Última actualización: 15/07/2023


Curso Académico: 2023/2024

Programación de Datos
(19138)
Máster Universitario en Ciencias Sociales Computacionales/ Computational Social Science (Plan: 472 - Estudio: 375)
Escuela de Economía y Ciencia Política


Coordinador/a: UCAR MARQUES, IÑAKI

Departamento asignado a la asignatura: Departamento de Estadística

Tipo: Obligatoria
Créditos: 6.0 ECTS

Curso:
Cuatrimestre:




Requisitos (Asignaturas o materias cuyo conocimiento se presupone)
Introducción a la Programación con R (19151)
Objetivos
- Conocimiento de las estructuras y procedimientos propios de la programación con datos. - Capacidad de importar datos tabulares en una variedad de formatos con el lenguaje de programación R. - Capacidad de trabajar con bases de datos remotas. - Capacidad de preparar, limpiar, transformar y enriquecer datos tabulares para su posterior modelado y visualización con los lenguajes de programación R y SQL.
Competencias y resultados del aprendizaje
Descripción de contenidos: Programa
1. Programación en base R 1.1. Introducción al ecosistema R 1.2. Introducción a RStudio. Trabajando con proyectos 1.3. Tipos de datos básicos 1.4. Primeros usos de funciones y paquetes. Operaciones básicas 1.5. Entendiendo los errores 2. De la celda al conjunto de datos 2.1. Concatenar valores: vectores (variables) 2.2. Operaciones básicas con vectores 2.3. Bucles vs. programación vectorial. Estructuras de control de flujo 2.4. Primeras bases de datos: matrices y data.frames 2.5. Tibbles como tipo estándar de base de datos. El paquete datapasta 3. Tidy data 3.1. R base vs. tidyverse. El operador pipe 3.2. Principios de tidy data: tidy vs. messy data 3.3. Pivotando conjuntos de datos 4. RMarkdown y quarto: reportar resultados 5. Tidyverse 5.1. Operaciones por filas. Limpiando datos: valores perdidos y duplicados 5.2. Operaciones por columnas 5.3. Agregaciones y recategorización de variables 5.4. Agrupaciones: group_by y .by 5.5. Sumarios 5.6. Uniendo conjuntos de datos 5.7. Importación/exportación desde/a diferentes formatos 5.8. Uso de APIs 6. Tipos de datos avanzados 6.1. Variables categóricas: paquete forcats 6.2. Tratamiento de cadenas: paquete stringr 6.3. Tratamiento de fechas: paquete lubridate 6.4. Tratamiento de listas: paquete purrr. Programación funcional 7. Gestión avanzada de datos 7.1. Paquete dbplyr: del tidyverse a SQL 7.2. Paquete arrow: tratamiento de bases de datos masivas 8. Programación en SQL 8.1. Introducción a las bases de datos relacionales 8.2. Manipulación de datos y consultas 8.3. Consultas complejas, agregaciones y subconsultas 8.4. Combinaciones de múltiples tablas
Actividades formativas, metodología a utilizar y régimen de tutorías
Actividades Formativas: - Clases teórico-prácticas - Tutorías - Trabajo en grupo - Trabajo individual del estudiante Metodologías Docentes: - Exposiciones en clase del profesor con soporte de medios informáticos y audiovisuales, en las que se desarrollan los conceptos principales de la materia y se proporciona la bibliografía para complementar el aprendizaje de los alumnos. - Resolución de casos prácticos, problemas, etc., planteados por el profesor de manera individual o en grupo. - Exposición y discusión en clase, bajo la moderación del profesor de temas relacionados con el contenido de la materia, así como de casos prácticos. - Elaboración de trabajos e informes de manera individual o en grupo.
Sistema de evaluación
  • Peso porcentual del Examen Final 0
  • Peso porcentual del resto de la evaluación 100

Bibliografía básica
  • Hadley Wickham. R for Data Science. O¿Reilly. 2017
Bibliografía complementaria
  • Chester Ismay and Albert Y. Kim. Statistical Inference via Data Science: a Modern Dive into R and the tidyverse. Chapman & Hall. 2022
  • Steph Locke. Data Manipulation in R. Locke Data. 2017

El programa de la asignatura podría sufrir alguna variación por causa de fuerza mayor debidamente justificada o por eventos académicos comunicados con antelación.