01_Rbasics.Rmd

---
title: An R Markdown document converted from "01_Rbasics/01_Rbasics.ipynb"
output: html_document
---

# Práctica 1: Básicos de R

En este notebooks haremos una introducción a elementos básicos de R: - Introducción - tipos de variables - operaciones lógicas - asignación de variables - operaciones aritméticas - numericas, logicas, funciones, complejas y caracteres - vectores - listas - Matrices

##### Otras cosas a tener en cuenta

-   Comentarios
    -   se usa la \# para escapar una linea

## 1. Introducción

A continuación se muestran los tipos de variables que se pueden encontrar dentro de R

<img src="http://2.bp.blogspot.com/-x4n3xt5FCZI/VtFqqimUPLI/AAAAAAAAFn0/Kq07_1xdCyY/s1600/basic_data_types_R.PNG" alt="data types" style="width: 300px;"/>

### 1.1 Asignación de variables

Se usa el comando \<- o = para asignar una variable

```{r}

# asignación
x <- 42
y <- TRUE # True
z = FALSE # False
# print la variable
x
y
z
```

### 1.2 Tipos de variables

Para determinar el tipo de variable de un objeto usamos

```{r}
class(object)
```

Evaluamos a continuación funciones, enteros, caracteres, strings, logicas y complejos

```{r}
# clases funcion
class(`=`)
# clases funcion
class(`<`)
# clase de un float
class(2.3)

# clase de un caracter
class('a')
# clase de un string
class("aaklf")
# clase logical
class(1>2)
# clase de un 
class(complex(1,2))
```

**EJERCICIO** - cual es la clase de 1? - cuales es la clase de 1L?

### 1.3 Operaciones lógicas

-   \< menor que
-   \> mayor que
-   \<= menor igual que
-   \>= mayor igual que
-   == igual a
-   != no igual a

```{r}
1==1
1>2
3<=5
2>1 & 2<1
2>1 | 3>2
```

-   AND operdor &
-   OR operador \|
-   NOT operador ! \### & vs &&, \| vs \|\| Veamos las diferencias entre & y && y \| contra \|\|

```{r}

c(TRUE,TRUE,FALSE) & c(TRUE,FALSE,FALSE)
c(TRUE,TRUE,FALSE) && c(TRUE,FALSE,FALSE)

c(TRUE,TRUE,FALSE) | c(TRUE,FALSE,FALSE)
c(TRUE,TRUE,FALSE) || c(TRUE,FALSE,FALSE)
```

### 1.4 Operaciones aritméticas básicas

-   suma: +
-   resta: -
-   multiplicación: \*
-   división: /
-   exponenciación: \^
-   módulo: %%

```{r}
# suma
5 + 5 
# resta
5 - 5 
# multiplicación
3 * 5
 # división
(5 + 5) / 2 
# Exponenciación
(2^5) # **
# Módulo
(28%%6)
```

## 1.5 vectores

Para definir un vector se usa el comando

```{r}
#c(e1,e2,e3,e4)
c(1,2,3,4,5)
```

para definir un vector.

El vector contiene siempre el mismo tipo de variable. En caso de no especificar, lo infiere.

```{r}

a<-c(TRUE,FALSE,TRUE)
class(a)
b<-c(TRUE,"a",1)
b
class(b)
c<- c(1,"a")
c
class(c)
d<-c(1,1L)
class(d)
```

### 1.5.1 acceso a vectores y slices

Podemos acceder a un vector mediante corchetes [] - acceso a un elemento - número, donde la primera posición comienza en 1 - acceso al primer elemento: 1 - acceso al último elemento - acceso a múltiples elementos - mediante vectores c(1,2,3) - usando slices c(1:3) - acceso por condiciones

```{r}
gastos<- c(14, -50, 20, -10, 240)
# acceso al primer valor
gastos[1]
# o
head(gastos,n=1)

# acceso al último elemento
gastos[length(gastos)]

# acceso al último elemento
tail(gastos, n=1)

# acceso a multiples valores
gastos[c(1,3)]
# acceso a multiples valores mediante slices
gastos[c(2:length(gastos))]
c(2:length(gastos))
# o
c(2:length(gastos))
gastos[2:length(gastos)]

gastos[c(1,2,3)]
```

```{r}
## encontrar el minimo
which.min(gastos)
## encontrar el maximo
which.max(gastos)
## min,max
c(min(gastos),max(gastos))
## suma gastos
sum(gastos)
## producto
prod(gastos)
```

existen más funciones ... exp(), sin(), cos(), tan(), log(),\
log10(), beta(a,b), gamma(x),

### 1.5.2 nombrar un vector

Es posible dar un nombre a un vector y acceder a un elemento mediante esos nombres

```{r}
# Ganancias por semana
win_week <- c(14, -50, 20, -10, 240)


# asignamos días
names(win_week) <- c("Monday", "Tuesday", "Wednesday", "Thursday", "Friday")

win_week
```

```{r}
win_week["Tuesday"]
```

### 1.5.3 Operaciones con vectores

-   vectores con vectores
-   sobre vectores

```{r}
## crear un vector de 10 a 30 equiespaciado en 10
a<-seq(10,30,10)
a
b<-seq(1:3)
b
c<-1:10
```

```{r}
# definimos dos vectores de ganancias y perdidas en dos semanas
g1_vector <- c(140, -50, 20, -120, 240)
g2_vector <- c(-24, -50, 100, -350, 10)
days_vector <- c("Monday", "Tuesday", "Wednesday", "Thursday", "Friday")
names(g1_vector) <- days_vector
names(g2_vector) <- days_vector

# asignamos un total diario
total_daily <- g1_vector+g2_vector
total_daily
g1_vector*g2_vector
g1_vector/g2_vector

g1_vector-g2_vector
g1_vector>g2_vector
```

```{r}
length(total_daily)
sum(total_daily)
mean(total_daily)
```

### EJERCICIO 1

-   Define un vector que contenga los elementos 4.5,3.6,7.7,1.2,4.5,2.3,9.1,10.2,.9,0.1,30.1,14.3. Nombralo con "JAN","FEB","MAR","APR","MAY","JUN","JUL","AUG","SEP","OCT","NOV","DEC"

-   Accede a las primeras 3 posiciones del vector

-   Cual es el minimo y el máximo y en qué posicion están?

-   Que pasa si nombras el vector con "JAN","FEB","MAR","APR","MAY","JUN","JUL"?

-   Crea otro vector 3.3,2.1,9.2,11.3,23.4,10.3,15.6,17.2,1.2,0.1

-   Extrae el valor de este vector y el del anterior

-   Que sucede si sumas los dos vectores al tener diferentes tamaños?

    ```{r}

    a<- c( 4.5,3.6,7.7,1.2,4.5,2.3,9.1,10.2,.9,0.1,30.1,14.3)
    names(a)<-c("JAN","FEB","MAR","APR","MAY","JUN","JUL","AUG","SEP","OCT","NOV","DEC")
    a
    a[1:3]
    which.max(a)
    which.min(a)
    a<-c( 4.5,3.6,7.7,1.2,4.5,2.3,9.1,10.2,.9,0.1,30.1,14.3)
    names(a)<-c("JAN","FEB","MAR","APR","MAY","JUN","JUL")
    a
    b<- c(3.3,2.1,9.2,11.3,23.4,10.3,15.6,17.2,1.2,0.1)
    a-b
    ```

### EJERCICIO 2

-   Crea un vector que sea una secuencia de 1 a 100 y denominalo v.

-   Haz el cuadrado de cada uno de los elementos de v.

-   Dividelo por un vector c(1,2) y denomina a este nuevo vector vd. ¿Qué sucede?

-   Busca en v aquellos valores que sean múltiplos de 2 y crea un nuevo vector denominado dpar que contenga sólo esos elementos.

-   Crea un nuevo vector que contenga los 5 últimos elementos de dpar y llamalo dpartail. Crea otro que sea los 5 primeros elementos de dpar y denominalo dparhead.

-   Crea un nuevo vector que sea la unión de dparhead y dpartail. Corrobora que su tamaño sea de 10.

    ```{r}
    v<-seq(1:100)
    #v^2
    #v/c(1,2)
    dpar<-v[v%%2==0]
    dpar
    #dpartail<-tail(dpar,n=5)
    #dparhead<-head(dpar,n=5)

    #c(dparhead,dpartail)
    ```

    \

## 1.6 Matrices

### 1.6.1 Creación de matrices

Con el comando matrix

```{r}
matrix(1:9, byrow = TRUE, nrow = 3)
print("byrow=FALSE")
matrix(1:9, byrow = FALSE, nrow = 3)
```

A partir de vectores

```{r}
# creamos 3 vectores
v0 <- c(460.998, 314.4)

v1 <- c(290.475, 247.900)
v2 <- c(309.306, 165.8)

# Create box_office
box_office <- c(v0,v1,v2)

# Construct star_wars_matrix
star_wars_matrix <- matrix(box_office,byrow=TRUE,nrow=2)
star_wars_matrix
```

### 1.6.2 Nombrar una matriz

```{r}

v0 <- c(460.998, 314.4)
v1 <- c(290.475, 247.900)
v2 <- c(309.306, 165.8)

# Construimos la matriz
result <- matrix(c(v0, v1, v2), nrow = 3, byrow = TRUE)

# definimos nombres de regiones y definiciones de los elementos de los vectores
region <- c("ESPAÑA", "FUERA-ESPAÑA")
titles <- c("VIDEOS", "AUDIOS", "CAMARAS")

# definimos el nombre de las columnas regiones
colnames(result)<- region

# definimos el nombre de las filas con titulos
rownames(result)<-titles

# matriz
result
```

```{r}
class(result)
```

## 1.6.3 calculos con las matrices

```{r}
# Construimos de nuevo la matriz con un método diferente
vt <- c(460.998, 314.4, 290.475, 247.900, 309.306, 165.8)
result <- matrix(vt, nrow = 3, byrow = TRUE,
                           dimnames = list(c("VIDEOS", "AUDIOS", "CAMARAS"), 
                                           c("ESPAÑA", "FUERA-ESPAÑA")))

result
# hacemos sumas de España-America
worldwide_vector <- rowSums(result)
worldwide_vector
```

## 1.6.4 añadir una columna

```{r}
# Construct star_wars_matrix
vt <- c(460.998, 314.4, 290.475, 247.900, 309.306, 165.8)
result <- matrix(result, nrow = 3, byrow = TRUE,
                           dimnames = list(c("VIDEOS", "AUDIOS", "CAMARAS"), 
                                           c("ESPAÑA", "FUERA-ESPAÑA")))

# The worldwide box office figures
worldwide <- rowSums(result)
# concatenamos el total
all_wwv_res <- cbind(result,worldwide)
all_wwv_res
```

### 1.6.5 añadir filas

```{r}
all_wwv_res
```

```{r}
  
MOBILE <- c(70, 100.34, 90.8)
names(MOBILE)<-c("ESPAÑA","FUERA-ESPAÑA","worldwide")
# Combinamos
total <- rbind(all_wwv_res,MOBILE)
total
```

### 1.6.6 selección de elementos de una matrix

```{r}


# Seleccionamos FUERA-DESPAÑA para todo
non_es_all <- total[,2]
  
# promedio non-ES 
mean(non_es_all)
  
# Seleccionamos el FUERA-ES para VIDEOS y AUDIOS
non_es_some <- total[1:2,2]
  
# promedio FUERA-ES para VIDEOS  y AUDIOS
mean(non_es_some)
```

### 1.6.7 Operaciones con matrices

```{r}
# division
visitors <- total/5
  
visitors
```

```{r}

vt <- c(460.998, 314.4, 290.475, 247.900, 309.306, 165.8,60.23, 34.34, 2405.435, 233.4, 34.36, 16.65)

vt<-matrix(vt,nrow = 4,byrow = TRUE,  dimnames = list(c("VIDEOS", "AUDIOS", "CAMARAS","MOBILE"), 
                                           c("ESPAÑA", "FUERA-ESPAÑA","worldwide")))

# division matricial
visitors <- total/vt
visitors
es_visitors <- visitors[,1]
```

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

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

`{# promedio de es_visitors} mean(es_visitors)`

**Ejercicio 3**

-   crea una matriz de 1:12 elementos con 3 filas y con con el parametro byrow=TRUE llamada a1

-   crea otra matriz de 1:12 elementos con 4 filas y con el parametro byrow=FALSE llamada a2

-   ¿Qué diferencias encuentras?

-   Ejecuta el comando t(a2)

-   En qué se diferencian las matrices?

-   Haz la media de la primera matriz

-   Haz la media de cada fila

-   Haz la media de cada columna

```{r}
a1<-matrix(1:12,nrow=3,byrow=TRUE)
a2<-matrix(1:12,nrow=4,byrow=FALSE)
print(a1)
print(a2)
```

```{r}
rowMeans(a1)
colMeans(a1)
```

**Ejercicio 4**

-   Tenemos el vector (1.2,1.4,1.7,1.3,1.1,1.5,1.0) y otro que es (24,27,29,21,25,27,29). Crea una matriz que contenga los 2 vectores (cada uno en una fila) y llamala dt.

-   Nombra las columnas de la matriz con c("Lun","Mar","Mie","Jue","Vie","Sab","Dom").

-   Nombra las filas de la matriz con ("Temp","weight").

-   Haz la media por columnas y por filas.

## 1.7 factores

Se usan para las variables categóricas. La diferencia entre una variable categorica y una continua es que la categorica tiene un numero limitado de elementos, mientras que la continua corresponde a un número infinito. Es muy importante debido a que según como asignemos la variable R trabaja de una manera u otra con ella.

Un ejemplo sencillo de esto es el género de las personas.

```{r}
# genero
sex_vector <- c("Hombre", "Mujer", "Mujer", "Hombre", "Hombre")
sex_vector
# lo convertimos a factores
factor_sex_vector <-factor(sex_vector)

factor_sex_vector
```

### 1.7.1 Tipos de factores

Hay dos tipos de variables categóricas: - nominales: no tienen un orden implicito como puede ser el género. - ordinales: tienen un orden como puede ser primero, segundo o tercero.

```{r}
# animales
animals_vector <- c("Gato", "Jirafa", "Mono", "Caballo")
factor_animals_vector <- factor(animals_vector)
factor_animals_vector

# temperatura
temperature_vector <- c("Alto", "Bajo", "Alto","Bajo", "Medio")
factor_temperature_vector <- factor(temperature_vector, order = TRUE, levels = c("Bajo", "Medio", "Alto"))
factor_temperature_vector
```

### 1.7.2 cambio de nombre de los factores

Ojo, tiene que ser alfabeticamente

```{r}
# mujeres, hombres
survey_vector <- c("M", "H", "H", "M", "M")
factor_survey_vector <- factor(survey_vector)

# especificamos niveles
levels(factor_survey_vector) <-c("Hombre","Mujer")

factor_survey_vector
```

## 1.7.3 Summary de la variable

```{r}

# vemos el sumario
summary(survey_vector)

summary(factor_survey_vector)
```

### 1.7.4 comparación de factores

```{r}
# hombre
male <- factor_survey_vector[1]

# mujer
female <- factor_survey_vector[2]

# Es hombre> mujer?
male > female
```

### 1.7.5 factores ordenados

```{r}
# Create speed_vector
speed_vector <- c("medium", "slow", "slow", "medium", "fast")

# Convert speed_vector to ordered factor vector
factor_speed_vector <- factor(speed_vector,ordered=TRUE,levels=c("slow","medium","fast"))

# Print factor_speed_vector
factor_speed_vector
summary(factor_speed_vector)
```

### 1.7.6 comparaciones

```{r}
# creamos vector velocidad
speed_vector <- c("medio", "lento", "lento", "medio", "rapido")
factor_speed_vector <- factor(speed_vector, ordered = TRUE, levels = c("lento", "medio", "rapido"))

# vemos el valor paral el segundo
da2 <-factor_speed_vector[2]

# vemos el valor para el 5to
da5 <-factor_speed_vector[5]

# es el 2 más rapido que el 5?
da2>da5
```

#### Ejercicios

-   Estamos estudiando alumnos de diferentes cursos de 1 a 6 de primaria. La variable curso es un factor o una variable continua?

-   Es una variable ordinal o cardinal?

-   Crea la variable curso y conviertela a factor correctamente

-   evalúa si curso 6 \> curso 3.

    ```{r}
    curso <- c(1, 2, 3, 4, 5, 6)
    curso_f <- factor(curso, ordered=TRUE)

    curso_evalua <- curso_f[6] < curso_f[3]
    curso_evalua
    ```

## 1.8 DataFrames

Los data frames son objetos de datos con columnas y como observaciones filas.

## 1.8.1 crear un dataframe

```{r}
# definimos los vectores
name <- c("Mercury", "Venus", "Earth", "Mars", "Jupiter", "Saturn", "Uranus", "Neptune")
type <- c("Terrestrial planet", "Terrestrial planet", "Terrestrial planet", 
          "Terrestrial planet", "Gas giant", "Gas giant", "Gas giant", "Gas giant")
diameter <- c(0.382, 0.949, 1, 0.532, 11.209, 9.449, 4.007, 3.883)
rotation <- c(58.64, -243.02, 1, 1.03, 0.41, 0.43, -0.72, 0.67)
rings <- c(FALSE, FALSE, FALSE, FALSE, TRUE, TRUE, TRUE, TRUE)

# creamos un data frame de los vectores
planets_df <- data.frame(name,type,diameter,rotation,rings)
planets_df
```

### 1.8.2 estructura del dataframe

```{r}
str(planets_df)
```

### 1.8.3 ordenar un dataframe

```{r}
order(planets_df$diameter)
planets_df[order(planets_df$diameter),]
```

### 1.8.4 acceso de un dataframe

```{r}
# The planets_df data frame from the previous exercise is pre-loaded

# Print out diameter of Mercury (row 1, column 3)
planets_df[1,3]

# Print out data for Mars (entire fourth row)
planets_df[4,]
```

```{r}
planets_df$type
```

```{r}
# seleccionar los 5 primeros valores de diametros
planets_df[1:5,"diameter"]
```

```{r}

# seleccionar todos los anillos
rings_vector <-planets_df[,"rings"] 

rings_vector
```

```{r}
#seleccionamos todos los planetas con anillos
planets_df[rings_vector, ]
```

Creación de una nueva columna

```{r}
planets_df$constant = 1
planets_df
```

### 1.8.5 filtrado usando subset

```{r}
#seleccionamos planetas con diametro <1
subset(planets_df, subset = diameter<1)
```

#### Ejercicio

-   Utiliza el Data Frame de planets_df. Calcula por cada columna los valores promedio.

-   Ordena el dataframe por el nombre del planeta

-   Selecciona sólo las variables name, type y diameter y crea un nuevo dataframe llamado planets_df_subset con este output.

-   Filtra el data frame por tipo Gas Giant.

```{r}
subset(planets_df,planets_df$type=="Gas giant")
#sapply(planets_df,1:2,FUN=mean)

```

## 1.9 Listas

```{r}
#vector con numeros del 1 al 10
my_vector <- 1:10 

# matriz
my_matrix <- matrix(1:9, ncol = 3)


# la lista contiene diferentes elementos
my_list <-list(my_vector,my_matrix)
my_list
```

Podemos poner nombres a los componentes de la lista

```{r}
my_list <- list(vec=my_vector, mat=my_matrix )

my_list
```

#### Ejercicio

-   Crea una lista que contenga el dataframe del ejercicio anterior planets_df, el número 7 y una secuencia del 1 al 3.

-   Accede al tercer elemento

-   Filtra todos los objetos de la lista que no sean un data.frame

```{r}
a<- list(planets_df,7,seq(1:3))
a[3]
class(planets_df)=="data.frame"

a[!sapply(a,is.data.frame)]
```

```{r}
expected_df<-function(x){
  return(class(x)=="data.frame")
}

```

## 2 Condicionales y Loops

```         
if(condition1) {
  expr1
} else if(condition2) {
  expr2
} else {
  expr3 }
```

## 2.1 Loop

## 2.1.1 While

```         
while(condition) {
 expr }
 
```

### 2.1.2 Break

```         
while(condition) {
  expr
  break
 }
```

## 2.2 For

```         
for(var in seq) {
  expr
}
```

```{r}
 cities <- c("New York", "Paris",
 "London", "Tokyo",
 "Rio de Janeiro", "Cape Town")

 for(city in cities) {
     if(nchar(city) == 6) {
      break
     }
      print(city)
 }
```

```{r}
 for(i in 1:length(cities)) {
 print(cities[i])
 }
```

Usando next

```{r}
 for(city in cities) {
 if(nchar(city) == 6) {
 next
 }
 print(city)
 }
```

## 3 Funciones

Ejemplo sd

```{r}
sd(x, na.rm = FALSE)
```

```{r}
help(sd)
```

```{r}
args(sd) 
```

## Escribir funciones

```         
 my_fun <- function(arg1, arg2,arg_opt1=arg3) {
  body
 }
```

```{r}
triple <- function(x=1) {
 y <-
3 * x
 return(y)
 }
triple(2)
triple()
```

#### Ejercicio

-   Crea una funcion llamada myfunc que pase como parametro un vector y que en caso de que contenga un numero de elementos par, devuelva el vector con los elementos pares y en caso de ser impar, devuelva los impares

-   Crea una función que lance un número N de veces una moneda (N es el argumento de la función) de manera aleatoria y que devuelva el porcentaje de veces que ha salido cara.

    ```{r}
    runcoin <- function(N){
      X <- rbinom(N, 1, 0.5)
      return(mean(X))
    }
    runcoin2 <- function(N){
      mean(sample(c(0,1),N,replace=TRUE))
    }

    runcoin(10)
    runcoin2(10)
    ```

## 6 Paquetes de R

Instalar paquetes - Load packages: library(), require()

```{r}
install.packages("ggplot2")
```

```{r}
 search()
 
```

```{r}
library("ggplot2")
```

```{r}
 require("data.table")  
result <- require("data.table")
```

## 7 Otras funciones

### 7.1 lapply

Funciona sobre vectores o listas

```{r}
 nyc <- list(pop = 8405837,
 boroughs = c("Manhattan", "Bronx", "Brooklyn",
 "Queens", "Staten Island"),
 capital = FALSE)
```

Ejemplo con for

```{r}
for(info in nyc) {
 print(nchar(info))
 }
```

Ejemplo con lapply

```{r}
 lapply(nyc, nchar)
```

## 7.2 sapply

devuelve un array

```{r}
 cities <- c("New York", "Paris", "London", "Tokyo",
 "Rio de Janeiro", "Cape Town") 
```

```{r}
lapply(cities, nchar)
```

```{r}
 unlist(lapply(cities, nchar))
```

```{r}
 sapply(cities, nchar) 
```

```{r}
 sapply(cities, nchar, USE.NAMES = FALSE) 
```

## 7.3 Otras funciones utiles

### 7.3.1 para estructuras de datos

```{r}
li <- list(log = TRUE,
 ch = "hello",
 int_vec = sort(rep(seq(8, 2, by = -2), times = 2)))
str(li)
```

```{r}
sort(rep(seq(8, 2, by = -2), times = 2))
```

### seq

```{r}
 seq(1, 10, by = 3)
```

### rep()

```{r}
rep(c(8, 6, 4, 2), times = 2)
```

#### sort()

```{r}
 sort(rep(seq(8, 2, by = -2), times = 2))
```

### is.*(), as.*()

```{r}
li2 <- as.list(c(1, 2, 3))
```

```{r}
my_date <- as.Date("1971-05-14") 
my_date
```

### append(), rev()

```{r}
str(append(li, rev(li)))
```

### Ejercicios

-   Existen datasets precargados en R. Mira la variable, mtcars.

-   Utilizando lapply, calcula la media por columna. Usa luego sapply, que diferencias ves?

-   Utilizando la función apply (mira en help la diferencia), calcula para el dataset del Titanic la suma de gente en función de la clase en la que iba. También evalúa la suma de gente que era Hombre o mujer en el dataset.

# 8 importar datos en R

```{r}
df <- read.table("https://s3.amazonaws.com/assets.datacamp.com/blog_assets/test.txt", 
                 header = FALSE)
df
```

```{r}
# Read in csv files
df <- read.table("https://s3.amazonaws.com/assets.datacamp.com/blog_assets/test.csv", 
                 header = FALSE,
                 sep = ",")
```

```{r}
# Activate `rjson`
install.packages("rjson")
library(rjson)

# Import data from json file
JsonData <- fromJSON(file= "example.json" )
JsonData
```

# Cuidados a tener con R

-   se pueden sumar elementos con diferente longitud
-   Cuidado cuando cargamos multiples librerias

```{r}
months<-c(34, 54, 23, 12, 9, 1, 18)

years<-months/12
print(years)
years_int<-as.integer(years)

print(years_int)
div_months <-c(12, 18, 2, 12, 2, 0, 9)
years_int-div_months

c(mean(months),median(months),sd(months),var(months),min(months),max(months))
```

```{r}
C2F <- function(celsius) {
 f = (9/5) * celsius + 32; 
 return(f)}
C2F(23)
C2F(27)
```

```{r}
vol_cono<-function(R,H){
  1/3*pi*R^2*H
}

R <- c(2.27, 1.98, 1.69, 1.88, 1.64, 2.14)
H <- c(8.28, 8.04, 9.06, 8.70, 7.58, 8.34)


vols<-vol_cono(R,H)
print(vols)

c(mean(vols),sd(vols),median(vols))
vols[vols<8]
```

```{r}
win_week2 <- c(14, -50, 20, -10, 240,200)
win_week+win_week2
```

```{r}
df<- read.csv2("http://ismayc.github.io/periodic-table-data.csv",sep=",",dec = ".")

str(df)
```

```{r}
df_gas<-subset(df,df$state_at_stp=="Gas")
df_gas
```

```{r}
colMeans(df[])
```