El análisis exploratorio de datos no es un proceso formal regido por un conjunto estricto de reglas. El EDA es, más que nada, un estado mental. Durante las fases iniciales del EDA deberías ser libre de investigar todas las ideas que se te ocurran. Algunas de estas ideas prosperarán, mientras que otras serán como callejones sin salida. A medida que tu exploración continúa, te concentrarás en ciertas áreas particularmente productivas sobre las que eventualmente escribirás y comunicarás a otras personas.

El EDA es una parte importante de cualquier análisis, aun si las preguntas están servidas en bandeja, pues siempre tendrás que examinar la calidad de tus datos. La limpieza de datos es una aplicación del EDA: haces preguntas acerca de si tus datos cumplen con tus expectativas o no. Para limpiar tus datos tendrás que desplegar todas las herramientas del EDA: visualización, transformación y modelado.

stringr

Contiene funciones con las que manipular cadenas de caracteres que sirven, por ejemplo, para resolver problemas en la codificación de variables categóricas. Entre sus muchas funciones, algunas de ellas nos permiten:

– eliminar espacios en blanco en cualquiera de los lados de las cadenas
– dividir las cadenas de caracteres según un patrón, pudiendo indicar el número de bloques en los que hacerlo
– extraer fragmentos de una cadena que corresponden a un determinado patrón

lubridate

Con esta librería resulta muy sencillo trabajar con fechas y horas. Nos permite convertir cadenas de caracteres al formato de fecha POSIXct, reconociendo distintos formatos. Veamos algunos ejemplos:

– Año, mes y día separados por guiones o barras
– Día, mes y año sin separación o incluso escritos (en inglés)
– Fechas y horas, pudiendo indicar la zona horaria

tidyr y dplyr

Gracias a estas librerías podemos manipular los datos cuando estos se disponen en forma de tablas. tidyr proporciona diversas funciones con las que podemos convertir las filas en columnas y viceversa, dividir una columna en varias o juntar distintas columnas en una.

ggplot2

Para visualizar los datos ggplot2 nos ofrece la posibilidad de crear una gran cantidad de gráficos, como scatter plots, gráficos de barras, boxplots o histogramas entre otros muchos. Se basa en ir añadiendo capas en las que se van especificando los distintos parámetros del gráfico: datos a representar, colores, formas geométricas, transformaciones de tipo estadístico aplicadas a los datos, escala en cada uno de los ejes o sistema de coordenadas.