#==================================================================================

=======================#
# Universidad Autónoma Latinoaméricana - Programa de
Extensión
# Curso Introducción al Machine Learning en R | 2022
# Semana 1: Repaso programación en R
# Profesor: Jaime Andrés Fierro Aponte
#==================================================================================
=======================#

#=================#
#### Contenido ####
#=================#

# 1. Creación de variables
# 2. Tipos de datos en R
# 3. Breve repaso sobre manipulación de datos con dplyr

#==============================#
# Limpiar el entorno
rm(list = ls())
# Limpiar la consola: ctrl+L
#==============================#

#================================#
#### 1. Creación de Variables ####
#================================#

### Asignar y llamar un objeto

w1 = 1000; w1
print(w1)
w2 <- 1001
100 -> x
x <- 100
w2
(w5 = 1002)
(w3 = 1002)
print(w4 <- 1003, )

#===============================#
#### 2. Tipos de datos en R ####
#===============================#

# Numérico
numero = 100
class(numero)

numero1 = 100L
class(numero1)

decimal = 5.4
typeof(decimal)
class(decimal)

# Caracteres
caracter = 'Hamburguesa'
class(caracter)

# Lógico o booleanos
7==5
logico = 7>5
class(logico)
7!=5

# Valores especiales
x = 0/0; x
y = NULL; y
z = NA
class(x)
class(y)
class(z)

# Vector
x1 = c(1, 2, 3, 4, 5, 6);x1
class(x1)
length(x1)
class(c('3','pedro','pez'))

#=============================================================#
#### 3. Breve repaso sobre manipulación de datos con dplyr ####
#=============================================================#

getwd()
setwd(r'()')
datos = read.csv('company_dataset.csv')
View(datos)

library(dplyr)

# Renombrar variables

colnames(datos)

nuevos_nombres = c('Cargo', 'Edad', 'Puntaje de desempeño',

'Nivel educativo', 'Años de antigüedad',
'Pago anual', 'Género')

datos = rename_with(datos,
~ nuevos_nombres,
colnames(datos)); colnames(datos)
View(datos)

# Filtrar valores
datos %>%
filter(Cargo == 'Marketing associate') %>%
View()

datos %>%
filter(`Nivel educativo` == 'Masters') %>%
View()

datos %>%
filter(Edad > 40) %>%
View()

# Seleccionar columnas

datos %>%
select(Edad, `Nivel educativo`, `Pago anual`) %>%
View()