Añadir y transformar columnas en R (mutate y R base)

Añadir una columna: df$new <- valor

Para añadir una columna en R base, asigna a un nombre que aún no exista. El valor suele calcularse a partir de columnas que sí existen:

orders <- data.frame(
    item  = c("mug", "poster", "shirt", "cap"),
    price = c(12.0, 8.5, 22.0, 15.0),
    qty   = c(3, 10, 2, 5)
)

orders$total <- orders$price * orders$qty
orders$currency <- "USD"

print(orders)

Pasaron dos cosas. orders$total recibió un vector completo: price * qty se calcula para todas las filas a la vez, porque la aritmética en R es vectorizada. orders$currency recibió un valor único, que R recicló a las cuatro filas. Cualquier otra longitud es un error (replacement has 3 rows, data has 4), que es R protegiéndote de una columna desalineada.

Esto funciona porque un data frame es una lista de columnas de igual longitud: asignar un nuevo elemento con nombre hace crecer la lista. La documentación de data frames desgrana ese modelo.

Columnas condicionales: ifelse()

Una columna cuyo valor depende de una condición pide ifelse(), el primo vectorizado de if. Recibe un vector entero de condiciones y devuelve un valor por fila:

students <- data.frame(
    name  = c("Ana", "Ben", "Chen", "Dana"),
    score = c(91, 54, 78, 60)
)

students$grade <- ifelse(students$score >= 60, "pass", "fail")
print(students)

¿Por qué no un if normal? Porque if evalúa exactamente un TRUE/FALSE - si le pasas una columna, da error (the condition has length > 1). ifelse(test, yes, no) comprueba cada elemento y elige por fila. Para tres o más resultados puedes anidar:

students <- data.frame(
    name  = c("Ana", "Ben", "Chen", "Dana"),
    score = c(91, 54, 78, 60)
)

students$band <- ifelse(students$score >= 85, "high",
                 ifelse(students$score >= 60, "mid", "low"))
print(students)

Anidar a dos niveles está bien; tres o más se convierte en una pirámide - ese es exactamente el trabajo para el que se creó el case_when() de dplyr (más abajo). El if/else de valor único se cubre en la documentación de if-else.

Varias columnas a la vez: transform()

El transform() de R base añade varias columnas en una sola llamada, con nombres de columna a secas:

orders <- data.frame(
    item  = c("mug", "poster", "shirt"),
    price = c(12.0, 8.5, 22.0),
    qty   = c(3, 10, 2)
)

orders <- transform(orders,
    total    = price * qty,
    discount = ifelse(qty >= 5, "yes", "no")
)
print(orders)

Fíjate en que transform() devuelve un data frame nuevo - debes reasignar el resultado, mientras que df$new <- ... modifica en el sitio. Una limitación: las expresiones dentro de una misma llamada a transform() no se ven entre sí, así que discount = ifelse(total > 50, ...) falla ahí (total aún no existe). Hazlo en dos pasos - o con mutate(), que sí lo permite.

Modificar vs crear

La misma sintaxis de asignación sobrescribe una columna existente - que la columna existiera de antemano es la única diferencia:

prices <- data.frame(item = c("mug", "shirt"), price = c(12.499, 21.995))

prices$price <- round(prices$price, 2)   # transform in place
print(prices)

Vale la pena detenerse en esto: R no te avisa cuando sobrescribes una columna. Una errata como df$prise <- round(df$price, 2) crea silenciosamente una columna nueva en lugar de arreglar la vieja. Después de una transformación, haz print() o str() del data frame y confirma que cambiaste lo que querías cambiar.

Eliminar una columna

Asigna NULL para borrar:

df <- data.frame(a = 1:3, b = 4:6, notes = c("x", "y", "z"))

df$notes <- NULL
print(df)

La columna desaparece, sin ceremonias. Para eliminar varias, df[, c("a", "b")] (conservas lo que listas) suele ser más claro que NULLs repetidos.

La forma dplyr: mutate()

El verbo de dplyr para todo lo anterior es mutate(). Los fragmentos de abajo son estáticos - el sandbox solo ejecuta R base - pero así se ven las mismas operaciones:

library(dplyr)

orders |>
    mutate(
        total    = price * qty,
        big      = total > 50        # can use total, defined one line up
    )

Dos ventajas sobre R base. Primera, las columnas definidas en el mismo mutate() sí pueden referenciarse entre sí, en orden - lo que transform() rechaza. Segunda, los ayudantes condicionales son mejores que los ifelse() anidados:

students |>
    mutate(
        grade = if_else(score >= 60, "pass", "fail"),
        band  = case_when(
            score >= 85 ~ "high",
            score >= 60 ~ "mid",
            .default    = "low"
        )
    )

if_else() es un ifelse() más estricto (ambas ramas deben ser del mismo tipo - atrapa errores reales). case_when() se lee como una lista plana de pares condición ~ valor comprobados de arriba abajo, con .default como respaldo - el reemplazo legible de la pirámide de ifelse(). Como todo verbo de dplyr, mutate() devuelve un data frame nuevo; consulta la introducción a dplyr para ver cómo se encadena con el resto.

Lo que te llevas

• df$new <- expresión añade una columna; la expresión se ejecuta para todas las filas a la vez.
• ifelse(test, yes, no) construye columnas condicionales; el if normal no puede.
• transform() añade varias columnas por llamada pero no se ven entre sí; mutate() sí.
• La misma asignación sobrescribe en silencio - revisa la ortografía después de una transformación.
• df$col <- NULL elimina una columna; case_when() sustituye las pirámides de ifelse() anidados.

A continuación: renombrar columnas - names(), el idioma robusto de base y el rename() de dplyr.