Bases de datos.

El primer paso para la realización de cualquier análisis estadístico es la elaboración de la base de datos que contenga la información que hemos de analizar. Para construir una base de datos existen muchas herramientas alternativas. Sin duda una de las más sencillas de utilizar (siempre y cuando la base de datos no sea excesivamente grande) es una simple hoja de cálculo, como las que ofrecen Microsoft Excel o LibreOfice Calc.

Las reglas para construir una hoja de cálculo que pueda servir para un análisis estadístico son muy simples:

• Cada fila debe ser un caso (un paciente o sujeto experimental)

• Cada columna debe ser una variable.

• Cada columna debe estar encabezada con el nombre de la variable que represente.

• Las casillas con valores perdidos deben dejarse en blanco, o al menos utilizar un código estándar que luego pueda interpretarse como tal sin posibilidad de confusion.

• Debe evitarse dejar filas vacías, columnas vacías, insertar figuras o introducir decoraciones de cualquier tipo.

• Hay que vigilar con especial cuidado en la introduccion de valores numéricos no mezclar puntos (.) con comas (,). Si en una misma columna escribimos el número 2,3 y más adelante 7.2, R interpretará todos los valores de la variable como caracteres no como números.

• De la misma forma, en una columna donde se registran valores numéricos no deben introducirse caracteres, pues en tal caso R interpretará la variable como de tipo carácter y no como numérica.

Importacion de datos desde Excel:

A modo de ejemplo, en el campus virtual de la asignatura, o pinchando aquí podemos descargar la hoja de cálculo endocrino.xlsx en la que se muestran parte de las variables medidas en un estudio transversal realizado, diseñado originalmente con el objetivo de estimar las prevalencias de diabetes mellitus (DM) en la población de Telde (Gran Canaria), así como para identificar los factores asociados con aquella. En el estudio se incluyeron 1030 sujetos con edades comprendidas entre los 30 y 82 años, que respondieron a un cuestionario diseñado para obtener información sobre la edad, sexo, historia personal y familiar de diabetes mellitus y estilos de vida. Se realizaron mediciones antropométricas y de presión arterial. Se tomaron asimismo muestras de sangre sobre las que se obtuvieron diversas mediciones (glucemia, lípidos, marcadores de inflamación, hemostasia, etc).

A continuación se muestran las primeras lineas de este archivo:

 

 

Para leer este archivo con R deberemos ejecutar los tres comandos siguientes:

library(openxlsx) 
setwd("c:/Users/aulas/Downloads/") 
telde = read.xlsx("endocrino.xlsx") 

• El primer comando, library(openxlsx), carga en memoria la librería que permite leer archivos Excel.
• El segundo, setwd("c:/Users/aulas/Downloads/") indica a R la carpeta en la que se encuentra el archivo. Nótese que en R las carpetas se especifican mediante la barra “/”, y no mediante la barra inversa “\” habitual en Windows.
• El tercero, telde = read.xlsx("endocrino.xlsx") lee los datos y los guarda dentro de un objeto llamado telde. Este objeto es la base de datos ya leída por R. En la terminología de R, telde es un objeto de tipo data.frame.

 

 

Visualización de los datos

Si la base se ha leido correctamente, su nombre debe aparecer en la ventana superior derecha de Rstudio, bajo la pestaña Environment:

Si el nombre de la base de datos no aparece ahí es que no se ha leído correctamente.

Podemos ver las primeras líneas de esta base de datos simplemente tecleando head(telde) en la consola y pulsando Return. De esta forma podemos hacernos una primera idea de qué variables contiene y qué tipo de valores toma:

head(telde)

##    ID EDAD SEXO  PESO TALLA SEDENTARIO   INSTRUCCION TAS TAD HTA_conocida
## 1  22   51    1  86.3   174          0  Primer grado 125  80            1
## 2  65   33    1  81.8   175          0 Segundo grado 120  80            0
## 3 116   40    1 105.0   173          1 Segundo grado 150 100            0
## 4 144   62    1  98.0   172          0  Primer grado 155 100            0
## 5 204   33    1 124.0   181          0 Segundo grado 130  90            0
## 6 337   33    1  93.0   177          1 Segundo grado 110  70            0
##   HTA_OMS A_DIAB ECV_B TABACO ALCOHOL STATIN CINTURA CADERA OBCENT_ATP
## 1       1      1     1      0       1      1     104  101.5          1
## 2       0      0     0      1       1      0      86   89.0          0
## 3       1      1     0      1       1      0     116  107.0          1
## 4       1      0     0      1       0      0     104  103.0          1
## 5       1      1     0      0       0      0     130  122.0          1
## 6       0      1     0      0       1      0     108  106.0          1
##   COLESTEROL HDL LDL     LDL_C  TG CnoHDL  ApoA ApoB   LPA    A1C hba1
## 1        190  50 123 120 - 140  86    140 138.1   78  4.78 6.1730  7.9
## 2        217  42 144 140 - 160 155    175  93.1   94  2.39 5.5820  7.2
## 3        288  44  NA      <NA> 448    244 122.7  120 39.30 5.3850  7.1
## 4        225  45 153 140 - 160 132    180 115.8  101  7.63 5.3850  6.6
## 5        224  58 154 140 - 160  62    166 135.2   86 24.90 5.1880  6.3
## 6        163  40 111 100 - 120  59    123  98.5   71  2.41 4.8925  6.0
##   CREATININA GLUCB SOG Tol_Glucosa DM conocida SM  PCR INSULINEMIA PAI_1
## 1        0.9   101 122         IFG  0   Normal  1 0.34        16.2  47.8
## 2        1.0   103 100         IFG  0   Normal  0 0.32        19.8  57.2
## 3        1.0   103  90         IFG  0   Normal  1 0.58        11.5  38.5
## 4        0.9   109  96         IFG  0   Normal  1 0.32        17.8  32.4
## 5        0.8   107  69         IFG  0   Normal  1 0.32        11.6  32.0
## 6        0.9   103 117         IFG  0   Normal  0 0.34        22.7  71.7
##     fvw fibri   HMC     HOMA IR ecnos  ppr fibratos CETP PON_192
## 1 115.0  2.40 14.00 4.036687  1    ab   pp       No <NA>      QR
## 2  17.8  2.89 40.72 5.031426  1    bb   pp       No <NA>      QQ
## 3  91.0  2.71 15.34 2.922293  1    bb   pp       No <NA>      QR
## 4  96.1  2.45 15.33 4.786689  1    bb   pp       No B1B1      RR
## 5  75.0  3.78  8.64 3.062178  1  <NA> <NA>       No <NA>    <NA>
## 6 117.0  3.53 13.20 5.768352  1    bb   pp       No <NA>      QR

Podemos ver su estructura con más detalle mediante la función str(), lo que nos permite comprobar si las variables numéricas se han leído como numéricas y si las variables tipo carácter se han leido como caracteres:

str(telde)

## 'data.frame':    1030 obs. of  50 variables:
##  $ ID          : num  22 65 116 144 204 337 458 541 551 557 ...
##  $ EDAD        : num  51 33 40 62 33 33 68 56 55 46 ...
##  $ SEXO        : num  1 1 1 1 1 1 1 1 1 1 ...
##  $ PESO        : num  86.3 81.8 105 98 124 93 81 99 92 94.3 ...
##  $ TALLA       : num  174 175 173 172 181 177 174 174 179 169 ...
##  $ SEDENTARIO  : num  0 0 1 0 0 1 0 1 1 0 ...
##  $ INSTRUCCION : chr  "Primer grado" "Segundo grado" "Segundo grado" "Primer grado" ...
##  $ TAS         : num  125 120 150 155 130 110 120 110 130 120 ...
##  $ TAD         : num  80 80 100 100 90 70 70 70 80 80 ...
##  $ HTA_conocida: num  1 0 0 0 0 0 0 0 0 0 ...
##  $ HTA_OMS     : num  1 0 1 1 1 0 0 0 0 0 ...
##  $ A_DIAB      : num  1 0 1 0 1 1 1 0 0 1 ...
##  $ ECV_B       : num  1 0 0 0 0 0 0 0 0 0 ...
##  $ TABACO      : num  0 1 1 1 0 0 0 0 0 1 ...
##  $ ALCOHOL     : num  1 1 1 0 0 1 0 1 1 1 ...
##  $ STATIN      : num  1 0 0 0 0 0 0 1 0 0 ...
##  $ CINTURA     : num  104 86 116 104 130 108 100 114 105 109 ...
##  $ CADERA      : num  102 89 107 103 122 ...
##  $ OBCENT_ATP  : num  1 0 1 1 1 1 0 1 1 1 ...
##  $ COLESTEROL  : num  190 217 288 225 224 163 217 306 283 218 ...
##  $ HDL         : num  50 42 44 45 58 40 49 53 62 44 ...
##  $ LDL         : num  123 144 NA 153 154 111 138 205 186 120 ...
##  $ LDL_C       : chr  "120 - 140" "140 - 160" NA "140 - 160" ...
##  $ TG          : num  86 155 448 132 62 59 149 239 175 271 ...
##  $ CnoHDL      : num  140 175 244 180 166 123 168 253 221 174 ...
##  $ ApoA        : num  138.1 93.1 122.7 115.8 135.2 ...
##  $ ApoB        : num  78 94 120 101 86 71 NA 150 130 99 ...
##  $ LPA         : num  4.78 2.39 39.3 7.63 24.9 2.41 15.3 7.31 36.7 28.9 ...
##  $ A1C         : num  6.17 5.58 5.38 5.38 5.19 ...
##  $ hba1        : num  7.9 7.2 7.1 6.6 6.3 6 8.1 7.7 6.8 7.3 ...
##  $ CREATININA  : num  0.9 1 1 0.9 0.8 0.9 1 1 1.2 1 ...
##  $ GLUCB       : num  101 103 103 109 107 103 104 101 115 101 ...
##  $ SOG         : num  122 100 90 96 69 117 166 94 162 143 ...
##  $ Tol_Glucosa : chr  "IFG" "IFG" "IFG" "IFG" ...
##  $ DM          : num  0 0 0 0 0 0 0 0 0 0 ...
##  $ conocida    : chr  "Normal" "Normal" "Normal" "Normal" ...
##  $ SM          : num  1 0 1 1 1 0 0 1 1 1 ...
##  $ PCR         : num  0.34 0.32 0.58 0.32 0.32 0.34 0.34 0.34 0.34 0.49 ...
##  $ INSULINEMIA : num  16.2 19.8 11.5 17.8 11.6 22.7 14.7 17.2 14.6 15.6 ...
##  $ PAI_1       : num  47.8 57.2 38.5 32.4 32 71.7 46.3 56.8 71.1 31.6 ...
##  $ fvw         : num  115 17.8 91 96.1 75 117 111 75.4 150 126 ...
##  $ fibri       : num  2.4 2.89 2.71 2.45 3.78 3.53 3.85 3.18 3.2 2.64 ...
##  $ HMC         : num  14 40.72 15.34 15.33 8.64 ...
##  $ HOMA        : num  4.04 5.03 2.92 4.79 3.06 ...
##  $ IR          : num  1 1 1 1 1 1 1 1 1 1 ...
##  $ ecnos       : chr  "ab" "bb" "bb" "bb" ...
##  $ ppr         : chr  "pp" "pp" "pp" "pp" ...
##  $ fibratos    : chr  "No" "No" "No" "No" ...
##  $ CETP        : chr  NA NA NA "B1B1" ...
##  $ PON_192     : chr  "QR" "QQ" "QR" "RR" ...

Posibles problemas que podemos encontrar.

Con el establecimiento del directorio de trabajo.

Si nos aparece el mensaje:

Error in setwd("ruta/directorio") : no es posible cambiar el directorio de trabajo

ello significa que el directorio o carpeta que hemos especificado no existe. En las aulas de informática de la ULPGC, cuando un archivo se descarga de internet lo hace automáticamente a la carpeta c:\Users\aulas\Downloads. En ordenadores Mac, la carpeta de descargas suele ser /Users/nombreUsuario/Downloads (nótese que en Mac no hay que especificar la unidad c: al principio de la ruta).

Si desconocemos la ubicación de la carpeta, podemos ir a la pestaña “Files” en la ventana inferior derecha de Rstudio y navegar por las carpetas de nuestro ordenador hasta localizar el archivo. A continuación pinchamos en “More” en la misma ventana, y elegimos la opción “Set As Working Directory”; como resultado, R se situará en dicha carpeta y se mostrará su ruta en la consola de Rstudio.

 

 

read.xlsx("endocrino.xlsx")