Open Tools and R Packages for Open Science

Mauro Lepore

Hace poco Yanina Bellini Saibene nos recordó actualizar el perfil de Slack: Después de hacer eso, decidí actualizar mis fotos de perfil en el sitio web de rOpenSci, y termine aprendiendo algunos trucos de git que voy a compartir acá.

Trucos de Git para trabajar con repositorios grandes

Yanina Bellini Saibene

Sébastien Rochette

Alejandra Bellini

Lucio Casalla

Steffi LaZerte

Este es el segundo artículo de nuestra serie de entrevistas “Conociendo a las estrellas del universo R”. Nuestro objetivo es presentar a los grupos de trabajo y a las personas que están detrás del desarrollo de software y paquetes que utilizamos y que están disponibles a través del R-Universe.

Aprender, ayudar y compartir. El método de ThinkR para crear una comunidad cada vez más grande y amigable de R

Pachá (aka Mauricio Vargas Sepúlveda)

Resumen   censo2017 es un paquete en R diseñado paraorganizar los archivos Redatam
<sup>
 1
</sup>
proporcionados por el Instituto Nacional de Estadísticas de Chile en formatoDVD
<sup>
 2
</sup>
. Este paquete fue inspirado por citesdb(Noam Ross, 2020) y taxadb(Carl Boettiger et al, 2021).Esta entrada trata sobre este paquete, elproblema que resuelve, cómo usarlo, y el hecho de que el paquete y su proceso derevisión se hicieron íntegramente enespañol.

La Historia de censo2017, el Primer Paquete de rOpenSci Revisado en Español

Maëlle Salmon

Como parte de nuestro proyecto editorial multilingüe y con financiación del Consorcio R hemos trabajado en el paquete R babeldown para traducir contenido basado en Markdown utilizando la API de DeepL.En esta nota técnica, mostraremos cómo puedes utilizar babeldown para traducir un artículo de blog que utiliza Hugo.

Cómo traducir un artículo de blog de Hugo con Babeldown

¡Nos complace abrir la convocatoria para la segunda cohorte de
<strong>
 Campeonas/es y Mentoras/es
</strong>
para el Programa de rOpenSci 🎉 ! Este programa continuará apoyando nuestro objetivo de identificar, reconocer y recompensar a los miembros apasionados de la comunidad que ayudan a la comunidad a crecer y mejorar.

¡Convocatoria abierta para la presentación de candidaturas al Programa de Campeonas y Campeones de rOpenSci!

Karthik Ram

Estimada comunidad rOpenSci,  Este es un anuncio un poco agridulce… después de casi 13 años, es hora de que me retire como Director Ejecutivo de rOpenSci. En el verano de 2011 cofundé rOpenSci junto con un grupo de colegas dedicados. Lo que comenzó como una colaboración informal entre entusiastas de la ciencia abierta evolucionó rápidamente hacia algo mucho más significativo.

Del Director Fundador: Mi despedida de rOpenSci

Resumen   Este artículo trata sobre los usos sorprendentes que he observado y las preguntasque recibo sobre el paquete R censo2017, una herramienta paraacceder a los datos del censo chileno de 2017, que he recibido desde que fue revisado por paresa través de rOpenSci hace un año.

Usos interesantes de censo2017 un año después de su publicación

El Universo R es utilizado por profesionales de distintos ámbitos, aunque todos persiguen el mismo objetivo:
<strong>
 ofrecer sus paquetes de R de manera simple y accesible
</strong>
.  Desde rOpenSci trabajamos para ofrecer herramientas que faciliten el acceso a datos y software de investigación generado con buenas prácticas de desarrollo de software y en una comunidad amigable.

El multiverso de rOpenSci

Juan Pablo Ruiz Nicolini

Corría el año 2015, un estudiante de maestría de Ciencia Política tenía que procesar datos para entregar su tésis y decidió aprovechar la oportunidad para aprender a usar R. Al largo y tortuoso camino del requisito académico se agregó un grado de dificultad extra: incorporar un software de programación desde cero, con una curva de aprendizaje algo empinada.

Divide y venceras: de polar al Polarverse

R es un lenguaje y un entorno para la computación estadística.Existen varias herramientas y enfoques para interactuar con R, pero no todos son accesibles con lectores de pantalla.Esta guía proporciona una visión general de las herramientas y técnicas disponibles para las personas que usan lectores de pantalla en diferentes sistemas operativos, con consejos prácticos y recursos para ayudarles a navegar por el entorno R.Puede que esta guía no esté

Recursos para utilizar R con lectores de pantalla

Twitter es una de las plataformas y redes sociales preferidas por la comunidad de R y por las comunidades de datos, ciencia abierta e investigación. Desde el comienzo de rOpenSci hemos utilizado Twitter para conectarnos con nuestra comunidad y otras comunidades similares, para compartir lo que hacemos y para formar parte de las conversaciones en torno a los temas importantes para nuestra misión.

Canales de comunicación de rOpenSci: Twitter

¿Porqué un programa de Campeones y Campeonas? Estos programas se diseñan para identificar, reconocer y premiar a miembros apasionados de nuestras comunidades. En rOpenSci, reconocemos que existe una consternadora falta de diversidad en el ecosistema de las comunidades de software de investigación y de código abierto. La Comunidad R no es una excepción;

¡Anunciamos el programa de Campeones y Campeonas de rOpenSci!

Noam Ross

Me complace, emociona y llena de humildad anunciar que asumo el cargo de Director Ejecutivo de rOpenSci a partir del 1 de Abril. En primer lugar, permítanme expresar mi gratitud a nuestro Director Ejecutivo saliente y amigo Karthik Ram por su liderazgo y tutoría al frente de rOpenSci durante la última década. Ha sido una mano firme y un visionario que ha ayudado a nuestra comunidad a lograr tanto juntos en este tiempo.

Hola de nuestro nuevo Director Ejecutivo

Elio Campitelli

Marcos Prunello

Pao Corrales

Las personas
<em>
 campeonas
</em>
de una comunidad son
<em>
 personas que asumen una mayor responsabilidad en el éxito, la sostenibilidad y/o el funcionamiento de una comunidad
</em>
.
<sup>
 1
</sup>
rOpenSci desarrolla un programa de campeones y campeonas enfocado y pensado para que participen personas que pertenecen a grupos histórica y sistemáticamente excluidos de las comunidades de software abierto y de software de investigación.

Participación  Latinoamérica en el Programa de Campeonas y Campeones de rOpenSci

Un nuevo artículo de nuestra serie de entrevistas “Conociendo a las estrellas del universo R”. Nuestro objetivo es presentar a los equipos y personas que están detrás del desarrollo de software y paquetes que utilizamos y que están disponibles a través del R-universe. Queremos destacar y explorar diferentes equipos y proyectos de todo el mundo, el trabajo que realizan, sus procesos y usuarios.

Conociendo a las estrellas del Universo R: El universo R contra las enfermedades.

Tal como lo anticipamos en noviembre del 2022 los cambios aplicados en Twitter han generado un espacio menos seguro y amigable para nuestra comunidad. Es por eso que a partir de
<em>
 Junio de 2023
</em>
, dejaremos de interactuar en esa plataforma. Mantendremos la cuenta con la esperanza de poder volver cuando Twitter vuelva a ser un espacio seguro y solidario, pero mientras tanto centraremos nuestros esfuerzos de comunicación en otros lugares.

Los canales de comunicación de rOpenSci para un intercambio seguro y amigable

Conociendo a las estrellas del Universo R: PEcAn, un proyecto de código abierto para cuidar el planeta

Conociendo a las estrellas del Universo R: Investigando nuestro cerebro con la magia del universo R

¡El programa de campeones arrancó con todo este 2023! Nos complace informar sobre los dos primeros meses de nuestro primer programa de campeones y campeonas. En septiembre de 2022 hicimos el lanzamiento del programa, anunciando el llamado a aplicar a personas que quisieran participar. Recibimos un total de 102 solicitudes de 31 países diferentes.

Puntapié inicial de nuestro programa de campeonas y campeones

Jeroen Ooms

Encontrar la herramienta adecuada para el trabajo   Lo más difícil de usar R con eficacia es encontrar los mejores paquetes para el problema que intentas resolver. Creo que esto es incluso, más importante que dominar el lenguaje en sí. Cosa que irás adquiriendo a medida que empieces a utilizar R con más frecuencia.

Descubrir y aprender todo lo que hay que saber sobre los paquetes de R utilizando r-universe

Esta entrada del blog pretende ayudarte a iniciarte en la comunidad rOpenSci destacando algunos links y actividades clave. Si tienes alguna pregunta, no dudes en ponerte en contacto con nuestra Community Manager, Yanina Bellini Saibene por correo electrónico o programa una reunión con ella. Estamos a tu disposición para que comiences tu camino con nuestra comunidad. ¡Te damos la bienvenida! ¿Por dónde empiezo?

Cómo participar en rOpenSci

En rOpenSci, creamos y curamos software para ayudar a quienes hacen ciencia en el ciclo de vida de los datos. Estas herramientas acceden, descargan, gestionan y archivan datos científicos de forma abierta y reproducible. Desde el principio, nos dimos cuenta de que esto sólo podía ser un esfuerzo comunitario.

Cómo rOpenSci utiliza la revisión de código para promover la ciencia reproducible

Nos agrada anunciar que, con el aporte de Chan Zuckerberg Initiative, NumFOCUS y R Consortium, estamos comenzando el proceso de traducir los materiales de rOpenSci sobre buenas prácticas de desarrollo de software, revisión de código y contribución a proyectos de código abierto al español.Como parte de este esfuerzo, también estamos desarrollando guías y herramientas para traducir recursos de código abierto y alcanzar una mayor audiencia.

Agrandando nuestra comunidad con publicaciones multi-idioma

Los procesos de revisión de software y revisión de software estadístico que realizamos en rOpenSci dependen del trabajo voluntario de quienes realizan estas tareas de revisión y edición.El equipo editorial gestiona el flujo diario de envíos, recluta personas para revisar y guía el proceso de revisión por pares de principio a fin.

Desafíos y soluciones editoriales en la revisión por pares de software

Durante useR! 2021 Jeroen Ooms presentó el proyecto universo R en su
<em>
 keynote
</em>
.Comentó sobre el proyecto, los casos de uso y repasó las instrucciones para crear tu propio
<em>
 universo-r
</em>
. En este post the explico como crear el tuyo a partir de la experiencia de crear el mio.

Creando Tu R-universe

Nos complace anunciar el nuevo Grupo de Trabajo de Documentación Multilingüe del R Consortium.Este Grupo de Trabajo surgió luego de varias conversaciones durante el R Project Sprint 2023 y supervisará la implementación del soporte de documentación multilingüe en R y organizará los esfuerzos de traducción de la comunidad.Nuestro primer proyecto es el paquete (experimental)
<strong>
 rhelpi18n
</strong>
que añade soporte en R para el uso de

Documentación multilingüe en paquetes de R

Las orientaciones de la Revisión por Pares de Software de rOpenSci se compilan en un libro en línea que sigue mejorando.Esta articulo de blog resume las novedades de nuestra Guía de Desarrollo 0.9.0, con todos los cambios enumerados en la sección registro de cambios.¡Ahora disponible en español!

rOpenSci Dev Guide 0.9.0: ¡Ahora multilingüe! Y mejor

Esta es la primera entrega de nuestra serie de entrevistas
<strong>
 “Conociendo a las estrellas del universo R”
</strong>
. Tenemos como objetivo introducir los grupos de trabajo y las personas que están detrás del desarrollo del software y paquetes que muchos utilizamos y que se encuentran disponibles en
<em>
 R-Universe
</em>
. Queremos resaltar y conocer diferentes proyectos alrededor del mundo, el trabajo que hacen, sus procesos y usuarios.

Conociendo a las estrellas del universo R: comunidad R, intercambiar y aprender

¡Hola! Soy Yanina Bellini Saibene, tu nueva Community Manager. Estoy muy entusiasmada de unirme a rOpenSci con este rol y así poder apoyar un proyecto tan importante en la ciencia abierta y en la Comunidad R.  Cuando vi la convocatoria para el puesto, pensé que mis más de 20 años de experiencia trabajando en comunidades, siendo profesora e investigadora se alineaban perfectamente.

Presentamos a la nueva Community Manager de rOpenSci, Yanina Bellini Saibene

rOpenSci - herramientas abiertas para una ciencia abierta

## Encontrar la herramienta adecuada para el trabajo

Lo más difícil de usar R con eficacia es encontrar los mejores paquetes
para el problema que intentas resolver. Creo que esto es incluso, más
importante que dominar el lenguaje en sí. Cosa que irás adquiriendo a
medida que empieces a utilizar R con más frecuencia. Sin embargo,
construir tu código sobre bases fiables es esencial para obtener buenos
resultados, y difícil de arreglar más adelante en un proyecto.

Hay unos 20.000 paquetes en CRAN, y más en otras redes como BioConductor
y GitHub. Todos los días se publican nuevos paquetes. Las personas que
desarrollan son una mezcla de voluntarios y voluntarias, desde
ingenieros de software profesionales hasta estudiantes y aficionadas. La
calidad y el alcance de los paquetes varían enormemente, lo que puede
hacer difícil juzgar qué herramientas son la mejor opción para una tarea
determinada.

El objetivo último de [r-universe](https://r-universe.dev) es ayudarte a
navegar eficazmente por el ecosistema de R para descubrir lo que hay
disponible, hacerte una idea de la finalidad y la calidad de cada
paquete, del equipo que los desarrolla y empezar a utilizar estos
paquetes inmediatamente y sin complicaciones.

## Tres niveles de navegación en r-universe

Podemos distinguir tres niveles de navegación en r-universe cuando vayas
a buscar paquetes de R:

1.  Buscar en el ecosistema global: encontrar paquetes, por tema,
    palabra clave, clasificación, etc.
2.  Busca por la persona/organización que lo mantiene: explora todo el
    trabajo de un grupo o de un investigador o investigadora particular.
3.  Busca por el paquete individual: obtén información detallada sobre
    todo lo que hay que saber sobre un proyecto e instrucciones para
    empezar a utilizarlo.

Si recien empiezas con R o estás explorando paquetes para una
determinada tarea, puedes empezar buscando todo lo que hay utilizando el
motor de búsqueda r-universe. Una vez que te familiarices con el
ecosistema, puede que te interese acercarte a un conjunto específico de
paquetes de una determinada persona u organización y con el tiempo
aprender más sobre los detalles de paquetes concretos.

## Nivel 1: buscar en todo el ecosistema R

La página de inicio en <https://r-universe.dev> te lleva directamente al
motor de búsqueda global. Aquí puedes realizar una búsqueda de texto
libre de una palabra clave, que se coteja con nombres de paquetes,
descripciones, temas y títulos de páginas de manuales, viñetas, etc. Los
resultados se ordenan mediante una combinación de una puntuación de
coincidencia (con qué frecuencia y dónde aparece el término buscado), y
una clasificación de calidad^[1](#fn:1){.footnote-ref
role="doc-noteref"}^.

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img">
<img src="search1.png" itemprop="thumbnail"
alt="Página de inicio del buscador de r-universe." />
</div>
<a href="search1.png" itemprop="contentUrl"></a>
</figure>
:::

La parte derecha del cuadro de búsqueda contiene un botón de expansión
que revela los filtros de la búsqueda avanzada. Aquí puedes introducir
criterios de búsqueda más detallados, para que coincidan específicamente
con campos concretos. Por ejemplo, puedes buscar paquetes de un autor
determinado, o que tengan una función o dependencia específica.

::: {.gallery .caption-position-bottom .caption-effect-slide .hover-effect-zoom .hover-transition itemscope="" itemtype="http://schema.org/ImageGallery"}
::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;search2.png&#39;);">
<img src="search2.png" itemprop="thumbnail"
alt="Ejemplo de resultados de la búsqueda simple de r-universe." />
</div>
<a href="search2.png" itemprop="contentUrl"></a>
</figure>
:::

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;search3.png&#39;);">
<img src="search3.png" itemprop="thumbnail"
alt="Ejemplo de búsqueda avanzada en r-universe." />
</div>
<a href="search3.png" itemprop="contentUrl"></a>
</figure>
:::

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;search4.png&#39;);">
<img src="search4.png" itemprop="thumbnail"
alt="Ejemplo de resultados de la búsqueda avanzada de r-universe." />
</div>
<a href="search4.png" itemprop="contentUrl"></a>
</figure>
:::
:::

La página de búsqueda también muestra una lista aleatoria de
organizaciones que publican paquetes de R (ordenados por actividad
reciente), que es una forma divertida de descubrir lo que se está
desarrollando actualmente en el ecosistema de R.

## Nivel 2: explorar el trabajo de una organización o una persona

Cada persona y organización presente en r-universe tiene un subdominio
único bajo `r-universe.dev` con un repositorio personal de paquetes tipo
CRAN desde el que se pueden instalar directamente los paquetes. Por
ejemplo, los paquetes y la información de rOpenSci pueden encontrarse en
<https://ropensci.r-universe.dev> y los paquetes que yo mantengo están
listados en <https://jeroen.r-universe.dev> (observa cómo se solapan
estos dos conjuntos).

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img">
<img src="user1.png" itemprop="thumbnail"
alt="Ejemplo de la pestaña Builds de un repositorio." />
</div>
<a href="user1.png" itemprop="contentUrl"></a>
</figure>
:::

Las pestañas superiores te permiten explorar diferentes recursos dentro
del universo. La página **builds** (compilaciones) muestra el estado
actual del repositorio: una tabla con el nombre y la versión de cada
paquete, incluyendo la fecha de confirmación, el/la autor/a y el estado
de compilación. Hacer clic en el nombre del paquete en la tabla te envía
a la página principal de ese paquete (daré más detalles más adelante), y
el nombre de la persona que mantiene el paquete enlaza con el subdominio
de esa persona, que enumera otros proyectos mantenidos por esta persona.

La página **packages** (paquetes) muestra información descriptiva de
todos los paquetes del repositorio, y la pestaña **articles**
(artículos) muestra todos los documentos (por ejemplo, viñetas). La
página **contributors** (colaboradores) muestra un gráfico con las
estadísticas de quienes colaboran con la organización o con esa persona.
Hacer clic en una barra del gráfico te envía a este otro universo donde
puedes explorar más trabajos de esta persona.

::: {.gallery .caption-position-bottom .caption-effect-slide .hover-effect-zoom .hover-transition itemscope="" itemtype="http://schema.org/ImageGallery"}
::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;user2.png&#39;);">
<img src="user2.png" itemprop="thumbnail"
alt="Ejemplo de la pestaña packages de un repositorio." />
</div>
<a href="user2.png" itemprop="contentUrl"></a>
</figure>
:::

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;user3.png&#39;);">
<img src="user3.png" itemprop="thumbnail"
alt="Ejemplo de la pestaña articles de un repositorio." />
</div>
<a href="user3.png" itemprop="contentUrl"></a>
</figure>
:::

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;user4.png&#39;);">
<img src="user4.png" itemprop="thumbnail"
alt="Ejemplo de la pestaña contributorsde un repositorio." />
</div>
<a href="user4.png" itemprop="contentUrl"></a>
</figure>
:::
:::

El mismo subdominio aloja el repositorio real de paquetes tipo CRAN para
este usuario/a u organización. Por tanto, para listar o instalar
paquetes de rOpenSci en R, utilizarías:

::: {.highlight}
``` {.chroma tabindex="0"}
# Lista los paquetes disponiblesavailable.packages(repos = "https://ropensci.r-universe.dev")# Instala un paqueteinstall.packages("magick", repos = "https://ropensci.r-universe.dev")
```
:::

## Nivel 3: información individual de los paquetes

Finalmente llegamos al nivel de paquete individual. Hacer clic en un
paquete en los resultados de la búsqueda o en una visión general del
universo te llevará a la página de inicio de ese paquete. También puedes
enlazar directamente con esta página a través de la url
`https://{owner}.r-universe.dev/{package}` por ejemplo
<https://r-spatial.r-universe.dev/sf> abajo.

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img">
<img src="package1.png" itemprop="thumbnail"
alt="Ejemplo de la página de inicio de un paquete en r-universe" />
</div>
<a href="package1.png" itemprop="contentUrl"></a>
</figure>
:::

Estas páginas de paquetes se generan automáticamente y proporcionan
información detallada sobre cada proyecto, así como toda la información
y recursos para instalar y probar rápidamente el paquete localmente en
R.

### Información del paquete

La sección inicial de la página de inicio muestra datos descriptivos y
enlaces a recursos de este paquete, como los archivos fuente/binarios,
el manual del paquete y el archivo NEWS. Más abajo mostramos las
instrucciones de instalación para instalar el paquete en R. La
instalación es rápida y sencilla porque proporcionamos binarios
precompilados para Windows y MacOS, por lo que no se necesitan
herramientas ni configuraciones especiales en la máquina del usuario.

::: {.gallery .caption-position-bottom .caption-effect-slide .hover-effect-zoom .hover-transition itemscope="" itemtype="http://schema.org/ImageGallery"}
::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;package2.png&#39;);">
<img src="package2.png" itemprop="thumbnail"
alt="Ejemplo de una página de inicio de un paquete con anotaciones." />
</div>
<a href="package2.png" itemprop="contentUrl"></a>
</figure>
:::

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img"
style="background-image: url(&#39;package21.png&#39;);">
<img src="package21.png" itemprop="thumbnail"
alt="Ejemplo de una página mostrando las insignias y estadísticas de un paquete en r-universe." />
</div>
<a href="package21.png" itemprop="contentUrl"></a>
</figure>
:::

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;package4.png&#39;);">
<img src="package4.png" itemprop="thumbnail"
alt="Ejemplo de como se presenta la información de como citar el paquete en r-universe." />
</div>
<a href="package4.png" itemprop="contentUrl"></a>
</figure>
:::
:::

Aquí también puedes encontrar más información derivada por el sistema de
construcción, como sobre qué bibliotecas del sistema construye el
paquete, temas y si el paquete está en CRAN. Las etiquetas debajo
muestran estadísticas sobre el paquete, como dependencias, dependencias
inversas y estrellas de GitHub. Haciendo clic en la etiqueta "exports"
se muestran todas las funciones y conjuntos de datos exportados por el
paquete, que enlazan con las secciones respectivas de la página del
manual. Si se especifica, también mostramos cómo debe citarse el paquete
en los artículos.

### Toda la documentación

Para que puedas empezar a utilizar los paquetes lo antes posible,
r-universe ofrece toda la documentación disponible y la presenta de la
forma más clara y concisa posible en la página de inicio.

La mayoría de los paquetes de R tienen 3 formas de documentación: un
archivo léeme (README), un manual de referencia (páginas de ayuda) y una
serie de artículos (viñetas). Estos artículos suelen ser un buen punto
de partida, y aparecen en la página principal del paquete, justo debajo
de los descriptivos. Desde aquí puedes ver tanto el documento html/pdf
renderizado, como el archivo fuente rmarkdown utilizado para
(re)producir el artículo.

::: {.gallery .caption-position-bottom .caption-effect-slide .hover-effect-zoom .hover-transition itemscope="" itemtype="http://schema.org/ImageGallery"}
::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;package3.png&#39;);">
<img src="package3.png" itemprop="thumbnail"
alt="Ejemplo del universo de un paquete listando todos los artículos incluidos." />
</div>
<a href="package3.png" itemprop="contentUrl"></a>
</figure>
:::

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;package5.png&#39;);">
<img src="package5.png" itemprop="thumbnail"
alt="Ejemplo del contenido de un archivo README en el univrso de un paquete." />
</div>
<a href="package5.png" itemprop="contentUrl"></a>
</figure>
:::

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img" style="background-image: url(&#39;package6.png&#39;);">
<img src="package6.png" itemprop="thumbnail"
alt="Ejemplo de la referencia al índice de un manual de un paquete en r-universe." />
</div>
<a href="package6.png" itemprop="contentUrl"></a>
</figure>
:::
:::

Más abajo puedes ver el contenido del "README" del paquete. Hoy en día,
la mayoría de los paquetes incluyen un archivo README.md que se puede
convertir en HTML.

Después del README sigue una sección llamada "manual de referencia" que
contiene una tabla con todas las páginas de ayuda. Éstas enlazan con los
respectivos capítulos del manual de referencia
html^[2](#fn:2){.footnote-ref role="doc-noteref"}^, que proporciona la
documentación más extensa de cada función del paquete, incluyendo
descripciones, parámetros, ejemplos, etc.

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img">
<img src="refman.png" itemprop="thumbnail"
alt="Ejemplo de un capítulo en en el manual de referencia en HTML de un paquete, mostrando descripciones, parámetros y ejemplos de una función." />
</div>
<a href="refman.png" itemprop="contentUrl"></a>
</figure>
:::

### Actividad de uso y desarrollo

Además de familiarizarte con lo que hace el paquete, puede que te
interese saber quién está trabajando en él, quién más lo utiliza y si
sigue desarrollándose activamente.

La sección ""development and contributors" (desarrollo y colaboraciones)
muestra un gráfico de barras con el número de commits por semana durante
el último año, y quiénes son los y las principales colaboradores y
colaboradoras. Por último, la sección "usage by other packages" (uso por
otros paquetes) muestra otros paquetes de r-universo que dependen de
este paquete, agrupados por propietario/a. Esto te da una idea de lo
activo que es el proyecto y de quién está participando.

::: {.box}
<figure itemprop="associatedMedia" itemscope=""
itemtype="http://schema.org/ImageObject">
<div class="img">
<img src="package7.png" itemprop="thumbnail"
alt="Ejemplo de actividad reciente de desarrollo y personas que usan el paquete." />
</div>
<a href="package7.png" itemprop="contentUrl"></a>
</figure>
:::

## Conclusión

Este post ha explicado diferentes formas en las que puedes utilizar
[r-universe](https://r-universe.dev) para explorar los paquetes de R. La
página [motor de búsqueda](https://r-universe.dev/search) te permite
encontrar paquetes de cualquier parte del ecosistema que coincidan con
determinadas palabras clave o criterios específicos. Es un buen lugar
para informarse y hacerse una idea de lo que hay disponible en un
dominio determinado.

Una vez que te familiarices con el ecosistema, puede que te interese
hacer zoom en un conjunto específico de paquetes de un determinado grupo
o investigador/a. La estructura de dominios de r-universe te permite
explorar paquetes y artículos por organización, y descubrir trabajos
relacionados con las personas que los mantienen, colaboran o los usan.

Por último, para cada paquete R, r-universe proporciona una hermosa
página de inicio que contiene abundante información en:
`https://{owner}.r-universe.dev/{package}`. Esta página muestra
exactamente de qué trata un paquete, quién lo está desarrollando, el
estado del proyecto, y también proporciona toda la documentación y las
instrucciones de instalación, muy bien representadas, para empezar a
utilizar el paquete inmediatamente, sin complicaciones.

::: {.footnotes role="doc-endnotes"}

------------------------------------------------------------------------

1.  ::: {#fn:1}
    Más información sobre esta clasificación: [¿cómo se calcula la
    puntuación de la clasificación por
    paquetes?](https://github.com/r-universe-org/help#how-is-the-package-rank-score-calculated) [↩︎](#fnref:1){.footnote-backref
    role="doc-backlink"}
    :::

2.  ::: {#fn:2}
    Entrada en el blog: [postdoc 1.0: manuales de paquetes HTML mínimos
    y
    claros](/blog/2022/11/29/postdoc-docs/). [↩︎](#fnref:2){.footnote-backref
    role="doc-backlink"}
    :::
:::


## Resumen

Este artículo trata sobre los usos sorprendentes que he observado y las
preguntasque recibo sobre el paquete R
[censo2017](https://docs.ropensci.org/censo2017), una herramienta
paraacceder a los datos del censo chileno de 2017, que he recibido desde
que fue revisado por paresa través de rOpenSci hace un año. El [artículo
original](/blog/2021/07/27/censo2017/) sobre elpaquete no cubría los
diferentes ejemplos que presento aquí,incluyendo una versión Python del
paquete R.

## Organizar los datos del censo

[Hace tres años](/blog/2021/07/27/censo2017/), tuve que realizar una
tarea que me exigíaextraer los datos de un software sólo para Windows en
formato DVD, lo que se hizo muycomplicado.

Necesitaba acceder a los archivos REDATAM y obtener unos resúmenes de
poblacióncon un software específico para ese formato. Para mi sorpresa,
la tarea fueincreíblemente difícil, y exporté los datos a SQL para
unaextracción de datos más accesible.

Lo que inicialmente organicé en PostgreSQL, terminó siendo organizado en
unabase de datos local (embebida), que es más conveniente para los
usuarios finales ypuede instalarse con dos líneas de código.

Instalación en R:

    remotes::install_github("ropensci/censo2017")censo2017::censo_descargar()

Instalación en Python:

    pip install git+https://github.com/pachadotdev/censo2017python.git#egg=censo2017import censo2017censo2017.descargar()

## Uso inesperado I: Viviendas precarias (en R)

Podemos utilizar los datos del censo para determinar dónde son comunes
las viviendas precarias,lo que nos permite obtener ideas valiosas para
la política pública. Esto es algo que nunca contemplé cuandohice el
software.

¿Qué tipo de información sobre la vivienda podemos buscar en el censo?
Para simplificarvamos a explorar la variable `p01`, que podemos
consultar en la tabla`variables_codificación`, la cual creé para
organizar mi trabajo.

    library(censo2017)library(dplyr)con <- censo_conectar()tbl(con, "variables") %>%   filter(variable == "p01") %>%   collect() %>%   kable()

| tabla     | variable | descripcion      | tipo    | rango  |
|:----------|:---------|:-----------------|:--------|:-------|
| viviendas | p01      | Tipo de Vivienda | integer | 1 - 10 |

    tbl(con, "variables_codificacion") %>%   filter(variable == "p01") %>%   select(valor, descripcion) %>%   collect() %>%   kable()

La variable se refiere al "Tipo de Vivienda" y contiene diez valores
numéricos que significan:

| valor | descripcion                                          |
|------:|:-----------------------------------------------------|
|     1 | Casa                                                 |
|     2 | Departamento en Edificio                             |
|     3 | Vivienda Tradicional Indígena (Ruka, PaePae u Otras) |
|     4 | Pieza en Casa Antigua o enConventillo                |
|     5 | Mediagua, Mejora, Rancho o Choza                     |
|     6 | Móvil (Carpa, Casa Rodante o Similar)                |
|     7 | Otro Tipo de Vivienda Particular                     |
|     8 | Vivienda Colectiva                                   |
|     9 | Operativo Personas en Tránsito (No EsVivienda)       |
|    10 | Operativo Calle (No Es Vivienda)                     |
|    11 | Valor Perdido                                        |
|     0 | No Aplica                                            |

En este ejemplo, considero las viviendas codificadas como 5 (Mediagua,
Mejora, Rancho o Choza) como subestándar. Debido a la organización de
los datos del censo, para obtener la proporción de estos tiposde
vivienda por región, necesitamos

1.  Crear el código de cada división política (es decir, región) a
    partir delcódigo geográfico de la tabla de zonas.
2.  Unir la tabla de zonas con la tabla de viviendas para hacer
    coincidir cada unidad consu ubicación (por ejemplo, el hogar ID 100
    está en la región "Los Ríos (14)").
3.  Agrupar por `p01` y contar el número de unidades.

Por ejemplo, si queremos ver la 14ava región específicamente, una forma
de hacerlo podría ser:

    tbl(con, "zonas") %>%   mutate(region = str_sub(geocodigo, 1, 2)) %>%   filter(region == 14) %>%     inner_join(tbl(con, "viviendas")) %>%     group_by(p01) %>%   count() %>%     collect() %>%   kable()

| p01 |      n |
|----:|-------:|
|   1 | 144081 |
|   2 |   4793 |
|   3 |     44 |
|   4 |    494 |
|   5 |   2187 |
|   6 |     35 |
|   7 |   1875 |
|   8 |    467 |
|   9 |      6 |
|  10 |      8 |

Podemos mejorar esta salida con una unión opcional y un paso paraextraer
los porcentajes:

    tbl(con, "zonas") %>%   mutate(region = str_sub(geocodigo, 1, 2)) %>%   filter(region == "14") %>%     inner_join(tbl(con, "viviendas")) %>%     group_by(p01) %>%   count() %>%     left_join(    tbl(con, "variables_codificacion") %>%       filter(variable == "p01") %>%       select(p01 = valor, p01_desc = descripcion)  ) %>%   select(p01, p01_desc, n) %>%     arrange(-n) %>%   ungroup() %>%   mutate(p = round(100 * n / sum(n), 2)) %>%     collect() %>%   kable()

| p01 | p01_desc                                             |      n |     p |
|----:|:-----------------------------------------------------|-------:|------:|
|   1 | Casa                                                 | 144081 | 93.57 |
|   2 | Departamento en Edificio                             |   4793 |  3.11 |
|   5 | Mediagua, Mejora, Rancho o Choza                     |   2187 |  1.42 |
|   7 | Otro Tipo de Vivienda Particular                     |   1875 |  1.22 |
|   4 | Pieza en Casa Antigua o enConventillo                |    494 |  0.32 |
|   8 | Vivienda Colectiva                                   |    467 |  0.30 |
|   3 | Vivienda Tradicional Indígena (Ruka, PaePae u Otras) |     44 |  0.03 |
|   6 | Móvil (Carpa, Casa Rodante o Similar)                |     35 |  0.02 |
|  10 | Operativo Calle (No Es Vivienda)                     |      8 |  0.01 |
|   9 | Operativo Personas en Tránsito (No EsVivienda)       |      6 |  0.00 |

Para la 14ava región, la calidad de la vivienda no parece ser un
problema. ¿Y sinos preguntamos por el número de personas que viven en
cada uno de estos tipos de unidades?Esto requeriría pasos adicionales
para unir a las personas con los hogares y los hogares conlas viviendas.

    tbl(con, "zonas") %>%   mutate(region = str_sub(geocodigo, 1, 2)) %>%   filter(region == "14") %>%     inner_join(tbl(con, "viviendas")) %>%     inner_join(tbl(con, "hogares")) %>%   inner_join(tbl(con, "personas")) %>%     group_by(p01) %>%   count() %>%     left_join(    tbl(con, "variables_codificacion") %>%       filter(variable == "p01") %>%       select(p01 = valor, p01_desc = descripcion)  ) %>%   select(p01, p01_desc, n) %>%     arrange(-n) %>%   ungroup() %>%   mutate(p = round(100 * n / sum(n), 2)) %>%     collect() %>%   kable()

| p01 | p01_desc                                             |      n |     p |
|----:|:-----------------------------------------------------|-------:|------:|
|   1 | Casa                                                 | 359343 | 93.38 |
|   2 | Departamento en Edificio                             |   9139 |  2.37 |
|   8 | Vivienda Colectiva                                   |   7905 |  2.05 |
|   5 | Mediagua, Mejora, Rancho o Choza                     |   3980 |  1.03 |
|   7 | Otro Tipo de Vivienda Particular                     |   3008 |  0.78 |
|   4 | Pieza en Casa Antigua o enConventillo                |    727 |  0.19 |
|   9 | Operativo Personas en Tránsito (No EsVivienda)       |    494 |  0.13 |
|   3 | Vivienda Tradicional Indígena (Ruka, PaePae u Otras) |     96 |  0.02 |
|  10 | Operativo Calle (No Es Vivienda)                     |     84 |  0.02 |
|   6 | Móvil (Carpa, Casa Rodante o Similar)                |     61 |  0.02 |

¿Cómo se compara el resultado anterior con el de la capital (13ava
región)?

    tbl(con, "zonas") %>%   mutate(region = str_sub(geocodigo, 1, 2)) %>%   filter(region == "13") %>%     inner_join(tbl(con, "viviendas")) %>%     inner_join(tbl(con, "hogares")) %>%   inner_join(tbl(con, "personas")) %>%     group_by(p01) %>%   count() %>%     left_join(    tbl(con, "variables_codificacion") %>%       filter(variable == "p01") %>%       select(p01 = valor, p01_desc = descripcion)  ) %>%   select(p01, p01_desc, n) %>%     arrange(-n) %>%   ungroup() %>%   mutate(p = round(100 * n / sum(n), 2)) %>%     collect() %>%   kable()

| p01 | p01_desc                                             |       n |     p |
|----:|:-----------------------------------------------------|--------:|------:|
|   1 | Casa                                                 | 5265416 | 74.03 |
|   2 | Departamento en Edificio                             | 1613157 | 22.68 |
|   8 | Vivienda Colectiva                                   |   78763 |  1.11 |
|   4 | Pieza en Casa Antigua o enConventillo                |   72142 |  1.01 |
|   5 | Mediagua, Mejora, Rancho o Choza                     |   52710 |  0.74 |
|   7 | Otro Tipo de Vivienda Particular                     |   17335 |  0.24 |
|   9 | Operativo Personas en Tránsito (No EsVivienda)       |    9113 |  0.13 |
|  10 | Operativo Calle (No Es Vivienda)                     |    2740 |  0.04 |
|   3 | Vivienda Tradicional Indígena (Ruka, PaePae u Otras) |     865 |  0.01 |
|   6 | Móvil (Carpa, Casa Rodante o Similar)                |     567 |  0.01 |

De los datos resumidos anteriores podemos ver que en la capital,
52.710personas viven en viviendas precarias (Mediagua, Mejora, Rancho o
Choza).

No debemos olvidar cerrar la conexión de base de datos.

    censo_desconectar()

## Uso inesperado II: Fuente de agua (en Python)

La motivación de este ejemplo es mostrar que el objetivo de organizar
losdatos del censo no era promover R, sino mostrar algunos de los
beneficios de tener losdatos organizados en un formato abierto,
independientemente del lenguaje de programación utilizadopara el
análisis. Para mí es más fácil completar este ejemplo en R, pero
queríaincluir a las personas que utilizan estos datos del censo con
Python.

La variable para la fuente de agua es `p05`. El análisis es muy
similaral anterior, y empezamos por ver su descripción. Este ejemploes
relevante, ya que permite cuantificar el número de personas que
podríanestar expuestas a agua contaminada en una zona determinada.

    import censo2017import duckdbcon = duckdb.connect(database = censo2017.archivo_sql())con.execute("SELECT * FROM variables_codificacion WHERE variable = 'p05'").df()##        tabla variable  valor                                descripcion## 0  viviendas      p05      1                                Red Pública## 1  viviendas      p05      2                               Pozo o Noria## 2  viviendas      p05      3                              Camión Aljibe## 3  viviendas      p05      4  Río, Vertiente, Estero, Canal, Lago, Etc.## 4  viviendas      p05     99                              Valor Perdido## 5  viviendas      p05     98                                  No Aplica

Utilizando esta variable, podemos conocer el número de personas para
cada fuente de aguade la misma manera que en el caso anterior.

    con.execute("""SELECT "p05", "p05_desc", "n",  ROUND((100.0 * "n") / SUM("n") OVER (), CAST(ROUND(2.0, 0) AS INTEGER)) AS "p"FROM (  SELECT "LHS"."p05" AS "p05", "n", "p05_desc"  FROM (    SELECT "p05", COUNT(*) AS "n"    FROM (      SELECT *, "LHS"."hogar_ref_id" AS "hogar_ref_id"      FROM (        SELECT *, "LHS"."vivienda_ref_id" AS "vivienda_ref_id"        FROM (          SELECT *, "LHS"."zonaloc_ref_id" AS "zonaloc_ref_id"          FROM (            SELECT *            FROM (              SELECT *, SUBSTR("geocodigo", 1, 2) AS "region"              FROM "zonas"            ) "q01"            WHERE ("region" = '14')          ) "LHS"          INNER JOIN "viviendas" AS "RHS"            ON ("LHS"."zonaloc_ref_id" = "RHS"."zonaloc_ref_id")        ) "LHS"        INNER JOIN "hogares" AS "RHS"          ON ("LHS"."vivienda_ref_id" = "RHS"."vivienda_ref_id")      ) "LHS"      INNER JOIN "personas" AS "RHS"        ON ("LHS"."hogar_ref_id" = "RHS"."hogar_ref_id")    ) "q02"    GROUP BY "p05"  ) "LHS"  LEFT JOIN (    SELECT "valor" AS "p05", "descripcion" AS "p05_desc"    FROM "variables_codificacion"    WHERE ("variable" = 'p05')  ) "RHS"    ON ("LHS"."p05" = "RHS"."p05")) "q03"ORDER BY -"n"""").df()##    p05                                   p05_desc       n      p## 0    1                                Red Pública  299464  77.82## 1    4  Río, Vertiente, Estero, Canal, Lago, Etc.   38796  10.08## 2    2                               Pozo o Noria   32150   8.35## 3   98                                  No Aplica    8483   2.20## 4    3                              Camión Aljibe    3558   0.92## 5   99                              Valor Perdido    2386   0.62

Aquí vemos que para la 14ava región, el 22,18% de la población notiene
acceso a la red pública de agua corriente. La ventaja de esteenfoque es
que aquí utilizamos SQL puro para la consulta, que funcionaría
encualquier lenguaje en el que podamos pasar consultas SQL. La
desventaja es que notenemos una herramienta como `dplyr` y está la
necesidad de aprender la sintaxis SQL.

No debemos olvidar cerrar la conexión a la base de datos.

    con.close()

## Observaciones finales

Los ejemplos mostrados aquí se han simplificado. La mayoría de las
consultas querecibo son sobre resúmenes de datos a nivel subcomunitario,
por ejemplo cómo contar lasocurrencias de una variable categórica en un
barrio, como hicimos en nuestro ejemplo deacceso al agua (es decir, pozo
o red pública). Usando censo2017 podemos extraer informaciónútil para
las políticas públicas basada en la evidencia cuando se trata, por
ejemplo, depriorizar las decisiones presupuestarias.
