Tutorial de programación en R para principiantes

Qué es R y para qué se usa

R es un lenguaje y entorno libre y de código abierto para computación estadística y gráficos. Desciende del lenguaje S, desarrollado en Bell Labs, y lo mantiene el R Core Team. R está vectorizado: la mayoría de las operaciones trabajan con vectores de datos completos a la vez, lo que hace que el código de análisis de datos sea corto.

R lo usan estadísticos, científicos de datos, bioinformáticos, economistas e investigadores para limpiar datos, crear modelos estadísticos, visualizar y generar informes reproducibles. Hay miles de paquetes adicionales disponibles en CRAN (Comprehensive R Archive Network) y Bioconductor.

Instalar R y ejecutar Hello, world

Descarga R desde CRAN para Windows, macOS o Linux. Mucha gente instala también RStudio o Positron, que son IDE con editor, consola, visor de gráficos y panel de ayuda. Puedes escribir código directamente en la consola de R o guardarlo en un archivo .R.

# hello.R
print("Hello, world!")
cat("Hello, world!\n")

Rscript hello.R
# [1] "Hello, world!"
# Hello, world!

print muestra un valor como lo hace la consola, con el prefijo de índice [1]. cat escribe texto plano, así que el salto de línea lo añades tú.

Variables, tipos básicos y vectores

Asigna con <- (el estilo convencional) o con =. En R no hay escalares: un solo número es un vector de longitud 1. c() combina valores en un vector, y la aritmética se aplica elemento a elemento.

x <- 42                 # numeric (double)
n <- 7L                 # integer (L suffix)
name <- "Ada"           # character
ok <- TRUE              # logical
class(x); class(n); class(name)   # "numeric" "integer" "character"
v <- c(2, 4, 6, 8)
v * 10                  # [1] 20 40 60 80
v[2]                    # [1] 4   (indexing starts at 1)
v[v > 4]                # [1] 6 8
length(v); sum(v); mean(v)        # 4 20 5
1:5                     # [1] 1 2 3 4 5
seq(0, 1, by = 0.25)    # [1] 0.00 0.25 0.50 0.75 1.00

Control de flujo

R tiene if/else, for, while y repeat. Con vectores, la función vectorizada ifelse() suele ser mejor que un bucle.

temp <- 25
if (temp > 30) {
  print("hot")
} else if (temp > 15) {
  print("mild")         # [1] "mild"
} else {
  print("cold")
}
for (i in 1:3) {
  cat("step", i, "\n")  # step 1 / step 2 / step 3
}
scores <- c(45, 80, 62)
ifelse(scores >= 50, "pass", "fail")
# [1] "fail" "pass" "pass"

if necesita un único TRUE o FALSE. Pasar un vector más largo a if es un error desde R 4.2; usa en su lugar any(), all() o ifelse().

Funciones

Las funciones se crean con function y se asignan a un nombre. La última expresión evaluada se devuelve automáticamente; return() solo hace falta para salir antes de tiempo. Los argumentos pueden tener valores por defecto y pasarse por nombre.

bmi <- function(weight_kg, height_m = 1.75) {
  weight_kg / height_m^2
}
bmi(70)                          # [1] 22.85714
bmi(height_m = 1.6, weight_kg = 60)  # [1] 23.4375
square <- function(x) x^2
square(1:4)                      # [1] 1 4 9 16 (vectorized)
sapply(c(1, 4, 9), sqrt)         # [1] 1 2 3
(\(x) x + 1)(10)                 # [1] 11 (short lambda syntax)

La sintaxis corta de lambda \(x) está disponible desde R 4.1, igual que el pipe nativo |>, que pasa el lado izquierdo como primer argumento: c(1, 4, 9) |> sqrt() |> sum() devuelve 6.

Estructuras de datos principales: vectores, listas y data frames

Además de los vectores atómicos, R tiene listas (que pueden contener valores de distintos tipos), matrices y data frames. Un data frame es una tabla en la que cada columna es un vector de la misma longitud; es la estructura central del análisis de datos.

person <- list(name = "Ann", age = 31, langs = c("R", "SQL"))
person$name                 # [1] "Ann"
person[["langs"]][2]        # [1] "SQL"
df <- data.frame(
  name  = c("Ann", "Bo", "Cy"),
  age   = c(31, 25, 40),
  city  = c("Oslo", "Rome", "Oslo")
)
nrow(df)                    # [1] 3
df$age                      # [1] 31 25 40
df[df$age > 30, "name"]     # [1] "Ann" "Cy"
df$senior <- df$age >= 40   # add a column
aggregate(age ~ city, data = df, FUN = mean)
#   city  age
# 1 Oslo 35.5
# 2 Rome 25.0
str(df)                     # compact structure summary

df[rows, columns] selecciona por posición, nombre o condición lógica. Dejar un lado vacío, como en df[1, ], significa todas las filas o todas las columnas.

Estadística y gráficos

Las funciones estadísticas vienen incluidas: summary, sd, quantile, cor, t.test y lm (modelos lineales), entre muchas otras. Los gráficos base dibujan un gráfico con una sola llamada.

set.seed(1)
x <- 1:20
y <- 3 * x + rnorm(20, sd = 2)
model <- lm(y ~ x)
round(coef(model), 2)       # intercept near 0, slope near 3
summary(model)$r.squared    # close to 1
plot(x, y, main = "y vs x")
abline(model, col = "red")

La sintaxis de fórmula y ~ x significa «modela y en función de x» y se usa en las funciones de modelado. Para gráficos avanzados y manipulación de datos, la mayoría instala los paquetes del tidyverse, como ggplot2 y dplyr, con install.packages("tidyverse").

Manejo de errores

Lanza un error con stop() y una advertencia con warning(). Captúralos con tryCatch(), que acepta funciones manejadoras para error, warning y un bloque finally opcional.

safe_log <- function(x) {
  if (!is.numeric(x)) stop("x must be numeric")
  if (any(x <= 0)) warning("non-positive values give NaN or -Inf")
  log(x)
}
result <- tryCatch(
  safe_log("ten"),
  error = function(e) {
    message("Caught: ", conditionMessage(e))
    NA
  },
  finally = message("done")
)
# Caught: x must be numeric
# done
result                      # [1] NA

Un programa completo y pequeño: resumen de ventas

Este script construye una pequeña tabla de ventas, calcula los ingresos por región con R base e imprime la mejor región.

sales <- data.frame(
  region = c("North", "South", "North", "East", "South"),
  units  = c(10, 4, 6, 8, 12),
  price  = c(2.5, 3.0, 2.5, 4.0, 3.0)
)
sales$revenue <- sales$units * sales$price
by_region <- aggregate(revenue ~ region, data = sales, FUN = sum)
by_region <- by_region[order(-by_region$revenue), ]
print(by_region, row.names = FALSE)
#  region revenue
#   South      48
#   North      40
#    East      32
best <- by_region$region[1]
cat(sprintf("Best region: %s (%.2f)\n", best, max(by_region$revenue)))
# Best region: South (48.00)

Siguientes pasos

• An Introduction to R, el manual oficial en CRAN.
• La ayuda integrada: escribe ?mean o help("lm") en la consola.
• R for Data Science, de Hadley Wickham y colaboradores, gratuito en línea, para el enfoque del tidyverse.
• Los CRAN Task Views, que listan paquetes por campo, como econometría o aprendizaje automático.