Módulo 4: Importar y exportar datos

Introducción

Hasta ahora hemos creado todos nuestros objetos directamente dentro de R.

Por ejemplo:

stations <- c("CT01", "CT02", "CT03")

detections <- c(12, 5, 8)

Pero normalmente no trabajamos de esta manera con bases de datos reales.

La mayoría de las veces, nuestros datos ya existen en un archivo creado en Excel, Google Sheets, algún programa para registrar datos de campo u otro software.

Por esta razón, una de las habilidades más importantes al aprender R es saber cómo importar datos externos a R.

En este módulo aprenderemos cómo:

entender dónde busca R nuestros archivos,
organizar datos dentro de un proyecto de RStudio,
importar archivos .csv,
importar archivos de Excel,
inspeccionar los datos importados,
y exportar datos desde R.

Descargar los datos de ejemplo

Utilizaremos estos archivos durante este módulo.

Descargar CSV

Descargar Excel

Comencemos

Abre tu proyecto intro-r-course y crea un nuevo script de R.

Guárdalo dentro de la carpeta scripts con el nombre:

module-04.R

Recuerda que nuestro proyecto debería verse aproximadamente así:

intro-r-course/
│
├── data/
├── scripts/
│   └── module-04.R
├── outputs/
└── intro-r-course.Rproj

Durante este módulo, los archivos que queremos importar estarán almacenados dentro de:

data/

¿Dónde está buscando los archivos R?

Antes de importar un archivo, R necesita saber dónde se encuentra el archivo.

La carpeta que R considera actualmente como su ubicación inicial se conoce como directorio de trabajo (working directory).

Podemos revisarlo utilizando:

getwd()

[1] "C:/Users/andradegp/AppData/Local/Temp/RtmpW8fHyP/file85a41c6b3647/modules"

Como estamos trabajando dentro de un proyecto de RStudio, el directorio de trabajo normalmente debería ser la carpeta principal de nuestro proyecto:

intro-r-course/

Esta es una de las principales razones por las que creamos un proyecto de RStudio al comienzo del curso.

Evita utilizar setwd() dentro de tus scripts

Puedes encontrar tutoriales que utilizan:

setwd("C:/Users/YourName/Documents/MyProject")

para especificar el directorio de trabajo.

Esto puede funcionar perfectamente en tu computador, pero probablemente esa ruta no funcionará en el computador de otra persona.

Utilizar un proyecto de RStudio nos permite evitar este problema y trabajar con rutas relativas.

Rutas de archivos

Una ruta de archivo (file path) le indica a R dónde se encuentra un archivo.

Existen dos tipos generales de rutas:

rutas absolutas,
rutas relativas.

Rutas absolutas

Una ruta absoluta describe la ubicación completa de un archivo en tu computador.

Por ejemplo:

C:/Users/Gabriel/Documents/intro-r-course/data/camera_data.csv

Esto puede funcionar perfectamente en un computador.

Pero si enviamos el proyecto a otra persona, probablemente su computador no tenga:

C:/Users/Gabriel/

Por lo tanto, el código dejará de funcionar.

Rutas relativas

Una ruta relativa describe la ubicación de un archivo en relación con la carpeta de nuestro proyecto.

Si nuestro archivo está almacenado aquí:

intro-r-course/
│
├── data/
│   └── camera_data.csv
│
├── scripts/
└── outputs/

podemos referirnos a él simplemente como:

data/camera_data.csv

Esto hace que nuestro proyecto sea mucho más fácil de mover entre computadores.

Si movemos todo el proyecto a otro computador, su estructura interna permanece igual.

Mantén organizado tu proyecto

Una estructura sencilla como:

project/
├── data/
├── scripts/
└── outputs/

hace que las rutas de los archivos sean mucho más fáciles de entender y ayuda a mantener nuestros análisis reproducibles.

¿Qué es un archivo CSV?

Uno de los formatos más comunes para almacenar datos tabulares es CSV.

CSV significa:

Comma-Separated Values o valores separados por comas.

Un archivo CSV es esencialmente una tabla almacenada como texto simple.

Por ejemplo, una hoja de cálculo que se ve así:

station	species	detections	camera_days
CT01	Raccoon	12	30
CT02	Coyote	5	28
CT03	Bobcat	8	30

puede estar almacenada internamente así:

station,species,detections,camera_days
CT01,Raccoon,12,30
CT02,Coyote,5,28
CT03,Bobcat,8,30

Como los archivos CSV son archivos de texto simples, pueden abrirse con muchos programas diferentes, incluyendo:

Excel,
Google Sheets,
R,
Python,
editores de texto,
y muchos otros programas.

Esto hace que CSV sea un formato muy útil para compartir y analizar datos.

De Excel a CSV

Muchas bases de datos comienzan su vida en Excel.

Eso está perfectamente bien.

Sin embargo, cuando comenzamos a analizar nuestros datos en R, muchas veces resulta útil guardar una copia como archivo CSV.

En Excel:

File → Save As

y selecciona:

CSV (Comma delimited) (*.csv)

Guarda el archivo dentro de la carpeta data de tu proyecto de RStudio.

Por ejemplo:

data/camera_data.csv

Conserva tus datos originales

No reemplaces ni modifiques la única copia de tu base de datos original.

Una buena práctica es conservar el archivo original sin modificaciones y crear una copia separada en CSV para realizar el análisis.

Por ejemplo:

data/
├── camera_data_original.xlsx
└── camera_data.csv

Importar un archivo CSV

R base incluye la función:

read.csv()

que lee un archivo CSV y lo convierte en un data frame.

Si nuestro archivo se encuentra aquí:

data/camera_data.csv

podemos importarlo utilizando:

camera_data <- read.csv("data/camera_data.csv")

Aquí están ocurriendo dos cosas importantes.

Primero:

read.csv("data/camera_data.csv")

lee el archivo.

Segundo:

camera_data <-

guarda la base de datos importada dentro de un objeto de R llamado camera_data.

Si olvidamos hacer la asignación:

read.csv("data/camera_data.csv")

                 species n_events n_stations
1              Armadillo       33          6
2                   Bird       20          3
3          Black vulture       23          2
4                 Bobcat        3          2
5                 Coyote       37          2
6  Eastern gray squirrel        1          1
7           Fox squirrel        3          2
8               Gray fox        9          2
9                    Hog        9          4
10                 Human       18         12
11               Raccoon       35          5
12        Turkey vulture       53          4
13      Virginia opossum       23          3
14     White-tailed deer      104          7

R puede leer y mostrar el archivo, pero no lo hemos guardado como un objeto con el cual podamos continuar trabajando.

Revisar que los datos se hayan cargado correctamente

Importar un archivo sin recibir un error no significa necesariamente que todo haya sido leído correctamente.

Siempre debemos inspeccionar los datos después de importarlos.

Por ejemplo:

head(camera_data)

                species n_events n_stations
1             Armadillo       33          6
2                  Bird       20          3
3         Black vulture       23          2
4                Bobcat        3          2
5                Coyote       37          2
6 Eastern gray squirrel        1          1

str(camera_data)

'data.frame':   14 obs. of  3 variables:
 $ species   : chr  "Armadillo" "Bird" "Black vulture" "Bobcat" ...
 $ n_events  : int  33 20 23 3 37 1 3 9 9 18 ...
 $ n_stations: int  6 3 2 2 2 1 2 2 4 12 ...

dim(camera_data)

[1] 14  3

names(camera_data)

[1] "species"    "n_events"   "n_stations"

Estas funciones ya deberían resultarte familiares del módulo anterior.

También podemos abrir la base de datos utilizando el visor de datos de RStudio:

View(camera_data)

Siempre revisa los datos que importaste

Después de importar una base de datos, pregúntate:

¿Tiene el número esperado de filas?
¿Tiene el número esperado de columnas?
¿Los nombres de las columnas son correctos?
¿Las columnas numéricas realmente son numéricas?
¿Los valores faltantes se importaron correctamente?
¿La base de datos se parece al archivo que esperaba cargar?

Nunca asumas que un archivo fue importado correctamente solamente porque R no devolvió un error.

Problemas comunes con archivos CSV

Los archivos no siempre se importan exactamente como esperamos.

Algunos problemas comunes incluyen:

Nombre incorrecto del archivo

Por ejemplo:

read.csv("data/camera-data.csv")

no funcionará si el archivo real se llama:

camera_data.csv

Los nombres deben coincidir.

Carpeta incorrecta

Esto:

read.csv("camera_data.csv")

le indica a R que busque el archivo directamente dentro de la carpeta principal del proyecto.

Pero si el archivo se encuentra dentro de:

data/

necesitamos utilizar:

read.csv("data/camera_data.csv")

Mayúsculas y minúsculas

Dependiendo del sistema operativo:

Camera_Data.csv

camera_data.csv

pueden ser considerados nombres de archivos diferentes.

Utilizar nombres consistentes ayuda a evitar estos problemas.

¿Existe el archivo?

Si R nos indica que no puede encontrar un archivo, podemos comprobar si R puede verlo.

Por ejemplo:

file.exists("data/camera_data.csv")

[1] TRUE

Si R devuelve:

TRUE

el archivo existe en esa ubicación.

Si R devuelve:

FALSE

hay algún problema con la ruta o con el nombre del archivo.

También podemos ver los archivos que existen dentro de nuestra carpeta data:

list.files("data")

[1] "camera_data.csv"  "camera_data.xlsx" "recordTable.csv"

Estas dos funciones pueden ser extremadamente útiles cuando intentamos resolver problemas relacionados con la importación de archivos.

Importar archivos CSV con `readr`

Existen varias formas de importar el mismo tipo de archivo en R.

El tidyverse incluye un paquete llamado readr que proporciona otra función para leer archivos CSV:

read_csv()

Como instalamos tidyverse al comienzo del curso, podemos cargarlo utilizando:

library(tidyverse)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.2.1     ✔ readr     2.2.0
✔ forcats   1.0.1     ✔ stringr   1.6.0
✔ ggplot2   4.0.3     ✔ tibble    3.3.1
✔ lubridate 1.9.5     ✔ tidyr     1.3.2
✔ purrr     1.2.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

Después:

camera_data2 <- read_csv("data/camera_data.csv")

Observa la diferencia:

R base       read.csv()

readr        read_csv()

Ambas funciones pueden leer archivos CSV.

Durante este curso encontrarás ambas, pero más adelante utilizaremos frecuentemente read_csv() porque funciona naturalmente con otras herramientas del tidyverse.

Nota

No necesitas memorizar diferentes formas de importar el mismo archivo.

Lo importante es entender:

dónde está el archivo,
qué tipo de archivo es,
qué función puede leerlo,
y qué objeto almacenará el resultado.

Importar archivos de Excel

A veces queremos importar directamente un archivo de Excel en lugar de convertirlo a CSV.

R base no incluye una función para leer archivos .xlsx, por lo que necesitamos un paquete adicional.

Instalamos readxl durante la sección Primeros pasos.

Lo cargamos utilizando:

library(readxl)

Después podemos importar un archivo de Excel utilizando:

camera_data3 <- read_excel("data/camera_data.xlsx")

La función se llama:

read_excel()

y pertenece al paquete readxl.

Archivos de Excel con varias hojas

Un libro de Excel puede contener varias hojas.

Podemos ver sus nombres utilizando:

excel_sheets("data/camera_data.xlsx")

[1] "camera_records" "secret_tab"

Si el archivo contiene una hoja llamada:

camera_records

podemos importar específicamente esa hoja utilizando:

camera_data3 <- read_excel(
  "data/camera_data.xlsx",
  sheet = "camera_records"
)

También podemos seleccionar una hoja por su posición:

camera_data3 <- read_excel(
  "data/camera_data.xlsx",
  sheet = 1
)

¿CSV o Excel?

Ambos formatos pueden ser útiles.

CSV

Ventajas:

formato sencillo,
formato abierto,
fácil de compartir,
puede ser leído por prácticamente cualquier software,
útil para análisis y reproducibilidad.

Limitaciones:

solamente almacena una tabla,
no conserva formato visual,
no almacena fórmulas ni varias hojas.

Excel

Ventajas:

familiar para muchos usuarios,
puede contener varias hojas,
útil para ingresar y revisar datos.

Limitaciones:

formato de archivo más complejo,
el formato visual puede ocultar algunos problemas con los datos,
el software de hojas de cálculo puede modificar automáticamente fechas u otros valores.

Un flujo de trabajo común es:

Ingresar/revisar los datos en Excel → guardar un CSV limpio → analizar el CSV en R

Sin embargo, R puede trabajar directamente con cualquiera de los dos formatos.

Importar datos utilizando RStudio

RStudio también proporciona una interfaz gráfica para importar bases de datos.

En el panel Environment, selecciona:

Import Dataset

RStudio mostrará diferentes opciones para importar archivos de texto y Excel.

Esto puede ser útil cuando estás aprendiendo porque RStudio muestra una vista previa de los datos y genera automáticamente el código correspondiente.

Sin embargo, una vez que entiendas cómo funciona la función de importación, es mejor mantener el comando dentro de tu script.

Por ejemplo:

camera_data <- read_csv(
  "data/camera_data.csv"
)

De esta manera, el análisis puede reproducirse posteriormente sin tener que hacer clic manualmente en diferentes menús.

Tip

La herramienta gráfica para importar datos es útil para aprender.

Pero intenta copiar el código generado dentro de tu script para que puedas reproducir la importación posteriormente.

Nombres de archivos y columnas

Una buena organización de los datos comienza incluso antes de importarlos a R.

Intenta utilizar nombres de archivos sencillos y consistentes.

En lugar de:

Camera Data FINAL version 2 updated!!!.xlsx

utiliza algo como:

camera_data.xlsx

camera_data_2026.xlsx

El mismo principio se aplica a los nombres de las columnas.

En lugar de:

Camera Station
Number of detections
Habitat Type

considera:

station
detections
habitat

camera_station
number_of_detections
habitat_type

Utilizar nombres consistentes hace que trabajar con datos en R sea mucho más sencillo.

Exportar datos

A veces queremos guardar una base de datos después de modificarla o resumirla en R.

Para archivos CSV, R base proporciona:

write.csv()

Por ejemplo:

write.csv(
  camera_data,
  "outputs/camera_data_clean.csv",
  row.names = FALSE
)

Esto crea:

outputs/camera_data_clean.csv

Utilizamos:

row.names = FALSE

porque de lo contrario R base agregará una columna adicional con los números de las filas.

Exportar con `readr`

Si estamos utilizando tidyverse, también podemos utilizar:

write_csv(
  camera_data,
  "outputs/camera_data_clean.csv"
)

write_csv() no agrega nombres de filas de manera predeterminada.

Nuevamente, no necesitas memorizar todas las alternativas.

La idea importante es:

read  → traer datos a R

write → guardar datos desde R

Mantener los datos originales separados de los resultados

Recuerda la estructura de nuestro proyecto:

intro-r-course/
│
├── data/
├── scripts/
└── outputs/

Una regla útil es que:

data/

contiene los datos originales que recibimos o recolectamos.

Mientras que:

outputs/

contiene archivos creados durante nuestro análisis.

Por ejemplo:

intro-r-course/
│
├── data/
│   └── camera_data.csv
│
├── scripts/
│   └── module-04.R
│
└── outputs/
    └── camera_data_clean.csv

Importante

Intenta no sobrescribir tus datos originales desde R.

Mantener los datos originales sin modificaciones significa que siempre puedes regresar a la información original y reproducir cada cambio utilizando tu script.

Práctica en casa

Tip

Esta actividad debería tomar aproximadamente 15–20 minutos.

Abre tu proyecto intro-r-course y crea un nuevo script llamado:

practice-04.R

Guárdalo dentro de la carpeta scripts.

Utiliza cualquier base de datos pequeña de Excel que tengas disponible, o crea una con al menos:

5 filas,
3 columnas,
una columna que contenga texto,
una columna que contenga números.

Por ejemplo:

station	habitat	detections
CT01	Forest	8
CT02	Pasture	3
CT03	Forest	12
CT04	Pasture	0
CT05	Forest	5

Parte 1: Preparar los datos

Guarda el archivo de Excel dentro de la carpeta data de tu proyecto.
Guarda una segunda copia como archivo .csv.

Tu carpeta debería contener algo similar a:

data/
├── practice_data.xlsx
└── practice_data.csv

Parte 2: Importar el CSV

Importa el archivo CSV dentro de un objeto llamado:

practice_data

Después utiliza:

head()
str()
dim()
names()

para inspeccionar la base de datos importada.

Parte 3: Importar el archivo de Excel

Carga el paquete readxl e importa la versión de Excel de la misma base de datos.

Guárdala como:

practice_excel

Compara:

class(practice_data)
class(practice_excel)

e inspecciona ambos objetos.

Parte 4: Exportar los datos

Exporta practice_data a la carpeta outputs con el nombre:

practice_data_exported.csv

Finalmente, comprueba que el nuevo archivo aparezca dentro de la carpeta outputs.

Solución sugerida

# Práctica del Módulo 4

# ---------------------------
# Importar CSV
# ---------------------------

practice_data <- read.csv(
  "data/practice_data.csv"
)

# Inspeccionar los datos
head(practice_data)
str(practice_data)
dim(practice_data)
names(practice_data)


# ---------------------------
# Importar Excel
# ---------------------------

library(readxl)

practice_excel <- read_excel(
  "data/practice_data.xlsx"
)

# Inspeccionar los datos de Excel
head(practice_excel)
str(practice_excel)

# Comparar clases
class(practice_data)
class(practice_excel)


# ---------------------------
# Exportar datos
# ---------------------------

write.csv(
  practice_data,
  "outputs/practice_data_exported.csv",
  row.names = FALSE
)

Lo importante es que entiendas el flujo de trabajo completo:

archivo externo
      ↓
ruta relativa
      ↓
leer el archivo
      ↓
guardarlo como un objeto de R
      ↓
inspeccionar el objeto
      ↓
trabajar con los datos
      ↓
guardar un archivo de salida

Introducción

Comencemos

¿Dónde está buscando los archivos R?

Rutas de archivos

Rutas absolutas

Rutas relativas

¿Qué es un archivo CSV?

De Excel a CSV

Importar un archivo CSV

Revisar que los datos se hayan cargado correctamente

Problemas comunes con archivos CSV

Nombre incorrecto del archivo

Carpeta incorrecta

Mayúsculas y minúsculas

¿Existe el archivo?

Importar archivos CSV con readr

Importar archivos de Excel

Archivos de Excel con varias hojas

¿CSV o Excel?

CSV

Excel

Importar datos utilizando RStudio

Nombres de archivos y columnas

Exportar datos

Exportar con readr

Mantener los datos originales separados de los resultados

Práctica en casa

Parte 1: Preparar los datos

Parte 2: Importar el CSV

Parte 3: Importar el archivo de Excel

Parte 4: Exportar los datos

Importar archivos CSV con `readr`

Exportar con `readr`