Exportar gráficos al directorio de trabajo en R

En el siguiente ejemplo se muestra como exportar una lista de gráficos al directorio de trabajo, guardado cada uno con un nombre en específico. Primero se guardan los gráficos en una lista; posterior se crea una lista de nombres con los que se guardaran los gráficos en el directorio de trabajo; posteriormente se asigna a cada nombre un gráfico determinado; por último, se guardan estos gráficos con ggsave.

library(tidyverse)
 
cesar <- list()
cesar[[1]] <- ggplot2::ggplot(iris, aes(x=Sepal.Length))+geom_density()
cesar[[2]] <- ggplot2::ggplot(iris, aes(x=Sepal.Length,y=Petal.Length))+geom_point()
 
nombres <- paste("graph", 1:length(cesar), sep="")
 
for (i in 1:length(cesar)){
  assign(nombres[i], cesar[[i]])
 
  nombres2 <- paste(nombres[i], ".png", sep="")
   ggplot2::ggsave(nombres2)
}

Entradas populares de este blog

Valores perdidos (NA) en R: identificación y tratamiento (I)

Missing Values (NA) in R.  En la siguiente entrada se muestran algunas operaciones básicas para la identificación y tratamiento de valores perdidos en R. Dado el siguiente vector de valores, se verifica que los valores NA son utilizados en R para señalar valore perdidos: x<-c(24, 14, 17, 25, 12, NA, 11, NA) Aunque en este ejemplo es fácil de identificar donde se encuentran los NA, en la mayoría de los casos prácticos el volumen de datos no permitirá se identifique con facilidad la presencia de algún valor perdido en el vector de datos. Sin embargo, en R la función is.na permite obtener un vector lógico con TRUE en los casos de valores perdidos. Al anidar la función any con la función is.na se verifica si un vector determinado tiene algún valor perdido, la función which permite identificar la posición de estos valores, mean el porcentaje de NA y sum la cantidad de NA : > is.na(x)        # Vector lógico con T==NA [1] FALSE FALSE FALSE FALSE FALSE  TRUE FALSE 
Leer más

5 Métodos para la identificación de valores atípicos en R

Imagen
Las series económicas pueden estar influidas por una serie de procesos no determinista, ni conocidos para el analista y que pueden incidir en que estas observaciones presenten estructura distinta al del resto de estas series, teniendo la capacidad de sesgar los resultados obtenidos y de afectar la capacidad de estimaciones de los modelos. Por tanto, antes de cualquier análisis estadístico es recomendable observar si existen datos atípicos que puedan incidir sobre los resultados. En el siguiente ejemplo se genera una variable aleatoria x con valores aleatorios de 100 edades de niños en un determinado centro escolar ( x<-sample(5:16,100,replace=T) ) y se introducen tres valores atípicos intencionalmente en las observaciones [ 10,21,33 ] correspondiente a las edades de 21,31 y 40 años, respectivamente. > x<-sample(5:16,100,replace=T) > x[c(10,21,33)]<- c(21,31,40) > plot(x, type="b", pch=16) Peña (nd) muestra como la inclusión de valores atípicos in
Leer más

Ejemplos de tablas en Stata

Tablas de frecuencia con condicionales: tabulate Las tablas de frecuencia absoluta nos permiten contabilizar casos que cumplen con determinadas condiciones, Stata genera este tipo de tablas mediante diversas formas, una de ella es mediante el comando tabulate , en el mismo, tal como muestran los siguientes ejemplos, podemos además introducir filtros, condicionales, factores de expansión y las demás bondades de Stata (Alonso Borrego & Sánchez Mangas) . * Tabla de frecuencia absoluta, relativa y relativa acumulada . tabulate foreign    Car type |      Freq.     Percent        Cum. ------------+-----------------------------------    Domestic |         52       70.27       70.27     Foreign |         22       29.73      100.00 ------------+-----------------------------------       Total |         74      100.00 Especificándole dos variables, también podemos obtener una tabla de contingencia cruzada: . tabulate mpg  foreign
Leer más