Con dplyr, puedes filtrar filas, seleccionar columnas, ordenar datos y agrupar datos de forma eficiente.
Paquetes necesarios#
Ya deben tenerlos instalados previo a la clase
install.packages("dplyr") # Manipulación de datos
install.packages("tidyr") # Manipulación de datos
install.packages("tidyverse")# Manipulación de datos
install.packages("reshape2") # Transformación de datos
install.packages("ggplot2") # Visualización grafica
install.packages("cowplot") # Generar varios graficos en una misma figura
Cargar paquetes#
library(dplyr) # Manipulación de datos
library(tidyr) # Manipulación de datos
library(tidyverse) # Manipulación de datos
library(reshape2) # Transformación de datos
library(cowplot) # Visualización grafica
library(ggplot2) # Generar varios graficos en una misma figura
Paqueterias importantes en la Manipulación de datos en R#
Tidyverse packages
tidyr
dplyr
ggplot2
readr
purrr
tibble
stringr
forcats
%>% pipeline#
Empleando el paquete Tidyverse y dplyr puedes acceder a usar %>%, el cual nos permitirá enlazar funciones en la modificación de un dataframe.
df <- data.frame(genes = paste0("Gen", seq_len(8)),
expression = c(3.8, 5.5, 6.3, 1.8, 9, rep(3,3)),
treatment =c(rep("Control", 4), rep("Condicion1",4)))
df %>% head()
# genes expression treatment
# 1 Gen1 3.8 Control
# 2 Gen2 5.5 Control
# 3 Gen3 6.3 Control
# 4 Gen4 1.8 Control
# 5 Gen5 9.0 Condicion1
# 6 Gen6 3.0 Condicion1
Archivo tipo Tibble#
Cuando trabajamos con los paquetes provenientes de Tidyverse los archivos de salida por lo regular son tipo tibble, que es parecido a un dataframe, pero puede chocar con algunas paqueterias para manipulacion de dataframe.
Por lo que regularmente convertimos esta salida a dataframe usando as.data.frame()
Para más información revisa el paquete tibble.
Funciones que vamos a emplear de dplyr#
select(): Seleccionar nombres de las columnas. --> select(dataframe, columna1, columna2, ... columnax)filter(): Filtrar filas por una condicion especifica, apartir de la columna. --> filter(dataframe, columna1 == “condicion”)mutate(): Modificar o agregar columnas. --> mutate(dataframe, columna1 = “condicion”)group_by(): Agrupar informacion de acuerdo a un(as) columna(s) seleccionada(s).if_else(): Condicional. --> if_else(dataframe, codicion, si se acepta entonces, si se rechaza entonces)arrange(): Acomodar los resultados, default de menor a mayor.count(): Cuenta los valores de acuerdo a una variable.left_join(): Unir dos dataframe con base en una misma columna en comun. --> left_join(dataframe1, dataframe2, by = “Columna en comun, mismo nombre”)n_distinct(): Cuenta las filas unicas.distinct(): Muestra las filas duplicadas.summarise(): reduce varios valores seleccionados en un resumen.Para más información visita el Github del paquete dplyr.
Para ver todas las funciones existentes del paquete puede ver el Cheat Sheet.
Funciones que vamos a emplear de reshape2#
melt(): Modificación el formato de un dataframe.
Para más información visita el Github del paquete reshape2. Aunque este paquete se encuentra descontinuado, aun funcionan las funciones. Fue absorbido posteriormente por el paquete tidyr.
Se supone que la función gather() del paquete tidyr realiza lo mismo que melt() del paquete reshape2. Hoy lo compararemos ambas.
Para más información visita el Github del paquete tidyr.
Funciones para unir dataframes con el paquete dplyr#
En la Clase 6 vimos:#
Paso 1. Crear un RBioProject
Paso 2. Descargar los datos y verificar su ubicación en la carpeta
data/Paso 3. Importar los datos en R
Paso 4. Renombrar la columna Name en todos los dataframe
Paso 5. Seleccionar SOLO los datos de Marvel Comics y DC Comics
Paso 6. Eliminar duplicados
Paso 7. Seleccionar columnas
Paso 8. Cambiar formatos en algunas columnas
Todos estos pasos se encuentran en el Script MarvelvsDCComics_limpieza_script.R.
Importar datos en R#
Partiendo del código que ya conocemos, continuamos con el Script.
######
# Script de clase "Intro a R"
# Evelia Coss
# 8 de marzo 2024
#######
indir = "C:/Users/ecoss/OneDrive - CINVESTAV/Documentos/Posdoc_LIIGH/VieRnesBioinfo/ViernesBioinfo_2024/Presentaciones/data/"
outdir = "C:/Users/ecoss/OneDrive - CINVESTAV/Documentos/Posdoc_LIIGH/VieRnesBioinfo/ViernesBioinfo_2024/Presentaciones/"
# Cargar las variables infoPowers, infoStats, marvelDcInfo
load(file = paste0(indir, "Info_data.RData"))
El archivo Info_data.RData lo creamos en la clase pasada, por ello, solo cargaremos este archivo.
Paso 9. Unir dataframes con base en una columna en común (Join Datasets)#
Iniciamos con 3 dataframes (infoCharacters, infoStats e infoPowers). A partir del dataframe infoCharacters seleccionamos solo los datos de Marvel Comics y DC Comics, limpiamos los duplicados y almacenamos en la variable marvelDcInfo.
Primera unión, empleando la columna
Namecontenida en ambos dataframes. Se unieron las columnas seleccionadas con la información básica de cada personaje con los stats de cada uno.
marvelDcStatsInfo <- left_join(marvelDcInfo, infoStats, by = "Name")
head(marvelDcStatsInfo)[1:5]
# Name Gender Race Publisher Alignment
# 1 A-Bomb Male Human Marvel Comics good
# 2 Abin Sur Male Ungaran DC Comics good
# 3 Abomination Male Human / Radiation Marvel Comics bad
# 4 Abraxas Male Cosmic Entity Marvel Comics bad
# 5 Absorbing Man Male Human Marvel Comics <NA>
# 6 Adam Strange Male Human DC Comics good
Segunda unión, empleando la columna
Name. Se el dataframe generado co la informacion de los poderes por cada personaje.
fullMarvelDc <- left_join(marvelDcStatsInfo, infoPowers, by = "Name")
head(fullMarvelDc)[1:5]
# Name Gender Race Publisher Alignment
# 1 A-Bomb Male Human Marvel Comics good
# 2 Abin Sur Male Ungaran DC Comics good
# 3 Abomination Male Human / Radiation Marvel Comics bad
# 4 Abraxas Male Cosmic Entity Marvel Comics bad
# 5 Absorbing Man Male Human Marvel Comics <NA>
# 6 Adam Strange Male Human DC Comics good
Paso 10. Cambiar formatos en algunas columnas#
fullMarvelDc$Name <- as.factor(fullMarvelDc$Name)
fullMarvelDc$Alignment <- as.factor(fullMarvelDc$Alignment)
Si usamos str() tendremos desplegado la informacion de todas las 179 columnas presentes en el dataframe, recuerda que puedes usar dim() para checar las dimensiones.
dim(fullMarvelDc)
# [1] 586 179
Verificamos los formatos con class()#
class(fullMarvelDc$Name)
# [1] "factor"
class(fullMarvelDc$Gender)
# [1] "factor"
class(fullMarvelDc$Race)
# [1] "factor"
class(fullMarvelDc$Publisher)
# [1] "factor"
class(fullMarvelDc$Alignment)
# [1] "factor"
Ejercicios#
1) ¿Cuántos individuos tenemos de cada género (Gender), considerando su raza (Race) y empresa (Publisher)?
Respuesta2) ¿Cuántos personajes villanos, neutrales y héroes (su bando, Aligment) por cada empresa?
Respuesta3) ¿Cuántos individuos tenemos de cada género (Gender), considerando su bando (Aligment) y empresa (Publisher)?
RespuestaEsto es lo que realiza melt()#
Paso 11. Transformar en una sola columna los poderes usando melt()#
Reacomodar la tabla de acuerdo a las habilidades o poderes.
La función melt() te permite acomodar la tabla, cambiando el formato de la misma de acuerdo a las habilidades o poderes.
marvelDc <- melt(fullMarvelDc, id = c("Name", "Gender", "Race", "Publisher", "Alignment", "Intelligence.x", "Strength", "Speed", "Durability.x", "Power", "Combat", "Total"))
str(marvelDc)
# 'data.frame': 97862 obs. of 14 variables:
# $ Name : Factor w/ 585 levels "A-Bomb","Abin Sur",..: 1 2 3 4 5 6 7 8 9 10 ...
# $ Gender : Factor w/ 2 levels "Female","Male": 2 2 2 2 2 2 1 2 2 2 ...
# $ Race : Factor w/ 48 levels "Alien","Amazon",..: 20 45 26 10 20 20 NA 20 NA NA ...
# $ Publisher : Factor w/ 2 levels "DC Comics","Marvel Comics": 2 1 2 2 2 1 2 2 2 2 ...
# $ Alignment : Factor w/ 3 levels "bad","good","neutral": 2 2 1 1 NA 2 NA 2 2 1 ...
# $ Intelligence.x: int 38 50 63 88 NA 1 NA 10 75 50 ...
# $ Strength : int 100 90 80 100 NA 1 NA 8 28 85 ...
# $ Speed : int 17 53 53 83 NA 1 NA 13 38 100 ...
# $ Durability.x : int 80 64 90 99 NA 1 NA 5 80 85 ...
# $ Power : int 17 84 55 100 NA 0 NA 5 72 100 ...
# $ Combat : int 64 65 95 56 NA 1 NA 20 95 40 ...
# $ Total : int 316 406 436 526 NA 5 NA 61 388 460 ...
# $ variable : Factor w/ 167 levels "Agility","Accelerated.Healing",..: 1 1 1 1 1 1 1 1 1 1 ...
# $ value : chr "False" "False" "False" "False" ...
Checamos los cambios en el contenido
Se redujo el numero de columnas y las columnas seleccionados se compactaron en una sola columna. Se agrego la columna value con valores de TRUE y FALSE, considerando si el personaje tenia o no la habilidad.
head(marvelDc, 3)
# Name Gender Race Publisher Alignment Intelligence.x
# 1 A-Bomb Male Human Marvel Comics good 38
# 2 Abin Sur Male Ungaran DC Comics good 50
# 3 Abomination Male Human / Radiation Marvel Comics bad 63
# Strength Speed Durability.x Power Combat Total variable value
# 1 100 17 80 17 64 316 Agility False
# 2 90 53 64 84 65 406 Agility False
# 3 80 53 90 55 95 436 Agility False
Al usar melt() se reduce el numero de columnas en 2#
dim(marvelDc)
# [1] 97862 14
Se redujeron de 179 columnas a 14 columnas. Creando 2 nuevas columnas.
1) variable : Contiene el nombre de los poderes.
2) value : Contiene valores lógicos de acuerdo a cada poder de los personajes.
Paso 12. Renombrar la columnas#
head(marvelDc, 3)
# Name Gender Race Publisher Alignment Intelligence.x
# 1 A-Bomb Male Human Marvel Comics good 38
# 2 Abin Sur Male Ungaran DC Comics good 50
# 3 Abomination Male Human / Radiation Marvel Comics bad 63
# Strength Speed Durability.x Power Combat Total variable value
# 1 100 17 80 17 64 316 Agility False
# 2 90 53 64 84 65 406 Agility False
# 3 80 53 90 55 95 436 Agility False
Vamos a renombrar la columna variable por SuperPower.
colnames(marvelDc)[colnames(marvelDc) == "variable"] <- "SuperPower" # Renombrar columna
A veces el paquete dplyr cambia el nombre de algunas columnas solo agregando .x, no es preocupante y podemos corregirlo de la siguiente manera.
# Corregir nombres de columnas
colnames(marvelDc)[colnames(marvelDc) == "Intelligence.x"] <- "Intelligence" # Renombrar columna
colnames(marvelDc)[colnames(marvelDc) == "Durability.x"] <- "Durability" # Renombrar columna
Cambiamos el formato de las columnas#
En caso de que las siguientes columnas no se encuentren convertidas.
marvelDc$Name <- as.factor(marvelDc$Name)
marvelDc$Gender <- as.factor(marvelDc$Gender)
marvelDc$Race <- as.factor(marvelDc$Race)
marvelDc$Publisher <- as.factor(marvelDc$Publisher)
marvelDc$Alignment <- as.factor(marvelDc$Alignment)
marvelDc$SuperPower <- as.factor(marvelDc$SuperPower)
Verificar el formato de las columnas#
class(marvelDc$Name)
# [1] "factor"
class(marvelDc$Gender)
# [1] "factor"
class(marvelDc$Race)
# [1] "factor"
class(marvelDc$Publisher)
# [1] "factor"
class(marvelDc$Alignment)
# [1] "factor"
class(marvelDc$SuperPower)
# [1] "factor"
Paso 13. Selección de habilidades con TRUE#
marvelDc <- marvelDc %>%
filter(value == "True") %>%
select(-value) #eliminar columna
head(marvelDc)
# Name Gender Race Publisher Alignment Intelligence Strength Speed
# 1 Ajax Male Cyborg Marvel Comics <NA> NA NA NA
# 2 Amazo Male Android DC Comics bad 75 100 100
# 3 Angel Male <NA> Marvel Comics good 63 13 46
# 4 Angel Dust Female Mutant Marvel Comics <NA> NA NA NA
# 5 Annihilus Male <NA> Marvel Comics bad 75 80 47
# 6 Ant-Man II Male Human Marvel Comics good 63 10 23
# Durability Power Combat Total SuperPower
# 1 NA NA NA NA Agility
# 2 100 100 100 575 Agility
# 3 64 17 42 245 Agility
# 4 NA NA NA NA Agility
# 5 56 59 64 381 Agility
# 6 28 32 28 184 Agility
Ejercicios#
1) ¿Quiénes son los personajes con más habilidades/poderes por cada empresa?
marvelDc %>% group_by(Name, Publisher) %>%
distinct(SuperPower) %>%
dplyr::count(Publisher) %>%
select(Name, Publisher, Count = n) %>%
arrange(-Count) %>% # ordenar de max a min
head(3)
# # A tibble: 3 × 3
# # Groups: Name, Publisher [3]
# Name Publisher Count
# <fct> <fct> <int>
# 1 Spectre DC Comics 49
# 2 Amazo DC Comics 44
# 3 Living Tribunal Marvel Comics 35
Spectre es el personaje con más habilidades a comparación de los demás personajes.
NOTA: Cuando usamos el simbolo
-en la funcionarrange()para ordenar de mayor a menor los valores.
Sin embargo, ser el más habilidoso no implica el más poderoso...Si observamos sus stats todos son de 1 o menos.
marvelDc %>% filter(Name == "Spectre"
# Name Gender Race Publisher Alignment Intelligence Strength Speed
# 1 Spectre Male God / Eternal DC Comics good 1 1 1
# 2 Spectre Male God / Eternal DC Comics good 1 1 1
# 3 Spectre Male God / Eternal DC Comics good 1 1 1
# 4 Spectre Male God / Eternal DC Comics good 1 1 1
# 5 Spectre Male God / Eternal DC Comics good 1 1 1
# 6 Spectre Male God / Eternal DC Comics good 1 1 1
# 7 Spectre Male God / Eternal DC Comics good 1 1 1
# 8 Spectre Male God / Eternal DC Comics good 1 1 1
# 9 Spectre Male God / Eternal DC Comics good 1 1 1
# 10 Spectre Male God / Eternal DC Comics good 1 1 1
# 11 Spectre Male God / Eternal DC Comics good 1 1 1
# 12 Spectre Male God / Eternal DC Comics good 1 1 1
# 13 Spectre Male God / Eternal DC Comics good 1 1 1
# 14 Spectre Male God / Eternal DC Comics good 1 1 1
# 15 Spectre Male God / Eternal DC Comics good 1 1 1
# 16 Spectre Male God / Eternal DC Comics good 1 1 1
# 17 Spectre Male God / Eternal DC Comics good 1 1 1
# 18 Spectre Male God / Eternal DC Comics good 1 1 1
# 19 Spectre Male God / Eternal DC Comics good 1 1 1
# 20 Spectre Male God / Eternal DC Comics good 1 1 1
# 21 Spectre Male God / Eternal DC Comics good 1 1 1
# 22 Spectre Male God / Eternal DC Comics good 1 1 1
# 23 Spectre Male God / Eternal DC Comics good 1 1 1
# 24 Spectre Male God / Eternal DC Comics good 1 1 1
# 25 Spectre Male God / Eternal DC Comics good 1 1 1
# 26 Spectre Male God / Eternal DC Comics good 1 1 1
# 27 Spectre Male God / Eternal DC Comics good 1 1 1
# 28 Spectre Male God / Eternal DC Comics good 1 1 1
# 29 Spectre Male God / Eternal DC Comics good 1 1 1
# 30 Spectre Male God / Eternal DC Comics good 1 1 1
# 31 Spectre Male God / Eternal DC Comics good 1 1 1
# 32 Spectre Male God / Eternal DC Comics good 1 1 1
# 33 Spectre Male God / Eternal DC Comics good 1 1 1
# 34 Spectre Male God / Eternal DC Comics good 1 1 1
# 35 Spectre Male God / Eternal DC Comics good 1 1 1
# 36 Spectre Male God / Eternal DC Comics good 1 1 1
# 37 Spectre Male God / Eternal DC Comics good 1 1 1
# 38 Spectre Male God / Eternal DC Comics good 1 1 1
# 39 Spectre Male God / Eternal DC Comics good 1 1 1
# 40 Spectre Male God / Eternal DC Comics good 1 1 1
# 41 Spectre Male God / Eternal DC Comics good 1 1 1
# 42 Spectre Male God / Eternal DC Comics good 1 1 1
# 43 Spectre Male God / Eternal DC Comics good 1 1 1
# 44 Spectre Male God / Eternal DC Comics good 1 1 1
# 45 Spectre Male God / Eternal DC Comics good 1 1 1
# 46 Spectre Male God / Eternal DC Comics good 1 1 1
# 47 Spectre Male God / Eternal DC Comics good 1 1 1
# 48 Spectre Male God / Eternal DC Comics good 1 1 1
# 49 Spectre Male God / Eternal DC Comics good 1 1 1
# Durability Power Combat Total SuperPower
# 1 1 0 1 5 Agility
# 2 1 0 1 5 Accelerated.Healing
# 3 1 0 1 5 Dimensional.Awareness
# 4 1 0 1 5 Stealth
# 5 1 0 1 5 Energy.Absorption
# 6 1 0 1 5 Flight
# 7 1 0 1 5 Marksmanship
# 8 1 0 1 5 Longevity
# 9 1 0 1 5 Intelligence.y
# 10 1 0 1 5 Super.Strength
# 11 1 0 1 5 Telepathy
# 12 1 0 1 5 Energy.Blasts
# 13 1 0 1 5 Duplication
# 14 1 0 1 5 Size.Changing
# 15 1 0 1 5 Density.Control
# 16 1 0 1 5 Stamina
# 17 1 0 1 5 Super.Speed
# 18 1 0 1 5 Possession
# 19 1 0 1 5 Electrokinesis
# 20 1 0 1 5 Darkforce.Manipulation
# 21 1 0 1 5 Death.Touch
# 22 1 0 1 5 Teleportation
# 23 1 0 1 5 Magic
# 24 1 0 1 5 Immortality
# 25 1 0 1 5 Phasing
# 26 1 0 1 5 Astral.Projection
# 27 1 0 1 5 Fire.Control
# 28 1 0 1 5 Invulnerability
# 29 1 0 1 5 Energy.Constructs
# 30 1 0 1 5 Force.Fields
# 31 1 0 1 5 Psionic.Powers
# 32 1 0 1 5 Elasticity
# 33 1 0 1 5 Animation
# 34 1 0 1 5 Precognition
# 35 1 0 1 5 Hypnokinesis
# 36 1 0 1 5 Animal.Control
# 37 1 0 1 5 Heat.Generation
# 38 1 0 1 5 Gravity.Control
# 39 1 0 1 5 Light.Control
# 40 1 0 1 5 Levitation
# 41 1 0 1 5 Time.Travel
# 42 1 0 1 5 Illusions
# 43 1 0 1 5 Water.Control
# 44 1 0 1 5 Omnilingualism
# 45 1 0 1 5 Time.Manipulation
# 46 1 0 1 5 Invisibility
# 47 1 0 1 5 Sub.Mariner
# 48 1 0 1 5 Vision...Heat
# 49 1 0 1 5 Reality.Warping
Es el personaje con más habilidades, pero tiene sus stats muy bajos.
2) ¿Quiénes son los personajes con los stats más altos por cada empresa?
marvelDc %>% arrange(-Intelligence, -Strength, -Speed, -Durability, -Power, -Combat) %>%
select(-SuperPower) %>%
distinct() %>% head(5)
# Name Gender Race Publisher Alignment Intelligence
# 1 Mister Mxyzptlk Male God / Eternal DC Comics bad 113
# 2 Superman Male Kryptonian DC Comics good 100
# 3 Martian Manhunter Male Martian DC Comics good 100
# 4 Galactus Male Cosmic Entity Marvel Comics neutral 100
# 5 Captain Marvel Female Human-Kree Marvel Comics good 100
# Strength Speed Durability Power Combat Total
# 1 10 12 14 100 28 277
# 2 100 100 100 94 85 579
# 3 100 96 100 100 85 581
# 4 100 83 100 100 70 553
# 5 100 67 95 62 56 480
NOTA: Cuando usamos el simbolo
-en la funcionselect()estamos eliminando la columna SuperPower.
3) ¿Existe algún personaje que tenga todos sus stats en 100?
Hay 6 columnas de stats evaluados que sumados nos da la columna Total, osea que los valores maximos se encuentran cercanos a 600 (columnas 6:11).
# Opcion B
marvelDc %>% select(-SuperPower) %>% distinct() %>% # eliminas duplicados
filter(Intelligence >= 100 & Strength >= 100 & Speed >= 100 & Durability >= 100 & Power >= 100 & Combat >= 100)
# [1] Name Gender Race Publisher Alignment
# [6] Intelligence Strength Speed Durability Power
# [11] Combat Total
# <0 rows> (or 0-length row.names)
La salida da NINGUNO, ya que no existe un personaje que tenga los 6 Stats con valores de 100.
Paso 14. Renombrar el formato de Alignment#
Cuando usamos la función if_else() la empleamos para asignar valores de acuerdo a una conducional.
Usage: if_else(condición, TRUE, FALSE)
Condición: Selecciona una columna y verifica que debe cumplir la misma.
TRUE: En caso de que la condición sea VERDADERA, que acción debe hacer.
FALSE: En caso de que la condición sea FALSA, que acción debe hacer
Vamos agregar una nueva columna y vamos a cambiar los valores a usar el bando (Aligment)
# Opcion A - Función `if_else()`
marvelDc_edited <- marvelDc %>% mutate(Group =
if_else(Alignment == "good", "hero", # Primer if_else
if_else(Alignment == "bad","villain", "neutral"))) # Segundo if_else
Tambien podemos usar case_when()
# Opcion B - Funcion `case_when()`
marvelDc_edited <- marvelDc %>% mutate(Group =
case_when(Alignment == "good" ~ "hero",
Alignment == "bad" ~ "villain",
TRUE ~ "neutral"))
Ejercicio: Función if_else()#
¿Quiénes son los hombres más poderosos y malvados?
marvelDc_edited %>% select(-SuperPower) %>% distinct() %>% # eliminas duplicados
filter(Gender == "Male" & Group == "villain") %>%
arrange(-Total)
# Name Gender Race Publisher Alignment
# 1 General Zod Male Kryptonian DC Comics bad
# 2 Superboy-Prime Male Kryptonian DC Comics bad
# 3 Amazo Male Android DC Comics bad
# 4 Dormammu Male <NA> Marvel Comics bad
# 5 Doomsday Male Alien DC Comics bad
# 6 Cyborg Superman Male Cyborg DC Comics bad
# 7 Magus Male <NA> Marvel Comics bad
# 8 Abraxas Male Cosmic Entity Marvel Comics bad
# 9 Black Adam Male <NA> DC Comics bad
# 10 Fallen One II Male <NA> Marvel Comics bad
# 11 Darkseid Male New God DC Comics bad
# 12 Onslaught Male Mutant Marvel Comics bad
# 13 Match Male <NA> DC Comics bad
# 14 Anti-Monitor Male God / Eternal DC Comics bad
# 15 Apocalypse Male Mutant Marvel Comics bad
# 16 Lobo Male Czarnian DC Comics bad
# 17 Thanos Male Eternal Marvel Comics bad
# 18 Ultron Male Android Marvel Comics bad
# 19 Destroyer Male <NA> Marvel Comics bad
# 20 Air-Walker Male <NA> Marvel Comics bad
# 21 Carnage Male Symbiote Marvel Comics bad
# 22 Magneto Male Mutant Marvel Comics bad
# 23 Mephisto Male <NA> Marvel Comics bad
# 24 Venom Male Symbiote Marvel Comics bad
# 25 Abomination Male Human / Radiation Marvel Comics bad
# 26 Doctor Doom Male Human Marvel Comics bad
# 27 Sinestro Male Korugaran DC Comics bad
# 28 Loki Male Asgardian Marvel Comics bad
# 29 Kang Male <NA> Marvel Comics bad
# 30 Brainiac Male Android DC Comics bad
# 31 Swamp Thing Male God / Eternal DC Comics bad
# 32 Metallo Male Android DC Comics bad
# 33 Venom III Male Symbiote Marvel Comics bad
# 34 Annihilus Male <NA> Marvel Comics bad
# 35 Iron Monger Male <NA> Marvel Comics bad
# 36 Scorpion Male Human Marvel Comics bad
# 37 Utgard-Loki Male Frost Giant Marvel Comics bad
# 38 Mandarin Male Human Marvel Comics bad
# 39 Doppelganger Male <NA> Marvel Comics bad
# 40 Mach-IV Male <NA> Marvel Comics bad
# 41 Azazel Male Neyaphem Marvel Comics bad
# 42 Exodus Male Mutant Marvel Comics bad
# 43 Bane Male Human DC Comics bad
# 44 Rhino Male Human / Radiation Marvel Comics bad
# 45 Klaw Male Human Marvel Comics bad
# 46 Sabretooth Male Mutant Marvel Comics bad
# 47 Molten Man Male <NA> Marvel Comics bad
# 48 Venom II Male <NA> Marvel Comics bad
# 49 Ra's Al Ghul Male Human DC Comics bad
# 50 Evilhawk Male Alien Marvel Comics bad
# 51 Blackout Male Demon Marvel Comics bad
# 52 Solomon Grundy Male Zombie DC Comics bad
# 53 Electro Male Human Marvel Comics bad
# 54 Morlun Male <NA> Marvel Comics bad
# 55 Blob Male <NA> Marvel Comics bad
# 56 Gog Male <NA> DC Comics bad
# 57 Junkpile Male Mutant Marvel Comics bad
# 58 Joker Male Human DC Comics bad
# 59 Demogoblin Male Demon Marvel Comics bad
# 60 Zoom Male <NA> DC Comics bad
# 61 Killer Croc Male Metahuman DC Comics bad
# 62 Shocker Male Human Marvel Comics bad
# 63 Vanisher Male <NA> Marvel Comics bad
# 64 Vulture Male Human Marvel Comics bad
# 65 Kraven the Hunter Male Human Marvel Comics bad
# 66 Lizard Male Human Marvel Comics bad
# 67 Green Goblin II Male <NA> Marvel Comics bad
# 68 Mister Mxyzptlk Male God / Eternal DC Comics bad
# 69 Green Goblin Male Human Marvel Comics bad
# 70 Hydro-Man Male <NA> Marvel Comics bad
# 71 Tiger Shark Male Human Marvel Comics bad
# 72 Moses Magnum Male <NA> Marvel Comics bad
# 73 Changeling Male <NA> Marvel Comics bad
# 74 Rick Flag Male <NA> DC Comics bad
# 75 Kraven II Male Human Marvel Comics bad
# 76 Mister Freeze Male Human DC Comics bad
# 77 Bullseye Male Human Marvel Comics bad
# 78 Deadshot Male Human DC Comics bad
# 79 Leader Male <NA> Marvel Comics bad
# 80 Lightning Lord Male <NA> DC Comics bad
# 81 Big Man Male <NA> Marvel Comics bad
# 82 Proto-Goblin Male <NA> Marvel Comics bad
# 83 Blizzard II Male <NA> Marvel Comics bad
# 84 Scarecrow Male Human DC Comics bad
# 85 Warp Male <NA> DC Comics bad
# 86 Red Skull Male <NA> Marvel Comics bad
# 87 Penguin Male Human DC Comics bad
# 88 Kevin 11 Male Human DC Comics bad
# 89 Chameleon Male <NA> DC Comics bad
# 90 Blackwing Male <NA> Marvel Comics bad
# 91 Lex Luthor Male Human DC Comics bad
# 92 Tinkerer Male <NA> Marvel Comics bad
# 93 Walrus Male Human Marvel Comics bad
# 94 Riddler Male <NA> DC Comics bad
# 95 Pyro Male <NA> Marvel Comics bad
# 96 Doctor Doom II Male <NA> Marvel Comics bad
# 97 Doctor Octopus Male Human Marvel Comics bad
# 98 Weapon XI Male <NA> Marvel Comics bad
# 99 Mister Sinister Male Human / Altered Marvel Comics bad
# 100 Bloodwraith Male <NA> Marvel Comics bad
# 101 Bird-Man Male Human Marvel Comics bad
# 102 Bird-Man II Male Human Marvel Comics bad
# 103 Ammo Male Human Marvel Comics bad
# 104 Hobgoblin Male <NA> Marvel Comics bad
# 105 Blizzard Male <NA> Marvel Comics bad
# 106 Black Abbott Male <NA> Marvel Comics bad
# 107 Razor-Fist II Male <NA> Marvel Comics bad
# Intelligence Strength Speed Durability Power Combat Total Group
# 1 94 100 96 100 94 95 579 villain
# 2 94 100 100 100 100 85 579 villain
# 3 75 100 100 100 100 100 575 villain
# 4 88 95 83 100 100 80 546 villain
# 5 88 80 67 120 100 90 545 villain
# 6 75 93 92 100 100 80 540 villain
# 7 88 100 70 99 100 74 531 villain
# 8 88 100 83 99 100 56 526 villain
# 9 88 100 92 100 89 56 525 villain
# 10 88 85 83 100 100 56 512 villain
# 11 88 100 23 100 100 95 506 villain
# 12 88 85 47 100 100 85 505 villain
# 13 75 95 83 85 90 70 498 villain
# 14 88 90 38 90 100 90 496 villain
# 15 100 100 33 100 100 60 493 villain
# 16 88 83 35 100 95 85 486 villain
# 17 88 100 17 100 100 80 485 villain
# 18 88 83 42 100 100 64 477 villain
# 19 50 95 58 98 90 70 461 villain
# 20 50 85 100 85 100 40 460 villain
# 21 63 63 70 84 81 90 451 villain
# 22 88 80 27 84 91 80 450 villain
# 23 88 85 35 95 100 42 445 villain
# 24 75 57 65 84 79 84 444 villain
# 25 63 80 53 90 55 95 436 villain
# 26 100 32 20 100 93 84 429 villain
# 27 75 80 53 64 100 56 428 villain
# 28 88 57 47 85 85 56 418 villain
# 29 100 48 58 70 71 70 417 villain
# 30 100 28 63 90 60 75 416 villain
# 31 88 80 23 100 66 56 413 villain
# 32 75 53 23 95 74 64 384 villain
# 33 63 73 35 90 66 56 383 villain
# 34 75 80 47 56 59 64 381 villain
# 35 88 63 25 90 57 56 379 villain
# 36 50 52 60 85 49 80 376 villain
# 37 50 80 23 84 72 64 373 villain
# 38 100 28 23 28 99 95 373 villain
# 39 8 63 60 95 62 84 372 villain
# 40 75 36 60 84 60 56 371 villain
# 41 50 11 47 95 87 80 370 villain
# 42 63 81 28 28 100 70 370 villain
# 43 88 53 23 56 51 95 366 villain
# 44 25 80 43 90 37 85 360 villain
# 45 63 38 33 100 62 60 356 villain
# 46 55 53 25 90 28 100 351 villain
# 47 50 73 23 84 53 56 339 villain
# 48 50 57 47 70 54 56 334 villain
# 49 100 28 32 42 27 100 329 villain
# 50 50 32 33 70 78 64 327 villain
# 51 63 32 45 80 38 65 323 villain
# 52 9 93 13 100 78 30 323 villain
# 53 69 10 50 56 67 64 316 villain
# 54 63 60 35 42 59 56 315 villain
# 55 10 83 23 95 26 72 309 villain
# 56 50 34 47 72 39 56 298 villain
# 57 50 38 17 90 71 30 296 villain
# 58 100 10 12 56 22 90 290 villain
# 59 50 48 42 35 54 60 289 villain
# 60 50 10 100 28 72 28 288 villain
# 61 25 48 33 85 36 60 287 villain
# 62 63 10 23 70 63 56 285 villain
# 63 63 10 75 56 39 42 285 villain
# 64 63 22 47 56 40 56 284 villain
# 65 63 32 35 42 26 85 283 villain
# 66 38 51 27 70 40 56 282 villain
# 67 75 55 37 50 38 26 281 villain
# 68 113 10 12 14 100 28 277 villain
# 69 75 48 35 48 38 28 272 villain
# 70 38 13 25 80 66 50 272 villain
# 71 38 72 42 70 21 28 271 villain
# 72 75 28 12 42 55 56 268 villain
# 73 63 10 23 42 64 64 266 villain
# 74 88 11 23 28 19 95 264 villain
# 75 50 34 23 28 36 85 256 villain
# 76 75 32 12 70 37 28 254 villain
# 77 50 11 25 70 20 70 246 villain
# 78 50 10 23 28 47 80 238 villain
# 79 100 10 12 14 58 42 236 villain
# 80 44 10 23 42 66 42 227 villain
# 81 75 12 23 28 19 70 227 villain
# 82 63 38 23 48 22 28 222 villain
# 83 38 10 27 42 47 56 220 villain
# 84 81 10 12 14 48 50 215 villain
# 85 38 10 23 28 63 50 212 villain
# 86 75 10 12 14 19 80 210 villain
# 87 75 10 12 28 30 45 200 villain
# 88 25 7 12 14 100 40 198 villain
# 89 88 10 12 28 28 28 194 villain
# 90 38 10 35 32 20 56 191 villain
# 91 100 10 12 14 10 28 174 villain
# 92 100 10 23 14 10 14 171 villain
# 93 50 28 8 50 11 20 167 villain
# 94 100 10 12 14 10 14 160 villain
# 95 38 10 12 14 50 28 152 villain
# 96 1 32 1 1 0 1 36 villain
# 97 1 1 1 1 0 1 5 villain
# 98 1 1 1 1 0 1 5 villain
# 99 1 1 1 1 0 1 5 villain
# 100 1 1 1 1 0 1 5 villain
# 101 1 1 1 1 0 1 5 villain
# 102 1 1 1 1 0 1 5 villain
# 103 1 1 1 1 0 1 5 villain
# 104 1 1 1 1 0 1 5 villain
# 105 1 1 1 1 0 1 5 villain
# 106 1 1 1 1 0 1 5 villain
# 107 1 1 1 1 0 1 5 villain
Guardar el output#
Vamos a almacenar la variable marvelDc_edited la cual ya se encuentra limpia de duplicados y mantiene todas las ediciones que le hemos hecho.
save(marvelDc_edited, file = "Presentaciones/data/marvelDc_edited.RData")
Ejercicios#
1) ¿Quiénes son los personajes más fuertes de cada empresa?
Respuesta2) ¿Quiénes son los personajes más inteligentes de cada empresa?
Respuesta3) ¿Quiénes son las mujeres más poderosas y malvadas?
Respuesta4) ¿Quiénes son los hombres más poderosos y malvados?
Respuesta