Las tuberías del Tidyverse (Pipeline)

Publicado el 17 febrero 2021 por Daniel Rodríguez @analyticslane

Posiblemente una de las características más llamativas del Tidyverse es el operador tubería o "pipeline" (%>%). Un operador que permite concatenar varias operaciones de una forma sencilla y eficiente. Ofreciendo una forma bastante clara de expresar las operaciones a realizar sobre un conjunto de datos. Veamos a continuación como funcionan las tuberías del Tidyverse.

El operador tubería (%>%)

La tubería es un operador binario que nos que toma el valor de la izquierda y lo usa como entrada en la operación que se indica a la derecha de este. Por ejemplo, se puede utilizar para convertir una cadena de texto es minúsculas escribiendo

"Hola R" %>% str_to_lower()

Cogiendo la cadena de texto "Hola R" y pasándole como parámetro a la función str_to_lower() del paquete stringr. Esto es, sería lo mismo que hacer:

str_to_lower("Hola R")

Quizás para operaciones tan sencillas no aporte nada el uso de tuberías. Pero ¿qué pasa si necesitamos hacer más operaciones sobre la cadena de texto? Por ejemplo, reemplazar "R" por "Tidyverse" y sacar el mensaje por pantalla. Para lo que empleando una sintaxis clásica se tendría que hacer algo como lo siguiente

print(str_to_lower(str_replace("Hola R", "R", "Tidyverse")))

Pero empleando tuberias en su lugar se podría escribir de la siguiente forma

"Hola R" %>% str_replace("R", "Tidyverse") %>% str_to_lower() %>% print()

Mayor claridad con saltos de línea

Lo que, desde mi punto de vista, es más claro ya que se pueden entender de un vistazo en qué orden se ejecutan las operaciones sobre el conjunto de datos. Incluso, dado que ni los espacios ni los saltos de línea son tenidos en cuenta por el operador, es posible escribir una operación en cada línea, dejando la expresión anterior en algo como:

"Hola R" %>%
  str_replace("R", "Tidyverse") %>%
  str_to_lower() %>%
  print()

Con lo que de esta forma se puede ver que al usar las tuberías del Tidyverse queda más claro que operaciones se desean realizar sobre los datos.

Cuando los datos no son el primer parámetro

El operador de tubería coge los datos de la izquierda y los pasa en la función de la derecha como parámetro. Para indicar la posición en la que se debe pasar este parámetro se pude usar el operador punto (.), aunque, como se ha visto en los ejemplos anteriores, se puede omitir si el parámetro es el primero de la función. Esto es, la operación

c(1,2,NA,4,5) %>% mean(na.rm = TRUE)

es equivalente a

c(1,2,NA,4,5) %>% mean(., na.rm = TRUE)

Pudiéndose usar el operador punto para los casos en los que los datos no se deben pasar como primer parámetro, como puede ser el caso de una regresión

marketing %>%
   lm(sales ~ youtube + facebook, data = .)

Lo que producirá el mismo resultado que la siguiente línea.

lm(sales ~ youtube + facebook, data = marketing)

El operador tubería y RStudio

La importancia que tiene el operador tubería se puede ver en RStudio, ya que existe un atajo para escribirlo en el editor. Para obtener este solamente se tiene que pulsar la combinación de teclas: Ctrl + ⇧ + M

Conclusiones

En esta entrada hemos visto cómo funciona el operador tubería y algunas de las ventajas que ofrece a la hora de expresar las operaciones sobre los conjuntos de datos. Haciendo que el código pueda ser más legible. Con lo que es más fácil la revisión de este tanto para entender lo que hace como para buscar errores en el mismo.

Imagen de Free-Photos en Pixabay