linelist %>%
group_by(hospital) %>% # filas agrupadas por hospital
slice_max(date, n = 1, with_ties = F) # si hay un empate (de fecha), tomar la primera fila1 Notas editoriales y técnicas
En esta página describimos la filosofía, el estilo y las decisiones editoriales elegidas para la elaboración de este manual.
1.1 R para epidemiología aplicada y salud pública
Objetivo: Servir como breve guía de referencia para escribir código en R (en línea y versión sin conexión) con ejemplos detallados que aborden problemas epidemiológicos.
Cómo utilizar este manual
- Navega por las páginas del índice o utiliza el cuadro de búsqueda
- Clica en los iconos “Copy” para copiar el código
- Puedes seguir paso a paso las lecciones utilizando nuestros datos de ejemplo
Versión sin conexión
Consulta las instrucciones en la página de Descargar el Manual y los datos.
1.2 Enfoque y estilo
El público potencial de este libro es amplio. Seguramente será utilizado tanto por personas muy noveles con R, como por usuarios experimentados buscando los mejores consejos y prácticas. Por lo tanto, este debe ser accesible y conciso a la vez. Por ello, nuestro enfoque fue proporcionar la información suficiente para que alguien muy nuevo en R pueda aplicar y seguir el código.
Otros puntos:
- Se trata de un libro de referencia de códigos acompañado de ejemplos relativamente breves, no de un libro de texto completo sobre R o ciencia de datos
- Este es un manual de R para su uso dentro de la epidemiología aplicada - no un manual sobre los métodos o ciencia de la epidemiología aplicada
- Se trata de un documento vivo: los paquetes de R óptimos para una tarea determinada cambian a menudo, por lo que agradecemos que exista debate sobre cuáles destacar en este manual
Paquetes de R
Muchas opciones
Uno de los aspectos más difíciles de aprender en R es saber qué paquete utilizar para una tarea determinada. Es muy común pelearse con una tarea para luego darse cuenta de que ¡hay un paquete de R que hace todo eso en una línea de código!.
En este manual, tratamos de ofrecerte al menos dos maneras de completar cada tarea: un método probado y comprobado (probablemente en R base o tidyverse) y un paquete especial de R que está hecho a medida para ese propósito. Queremos que tengas un par de opciones en caso de que no puedas descargar un paquete determinado o de que éste no te funcione.
A la hora de elegir los paquetes a utilizar, hemos dado prioridad a los paquetes y enfoques de R que han sido probados y aprobados por la comunidad, que minimizan el número de paquetes utilizados en una sesión de trabajo típica, que son estables (no cambian con frecuencia) y que realizan la tarea de forma sencilla y limpia.
En general, este manual da prioridad a los paquetes y funciones de R de tidyverse. Tidyverse es una colección de paquetes de R diseñados para ciencia de datos que comparten la gramática y estructuras de datos subyacentes. Todos los paquetes tidyverse pueden instalarse o cargarse a través del paquete tidyverse. Más información en el sitio web de tidyverse.
Cuando es aplicable, también ofrecemos opciones de código usando R base - los paquetes y funciones que vienen con R en la instalación. Esto se debe a que somos conscientes de que parte de la audiencia de este libro podría no tener una buena conexión a internet para descargar paquetes adicionales.
Vinculación explícita de las funciones a los paquetes
Es frustrante cuando en algunos tutoriales de R, se muestra una función (en código), pero no se sabe bien de qué paquete es. En este libro intentamos evitar esta situación.
En el texto explicativo, los nombres de los paquetes se escriben en negrita (por ejemplo, dplyr) y las funciones se escriben así: mutate(). Nos esforzaremos en dejar claro el paquete del que proviene una función, ya sea haciendo referencia al paquete en el texto o especificando el paquete en el código mediante esta sintaxis: dplyr::mutate(). Puede parecer redundante, pero lo hacemos a propósito.
Consulta la página sobre fundamentos de R para saber más sobre los paquetes y las funciones.
Código de estilo
En el manual, utilizamos con frecuencia “líneas nuevas”, haciendo que nuestro código parezca “largo”. Lo hacemos por varias razones:
- De esta forma se pueden escribir comentarios explicativos con
#, los cuales están situados adyacentes a cada línea de código - En general, el código más largo (en vertical) es más fácil de leer
- Es más fácil de leer en una pantalla estrecha (no es necesario desplazarse lateralmente)
- Con las sangrías, puede ser más fácil saber qué argumentos pertenecen a cada función
Como resultado, el código que podría estar escrito:
…pero se escribe así:
linelist %>%
group_by(hospital) %>% # filas agrupadas por hospital
slice_max(
date, # mantener la fila por grupo con el valor máximo de la fecha
n = 1, # mantener sólo la fila más alta
with_ties = F) # si hay un empate (de fecha), tomar la primera filaEl código de R generalmente no se ve afectado por nuevas líneas o sangrías. Al escribir el código, si se inicia una nueva línea después de una coma, se aplicarán patrones de sangría automáticos.
También utilizamos muchos espacios (por ejemplo, n = 1 en lugar de n=1) porque es más fácil de leer. ¡Sé amable con la gente que lee tu código!
Nomenclatura
En este manual, generalmente hacemos referencia a “columnas” y “filas” en lugar de “variables” y “observaciones”. Como se explica en este manual sobre “datos ordenados”, la mayoría de los conjuntos de datos estadísticos epidemiológicos se componen estructuralmente de filas, columnas y valores.
Las variables contienen los valores que miden el mismo atributo subyacente (como el grupo de edad, el resultado o la fecha de inicio). Las observaciones contienen todos los valores medidos en la misma unidad (por ejemplo, una persona, un lugar o una muestra de laboratorio). Por lo tanto, estos aspectos pueden ser más difíciles de definir de forma tangible.
En los conjuntos de datos “ordenados”, cada columna es una variable, cada fila es una observación y cada celda es un único valor. Sin embargo, algunos conjuntos de datos que se encuentran no se ajustan a este molde: unos datos de formato “amplio” puede tener una variable dividida en varias columnas (véase un ejemplo en la página Pivotar datos). Del mismo modo, las observaciones pueden estar divididas en varias filas.
La mayor parte de este manual trata sobre la gestión y la transformación de datos, por lo que las referencias a las estructuras de datos concretas de filas y columnas son más relevantes que las observaciones y las variables más abstractas. Las excepciones se dan sobre todo en las páginas sobre análisis de datos, en las que verás más referencias a las variables y las observaciones.
Nota
Here are the types of notes you may encounter in the handbook:
NOTA: Esto es una nota
CONSEJO: Esto es un consejo.
PRECAUCIÓN: Esto es una nota de precaución.
PELIGRO Esto es un aviso (warning).
1.3 Decisiones editoriales
A continuación, hacemos un seguimiento de las decisiones editoriales importantes en torno a la elección de paquetes y funciones. Si no estás de acuerdo o quieres ofrecer una nueva herramienta para que la consideremos, únete o inicia una conversación en nuestra página de Github.
Tabla de paquetes, funciones y otras decisiones editoriales
| Asunto | Considerado | Resultado | Breve explicación |
|---|---|---|---|
| Enfoque general de codificación | tidyverse, data.table, base | tidyverse, con una página sobre data.table, y menciones de alternativas de R base para los lectores sin internet | legibilidad de tidyverse, universalidad, más enseñado |
| Carga de paquetes |
library(),install.packages(), require(), pacman
|
pacman | Acorta y simplifica el código para la mayoría de los casos de instalación/carga de paquetes múltiples |
| Importación y exportación | rio, muchos otros paquetes | rio | Facilidad para muchos tipos de archivos |
| Agrupación para las estadísticas de síntesis |
dplyr group_by(), stats aggregate()
|
dplyr group_by()
|
Consecuente con el énfasis en tidyverse |
| Pivotar tablas | tidyr (funciones de pivote), reshape2 (melt/cast), tidyr (spread/gather) | tidyr (funciones de pivote) | reshape2 se ha retirado, tidyr utiliza funciones pivot a partir de la v1.0.0 |
| Limpiar los nombres de las columnas | linelist, janitor | janitor | Se hace hincapié en la consolidación de los paquetes |
| Semanas epidemiológicas. Epiweeks | lubridate, aweek, tsibble, zoo | Normalmente lubridate, los otros para casos específicos | La flexibilidad, la coherencia y las perspectivas de mantenimiento de los paquetes de lubridate |
| Etiquetas ggplot |
labs(), ggtitle()/ylab()/xlab()
|
labs() |
Todas las etiquetas en un solo lugar, la simplicidad |
| Convertir en factor |
factor(), forcats
|
forcats | Sus diversas funciones también convierten los datos en factor en el mismo comando |
| Curvas epidémicas | incidence, ggplot2, EpiCurve |
incidence2 por rapidez, **ggplot2** para tareas detalladas|fiabilidad Concatenación|paste(),paste0(),str_glue(),glue()|str_glue()` |
Sintaxis más sencilla que las funciones de pegado; dentro de stringr |
1.4 Revisiones importantes
| Fecha | Cambios mayores |
|---|---|
| 10 Mayo 2021 | Lanzamiento de la versión 1.0.0 |
| 20 Nov 2022 | Lanzamiento de la versión 1.0.1 |
NOVEDADES Con la versión 1.0.1 se han implementado los siguientes cambios:
- Actualización a la versión 4.2 de R
- Limpieza de datos: se cambió {linelist} por {matchmaker}, se eliminó una línea innecesaria del ejemplo de
case_when() - Fechas: se cambió
guess_date()de {linelist} porparse_date()de {parsedate} - Pivotar datos: ligera actualización de
id_cols=enpivot_wider() - Análisis de encuestas: se cambió
plot_age_pyramid()porage_pyramid(), ligero cambio en el código del gráfico aluvial - Gráficos de calor: se añadió
ungroup()al trozo de código deagg_weeks - Gráficos interactivos: se añadió
ungroup()al trozo de código que creaagg_weekspara queexpand()funcione como se pretende - Series temporales: se añadió
data.frame()alrededor de los objetos en todos los comandostrending::fit()ypredict() - Análisis de combinaciones: se cambió
case_when()porifelse()y se añadió código opcional conacross()para preparar los datos - Cadenas de transmisión: actualización a una versión más reciente de {epicontacts}
1.5 Agradecimientos
Este manual ha sido elaborado mediante la colaboración de profesionales de la epidemiología de todo el mundo, basándonos en nuestra experiencia en organismos sanitarios locales, estatales, provinciales y nacionales, la Organización Mundial de la Salud (OMS), Médicos Sin Fronteras (MSF), sistemas hospitalarios e instituciones académicas.
Este manual no es un producto aprobado por ninguna organización específica. Aunque nos esforzamos por ser precisos, no ofrecemos ninguna garantía sobre el contenido de este libro.
Colaboradores
Redactor jefe: Neale Batra
Equipo central del proyecto: Neale Batra, Alex Spina, Amrish Baidjoe, Pat Keating, Henry Laurenson-Schafer, Finlay Campbell
Autores: Neale Batra, Alex Spina, Paula Blomquist, Finlay Campbell, Henry Laurenson-Schafer, Isaac Florence, Natalie Fischer, Aminata Ndiaye, Liza Coyer, Jonathan Polonsky, Yurie Izawa, Chris Bailey, Daniel Molling, Isha Berry, Emma Buajitti, Mathilde Mousset, Sara Hollis, Wen Lin
Revisores: Pat Keating, Annick Lenglet, Margot Charette, Danielly Xavier, Esther Kukielka, Michelle Sloan, Aybüke Koyuncu, Rachel Burke, Kate Kelsey, Berhe Etsay, John Rossow, Mackenzie Zendt, James Wright, Laura Haskins, Flavio Finger, Tim Taylor, Jae Hyoung Tim Lee, Brianna Bradley, Wayne Enanoria, Manual Albela Miranda, Molly Mantus, Pattama Ulrich, Joseph Timothy, Adam Vaughan, Olivia Varsaneux, Lionel Monteiro, Joao Muianga
Equipo de traducción al español: Juan Carlos Fernández-Merino, Juan Francisco Monteagudo, Ximena Tolosa, Luis Hernando Aguilar Ramirez, Ignacio Castro Aguirre, Esther Kukielka, Cristina Torró, Ana Fernández-Ayuso. Se ha trabajado con el traductor online DeepL, ajustando manualmente los términos médicos epidemiológicos, estadísticos e informáticos específicos. Del mismo modo se han revisado todas las páginas para corregir defectos de estilo así como aplicar los acuerdos editoriales definidos por el equipo de traducción al español.
Illustraciones: Calder Fong
Financiación y apoyo
Este libro ha sido principalmente un esfuerzo voluntario que ha requerido miles de horas de trabajo.
El manual recibió apoyo financiaciero de TEPHINET, la red mundial de Programas de Formación en Epidemiología de Campo (FETP) a través de una subvención para el desarrollo de capacidades de emergencia COVID-19.
La Red de Antiguos Alumnos de (EAN) proporcionó apoyo administrativo, con un agradecimiento especial a Annika Wendland. EPIET es el Programa Europeo de Formación en Epidemiología de Intervención.
Un agradecimiento especial a Médicos Sin Fronteras (MSF) Centro Operativo de Ámsterdam (OCA) por su apoyo durante la elaboración de este manual.
Esta publicación fue respaldada por el Acuerdo de Cooperación número NU2GGH001873, financiado por los Centros para el Control y la Prevención de Enfermedades a través de TEPHINET, un programa de The Task Force for Global Health. Su contenido es responsabilidad exclusiva de los autores y no representa necesariamente las opiniones oficiales de los Centros para el Control y la Prevención de Enfermedades, el Departamento de Salud y Servicios Humanos, The Task Force for Global Health, Inc. o TEPHINET.
Inspiración
Hay multitud de tutoriales y viñetas que aportaron conocimientos para el desarrollo del contenido del manual y se acreditan en sus respectivas páginas.
De manera más general, las siguientes fuentes han servido de inspiración para este manual:
El proyecto “R4Epis” (una colaboración entre MSF y RECON)
R Epidemics Consortium (RECON)
El libro R for Data Science (R4DS), en español en este enlace
bookdown: Creación de libros y documentos técnicos con R Markdown
Netlify alberga este sitio web
1.6 Condiciones de uso y contribución
Licencia
Esta obra está bajo una Licencia Internacional Creative Commons Attribution-NonCommercial-ShareAlike 4.0.
Los cursos académicos y los programas de formación en epidemiología pueden utilizar este manual con sus estudiantes - por favor díganos. Si tienes preguntas sobre el uso que se le va a dar, envía un correo electrónico a contact@appliedepi.org.
Cita sugerida
Batra, Neale, et al. Manual de R para Epidemiología. 2021. 
Contribución
Si quieres hacer una contribución de contenido, por favor, ponte en contacto con nosotros primero a través de Github o por correo electrónico. Estamos implementando un calendario de actualizaciones y estamos creando una guía para colaboradores.
Ten en cuenta que el proyecto epiRhandbook se publica con un Código de Conducta del Colaborador . Al contribuir a este proyecto, te comprometes a respetar sus términos.
1.7 Información de la sesión (R, RStudio, paquetes)
A continuación se presenta la información sobre las versiones de R, RStudio y los paquetes de R utilizados en esta versión del Manual.
sessioninfo::session_info()─ Session info ───────────────────────────────────────────────────────────────
setting value
version R version 4.6.0 (2026-04-24)
os Ubuntu 26.04 LTS
system x86_64, linux-gnu
ui X11
language en_US:en
collate en_US.UTF-8
ctype en_US.UTF-8
tz Etc/UTC
date 2026-10-05
pandoc 3.7.0.2 @ /usr/bin/ (via rmarkdown)
quarto 1.9.38 @ /usr/local/bin/quarto
─ Packages ───────────────────────────────────────────────────────────────────
package * version date (UTC) lib source
cli 3.6.6 2026-04-09 [1] RSPM
digest 0.6.39 2025-11-19 [1] RSPM
evaluate 1.0.5 2025-08-27 [1] RSPM
fastmap 1.2.0 2024-05-15 [1] RSPM
htmltools 0.5.9 2025-12-04 [1] RSPM
htmlwidgets 1.6.4 2023-12-06 [1] RSPM
jsonlite 2.0.0 2025-03-27 [1] RSPM
knitr 1.51 2025-12-20 [1] RSPM
otel 0.2.0 2025-08-29 [1] RSPM
rlang 1.2.0 2026-04-06 [1] RSPM
rmarkdown 2.31 2026-03-26 [1] RSPM
sessioninfo 1.2.4 2026-06-04 [1] RSPM
xfun 0.59 2026-06-19 [1] RSPM
yaml 2.3.12 2025-12-10 [1] RSPM
[1] /opt/R/4.6.0/lib/R/library
──────────────────────────────────────────────────────────────────────────────