y hoy quería traeros unos buenos ejemplos de uso de dplyr para preparar datos. Se trata de ver una evolución del número de casos diarios para saber en qué punto tanto España como Italia pueden frenar el crecimiento de los casos de coronavirus; se trata de crear este gráfico: Se observa cómo países como China o Corea vivieron un fuerte crecimiento que ahora se ha transformado en una caída del número de casos de coronavirus, pero parece que Irán se ha estabilizado en 1000 casos diarios; mientras, Italia y España siguen en fase de crecimiento, por lo que no se espera que el comportamiento sea similar a China o Corea y es probable que el número de casos siga aumentando. ...

Ayer escribí sobre la obtención de los datos del coronavirus con R y después me disponía a escribir sobre modelos de regresión no lineal, hacer una estimación del coronavirus en España… Pero estuve hablando con una amiga residente en Italia y allí el número de casos está dos semanas por delante de España; bueno, dos semanas exactamente no, 10 días: library(lubridate) library(ggplot2) library(dplyr) library(reshape2) datos <- read.csv2("https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_19-covid-Confirmed.csv", sep = ',') fechas <- seq(as.Date("2020/01/22"), as.Date(today() - 1), "days") fechas_chr <- substr(as.character.Date(fechas), 6, 10) # Se asume que el csv tiene el formato adecuado para asignar estos nombres # En este caso, simplificamos la lógica de nombres para el ejemplo names(datos) <- c("Provincia", "Pais", "Latitud", "Longitud", fechas_chr) esp_ita <- data.frame(fecha = fechas_chr) esp_ita$Espania <- as.numeric(t(datos %>% filter(Pais == "Spain") %>% select(all_of(fechas_chr)))) esp_ita$Italia <- as.numeric(t(datos %>% filter(Pais == "Italy") %>% select(all_of(fechas_chr)))) p <- ggplot(esp_ita, aes(x = fecha)) + geom_line(aes(y = Espania, group = 1, color = "España")) + geom_line(aes(y = Italia, group = 1, color = "Italia")) + scale_color_manual(values = c("España" = "red", "Italia" = "blue")) + xlab("") + ylab("") + theme(axis.text.x = element_text(angle = 90)) p ...

Una entrada anterior del blog ha dado lugar a una conversación interesante en Twitter: Evolución del número de casos de #coronavirusEspana una analogía con Italia https://t.co/GhWtlFL3Df — Raul Vaquerizo (@r_vaquerizo) March 11, 2020 Es necesario obtener los datos del Ministerio y estos datos se hallan en un PDF. Bien, tendremos que leer el PDF y crear un data frame para poder trabajar con estos datos. Para leer el PDF vamos a emplear el paquete de R tabulizer y la función extract_tables, pero necesitamos algo de talento. ...

Hace años ya tuvimos nubes de palabras en el blog y ya era hora de ir actualizando algunas cosas. Además, quería aprovechar y presentaros un paquete de R que nos permite consultar la API del Europe PMC. Para quien no sepa qué es el Europe PMC, podemos decir que es un buscador de documentos y artículos científicos (que ahora todo el mundo molón llama papers) y que tiene una API a la que podemos acceder desde R mediante el paquete europepmc. ...

Cuando se realizan gráficos de series temporales se emplean gráficos de líneas donde el eje X contiene la fecha y el eje Y contiene el valor a representar. Hoy quiero traer al blog otra forma de representar series temporales: los gráficos de calendario y su realización con R. Para ilustrar el ejemplo, vamos a emplear las cotizaciones históricas del índice bursátil IBEX 35: library(quantmod) library(ggplot2) library(reshape2) library(dplyr) library(lubridate) # Obtenemos las cotizaciones del IBEX 35 desde 2010 getSymbols('^IBEX', from = '2010-01-01') # data.frame de trabajo df <- data.frame(date = index(IBEX), IBEX) Mediante quantmod extraemos las cotizaciones del IBEX y creamos un data.frame de trabajo que llamamos df. Vamos a realizar dos tipos de gráficos: un mapa de calor por años, meses, semanas y días, y un calendario de un año puntual. ...

El análisis de supervivencia es uno de los olvidados por el Machine Learning y la nueva forma de ver el oficio. A la regresión logística sí la damos algo de recorrido porque aparece en scikit-learn (con sus cositas); sin embargo, el análisis de supervivencia no tiene ese cartel porque, en el momento que trabajas con un gran número de variables, estos modelos “empiezan a echar chispas”. Sin embargo, ofrecen una serie de gráficos y resultados que, más allá de la estimación, nos describen problemas y pueden servirnos para segmentar poblaciones en base a la duración hasta la ocurrencia de un evento. ...

Vimos cómo los modelos GAM iban más allá del GLM porque, en el momento de obtener los parámetros asociados al modelo de un factor, nos proponían en vez de una función lineal una función de suavizado no paramétrica para aquellos factores susceptibles de transformar en variables numéricas ordinales con un sentido determinado. Se trabajó con un modelo de riesgo con una sola variable como era la edad y, al sumarizar el modelo, no era posible obtener los parámetros en la salida. En último término nuestra intención con este tipo de modelos es obtener esos parámetros para transformarlos en relatividades. ¿Qué sentido tiene obtener un buen modelo para negocio si su resultado no se puede expresar en términos de incrementos o descuentos, en términos de relatividades? ...

Los modelos GAM (Generalized Additive Model) son el conjunto de modelos que tenemos los estadísticos, actuarios, data scientists o como nos denominen en el momento que leas esto para dejar a nuestros equipos de negocio contentos con los resultados de nuestro modelo GLM. No voy a entrar en los aspectos teóricos de este tipo de modelos, hay documentación como esta que os puede ayudar. ¿Por qué se quedan contentos los equipos de negocio? Porque nos ayudan a dar sentido a los modelos. Retomemos un ejemplo que vimos en otra entrada del blog; en esta entrada presentamos cómo el resultado de un modelo GLM se transforma en una relatividad, en un mecanismo para ofrecer recargos y descuentos. ...

Los modelos GLM son muy empleados en el ámbito actuarial para la obtención de modelos de riesgo; estos modelos de riesgo son los elementos fundamentales en el cálculo de tarifas. Y ¿qué es una tarifa? Imaginad el precio del seguro de vuestra vivienda: bueno, pues es un cálculo en el que, partiendo de un precio base, se van añadiendo recargos y descuentos en función del tipo de riesgo que se quiera asegurar (recargos y descuentos en función de los metros cuadrados, de la ubicación de la vivienda, de las calidades de construcción…). Esta es una visión muy simplista porque, al final, se tienen múltiples garantías y es necesaria la combinación de ellas, pero se puede entender de ese modo: un precio base al que recargamos o descontamos precio. Estos recargos y descuentos se denominan frecuentemente relatividades, y hoy quiero acercaros a la obtención de esas relatividades y cómo un modelo GLM se transforma en el precio de un seguro. ...

Me han preguntado hoy cómo parametrizar una consulta de SQL Server desde R y la verdad es que es algo que me parecía muy sencillo y no me había planteado compartirlo. En mi caso suelo emplear la librería RODBC para acceder a SQL Server porque realizo las consultas vía ODBC; por este motivo lo primero que debéis tener es configurado el origen de datos ODBC e instalada la librería RODBC en R. Para acceder vía R a los datos de SQL Server, lo primero es crear la conexión a la BBDD: ...