Habilidades básicas de programación en R

Si quieres hacer nuestro curso gratuito Model a Quantitative Trading Strategy in R, aquí tienes el enlace.

Leer archivo: read.csv()

El primer paso antes de analizar los datos de una acción es descargarlos y cargarlos en el espacio de trabajo de R. Cargar un conjunto de datos en el workspace es similar a abrir un archivo en Excel; a partir de ahí puedes ejecutar las funciones disponibles sobre él. En R, las tablas de datos suelen guardarse como objetos llamados data frames.

En este capítulo usaremos datos de la acción MARUTI descargados de Yahoo Finance. Los datos están disponibles en http://assets.datacamp.com/course/quantinsti/data_ch1.csv. El conjunto incluye los datos diarios OHLC (Open, High, Low, Close) y el volumen de Maruti del 1 de enero de 2008 al 31 de diciembre de 2013.

En este ejercicio empezaremos definiendo un nuevo objeto en R, llamado data_maruti. La sintaxis para definir una nueva variable u objeto es muy sencilla:

variable_name <- value

donde variable_name es el nombre del nuevo objeto o variable y value es el valor que se le asigna.

Guardaremos un archivo .csv en data_maruti. La función utilizada para leer un archivo .csv y guardarlo como un data frame es read.csv(). La sintaxis para llamar a una función es muy simple:

function_name(object1, object2, argument1, argument2, ....)

donde function_name es el nombre de la función y object1, object1 son los objetos o variables sobre los que quieres ejecutar la función. Los argumentos son las especificaciones que pasas al ejecutar la función.

En este ejercicio aprenderemos a crear una nueva variable usando una función.

Instrucciones

• Inspecciona el data frame dummy cargado como ejemplo. Observa que hay tres argumentos en la función read.csv(): file, igual a la URL de los datos; header, un valor lógico que indica si la primera línea del archivo contiene los nombres de las variables (TRUE en este caso); y stringsAsFactors, que especifica si las cadenas de texto deben guardarse como factores o no (FALSE en este caso).
• Crea una nueva variable data_maruti que contenga los datos diarios de Maruti del 1 de enero de 2008 al 31 de diciembre de 2013. Asegúrate de especificar header como TRUE y stringAsFactors como FALSE.
• Por último, inspecciona las primeras filas del data frame que has cargado con la función head(). Simplemente ejecuta head(data_maruti) para llamarla.

Echa un vistazo a tus datos

Ya conoces la función head(), que usamos para imprimir las primeras filas de data_maruti.

En este ejercicio, imprimirás las últimas filas del conjunto usando la función tail(). También verás cómo consultar el número de filas y columnas del dataset.

El data frame data_maruti ya está cargado en el espacio de trabajo.

Instrucciones

• Imprime las últimas seis filas de data_maruti con la función tail().
• Imprime el número de filas de data_maruti con la función nrow().
• Imprime el número de columnas de data_maruti con la función ncol().

Tipos, clases y dimensiones de los objetos en R

Cada variable en R es un objeto con su propio tipo, clase y dimensión. Hay pocos tipos básicos de variables: numérico (p. ej., 5 o 5.0), carácter (p. ej., "a") y lógico (p. ej., TRUE). Las dimensiones son el número de filas y columnas del objeto. Por último, la clase de un objeto puede cambiar el comportamiento de unas mismas funciones. Por ejemplo, la función print() se comportará de forma distinta para una variable que es un data frame frente a otra que es un modelo lineal.

Las clases de objetos con las que trabajamos en este capítulo son los vectores y los data frames. Los data frames, como ya se ha señalado, son como tablas de Excel y se usan mucho en computación financiera. Los vectores son como una sola fila o columna de datos con el mismo tipo de variable. Dicho de otro modo, un data frame está compuesto por vectores.

Instrucciones

Imprime el tipo, la clase y las dimensiones del objeto data_maruti usando las funciones typeof(), class() y dim(), respectivamente. El data frame data_maruti ya está cargado en el espacio de trabajo.

Si quieres seguir aprendiendo con este curso, aquí tienes el enlace.

Echa un vistazo al tutorial de DataCamp Objects and Classes in R.