# ==============================================================================
#                                 Tidy data
# ==============================================================================
library(tidyverse)
library(ggplot2)

# Los 3 simples principios para que una data este estructura de forma tidy
# Primero: cada columna es una variable (i.e. variable edad)
# Segundo: cada fila es una observación (i.e. pasajero del titanic)
# Tercero: cada celda es un valor (intersección entre fila y una columna)


# esto es para crear mi data de ejemplo, esta data representa la rentabilidad
# de la bolsa chilena por mes y año
toy <- as_tibble(matrix(rnorm(120), nrow = 12))
names(toy) <- paste("anho", 2009:2018, sep = "_")

# pueden ver el ejemplo llamando a toy en la consola
(toy <- toy %>% 
  mutate(mes = 1:12) %>% 
  select(mes, everything()))


# Es tidy la data toy? NO! podemos encontrar la variable año no en una sola
# columna, sino que encontramos los VALORES de la variable año desparramados 
# en los nombres de las columnas (2008, 2009, ...). Es decir, el primer principio
# de una estructura tidy se viola. ¿Cómo podemos identificar este problema? Nos
# tenemos que preguntar...todas las variables son una columna? 

# Es importante diferenciar que nuestra estructura ideal (tidy) es que las variables
# sean columnas, esto no hace que una columna sea una variable per se como en
# el caso de arriba.


# para pasar nuestro ejemplo toy  a estructura tidy utilizamos la función
# gather() del paquete tidy
tidy_toy <- tidyr::gather(data = toy,
              key = "anho", 
              value = "rentabilidad_bolsa",
              -mes)

# key contiene el nombre que le damos a la variable que esta desparramada en
# los nombres de las columnas, en este caso año (no ocupo la ñ en vez uso nh),
# luego value tendra el nombre de los valores que son las rentabilidades. Y 
# finalmente, le decimos a gather() que la columna mes no tiene que ser tratada
# porque esta columna sí es una variable, entonces utilizamos - mes para que no
# sea procesada

# vean la diferencia
View(tidy_toy)


# La operación inversa...esta forma es útil para crear una tabla de
# publicación siempre y cuando no haya tantos valores 
tidyr::spread(tidy_toy, key = "anho", value = "dato")



# ==============================================================================
# Repensar la estructura en que se encuentra nuestros datos.
# ==============================================================================
df <- as_tibble(iris)
df <- select(df, Species, ends_with("Length"), ends_with("Width"))

# Graficar largo v/s ancho de sepal por especie de planta
ggplot(df) +
  geom_point(aes(Sepal.Length, Sepal.Width, colour = Species))


# Ahora, si les pregunta que quiero gráficar largo y ancho
# separado por grupo "Petal" y "Sepal"
glimpse(df)

# Creemos un identificar para cada observación
(df <- df %>% 
  mutate(id = row_number()) %>% 
  select(id, everything()))


# Notamos que la misma información se puede estructura de distintas maneras. Esto
# tiene impacto en como pensamos y operamos los datos 
long_df <- tidyr::gather(df, 
                         key = "medida", 
                         value = "valor", 
                         -Species, 
                         - id)

# Veamos las distintas medidas
long_df %>% 
  distinct(medida)


# Separemos la columna medida en dos columnas una que contenga "parte_planta" y
# otra que contenga "variable_medida"
long_df <- tidyr::separate(long_df, 
                           medida, 
                           into = c("parte_planta", "variable_medida"), 
                sep = "\\.")

# visualicen como queda..
View(arrange(long_df, id))

# es tidy esta data?... NO!. Hay otra tipico error de forma NO tidy que es
# cuando una variable esta en más de una observación en las filas. Es decir,
# se viola el principio 2 de que cada fila es una observación.


# En este caso, cada observación se repite dos veces para registrar una medida
# de una variable distintas. Tenemos que pasar la columna que contiene las variables
# en sus valores a que cada valor tome una columna separada. Es decir, cada
# columna es una variable. Ocupamos spread para que los valores de la columna
# variable_medida que contiene variables en sus valores se extiendan
# en columnas independientes:
tidy_df <- tidyr::spread(long_df, 
                         key = variable_medida, 
                         value = valor)
View(tidy_df)

# Ahora, si queremos graficar largo y archo separado por petal y sepal, podemos
# incorporar información que antes estaba encubierta en una estructura que no
# era acorde para las herramientas que utilizamos (i.e. ggplot2, dplyr, etc)
ggplot(tidy_df) +
  geom_point(aes(Length, Width, colour = parte_planta,
                 shape = Species))