-
Notifications
You must be signed in to change notification settings - Fork 2
/
25-resumenes.Rmd
495 lines (359 loc) · 22.1 KB
/
25-resumenes.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
```{r echo = FALSE}
library(knitr)
# Color text
colorize <- function(x, color) {
if (knitr::is_latex_output()) {
sprintf("\\textcolor{%s}{%s}", color, x)
} else if (knitr::is_html_output()) {
sprintf("<span style='color: %s;'>%s</span>", color, x)
} else { x }
}
```
# Resumiendo y relacionado datos {#resumenes}
:::: {.blackbox data-latex=""}
Scripts usados:
* [**script25.R**](https://github.com/dadosdelaplace/courses-ECI-2022/blob/main/scripts/script25.R): resumiendo y relacionando datos. Ver en <https://github.com/dadosdelaplace/courses-ECI-2022/blob/main/scripts/script25.R>
::::
Ahora que **ya sabemos depurar y transformar los datos**, y algunas de las características de los tipos de variables, en esta sección vamos a aprender dos cosas básicas a la hora de trabajar con datos:
* Realizar <mark>**resúmenes numéricos**</mark> de los datos, de forma general pero también cuando queremos calcular estadísticas desagregadas por grupos.
* <mark>**Medidas de centralización, dispersión y posición**</mark>
* <mark>**Relacionar tablas**</mark> entre sí (los famosos _join_).
## Resúmenes numéricos (summarise y skimr) y por grupos (group_by)
Antes de pasar a ver **cómo generar nuestras propias estadísticas de los datos**, veamos la funcionalidad de un maravilloso paquete llamado `{skimr}`, que nos permite tener en un vistazo un <mark>**resumen numérico**</mark> muy completo de nuestros datos, con **histograma/diagrama de barras incluido**.
```{r}
library(skimr)
starwars %>% skim()
```
Dicho resumen nos proporciona:
- Variables de tipo **caracter**: `n_missing` (número de ausentes), `complete_rate` (proporción de datos sin ausentes), `min/max` y `n_unique` (número de valores únicos).
- Variables de tipo **lista**: `n_missing` (número de ausentes), `complete_rate` (proporción de datos sin ausentes), `n_unique` (número de valores únicos) y `min_length/max_length` (longitud mínimo/máxima de las listas).
- Variables de tipo **numérico**: `n_missing` (número de ausentes), `complete_rate` (proporción de datos sin ausentes), `mean/sd` (media y cuasidesviación típica), `p0/p25/p50/p75/p100` (cuartiles, percentiles 0%-25%-50%-75%-100%, valores que nos dividen nuestro conjunto en 4 trozos) e `hist` (una especie de histograma/barras sencillo).
Este resumen no solo podemos visualizarlo sino que podemos guardarlo para exportarlo por ejemplo en un `.csv`. Sin embargo, aunque el resumen es bastante completo, muchas veces querremos <mark>**generar nuestras propias estadísticas o resúmenes numéricos**</mark>, y para eso vamos a aplicar `summarise()`, que nos calculará estadísticas de nuestros datos.
### Medidas de centralización y dispersión
Por ejemplo, vamos a <mark>**calcular las medidas de centralización (media-mediana-moda)**</mark>. Para la media y la mediana basta con usar las funciones correspondientes `mean()` y `median()`, dentro de `summarise()`
```{r}
starwars %>% summarise(media = mean(mass),
mediana = median(mass))
```
Al contrario que las demás órdenes de `{tidyverse}`, la función `summarise()` no nos devuelve la tabla original modificada, sino un resumen de los datos, con las funciones que le hayamos indicdo. Como ves nos **devuelve un dato ausente** ya que al existir datos ausentes en la variables, **la media también lo es**. Para evitar ese problema **podemos hacer dos cosas**: eliminar antes los ausentes, o indicarle en la propia media y mediana que haga el cálculo ignorando los valores `NA`.
```{r}
# Primero eliminamos NA
starwars %>% drop_na(mass) %>%
summarise(media = mean(mass), mediana = median(mass))
# Al realizar el cálculo los ignora
starwars %>%
summarise(media = mean(mass, na.rm = TRUE),
mediana = median(mass, na.rm = TRUE))
```
Las <mark>**medidas de centralización**</mark> son aquellos parámetros o valores que nos informe en torno a que <mark>**valores**</mark> se concentran los datos. La <mark>**media**</mark> $\overline{x}$ es una medida de centralización basada en el valor que nos **minimiza el promedio de desviaciones al cuadrado**: la media es el valor que está más cerca de todos los puntos a la vez (con la distancia Euclídea, definida como la diferencia al cuadrado)
$$\overline{x} = \frac{1}{N} \sum_{i=1}^{N} x_i, \qquad \overline{x} = \arg \min_{x} \frac{1}{N} \sum_{i=1}^{N} \left(x_i - x \right)^2$$
La media <mark>**solo se puede calcular para variables cuantitativas**</mark>: solo podemos calcular medias de números.
```{r}
# Media de todas las cuantitativas
starwars_nueva %>%
summarise(media = across(where(is.numeric), mean, na.rm = TRUE))
```
La <mark>**mediana**</mark> se define como el valor que ocupa el <mark>**centro de los datos cuando los ordenamos de menor a mayor**</mark>, un valor que nos deja por debajo al menos el 50% y por encima al menos el 50%.
```{r}
# Media y mediana de todas las cuantitativas
starwars_nueva %>%
summarise(media = across(where(is.numeric), mean, na.rm = TRUE),
mediana = across(where(is.numeric), median, na.rm = TRUE))
```
La mediana también se puede calcular para <mark>**variables cualitativas ordinales (categorías que se puedan ordenar)**</mark>, además de para variables cuantitativas.. Vamos a construir una variable que sea «muy bajo-bajo-medio-alto-muy alto» según la estatura, y calcular la mediana para dichas categorías.
```{r}
categorias <- c("muy bajo", "bajo", "medio", "alto", "muy alto")
starwars_talla <-
starwars %>%
mutate(talla =
cut(height, breaks = c(-Inf, 80, 120, 160, 190, Inf),
labels = categorias))
# Mediana (hay que pasárselo como número)
starwars_talla %>%
summarise(mediana =
categorias[median(as.numeric(talla), na.rm = TRUE)])
```
Para la **moda tenemos algún problema mayor** ya que no hay un función en los paquetes `{base}` para su cálculo directo. La <mark>**moda**</mark> se define como el <mark>**valor más repetido**</mark>: si tenemos algo discreto o cualitativo es la barra más alta.
```{r}
library(tidyverse)
# Carga
netflix <-
read_csv('https://raw.githubusercontent.com/elartedeldato/datasets/main/netflix_titles.csv')
# Películas y series de insti
netflix_hs <- netflix %>%
filter(str_detect(toupper(description), "HIGH SCHOOL"))
netflix_hs
# Manipulamos fechas
library(lubridate)
netflix_final <-
netflix_hs %>%
mutate(year = year(mdy(date_added))) %>%
filter(!is.na(year))
netflix_resumen <-
netflix_final %>%
group_by(year) %>%
count() %>%
ungroup()
library(sysfonts)
library(showtext)
font_add_google(family = "Bebas Neue", name = "Bebas Neue")
font_add_google(family = "Permanent Marker", name = "Permanent Marker")
showtext_auto()
ggplot(netflix_resumen, aes(x = year, y = n)) +
geom_col(fill = "red") +
scale_x_continuous(breaks = netflix_resumen$year) +
theme_void() +
theme(legend.position = "none",
plot.title = element_text(family = "Bebas Neue",
color = "red", size = 80)) +
labs(title = "NETFLIX",
subtitle = "Películas y series de instituto",
caption = "Basada en El Arte del Dato (https://elartedeldato.com) | Datos: Kaggle") +
theme(panel.background = element_rect(fill = "black"),
plot.background = element_rect(fill = "black",
color = "black"),
panel.grid.major.y =
element_line(size = 0.1, color = "white"),
plot.subtitle = element_text(family = "Permanent Marker",
size = 21, color = "white"),
plot.caption = element_text(family = "Permanent Marker",
color = "white", size = 19),
axis.text =
element_text(size = 15, family = "Permanent Marker",
color = "white"),
plot.margin = margin(t = 4, r = 4, b = 4, l = 8, "pt")) +
annotate("text", label = "Moda",
x = 2020.7, y = 47, hjust = 0.2, vjust = 0, family = "Permanent Marker", size = 6, color = 'white', angle = 10) +
annotate("curve", x = 2020.3, y = 48, xend = 2020, yend = 44,
color = "white")
```
Para calcularla podemos usar el paquete `{modeest}`: la función `mfv()` nos calcula la **moda exacta** de una variable numérica discreta o cuantitativa (busca los valores más repetidos), la función `mlv()` nos calcula la **moda estimada** de una variable numérica continua.
```{r, warning = FALSE}
library(modeest)
# Media y mediana y moda de mass y n_films
resumen <-
starwars_nueva %>%
summarise(media = across(c(mass, n_films), mean, na.rm = TRUE),
mediana = across(c(mass, n_films), median, na.rm = TRUE),
moda_n_films = mfv(n_films, na_rm = TRUE),
moda_mass = mlv(mass, na.rm = TRUE))
resumen
```
Fíjate que el resumen ha agrupado todas las modas y medianas que hemos calculado a la vez: **la salida de nuestro resumen es una lista, con tablas a su vez dentro**.
Veamos un ejemplo sintético de <mark>**distribuciones multimodales**</mark>, generando con `rnorm()` (genera datos aleatorias provenientes de una distribución normal) un conjunto <mark>**unimodal**</mark>, <mark>**bimodal**</mark> y <mark>**trimodal**</mark>, los 3 con la misma media.
```{r}
n <- 900
# Datos
datos <-
tibble("unimod" = rnorm(n, 5, 1),
"bimod" = c(rnorm(n/2, 3, 1), rnorm(n/2, 7, 1)),
"trimod" = c(rnorm(n/3, 2, 1), rnorm(n/3, 5, 1),
rnorm(n/3, 8, 1)))
# Tidy data
datos <-
pivot_longer(datos, cols = everything(),
names_to = "tipo", values_to = "values")
# Estadisticas
datos %>%
group_by(tipo) %>%
summarise(media = mean(values),
mediana = median(values))
```
Sólo utilizando la media estos casos son indistiguibles, ya que en todos los casos la media y mediana coinciden, pero si podemos hacerlo visualizando sus densidades.
```{r}
library(ggridges)
ggplot(datos,
aes(y = tipo, x = values, fill = tipo)) +
geom_density_ridges(alpha = 0.7, height = 1) +
scale_fill_manual(values = met.brewer("Klimt")) +
labs(fill = "Distribución",
y = "Distribución",
title = "DISTRIBUCIONES MULTIMODALES")
```
Con `stat_density_ridges()` podemos además marcar algunos valores, como por ejemplo los cuartiles.
```{r}
ggplot(datos,
aes(y = tipo, x = values, fill = tipo)) +
geom_density_ridges(alpha = 0.7, height = 1) +
stat_density_ridges(quantile_lines = TRUE,
quantiles = c(0.25, 0.5, 0.75),
color = "black", alpha = .8,
size = 0.7) +
scale_fill_manual(values = met.brewer("Klimt")) +
labs(fill = "Distribución",
y = "Distribución",
title = "DISTRIBUCIONES MULTIMODALES")
```
De la misma manera podemos pedirle que nos calcule <mark>**medidas de dispersión (varianza, desv. típica y cv)**</mark>, que nos indican cómo de dispersos están los datos respecto a un centro, normalmente la media, y <mark>**medidas de localización (percentiles)**</mark> (valores que nos parten los datos en trozos iguales). Dada una proporción de los datos $0 < p < 1$, el <mark>**cuantil de orden $p$**</mark> de una variable cuantitativa, denotado como $Q_p$, es el valor más pequeño tal que su frecuencia relativa acumulada es mayor o igual que $p$: es el número más pequeño que deja a su izquierda (incluyéndolo a él) como mínimo la fracción $p$ de los datos (la propia mediana es el cuantil $Q_{0.5}$.
```{r, warning = FALSE}
starwars %>%
summarise(media = mean(mass, na.rm = TRUE),
mediana = median(mass, na.rm = TRUE),
moda = mlv(mass, na.rm = TRUE),
var = var(mass, na.rm = TRUE),
sd = sd(mass, na.rm = TRUE),
cv = sd / abs(media),
p13 = quantile(mass, probs = c(0.13), na.rm = TRUE),
p87 = quantile(mass, probs = c(0.87), na.rm = TRUE))
```
Haciendo uso de cosas ya vistas podemos, por ejemplo, <mark>**calcular el coeficiente de variación (CV)**</mark> de todas las variables numéricas para poder decidir cual es más o menos dispersa.
```{r, warning = FALSE}
resumen <-
starwars %>%
summarise(media = across(where(is.numeric), mean, na.rm = TRUE),
var = across(where(is.numeric), var, na.rm = TRUE),
cv = sqrt(var) / abs(media))
resumen$media
resumen$var
resumen$cv # más homogénea la altura por tener menos CV.
```
### Agrupando datos: group_by
Una de las funcionalidades más potentes es la opción de <mark>**añadir antes una agrupación**</mark> con `group_by()`. Esta función per se no cambia los datos sino que cambia la forma en la que se aplicarán las funciones posteriores, realizándose por **desagregadas grupos**.
Imagina que queremos calcular la **media de altura y peso** de cada personaje PERO desagregada por cada una de las clases que tenemos en la variable `sex`.
```{r}
starwars %>% group_by(sex) %>%
summarise(media_altura = mean(height, na.rm = TRUE),
media_peso = mean(mass, na.rm = TRUE)) %>%
ungroup()
```
Lo que obtenemos no es la media de todos los personajes sino la **media desagregada por grupo**, grupo marcado por la variable `sex`. Las **agrupaciones pueden estar en función de varias variables** a la vez.
```{r}
starwars %>% group_by(sex, gender) %>%
summarise(media_altura = mean(height, na.rm = TRUE),
media_peso = mean(mass, na.rm = TRUE)) %>%
ungroup()
```
Dicha función también es muy útil cuando queremos **realizar un filtro de registros en base al número de cada clase**: por ejemplo, vamos a filtrar los registros que pertenezcan a una clase de `sex` que tenga al menos 10 individuos dentro de dicho grupo.
```{r}
starwars %>%
group_by(sex) %>%
count() %>%
ungroup()
```
Si te fijas solo deberíamos filtrar los registros que sean `female` y `male`. Vamos a hacerlo de forma automática en base a dicho **umbral**.
```{r}
# Podemos filtrar por grupos solo aquellos que superen un
# un umbral mínimo
starwars %>%
group_by(sex) %>%
filter(n() > 10) %>%
ungroup()
```
Para comprobar rápidamente que efectivamente solo ha filtrado aquellos grupos con más de 10 elementos en ellos podemos **añadir `count()`**.
```{r}
starwars %>%
group_by(sex) %>%
filter(n() > 10) %>%
count() %>%
ungroup()
```
Los resúmenes y las agrupaciones podemos **combinarlas de todas las formas que nos imaginemos**, por ejemplo, calculando la media desagregada por sexo y género pero solo de las variables numéricas.
```{r}
starwars %>% # doble agrupación
group_by(sex, gender) %>%
summarise(across(where(is.numeric), mean, na.rm = TRUE)) %>%
ungroup()
```
### Rowwise: operaciones por filas
Por último veamos un ejemplo de una **opción muy útil usada antes de una operación que es** `rowwise()`: toda operación que venga después se aplicará <mark>**en cada fila por separado**</mark>. Para el ejemplo vamos a definir un fichero _dummy_ de notas en mates, lengua y dibujo de 50 alumnos. Para ello usamos la función `sample()`: le decimos que seleccione aleatoriamente `size = 50` notas de un conjunto de notas posibles (`0:10`), y que lo haga con reemplazamiento (`replace = TRUE`, es decir, que dos alumnos puedan tener la misma nota)
```{r}
notas <- tibble("mates" = sample(0:10, size = 50, replace = TRUE),
"lengua" = sample(0:10, size = 50, replace = TRUE),
"dibujo" = sample(0:10, size = 50, replace = TRUE))
notas
```
Una vez que tenemos 3 notas aleatorias por cada uno de los 50 alumnos, **¿qué sucede si yo quiero calcular la nota media del curso?**
```{r}
notas %>% mutate(media_curso = mean(c(mates, lengua, dibujo)))
```
Como ves si aplicamos la media de las tres variables, en cada fila el valor de `media_curso` es idéntico ya que nos ha hecho la **media global**: ha tomado las 50 filas, las 3 columnas, y ha hecho la media de 150 datos. Cuando en realidad a nosotros nos gustaría **sacar una media por registro**, que para cada alumno tengamos la media de las asignaturas.
```{r}
# Aplicado por fila
notas %>% rowwise() %>%
mutate(media_curso = mean(c(mates, lengua, dibujo)))
```
Solos nos falta poner la guinda a lo aprendido a esta introducción: vamos a ver como podemos <mark>**relacionar dos conjuntos de datos distintos entre sí**</mark>.
## Relacionar datos (joins)
Una de las **opciones más comunes para trabajar con datos** es tener a nuestra disposición diversas tablas, con alguno o varios de los campos en común, y nos interesa a veces <mark>**cruzar datos**</mark> de ambos para tener una información más completa con el conjunto de las tablas. Es lo que se conoce en ciencia de datos e informática como **hacer un _join_ de tablas**. Para ese cruce será **indispensable que haya uno o varios campos clave**, campos que sirvan para identificar unívocamente cada registro (por ejemplo, DNI).
```{r joins, echo = FALSE, fig.cap = "Esquema con los principales tipos de join, extraído de <https://estradawebgroup.com/Post/-Que-es-y-para-que-sirve-SQL-Joins-/4278>"}
knitr::include_graphics("./img/sql-joins.jpg")
```
Existen principalmente **cuatro tipos de cruces** si pensamos en cruzar un conjunto `A` con otro conjunto `B`:
- **Inner join**: solo nos quedamos con las **filas que tengan correspondencia en ambas tablas** (personas cuyo DNI aparezca en ambas tablas, por ejemplo).
- **Left (outer) join**: nos quedamos con **todas las filas de `A`**, buscando que registros de dicha tabla están también en `B`, completando los datos de esta tabla para esos registros.
- **Right (outer) join**: nos quedamos con **todas las filas de `B`**, buscando que registros de dicha tabla están también en `A`, completando los datos de esta tabla para esos registros.
- **Full join**: nos quedamos con **todas las filas de `A` y `B`**, tengan o no correspondencia en la otra tabla (si no está en una de ellas, las columnas correspondientes quedarán como campo ausente).
Esos **campos clave (keys)** serán las columnas que usaremos para definir los cruces. Para los ejemplos usaremos las tablas del paquete `{nycflights13}`.
```{r}
library(nycflights13)
```
Dicho paquete cuenta con las siguientes **tablas**:
* `airlines`: nombre de la aerolínea (con su abreviatura).
* `airports`: datos de aeropuertos (nombres, longitud, latitud, altitud, etc).
* `flights`: datos de vuelos (con `tailnum` como marca de idenfiticación).
* `planes`: datos de los aviones.
* `weather`: datos meteorológicos horarios de las estaciones LGA, JFK y EWR.
Veamos un ejemplo: imagina que queremos **completar en la tabla de vuelos los datos de cada una de las aerolíneas que operan dichos vuelos**. Vamos a seleccionar unas pocas columnas para que sea más fácil de visualizar.
```{r}
# Seleccionamos antes columnas para que sea más corto
flights_filtrada <- flights %>%
select(year:day, arr_time, carrier:dest)
flights_filtrada
```
Queremos **TODAS las filas de los vuelos**, todos sus registros, pero **añadiendo la información** que tenemos de la aerolínea que opere los vuelos, así que haremos un **LEFT JOIN** de `flights` vs `airlines`. El campo común que nos permite cruzarla, la **clave (key)** es el código abreviado de las aerolíneas (variable `carrier`).
```{r}
# Mismas filas pero con una nueva columna: siempre que sea
# posible el cruce tendrá la info de la aerolínea
l_join_flights_airlines <-
flights_filtrada %>% left_join(airlines, by = "carrier")
l_join_flights_airlines
```
Si te fijas ahora tenemos en `l_join_flights_airlines` las mismas 336776 filas pero con una columna más: la tabla `airlines` tenía 2 columnas, una la común con `flights` y en otra la nueva que se ha incorporado a la tabla. **¿Y si en `flights` había algún vuelo operado por alguna aerolínea que no estuviese en `airlines`?**
```{r}
# Filtramos
l_join_flights_airlines %>% filter(is.na(name))
```
En este caso todos los registros de la primera tabla tenían su correspondencia en la segunda tabla. Veamos un ejemplo donde suceda eso, quitándole algunas filas a `airlines`, quitando las aerolíneas con códigos `"B6"`.
```{r}
airlines_filtrada <- airlines %>%
filter(!(carrier %in% c("B6")))
l_join <- flights_filtrada %>% left_join(airlines_filtrada, by = "carrier")
dim(l_join %>% filter(is.na(name)))
```
En el anterior ejemplo tenemos 54 635 filas que cuyo nombre está ausente, es decir, 54 635 filas de `flights` que no tienen correspondencia en la tabla filtrada `airlines_filtrada`. Ahora las **filas que no han encontrado su _match_ en la segunda tabla están como campo ausente**.
```{r}
l_join
```
```{r left-join, echo = FALSE, fig.cap = "Esquema del left join, extraído de <https://r4ds.had.co.nz/relational-data.html#mutating-joins>"}
knitr::include_graphics("./img/left_join.jpg")
```
La misma lógica para los **RIGHT JOIN** y los **FULL JOIN**. En este último tendremos bastantes datos ausentes, ya que todos los registros que no estén en ambas tablas tendrán una parte de sus variables como `NA`
```{r}
tabla1 <- tibble("key_1" = 1:7, "valor_1" = paste0("x", 1:7))
tabla2 <- tibble("key_2" = c(0, 1, 2, 5, 6, 9, 10),
"valor_2" = paste0("x", c(0, 1, 2, 5, 6, 9, 10)))
# Left
tabla1 %>% left_join(tabla2, by = c("key_1" = "key_2"))
# Right
tabla1 %>% right_join(tabla2, by = c("key_1" = "key_2"))
# Full
tabla1 %>% full_join(tabla2, by = c("key_1" = "key_2"))
```
```{r right-join, echo = FALSE, fig.cap = "Esquema del right join, extraído de <https://r4ds.had.co.nz/relational-data.html#mutating-joins>"}
knitr::include_graphics("./img/right_join.jpg")
```
```{r full-join, echo = FALSE, fig.cap = "Esquema del full join, extraído de <https://r4ds.had.co.nz/relational-data.html#mutating-joins>"}
knitr::include_graphics("./img/full_join.jpg")
```
Un tipo de join especial son los **INNER JOIN**. Hasta ahora la tabla resultante tenía al menos tantas filas como tuviese la tabla más pequeña en el cruce. En el caso de los **INNER JOIN** vamos a **reducir el tamaño** ya que solo nos quedaremos con **aquellos registros que podamos encontrar en ambas**, de forma que **el cruce nunca generará datos ausentes**.
```{r}
# Inner
tabla1 %>% inner_join(tabla2, by = c("key_1" = "key_2"))
```
```{r inner-join, echo = FALSE, fig.cap = "Esquema del inner join, extraído de <https://r4ds.had.co.nz/relational-data.html#mutating-joins>"}
knitr::include_graphics("./img/inner_join.png")
```
## 📝 Ejercicios
en construcción (cuarteto de anscombe)