Apunte 5 — Funciones de dplyr para manipular datos

Analítica de Personas · Semestre otoño 2026 · Semana 2 · Prof. René Gempp

En el Apunte 1 cubrimos las funciones básicas de dplyr: count(), filter(), group_by(), summarise(), select(), mutate() y arrange(). Este apunte amplía el repertorio con funciones que usarás constantemente a partir de la Clase 2.

1. mutate() en profundidad

Ya sabes que mutate() crea o modifica columnas. Aquí cubrimos sus variantes más útiles.

if_else() — Condición binaria

Crea una nueva variable con dos posibles valores según una condición. Es como un SI() de Excel:

# Crear flag de alto desempeño
datos |>
  mutate(
    alto_desempeno = if_else(evaluacion_desempeno >= 4, "Alto", "No alto")
  )

case_when() — Múltiples condiciones

Cuando necesitas más de dos opciones, case_when() es tu herramienta. Es como un SI anidado de Excel, pero legible:

# Crear tramos de antigüedad
datos |>
  mutate(
    tramo_antiguedad = case_when(
      antiguedad_anios < 1   ~ "Menos de 1 año",
      antiguedad_anios < 3   ~ "1 a 3 años",
      antiguedad_anios < 5   ~ "3 a 5 años",
      antiguedad_anios < 10  ~ "5 a 10 años",
      TRUE                   ~ "10 o más años"   # ← caso por defecto
    )
  )

La sintaxis es condición ~ valor_a_asignar. R evalúa las condiciones de arriba hacia abajo y asigna la primera que sea verdadera. TRUE ~ al final atrapa todo lo que no matcheó antes (como un "else").

# Ejemplo más complejo: clasificar tipo de rotación
datos |>
  mutate(
    tipo_rotacion = case_when(
      rotacion == "No"                                       ~ "Activo",
      tipo_salida == "Involuntaria"                          ~ "Involuntaria",
      tipo_salida == "Voluntaria" & alto_desempeno == "Alto" ~ "Vol. disfuncional",
      tipo_salida == "Voluntaria" & alto_desempeno != "Alto" ~ "Vol. funcional"
    )
  )

case_when(
  edad < 30 = "Joven"  # ERROR
)

case_when(
  edad < 30 ~ "Joven"  # CORRECTO
)

2. arrange() y slice_*() — Ordenar y extraer

arrange() — Ordenar filas

# Ordenar por edad (ascendente, por defecto)
datos |> arrange(edad)

# Ordenar por ingreso (descendente)
datos |> arrange(desc(ingreso_mensual))

# Ordenar por dos variables: primero departamento, luego ingreso descendente
datos |> arrange(departamento, desc(ingreso_mensual))

slice_max() y slice_min() — Los N más altos/bajos

# Los 5 empleados con mayor ingreso
datos |>
  slice_max(ingreso_mensual, n = 5)

# Los 3 con menor satisfacción
datos |>
  slice_min(satisfaccion_laboral, n = 3)

# Top 3 por departamento (combinado con group_by)
datos |>
  group_by(departamento) |>
  slice_max(ingreso_mensual, n = 3)

Otras funciones slice_*()

3. rename() y relocate() — Renombrar y reordenar columnas

# Renombrar columnas (nuevo_nombre = nombre_actual)
datos |>
  rename(
    sueldo = ingreso_mensual,
    depto  = departamento
  )

# Mover columnas al principio
datos |>
  relocate(rotacion, tipo_salida, .before = edad)

# Mover columnas al final
datos |>
  relocate(id_empleado, nombre, .after = last_col())

4. distinct() — Valores únicos

# ¿Cuántos departamentos distintos hay?
datos |>
  distinct(departamento)

# Combinaciones únicas de departamento y nivel jerárquico
datos |>
  distinct(departamento, nivel_jerarquico)

# Obtener una fila por empleado (eliminar duplicados si los hay)
datos |>
  distinct(id_empleado, .keep_all = TRUE)
# .keep_all = TRUE conserva todas las columnas, no solo la clave

5. pull() — Extraer una columna como vector

select() devuelve un tibble (tabla). A veces necesitas un vector (un solo valor o lista de valores). Para eso existe pull():

# Esto devuelve un tibble de 1 columna:
datos |> select(edad)

# Esto devuelve un vector numérico:
datos |> pull(edad)

# Útil para extraer un valor calculado
tasa <- datos |>
  summarise(tasa_rot = mean(rotacion == "Sí")) |>
  pull(tasa_rot)

# Ahora 'tasa' es un número (0.272), no una tabla
paste0("La tasa de rotación es ", scales::percent(tasa))

6. across() — Aplicar una función a múltiples columnas

Cuando necesitas calcular lo mismo para varias columnas a la vez, across() evita repetir código:

# Promedio de edad, antigüedad e ingreso por departamento
datos |>
  group_by(departamento) |>
  summarise(
    across(
      c(edad, antiguedad_anios, ingreso_mensual),  # columnas
      mean                                          # función
    )
  )

# También puedes usar selectores:
datos |>
  group_by(departamento) |>
  summarise(
    across(where(is.numeric), mean)
    # Aplica mean() a TODAS las columnas numéricas
  )

# Con función personalizada (redondear a 1 decimal)
datos |>
  group_by(departamento) |>
  summarise(
    across(where(is.numeric), \(x) round(mean(x), 1))
  )

7. n_distinct() — Contar valores únicos

# ¿Cuántos cargos distintos hay por departamento?
datos |>
  group_by(departamento) |>
  summarise(
    n_empleados   = n(),
    n_cargos      = n_distinct(cargo),
    n_oficinas    = n_distinct(oficina)
  )

8. Resumen: mapa de funciones de dplyr