Clases abiertas de R - Reproducibilidad

## INE Educa: Clases abiertas de R

## R y herramientas de reproducibilidad

## Proyecto Ciencia de Datos

### Julio 2023

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Bienvenidas y bienvenidos

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Estructura del taller

##Contenidos de la clase

- I - Motivación

- II - Introducción

- III - Rudimentos

- IV - Introducción a `renv`

- V - Mis proyectos con `renv`

- VI - Colaborando con `renv`

- VII - Comentarios y referencias

---

# I. Motivación

---

background-image: url(https://the-turing-way.netlify.app/_images/reproducibility.jpg)
background-size: contain

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Motivación

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Comentario preliminar

.center[
<img src="imagenes/diana.png" width="250" />
### Público objetivo: orientado a usuarios y usuarias intermedios de R
]

**Objetivo del taller:**

- Presentar herramientas para mejorar la reproducibilidad de nuestros flujos de trabajo

.center[**Advertencia:** `renv` podría tener problemas de ejecución en .pur[entornos empresariales]]
---

# II. Introducción

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# ¿Qué es la reproducibilidad?

--

.center[.medium-par[Un resultado es .pur[reproducible] cuando los .pur[**mismos pasos**] de análisis realizados en el .pur[**mismo conjunto de datos**] producen consistentemente la .pur[**misma respuesta**]]]

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Reproducibilidad

]

]   
]

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Importancia de la reproducibilidad

--

Que .pur[otra persona] (o .pur[mi yo del futuro]) pueda ejecutar mi rutina nuevamente de forma exitosa.

--

--

.center[
<img src= "https://media1.giphy.com/media/jM6JLt7xHkZxaeHwhG/200w.webp?cid=ecf05e478x4ytanztrx22si2y7ibrgekn371tgscimf4bemf&rid=200w.webp" width="400"/>
]

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# 10 years reproducibility challenge

<img src="imagenes/ten-years3.JPG" width="300"/>
]

.pull-rigth[
 
 
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; <img src="imagenes/ten-years2.png" width="300"/>
]

---

# III. Rudimentos

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# El principio: Consola de R

--

Me permite explorar objetos rápidamente con código residual

- Es más complejo desplazarse por distintas líneas de código

- No está hecha para almacenar rutinas

- La verdad es que sí... a través del log de la sesión ("History"), pero es engorroso.

El **script** me permite almacenar extensas rutinas de código

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Veamos un ejemplo

**Pueden descargar los datos entrando** 👉 [aquí](https://github.com/clases-r-topicos/reproducibilidad/raw/master/data/casen_2020_small.dta)

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Veamos un ejemplo

```r
library(dplyr)
library(ggplot2)
library(haven)

# tabla de casen 2020 con selección de variables
*casen2020 = read_dta("C:/Users/Adm-Ignacio/Documents/Proyectos/clases-abiertas-r/reproducibilidad/data/casen_2020_small.dta")

# construcción de variabe de resumen de pobreza
casen2020 = casen2020 %>% 
  mutate(pobreza2 = case_when(pobreza == 1 ~ 1,
                              pobreza == 2 ~ 1,
                              pobreza == 3 ~ 0,
                              is.na(pobreza) ~ 0)) %>% 
  select(region, pobreza2, expr)

# Preparar datos para visualización
tabla = casen2020 %>% 
  group_by(region) %>% 
  summarise(pob_tot = sum(expr),
            pobres = sum(pobreza2 * expr),
            por_pob = round((pobres / pob_tot) * 100,1)) %>% 
  select(-pob_tot, -pobres)

# Plot de personas pobres según región
ggplot(data = tabla, aes(x = as.factor(region), y = por_pob)) + 
  geom_bar(stat = "identity", fill = "orange") + 
  geom_text(aes(label= por_pob, vjust=0)) +
  geom_hline(aes(yintercept = mean(por_pob))) +
  labs(title="Porcentaje de personas pobres por región en Casen 2020",
       x ="Región numérica", y = "Porcentaje") +
  theme(plot.title = element_text(hjust = 0.5))
```

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Primeros obstáculos

--

<img src = "https://media0.giphy.com/media/3o6MbhOHfhpOhctaWk/200.webp?cid=ecf05e47brnypsfat6raaiaje2v7saby2wiyahj8cq84eqzr&ep=v1_gifs_search&rid=200.webp&ct=g" width="350" />]

- Estoy usando una **ruta absoluta** a los datos

- rutas absolutas 
    
        - Son propias de mi computador
        
        - Son engorrosas de escribir

- rutas relativas

- 👌 
]

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Ventajas de los proyectos

--

- **Organización y gestión:**

- Organización de archivos y recursos relacionados
    - Estructura clara y fácil acceso a los recursos del proyecto
--

- **Reproducibilidad y control:**

- Facilita la reproducibilidad de los resultados

--
    
- **Ambiente de trabajo:**

- Creación de un entorno aislado para cada proyecto

- **Colaboración:**

- Facilidad para compartir y trabajar en equipo
    - rutas relativas -> mayor portabilidad y flexibilidad

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Mención especial 👩‍🎓 / .pur[Upgrade 2.1]

]

- RMarkdown es una versión de Markdown

- Es un .pur[lenguaje de marcado ligero]

- Permite incorporar código y resultados en un mismo ambiente (`knitr`)

- Es posible usar `\(LaTex\)` dentro de RMarkdown

- Se puede automatizar la generación de documentos en html y pdf

- Muy útil para la reproducibilidad en el .pur[ámbito científico]

]

.panel[.panel-name[¿Cómo se ve?]
.center[<img src = "imagenes/compilado_rmarkdown.JPG" width=650/>]
]

**Documentos:**

[Cálculo de medidas de precisión para medianas de ingreso y gasto de la VIII EPF](https://www.ine.gob.cl/docs/default-source/documentos-de-trabajo/c%C3%A1lculo-de-medidas-de-precisi%C3%B3n-para-medianas-de-ingreso-y-gasto-de-la-v.pdf?sfvrsn=e5b6a7b3_2)

[Métodos de Imputación VIII EPF: Gastos diarios e ingresos de la actividad laboral y jubilaciones](https://www.ine.gob.cl/docs/default-source/documentos-de-trabajo/190320-documento-imputacion-viii-epf.pdf?sfvrsn=668a66c0_2)

**Boletines IPC e IPP:**

.pull-left[
<img src= "imagenes/ipc.JPG" width=200/>
 ]
.pull-rigth[
<img src= "imagenes/ipp.JPG" width=200/>]
 ]
 ]
 ]
]

---

# IV. Introducción a `renv`

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Resumen de upgrades

--

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Ejemplo práctico

**Descarga los siguientes datos** 👉 [aquí](https://github.com/clases-r-topicos/reproducibilidad/raw/master/data/tabla_ejemplo.xlsx)

Y copia el siguiente código en R:

```r
library(dplyr)
library(ggplot2)
library(haven)
library(readxl)
# cargar datos
df = read_excel("data/tabla_ejemplo.xlsx")
# crear tabla de resumen
tabla = df %>% 
  group_by(sexo) %>% 
  summarise(time  = mean(tiempo))
# plot de tiempo según sexo
ggplot(data= tabla, aes(x = sexo, y = time)) +
  geom_bar(stat = "identity", fill = "blue") + 
  geom_text(aes(label= time, vjust=0)) +
  labs(title="Tiempo promedio según sexo",
       x ="Sexo", y = "Tiempo promedio") +
  theme(plot.title = element_text(hjust = 0.5))
```

```r
# packageVersion("readxl")
```

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Ejemplo práctico

--

Me aparece el siguiente **error**:

Podemos preguntar a R la versión que tengo de `readxl` con `packageVersion("readxl")`

La versión más actual disponible de `readxl` es la 1.4.3

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# ¿Qué es `renv`?

--
 
.center[<img src ="https://media0.giphy.com/media/v1.Y2lkPTc5MGI3NjExNzVsMnoyaGpmeThieWw0YTB6c3d3YWVlbHdqZXR5ZzIwaTlicWtpbyZlcD12MV9pbnRlcm5hbF9naWZfYnlfaWQmY3Q9Zw/ctWSqhTv0LXd6/giphy.gif" width=300/>]

Es un .pur[gestor de dependencias] locales de `R`

Es el sucesor del paquete `packrat`

Busca ofrecer la posibilidad de .pur[guardar] y .pur[restaurar] el estado de la **configuración** de un proyecto en un momento determinado.

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Crear un entorno con renv

Primero que todo

```r
install.packages("renv")
```

Luego hay dos opciones:

- Al crear un proyecto le indicamos que queremos usar renv vía cuadro de diálogo

]

- Si queremos iniciar un renv por consola o en un proyecto ya existente

```r
renv::init()
```
]

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Crear un entorno con renv

]

.pur[.Rprofile:] es un archivo que ejecuta RStudio cada vez que se carga una sesión. Este archivo llama a `renv/activate.R` file

.pur[renv/.gitignore:] le dice a Git que **ignore**, entre otros, la carpeta de la biblioteca, ya que contiene dependencias que pueden ser de gran tamaño

.pur[renv.lock:] archivo que describe el **estado de la librería de proyecto** en un momento determinado

]   
]
---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Biblioteca privada

--

Cuando le pregunto a `R` donde están las librerías fuera de `renv` veo algo así:

```r
.libPaths()
```

Cuando estoy dentro de un ambiente virtual, estoy parado en otro lugar:

(**Nota:** las rutas que verás probablemente serán direfentes a estas)

```r
.libPaths()
```

```
## [1] "C:/Users/Adm-Ignacio/Documents/Proyectos/clases-abiertas-r/reproducibilidad/renv/library/R-4.3/x86_64-w64-mingw32"
## [2] "C:/Users/Adm-Ignacio/AppData/Local/R/cache/R/renv/sandbox/R-4.3/x86_64-w64-mingw32/e9e85620"
```
--

👀 Esta clase está hecha en un proyecto de `R` y tiene su propio ambiente virtual

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Flujo de trabajo con `renv`

--

`renv::init()`: inicia un nuevo ambiente local de proyecto con una librería de R privada

`renv::snapshot()`: guarda una "foto" del estado de la librería de proyecto en el `lock.file`

`renv::restore()`: restaura el estado de un proyecto desde un `renv.lock`

Cuando estoy en un proyecto con un `renv` ya creado:

```r
renv::activate() # para activar
renv::deactivate() # para desactivar
```

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# ¿Cómo funciona `renv`?

`renv::init()` crea la infraestructura de un ambiente virtual.

Si el proyecto ya existía, .pur[rastrea] y .pur[registra] todas las dependencias en uso

Si la dependencia ya existe en la carpeta de usuario, la tomará desde ahí y no de CRAN

Si prefieres partir de una librería privada vacía y tú poblarla:

```r
renv::init(bare = TRUE)
```

👀 Lo que gatilla el guardado es que en algún script del proyecto haya un `library(paquete)`. Eso le indica a `renv` que se trata de una .pur[dependencia] del ambiente.
]

`renv` utiliza un cache de paquetes global compartido por todos los proyectos

De este modo las llamadas a `renv::restore()` y `renv::install()` serán más rápidas

Esto permite ahorrar .pur[espacio en memoria] al evitar la **duplicidad**

---

# V. Mis proyectos con `renv`

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Mis proyectos con `renv`

```r
library(dplyr)
library(ggplot2)
library(haven)

# tabla de casen 2020 con selección de variables
casen2020 = read_dta("data/casen_2020_small.dta")

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Mis proyectos con `renv`

.center[<img src ="https://media4.giphy.com/media/9S706ievhjXVfG9s9Q/200w.webp?cid=ecf05e478scjupy2qkpn26qs1t87n973fiesdjl7ff2daxx6&ep=v1_gifs_search&rid=200w.webp&ct=g" width=450/>]

---

# VI. Colaborando con `renv`

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Colaborando con `renv`

--

Clona el siguiente repositorio: https://github.com/ignacioagloni/ejemplo-renv-git.git

.center[<img src ="https://media0.giphy.com/media/l36kU80xPf0ojG0Erg/200w.webp?cid=ecf05e4797shbz9ansita0qvuy9l050drrpqlusnjl0huz78&ep=v1_gifs_search&rid=200w.webp&ct=g" width=600/>]

---

# VII. Comentarios y referencias

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Qué NO soluciona `renv`

--

`renv` NO ayuda con la versión de `R`, porque se ejecuta dentro de `R`

`pandoc` vive fuera del paquete `rmarkdown`

Si un paquete ya no está disponible para descarga, `renv` no lo puede restaurar.

Para obtener una "imagen" estable se requiere considerar también .pur[sistema operativo] y .pur[aplicaciones del sistema] 
---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# También existe `Docker`

Plataforma de **código abierto**

Ejecución de aplicaciones en **contenedores**

**Encapsulan** una aplicación y todas ssu dependencias
 
**Mismo comportamiento en diferentes entornos**: maquinas locales, servidores físicos, en nube, etc.

]

Eficiencia en recursos

Despliegue rápido

Escalabilidad

Aislamiento y seguridad]
]

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Resumen y un poco más:

No sé si estoy aplicando la misma rutina &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 👉 &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; .medium-par[.pur[script]]

No sé si estoy usando los mismos datos  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 👉 &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; .medium-par[.pur[script]]

Rutas a archivos que son incorrectas &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;   👉 &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;  .medium-par[.pur[proyectos]]

Aleatoriedad no reproducible  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;  👉  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;  .medium-par[.pur[set.seed()]], entre otros

Comentarios escuetos en el código  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;   👉  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;  .medium-par[.pur[🧐 (estilo de código)]]

Variables no localizadas (no creadas en la rutina) &nbsp;&nbsp;&nbsp;&nbsp;   👉 &nbsp;&nbsp;&nbsp;&nbsp;  .medium-par[.pur[RMarkdown]]

Diferentes versiones de los paquetes &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;  👉  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; 
.medium-par[🌱]

Diferente versión de *software* o sistema operativo &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;  👉  &nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp; .medium-par[🐳]

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Caja de herramientas

--
 
.center[<img src= "imagenes/logos-repro.JPG" width=800/>]

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Reflexión final:

--

## Ponderar cada caso

---

background-image: url("imagenes/fondo2.PNG")
background-size: contain;
background-position: 100% 0%

# Referencias

- [Florencia D'Andrea - meetup de R-Ladies Buenos Aire](https://rladiesba.netlify.app/project/charlar8/)

- [Ciencia Social Abierta - Prof. Juan Carlos Castillo](https://cienciasocialabierta.netlify.app/)

- [Introducción a renv package](https://rstudio.github.io/renv/articles/renv.html)

- [Guía para la reproducibilidad en investigación - The Turing Project](https://the-turing-way.netlify.app/welcome.html)

- [Xaringan: Presentation Ninja, de Yihui Xie](https://github.com/yihui/xaringan). Para generar esta presentación con la plantilla ninja ⚔

- [Advanced R, de Hadley Wickham](http://adv-r.had.co.nz/Introduction.html)

- [Healy, Kieran. 2018. The Plain Person’s Guide to Plain Text Social Science](https://plain-text.co/)

.medium-par[R for Data Science tiene una traducción al español realizada por la comunidad hispana de R:]

- [R para ciencia de datos, de Hadley Wickham](https://es.r4ds.hadley.nz/)

---

## INE Educa: Clases abiertas de R

## R y herramientas de reproducibilidad

## Proyecto Ciencia de Datos

### Julio 2023