estoy aprendiendo R y tengo una duda, en el curso que estoy tomando muestran diversos paquetes de tidyverse, y noté que al trabajar data sets una de las diferencias principales es que por ejemplo, las funciones para combinar ya sea join o bind producen un "data frame" que en el retorno dice "A tibble: [dimensiones]" y al revisar su clase, es un data frame, y en otras ocasiones no retorna eso. Alguien me podría explicar si son lo mismo o si hay alguna diferencia?
1 respuesta
data.frame
El data.frame
es una de las estructuras de datos básicas de R, forma parte de la librería base::
y por lo tanto está disponible en cualquier instalación de R, sin requerir paquetería adicional.
Se trata de una estructura tabular, es decir, organizada en filas y columnas. Además de los datos que están en esas filas y columnas un data.frame tiene dos atributos (metadatos): los nombres de columna, que se consultan o modifican con colnames(df)
y los nombres de filas, a los que accedemos con rownames(df)
.
tibble
Un tibble
es una estructura de datos muy similar a un data.frame (rectangular, organizada en filas y columnas) disponible en el paquete tibble
y por lo tanto en el tidyverse
. Estructuralmente un tibble
es también un data.frame
, por eso cuando preguntas por la clase del objeto te regresa los dos valores. Sin embargo hay tres pequeñas diferencias:
Diferencias
El método
print
de losdata.frame
y de lostibble
es diferente. Por eso cuando muestras en consola uno u otro se ven resultados diferentes. No es que sean diferentes los datos, solo cambia el método para mostrarlos. Personalmente prefiero el método de lostibble
, que aprovecha mejor el espacio en pantalla y muestra más información o información más relevante. Es la razón más fuerte para usarlos.Si bien los
tibble
pueden utilizarrownames
por defecto los eliminan y se desaconseja usar ese atributo. Esto para mejorar la compatibilidad con datos provenientes una base de datosSQL
, en los que los nombres de fila no tienen sentido.
3. Por defecto no convierte a las cadenas de caracteres (strings) en factores. Esto es buena idea, los factores son un tipo de datos complicado de mantener y manipular y es buena práctica mantenerlos como cadenas de caracteres hasta último momento, cuando no queda otra alternativa que usarlos.
A partir de R 4.0 en el data.frame ya no crea factores a partir de cadenas como opción de por defecto.
Por defecto la mayoría de las funciones del tidyverse
crean objetos tibble
, aunque siguen siendo compatibles con los data.frame
dada la gran familiaridad entre unos y otros. Sin embargo este comportamiento no es completamente consistente y algunas funciones o en algunos casos se producen data.frame
cuando se esperaría un tibble
. Esto no es un problema grave, ya que son estructuras prácticamente intercambiables, aunque puede ser peligroso si estás creando un programa que va a funcionar sin supervisión y requieres certidumbre sobre los tipos y estructuras de datos que se van creando. En uso interactivo es solamente algo molesto.
Cambiar de tibble
a data.frame
(y vice versa)
En cualquier momento puedes pasar un tibble
a un data.frame
con la función as.data.frame()
. A la inversa, puedes pasar cualquier data.frame a tibble con as_tibble()
, prestando atención a lo que ocurra con los rownames()
.
Funciones que dan error con tibble
Con algunas funciones que reciben como input a una data.frame
a veces obtenemos un error si les suministramos un tibble
¿Por qué, si son iguales? Porque seguramente esa función hace una verificación de la clase del objeto input comparando solamente el primer elementos de la lista class()
. Como muestras en tu segundo bloque de código la clase data.frame
aparece en el tercer lugar y entonces esta función no lo encuentra y se ejecuta el else
de la verificación. En esos casos puedes coercionar el tibble
a data.frame
y asunto resuelto.