library(tidyverse)
library(datos)

# Objetivos de un Análisis Exploratorio de Datos
# 1) Estudiar el comportamiento (varianza) de cada variable
# 2) Estudiar la interacción entre distintas variables

ggplot(data = diamantes) +
  geom_bar(mapping = aes(x = corte))

ggplot(data = diamantes) +
  geom_histogram(mapping = aes(x = quilate), binwidth = 0.5)

pequenos <- diamantes %>% 
  filter(quilate < 3)

# Cuiado que no se nos escape info al agrupar demasiado grueso

ggplot(data = pequenos, mapping = aes(x = quilate)) +
  geom_histogram(binwidth = 0.1)

ggplot(data = pequenos, mapping = aes(x = quilate, colour = corte)) +
  geom_freqpoly(binwidth = 0.1)

ggplot(data = pequenos, mapping = aes(x = quilate)) +
  geom_histogram(binwidth = 0.01)

# No siempre tenemos datos con forma de campana

ggplot(data = fiel, mapping = aes(x = erupciones)) +
  geom_histogram(binwidth = 0.25)

# Valores atípicos

ggplot(diamantes) + 
  geom_histogram(mapping = aes(x = y), binwidth = 0.5)
# El rango del eje x sugiere que hay datos grandes, pero no se ven

ggplot(diamantes) + 
  geom_histogram(mapping = aes(x = y), binwidth = 0.5) +
  coord_cartesian(ylim = c(0, 50))
# ahora sí!

# Esto nos permite encontrar características que permitan filtrarlos y estudiarlos
inusual <- diamantes %>% 
  filter(y < 3 | y > 20) %>% # El complemento es el rango usual, según el histograma
  select(precio, x, y, z) %>%
  arrange(y)
inusual # medidas iguales a 0??

# Queremos entender a los datos atípicos. No siempre son errores al pasar los datos.
# No siempre queremos eliminaros de la base de datos. 
# Si los eliminamos, tiene que estar debidamente justificado.

# Datos faltantes

# Podemos eliminar las filas con datos atípicos de 'y'
diamantes2 <- diamantes %>% 
  filter(between(y, 3, 20))

# Capaz queremos modificar los valores erroneos anteriores con NA
diamantes2 <- diamantes %>% 
  mutate(y = ifelse(y < 3 | y > 20, NA, y))

ggplot(data = diamantes2, mapping = aes(x = x, y = y)) + 
  geom_point()
# Observar que ggplot devuelve warnings cuando deja de graficar puntos por datos faltantes

# Si queremos explicitar que ignoramos los NA:
ggplot(data = diamantes2, mapping = aes(x = x, y = y)) + 
  geom_point(na.rm = TRUE)

# A veces queremos eliminar todos los datos faltantes

bateadores %>% 
  na.omit() %>% 
  summarise_all(is.na) %>% 
  summarise_all(sum)

bateadores %>% 
  filter_at(vars(bases_robadas, atrapado_robando), any_vars(!is.na(.))) %>% 
  summarise_all(is.na) %>% 
  summarise_all(sum)

# Covariación
# Cómo interactúan distintas variables entre sí?

# Cómo visualizar una variable continua junto con una discreta?

ggplot(data = diamantes, mapping = aes(x = precio)) + 
  geom_freqpoly(mapping = aes(colour = corte), binwidth = 500)
# Es un poco complicado comparar porque los grupos de 'corte' son de distintos tamaños

ggplot(data = diamantes, mapping = aes(x = precio, y = ..density..)) + 
  geom_freqpoly(mapping = aes(colour = corte), binwidth = 500)
# Usando proporciones lo solucionamos

ggplot(data = diamantes, mapping = aes(x = precio, y = ..density..)) + 
  geom_histogram(mapping = aes(fill = corte), binwidth = 50, position = 'stack')

ggplot(data = diamantes, mapping = aes(x = precio, y = ..density..)) + 
  geom_histogram(mapping = aes(fill = corte), binwidth = 50, position = 'identity', alpha = 0.2)

ggplot(data = diamantes, mapping = aes(x = precio, y = ..density..)) + 
  geom_histogram(mapping = aes(fill = corte), binwidth = 100, position = 'fill')

# Los boxplot son una herramienta muy usada para visualizar
ggplot(data = diamantes, mapping = aes(x = corte, y = precio)) +
  geom_boxplot()
# Usamos el orden normal de la variable 'corte': de peor a mejor

ggplot(data = diamantes) +
  geom_boxplot(mapping = aes(x = reorder(corte, precio, FUN = median), y = precio))
# En caso que queramos estudiar el crecimiento de las medianas de los grupos

# Cómo visualizar dos variables discretas?

ggplot(data = diamantes) +
  geom_count(mapping = aes(x = corte, y = color))

# Calcular tablas es una buena manera de visualizar
diamantes %>% 
  count(color, corte)

diamantes %>% 
  count(color, corte) %>%  
  ggplot(mapping = aes(x = color, y = corte)) +
  geom_tile(mapping = aes(fill = n))
# Similar a geom_count, pero con colores. 

# Cómo visualizar dos variables continuas?

# Scatterplot es una opción
ggplot(data = diamantes) + 
  geom_point(mapping = aes(x = quilate, y = precio), alpha = 1 / 100)

# Otra alternativa a usar alpha 
ggplot(data = pequenos) +
  geom_bin2d(mapping = aes(x = quilate, y = precio))

# Si solo agrupamos en una coordenada, podemos usar boxplots
ggplot(data = pequenos, mapping = aes(x = quilate, y = precio)) + 
  geom_boxplot(mapping = aes(group = cut_width(quilate, 0.1)))
# pero algunos grupos pueden quedar subrepresentados, dependiendo
# de la distribución en el eje x

# Con esta variatne, solucionamos la representación, pero puede quedar medio feo
ggplot(data = pequenos, mapping = aes(x = quilate, y = precio)) + 
  geom_boxplot(mapping = aes(group = cut_number(quilate, 20)))