Introducción a la programación y al análisis de datos

class: center, middle, inverse, title-slide

# Introducción a la programación y al análisis de datos
## Programación para el análisis de datos
### Departamento de Ciencias Sociales, UCU - Martín Opertti

---

class: inverse, center, middle

# Presentaciones

---
## Presentaciones

- ¿Cómo se llaman?

- ¿Qué carrera están cursando?

- Sensaciones y experiencia con programación, análisis de datos y ciencia de datos o "data science".

- ¿En qué les gustaría trabajar?

---
class: inverse, center, middle

# Análisis de datos

---

## Análisis de datos

.content-box-green[*"Data analysis is the process by which data becomes understanding, knowledge and insight".*
Hadley Wickham
]

.center[
<img src="ima/flow.svg" width="600px" />
]

.right[Fuente: R4DS]

---

## ¿Por qué analizar datos?

.content-box-green[
*"In God we trust, others must bring data".* 
W. E. Deming]

- **Investigación**
--

- **Mercado laboral**
--

- **Revolución de los datos y las computadoras**

---

## Ciencia de datos

.center[
<img src="ima/diagrama.png" width="600px" />
]

---
class: inverse, center, middle

# Softwares estadísticos y programación

---

## Softwares estadísticos

Los softwares o paquetes estadísticos son programas informáticos diseñado para llevar a cabo análisis estadísticos. Algunos de los más utilizados son SPSS, Stata, SAS o R.

.center[
<img src="ima/softwares.png" width="350px" />
]

.right[Fuente: R4DS]

---

## Modalidades de uso de softwares estadísticos

- Point and click o GUI (Interfaz gráfica del usuario)

- Programación

.center[
<img src="ima/gui_cli.png" width="400px" />
]

---
class: inverse, center, middle

# ¿Por qué programar?

---
# ¿Por qué programar?

.center[
<img src="ima/awful_gui.png" width="750px" />
]

.right[Fuente: https://www.brodrigues.co/]

---
# ¿Por qué programar?

- El error de Reinhart y Rogoff

- El trabajo de Reinhart y Rogoff mostró que el crecimiento económico real promedio se desacelera (una disminución del 0,1 %) cuando la deuda de un país aumenta a más del 90 % del producto interno bruto (PIB), y esta cifra del 90 % se empleó repetidamente en argumentos políticos sobre austeridad

- Olvidaron seleccionar una fila que contenía 5 de los 20 países analizados, y el declive de 0.1% se transformaba en un crecimiento de 2.2%

- ¿Qué podría haber sido distinto si Reinhart y Rogoff hubieran utilizado un lenguaje de programación?

---

## ¿Por qué programar?

- **Eficiencia:** Si bien programar llevará más tiempo al principio, rápidamente permite ahorrar mucho tiempo en comparación a tareas realizadas a través de una interfaz gráfica. 
--

- **Más posibilidades:** En los softwares estadísticos tradicionales muchas operaciones (las más complejas o especificas) suelen no estar disponibles en la interfaz gráfica por lo que solo se pueden realizar mediante el uso de código.

--
- **Recolección de datos:** Saber programar abre la posibilidad para la recolección de datos que no es posible o es muy costosa manualmente.

--
- **Reproducibildiad:** El análisis de datos mediante programación mejora la transparencia y reproducibilidad en el proceso de generación de conocimiento

--
- **Colaboración:** La programación abre la puerta para una colaboración mucho más sencilla y eficiente.

---
class: inverse, center, middle

# Sobre del curso

---

## Objetivos generales

- Aprender a estructurar, manipular, analizar y visualizar datos

- Familiarizarse con técnicas de programación en general

- Conocer los distintos usos y posibles aplicaciones de Stata, R y Python

- .bold[Aprender a aprender: este curso no es solo aprender las operaciones que vamos a ver en clase, es para aprender a resolver problemas nuevos de forma autónoma.]

---

## Objetivos específicos

- Adquirir nociones básicas de Stata  para el análisis de datos

- Adquirir herramientas para comprender y escribir código en R (reutilizable y interpretable) para el análisis de datos

- Adquirir conocimientos para aprender de forma independiente funciones en R

--
- Breve introducción a Python (usos y posibilidades)

---

## Estructura

<table class="table table-striped table-hover table-condensed" style="font-size: 14px; margin-left: auto; margin-right: auto;">
 <thead>
  <tr>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> Semana </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> Tema </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Semana 1 </td>
   <td style="text-align:left;"> Introducción al curso y al análisis de datos </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 2 </td>
   <td style="text-align:left;"> Introducción a Stata </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 3 </td>
   <td style="text-align:left;"> Introducción a Stata II </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 4 </td>
   <td style="text-align:left;"> Primera evaluación parcial </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 5 </td>
   <td style="text-align:left;"> Introducción a R </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 6 </td>
   <td style="text-align:left;"> Introducción a R II </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 7 </td>
   <td style="text-align:left;"> Importar y limpiar datos en R </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 8 </td>
   <td style="text-align:left;"> Estadística descriptiva en R </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 9 </td>
   <td style="text-align:left;"> Manipulación de datos en R </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 10 </td>
   <td style="text-align:left;"> Manipulación de datos en R II </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 11 </td>
   <td style="text-align:left;"> Visualización de datos en R </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 12 </td>
   <td style="text-align:left;"> Estadística inferencial en R </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 13 </td>
   <td style="text-align:left;"> Reportes con R Markdown y técnicas de programación avanzadas </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 14 </td>
   <td style="text-align:left;"> Segunda evaluación parcial </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 15 </td>
   <td style="text-align:left;"> Introducción a Python </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Semana 16 </td>
   <td style="text-align:left;"> Presentaciones y cierre del curso </td>
  </tr>
</tbody>
</table>

---

## Materiales

Cada semana se colgarán en la webasignatura:

- Una presentación

- El código de la clase

- Ejercicios

- Solución de los ejercicios

---

## Importante:

- **Calificación:** Una calificación mínima de B es requerida para exonerar el curso.

- **Asistencia:** Los alumnos deberían asistir al 75% de las clases

- **Horario:** El curso se dicta a los ́días martes y jueves de 8:00 a 9:20 en el laboratorio Auriga

- **Evaluación:** 
  - Primera evaluación parcial 20 %
  - Segunda evaluación parcial 40 %
  - Trabajo final 40 %

---

## Regla de los 5 minutos

- Cuando estamos trabajando en ejercicios prácticos y nos enfrentamos a una situación que no podemos resolver en nuestro primer intento, debemos probar durante al menos 5 minutos resolverlo sin preguntar, aplicando los siguientes pasos.

---

## Pasos a seguir si no funciona una línea de código: Paso 1

- En caso de haber un mensaje de error, leerlo. Traducirlo si es necesario. La mayoría de las veces la solución se puede deducir del mensaje de error.

.center[
<img src="ima/error.png" width="600px" />
]

---

## Pasos a seguir si no funciona una línea de código: Paso 2

- Chequear que no haya errores de tipeo. Si hay una letra fuera de lugar, los programas no podrán correr el código. Tener especial cuidados a mayusculas/minúsculas, acentos y puntuación.

.center[
<img src="ima/typo.jpeg" width="300px" />
]

---

## Pasos a seguir si no funciona una línea de código: Paso 3

- Si los primeros 2 puntos no funcionan, no entrar en pánico. Probablemente sea tu culpa, la computadora no hace otra cosa que llevar a cabo las instrucciones que vos le das. No escudarse en "esto no anda". Es muy difícil y poco probable toparse con un error que no sea nuestro en las funciones que vamos a utilizar en este curso.

.center[
<img src="ima/fault.jpg" width="300px" />
]

---

## Pasos a seguir si no funciona una línea de código: Paso 4

- Redefinir el problema. Definir concretamente qué esperamos que ese código haga, a qué objetos y cuál es el resultado esperado. Chequear que le estemos dando las instrucciones correctas a la computadora.

.center[
<img src="ima/debug_duck.png" width="350px" />
]

---

## Pasos a seguir si no funciona una línea de código: Paso 5
- Googlear. En programación, una enorme cantidad del tiempo es destinada a entender por qué las cosas no funcionan de la forma en que esperabamos. Abrir el navegador, escribir R al comienzo (o el lenguaje/software que estemos utilizando) y luego describir el problema. En lo posible, recomiendo hacerlo en inglés, incluso si es nescesario utilizar el traductor. Ser claro y especifico en la búsqueda, y leer con atención las publicaciones que aparecen (tanto la pregunta como la respuesta).

.center[
<img src="ima/r_meme.jpg" width="350px" />
]

---

## Pasos a seguir si no funciona una línea de código: Paso 6

- Pedir ayuda. En caso de que los anteriores pasos no funcionen, pidan ayuda. A compañeros o al profesor. Pero es importante agotar los recursos antes, porque los códigos que no funcionan no desaparecen.

.center[
<img src="ima/ayuda.jpg" width="350px" />
]

---
class: inverse, center, middle

# Softwares estadísticos

---

## Softwares estadísticos y lenguajes de programación

---

## SPSS

- **Ventajas:** 
  - Buen GUI
  - Funciona muy bien para datos de encuestas

- **Desventajas:** 
  - Pago
  - Pocas funcionalidades

---

## Stata

- **Ventajas:** 
  - Relativamente sencillo de usar
  - Bastantes funcionalidades

- **Desventajas:** 
  - Pago
  - Incompleto (machine learning, geolocalización, etc.)

---

## R

- **Ventajas:** 
  - Gratuito y libre
  - Muy completo y flexible
  - Comunidad de usuarios
  - Foco en estadística

- **Desventajas:** 
  - Puede ser lento
  - Curva de aprendizaje

---

## Python

- **Ventajas:** 
  - Muy potente
  - Muchas funcionalidades
  - Sintáxis clara
  - Buena comunidad

- **Desventajas:** 
  - No está particularmente pensado para estadística
  - Curva de aprendizaje

---
class: inverse, center, middle

# ¿Cómo pensar los datos?

---

## Ejercicio

.content-box-green[
*En una planilla de excel creen una tabla con 5 países y datos sobre ellos. Debe tener al menos dos datos por país.*
]

.content-box-green[
*Ahora, en esa misma planilla transformen esa tabla en una base de datos.*
]

---

## Estructura de datos

- Un dataframe o marco de datos (es lo que nos solemos referir como "base de datos")

- Es una forma de estructurar datos con filas y columnas. Las filas suelen ser las observaciones y las columnas las variables

.center[
<img src="ima/tidy_data.png" width="700px" />
]

.right[[Wichkham & Grolemund (2018)](https://r4ds.had.co.nz/tidy-data.html)]

---

## Base de datos

---

## Ejercicio

.content-box-green[
*Agregar información sobre el lenguaje de estos países*
]

---

## Base de datos

---

## Base de datos

---

## Base de datos

<table class="table table-striped table-hover table-condensed" style="font-size: 20px; margin-left: auto; margin-right: auto;">
 <thead>
  <tr>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> pais </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> capital </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> continente </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> idioma_1 </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> idioma_2 </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> idioma_3 </th>
   <th style="text-align:left;position: sticky; top:0; background-color: #FFFFFF;"> idioma_4 </th>
  </tr>
 </thead>
<tbody>
  <tr>
   <td style="text-align:left;"> Uruguay </td>
   <td style="text-align:left;"> Montevideo </td>
   <td style="text-align:left;"> América </td>
   <td style="text-align:left;"> Español </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Suiza </td>
   <td style="text-align:left;"> Berna </td>
   <td style="text-align:left;"> Europa </td>
   <td style="text-align:left;"> Alemán </td>
   <td style="text-align:left;"> Francés </td>
   <td style="text-align:left;"> Italiano </td>
   <td style="text-align:left;"> Romance </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Egipto </td>
   <td style="text-align:left;"> El Cairo </td>
   <td style="text-align:left;"> África </td>
   <td style="text-align:left;"> Árabe </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Irán </td>
   <td style="text-align:left;"> Teherán </td>
   <td style="text-align:left;"> Asia </td>
   <td style="text-align:left;"> Persa </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
  </tr>
  <tr>
   <td style="text-align:left;"> Austrlia </td>
   <td style="text-align:left;"> Canberra </td>
   <td style="text-align:left;"> Oceanía </td>
   <td style="text-align:left;"> Inglés </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
   <td style="text-align:left;">  </td>
  </tr>
</tbody>
</table>

---

## Base de datos

- Las columnas son variables

- Las filas son observaciones

- Las celdas son valores

- No unir celdas

- No usar caracteres especiales, espacios o mayúsculas para los nombres de las variables

- Si usamos una planilla excel para crearla, comenzar con la primer columna en la columna A y utilizar la primera fila para nombre de variables y la segunda para la primera observación

- No incluir "subtitulos" en la segunda fila

---
class: inverse, center, middle

# Flujo de trabajo

---
## Flujo de trabajo

.center[
<img src="ima/flow.svg" width="600px" />
]

.right[Fuente: R4DS]

---

## Ejercicio

.content-box-green[
*¿Cuáles son los 5 países de América del Sur con mayor densidad de población?*

*¿Cuál es la densidad poblacional de estos 5 países?*
]

---
class: inverse, center, middle

# Carpeta del curso

---

## Crear una carpeta

- Crear una carpeta para guardar los archivos del curso, con el nombre que prefieran

- Descargar de la webasignatura la carpeta "data" y pegarla (con ese nombre), dentro de la carpeta creada en el punto anterior

- Crea una carpeta para guardar los do files y scripts (archivos de código) del curso.

- Crea además dos carpetas más dentro de tu carpeta: "graficos" y "resultados"