Importar (y exportar) datos con R

class: inverse, center, middle
# Importar (y exportar) datos con R
##### (Slides 05 del curso Programación y manejo de datos con R)

### Pedro J. Pérez

#### Universitat de València 
#### 2020, septiembre 
###### (actualizadas el 25-10-2020)

<br><br><br>
#### e-mail: [<i class="fas  fa-envelope "></i>](mailto:pedro.j.perez@uv.es)[pedro.j.perez@uv.es](mailto:pedro.j.perez@uv.es)

#### Web del curso: [<i class="fas  fa-link "></i>](https://perezp44.github.io/intro-ds-20-21-web/) https://perezp44.github.io/intro-ds-20-21-web/  
<style>.shareagain-bar {
--shareagain-foreground: rgb(255, 255, 255);
--shareagain-background: rgba(0, 0, 0, 0.5);
--shareagain-facebook: none;
--shareagain-pinterest: none;
--shareagain-reddit: none;
}</style>

---
class: inverse, center, middle

# Importación de datos

#### Es la primera etapa para comenzar un análisis de datos

<br>

---

## ¿Donde narices están los datos?

- Pues como el amor: Love is in the air. Vamos que están en todas partes.

- Vale, ¿pero donde?

<br>

- De verdad, están en muchos sitios, pero básicamente en 3:

- en bases de datos (RDBMS, noSQL, etc ...): una base de datos es una herramienta que almacena datos de forma organizada.

- en la "web" y dispositivos "inteligentes"

- en **ficheros**

---
class: inverse, center, middle

## Nos centraremos en datos almacenados en ficheros

#### Sí, habitualmente, en R se trabaja con datos provenientes de ficheros.

<br>

#### Esos datos, en general, se almacenan internamente en R como data.frames/tibbles

---

#### Basicamente aprenderemos a analizar/manejar/manipular datos almacenados en ficheros

- Sí, trabajaremos en R con datos almacenados en **ficheros**

- Sí, PERO ... ese fichero con datos se ha podido generar de varias formas:

- alguien ha generado "a mano" el fichero  
  
  - alguien ha generado el fichero haciendo una consulta a una base de datos (seguramente a través de una API)  
  
  - alguien ha generado el fichero obteniendo los datos directamente de internet (Webscrapping)

<br>

---

#### Aprenderemos a manejar datos almacenados en ficheros

- Además, los tipos de datos más habituales en Ciencias Sociales son los **datos tabulares**.

- Ya sabéis que los datos almacenados en ficheros pueden estar en varios formatos: `.csv`, `.xlsx`, `.sav` , `.dta`, `.json`, `.xml`, etc ..., etc ...

<br>

- Además, lógicamente, el fichero con los datos que vamos a analizar puede estar ("físicamente") en varios sitios:

- en un paquete de R

- en nuestro ordenador  
  
  - en internet  
  
---
 
### Unas ideas generales

- Generalmente usaremos **datos tabulares almacenados en archivos** e internamente como data.frames.

- RStudio permite cargar datos a través de menús (`File > Import Dataset`). Por menús se pueden cargar datos CSV, EXCEL, SPSS, SAS y STATA. Se puede hacer, pero no lo haremos, ¿por qué?

- Para importar y exportar los datos usaremos funciones, funciones que pertenecen a algún paquete. Podríamos usar los paquetes de R-base, pero ya sabéis que el curso está orientado al `tidyverse`.

- Los principales paquetes del tidyverse para importar y exportar datos son: [`readr`](https://readr.tidyverse.org/), [`haven`](https://haven.tidyverse.org/) y [`readxl`](https://readxl.tidyverse.org/).

- A pesar de ello, vamos a usar un paquete que, sin que lo veamos, llama/utiliza indirectamente esos paquetes y otros, y que permite importar y exportar ficheros en casi cualquier formato.

- Utilizaremos el paquete [`rio`](https://github.com/leeper/rio). En su web pone que el paquete **rio** es "A Swiss-Army Knife for Data I/O".
 
--

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

Bueno, ya vale de "teoría", vamos a aprender a cargar/importar datos mediante una serie de ejemplos. Vamos alla:
 
 
 
 
---
class: inverse, center, middle

## Ejemplos

#### Ejemplos para aprender a importar datos en R

---

### Datos almacenados en los paquetes

- Sí, los paquetes suelen tener funciones y documentación, pero también datos.

- Intenta entender que hacen las siguientes instrucciones. En nada lo explico yo.

```r
(.packages()) #- nos da los nombres de los "currently attached packages"
aa <-  as.data.frame(.packages())

iris
str(iris)     #- qué es iris?
find("iris")  #- donde estaba iris?

my_iris <- iris  #- "hacemos" una copia de iris?
find("my_iris")

iris <- iris
find("iris")
```

---

#### Datos almacenados en los paquetes

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[
.panel[.panel-name[Tarea]

Resulta que quiero usar unos datos, es el fichero de datos `penguins`, pero resulta que ese fichero de datos está disponible en un paquete. El paquete se llama `palmerpenguins`. El paquete está en CRAN, pero si quieres ver su repo en Github, está [aquí](https://github.com/allisonhorst/palmerpenguins).

Bueno, la tarea está clara: carga en memoria los datos de los pingüinos, el fichero `penguins`.

<br>

]

.panel[.panel-name[Solución]

<br>

- Ni se te ocurra mirar la solución hasta que lo hayas intentado!!!

- te rindes? Bueno, a veces hay que rendirse, mira en el siguiente tab.

]

.panel[.panel-name[Más]

- Te has rendido, bueno ...., primero tienes que instalar el paquete, luego cargarlo en memoria y ya puedes llamar al fichero de datos `penguins`

```r
#- install.packages("palmerpenguins")
library(palmerpenguins)
data(package = "palmerpenguins")  #- el paquete tiene 2 conjuntos de datos

#- ya podemos usar los datos de penguins xq hemos cargado (attach) el paquete en memoria de R
penguins
my_penguins <- penguins

#- quiero tb hablaros de la siguiente expresión
palmerpenguins::penguins
```

]
]
]

---
class: inverse, center, middle

# Importación de datos

### Vamos a usar el paquete *rio* para cargar datos

<br>

---

#### Importando datos con el paquete `rio`

- `rio` solo tiene dos funciones: `import()` y `export()`. ¿Adivinas que hace cada una de ellas?

- Empecemos con `import()`. La función `import()` tiene varios argumentos, pero generalmente solo usaremos el primero.

- Su primer argumento se llama `file` y su descripción es: "A character string naming a file, URL, or single-file .zip or .tar archive". WTF!!

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[
.panel[.panel-name[Tarea]

En esta dirección de internet: <https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv> hay un fichero de datos.

Por favor, utiliza la función `rio::import()` para cargar esos datos en memoria de R

]

.panel[.panel-name[Solución 1]

```r
rm(list = ls()) #- antes vamos a limpiar el Global env.

la_direccion <- "https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv"

rio::import(la_direccion)    #- ¿qué ha pasado???

aa <-  rio::import(la_direccion)  #- como un data.frame
bb <- rio::import(la_direccion, setclass = "tibble")  #- como tibble
cc <- tibble::as_tibble(aa)
```

]
]
]

---
class: inverse, center, middle

# Exportación de datos

### Luego seguiremos cargando/importando datos, ahora vamos a exportar

---
#### Exportando datos con el paquete `rio`

- Tenéis que usar la función `rio::export()`. Esta función también tiene varios argumentos, pero los principales son los dos primeros, llamados `"x"` y `"file"`

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[

.panel[.panel-name[Tarea 1]

Tendrás que apañártelas para hacer la siguiente tarea. No patixques, en seguida lo hacemos juntos, pero seguro que la mayoría sabréis sin ayuda.

<br>

Por favor, utiliza la función `rio::export()` para exportar a un fichero (de tu ordenador) el conjunto de datos `iris` en formato `.csv`.

]

.panel[.panel-name[Solución 1]

```r
rm(list = ls()) #- antes vamos a limpiar el Global env.

my_iris <- iris

rio::export(my_iris, "my_iris.csv")

rio::export(x = my_iris, file = "my_iris.csv")
```

]

.panel[.panel-name[Tarea 2]

- ¿Donde se ha guardado el fichero "my_iris.csv"?

- Puedes guardar ahora otra vez iris, pero que se guarde en una subcarpeta del Rroject, concretamente en una subcarpeta llamada `"pruebas"`. Primero tendrás que crear esa carpeta.

]

.panel[.panel-name[Solución 2]

- Puedes crear la carpeta "pruebas" a mano, pero yo prefiero crearla con código

```r
fs::dir_create("pruebas")   #- creo el subdirectorio

rio::export(my_iris, "./pruebas/my_iris.csv")
```

- Otra forma de hacerlo. Tiene ventajas, y es la forma que usaremos cuando nos acostumbremos

```r
ruta <- here::here("pruebas", "my_iris.csv")
rio::export(my_iris, ruta)

rio::export(my_iris, here::here("pruebas", "my_iris.csv"))
```

]
]
]

---
#### Seguimos exportando datos con el paquete `rio`

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[

.panel[.panel-name[Tarea 1]

Por favor, utiliza la función `rio::export()` para exportar el conjunto de datos `iris` a varios ficheros de tu ordenador.

Concretamente has de exportar `iris` a los siguientes formatos: `.csv`, `.xlsx` y `.sav`.
]

.panel[.panel-name[Solución 1]

```r
rio::export(iris, here::here("pruebas", "iris.csv"))

rio::export(iris, here::here("pruebas", "iris.xlsx"))

rio::export(iris, here::here("pruebas", "iris.sav"))
```

]

.panel[.panel-name[Tarea 2]

Por favor, utiliza la función `rio::export()` para exportar el conjunto de datos `penguins` del paquete `palmerpenguins` a varios ficheros de tu ordenador.

Concretamente has de exportar los datos de los pingüinos a los siguientes formatos: `.csv`, `.xlsx`  y `.dta`.
]

.panel[.panel-name[Solución 2]

```r
rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.csv"))

rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.xlsx"))

rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.dta"))
```

]
]
]

---
class: inverse, center, middle

# Volvemos a IMPORTAR

### Vamos a importar los ficheros que hemos creado previamente.

---

#### Seguimos importando datos con el paquete `rio`

.bg-washed-purple.b--dark-purple.ba.bw2.br3.shadow-5.ph4.mt5[

.panelset[

.panel[.panel-name[Tarea 1]

Por favor, utiliza la función `rio::import()` para importar (cargar en memoria) los datos que hay en el fichero `"./pruebas/iris.csv"`

Después importa los datos del fichero: `"./pruebas/iris.xlsx"`
]

.panel[.panel-name[Solución 1]

```r
rm(list = ls())

iris_1 <- rio::import(here::here("pruebas", "iris.csv"))

iris_2 <- rio::import(here::here("pruebas", "iris.xlsx"))
```

]

.panel[.panel-name[Tarea 2]

Por favor, utiliza la función `rio::import()` para importar los datos que haya en el fichero: `"./pruebas/pinguinos.csv"`.

Después importa los datos del fichero: `"./pruebas/pinguinos.xlsx"`

Después importa los datos del fichero: `"./pruebas/pinguinos.dta"`

]

.panel[.panel-name[Solución 2]

Esta vez ya no hay solución!!! Tienes que acostumbrarte a escribir en R.

Ya te manejas leyendo, PERO hay que empezar a escribir!!

]
]
]

---

### Una última cosa

Es importante que diferenciéis entre descargarse un fichero y cargar el fichero en R, cargar el fichero en memoria de R

<br>

- Con `download.file()` descargamos el fichero y lo guardamos en un fichero en nuestro ordenador

```r
#- en esta url hay un fichero de datos en formato .csv
my_url <- "https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv"
  
download.file(url = my_url, 
              destfile = here::here("pruebas", "iris_descargado.csv"))
```

<br>

- Con `rio::import()` no guardamos el fichero, sino que **lo cargamos en memoria de R**, en el Global Env.

```r
aa <- rio::import(my_url)
```

---
class: inverse, center, middle

# Algunos BONUS de I/O

### Con lo que hemos visto hasta ahora nos apañamos, pero conviene ver alguna cosa más ...

---

#### Bonus 1:  exportar los datos de un df en un archivo `.xlsx` ya existente.

```r
#- bonus: le añadimos un libro mas al archivo "./pruebas/iris.xlsx"
rio::export(x = iris, 
       file = here::here("pruebas", "iris.xlsx"), 
       `which` = "iris_2")
```

<br>

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

<br>

#### Bonus 2: (!!) exportar 2 df's en un único archivo `.xlsx`

```r
rio::export(x = `list`(iris = iris, pinguinos = palmerpenguins::penguins), 
            file = here::here("pruebas", "my_iris_pinguinos.xlsx"))
```

---

#### Bonus 3: (!!) importar una hoja/libro especifica de un archivo `.xlsx`

```r
iris_1 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"))  #- solo importa el primer libro
  
pinguinos_1 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"), 
                                      sheet = 2)

pinguinos_2 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"), 
                                      sheet = "pinguinos")
```

---

#### Bonus 4: (!!!!) importamos todos los libros de un archivo `.xlsx`

```r
*library(readxl)

my_dfs_list <- lapply(excel_sheets(here::here("pruebas", "my_iris_pinguinos.xlsx")), 
                       read_excel,
                       path = here::here("pruebas", "my_iris_pinguinos.xlsx"))
```

<br>

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

<br>

#### Bonus 5: (!!!!!!) importamos todos archivos de datos de una carpeta concreta; por ejemplo vamos a cargar en memoria de R todos los ficheros de datos que tenemos en la carpeta `"pruebas"`

```r
#- importamos todos los archivos que hemos creado en "./pruebas/"
*library(purrr)
my_carpeta <- here::here("pruebas")

lista_de_archivos <- list.files(my_carpeta)  #- Ok con base ...
lista_de_archivos <- fs::dir_ls(my_carpeta)  #- pero mejor con el pkg "fs"

my_dfs_list_2 <- `map`(lista_de_archivos, rio::import)
```

---

##### Vamos a dejar limpia la carpeta `"./pruebas/"`

```r
#- vamos a limpiar el Rproject: vamos a borrar los archivos q hemos creado:

list.files("./pruebas")     #- listado de archivos en la carpeta "./pruebas"

file.remove("./pruebas/pinguinos.dta")   #- borramos un archivo

#- borramos todos los archivos de ./pruebas/
file.remove(file.path("./pruebas", list.files("./pruebas")))

#- borramos toda la carpeta con el pkg fs
fs::dir_delete("pruebas")
```

---
class: inverse, center, middle

# Aún tenemos que ver alguna cosa más

<br>

Formatos de datos propios de R

Obtener datos a través de API's

Webscrapping

---

### Formatos de datos propios de R

- Guardar datos en formatos como `.csv` o `.xlsx` es lo más habitual si quieres abrir estos datos en otros programas, pero ...

- ... pero al grabar en estos formatos guardas los datos, PERO no guardas los metadatos; por ejemplo, si una columna la has definido como un factor o como integer, esta información se perderá. En estos casos, una solución es usar los formatos propios de R.

<br>

#### R tiene 2 formatos propios de datos (.rds y .rda)

- si quieres grabar un solo objeto, es preferible hacerlo como `.Rds`
    
  - si quieres grabar varios objetos tienes que hacerlo como `RData` o abreviado como `.Rda`

---

#### Formato .RData

El formato `.RData` tienen la ventaja de que **puedes guardar varios objetos a la vez**.

Una “desventaja” del formato RData es que al importar un fichero .RData, los objetos que contiene se cargan siempre con el nombre con el que fueron grabados.

<br>

- Exportando datos a formato `.Rda`

```r
save(mtcars, iris,  file = here::here("pruebas", "mtcars_and_iris.RData")
```

<br>

- Importando datos en formato `.Rda`: tienes que usar la función `load()`

```r
load(here::here("pruebas", "mtcars_and_iris.RData"))
```

<br>

---

#### Formato .rds

- Exportar datos a formato `.rds`

```r
saveRDS(iris, here::here("pruebas", "iris_1.rds"))          #- con base-R

readr::write_rds(iris, here::here("pruebas", "iris_2.rds")) #- con pkg "readr"

*rio::export(iris, here::here("pruebas", "iris_3.rds"))
```

- Importar datos en formato `.rds`

```r
my_iris_1 <- readRDS(here::here("pruebas", "iris_3.rds"))  #- con R-base

my_iris_1 <-readr::read_rds(here::here("pruebas", "iris_3.rds")) #- tidyverse

*my_iris_2 <- rio::import(here::here("pruebas", "iris_3.rds"))
```

---
class: inverse, center, middle

## Acceder a datos a través de API's

##### Hay muuuuuchas organizaciones que ofrecen datos a traves de API's y, en muchas ocasiones, hay un paquete de R para acceder fácilmente a ellos!!!

---

### Eurostat

```r
# install.packages("eurostat")
library(eurostat)

df <- get_eurostat("cult_emp_sex", time_format = 'raw', keepFlags = T)       #- bajamos los datos de la tabla "cult_emp_sex": empleo cultural por genero"
```

<br>

- Si quieres probar tu mismo a bajar datos de Eurostat:

```r
# install.packages("eurostat")
library(eurostat)

#- podemos buscar un  "tema" con la f. search_eurostat()
aa <- search_eurostat("employment", type = "all")

#- elegimos una tabla de Eurostat
my_table <- "hlth_silc_17"   #- elegimos una tabla; por ejemplo "hlth_silc_17": "Healthy life expectancy based on self-perceived health"
label_eurostat_tables(my_table) #- da informacion sobre la Base de datos q estas buscando

#-  descargamos los datos con get_eurostat()
df <- get_eurostat(my_table, time_format = "raw", keepFlags = TRUE )   #- bajamos los datos de una tabla
df_l <- label_eurostat(df)        #- pone labels: mas legible, menos fácil de programar
```

---

### El paquete `quantmod`

Permite acceder a una gran variedad de datos económicos. [Aquí](https://www.quantmod.com/) está su web.

```r
library(quantmod)  #- install.packages("quantmod")

#- For stocks and shares, the yahoo source is used. 
facebook  <- getSymbols(Symbols = 'FB', src = 'yahoo', auto.assign = FALSE)

#- For currencies and metals, the oanda source is used. S
tc_euro_dolar <- getSymbols(Symbols = 'EUR/USD', src = 'oanda', auto.assign = FALSE)

#- For economics series, the FRED source is used. 
Japan_GDP <- getSymbols(Symbols = 'JPNNGDP', src = 'FRED', auto.assign = FALSE)   
```

---
class: inverse, center, middle

## Webscrapping

### Obtener datos directamente de páginas web, de su código html.

---
### Webscrapping

- Pueblos más "altos" de Teruel

```r
library(rvest)
library(tidyverse)
my_url <- "https://es.wikipedia.org/wiki/Anexo:Municipios_de_la_provincia_de_Teruel"

content <- read_html(my_url)

body_table <- content %>% html_nodes('body')  %>%
                    html_nodes('table') %>%
                    html_table(dec = ",")

#- solo hay una tabla
Teruel <- body_table[[1]]  #- estoy haciendo subsetting de una lista
```

Vamos a arreglar un poco la tabla

```r
names(Teruel) <- c("Nombre", "Extension", "Poblacion", "Densidad", "Comarca", "Partido_judicial", "Altitud")
library(stringr)
Teruel <- Teruel %>% map(str_trim) %>% as_tibble() #- quita caracteres al final
Teruel <- Teruel %>% mutate(Altitud = str_replace_all(Altitud,"[[:punct:]]", "")) 
Teruel <- Teruel %>% mutate(Altitud = as.double(Altitud)) %>% arrange(desc(Altitud))
```

---
### Webscrapping

- Covid

```r
library(rvest)
library(tidyverse)

my_url <- "https://es.wikipedia.org/wiki/Pandemia_de_enfermedad_por_coronavirus_de_2020_en_Espa%C3%B1a"

content <- read_html(my_url)
body_table <- content %>% html_nodes('body')  %>%
  html_nodes('table') %>%
  html_table(dec = ",", fill = TRUE)

#- la página web tiene 16 tablas
tabla_8 <- body_table[[8]]  
tabla_11 <- body_table[[11]]  
```

---
class: inverse, center, middle

# That's all - FIN!!

<br>

#### Se acabaron las slides. En la siguiente página solo está el código de las slides en un único chunk.

---

#### El código de las slides (en un único chunk)

```r
#- script de las slides 05: importar datos --------------------------

(.packages())   #- nos da los nombres de los "currently attached packages"
aa <-  as.data.frame(.packages())

iris
str(iris)     #- qué es iris?
find("iris")  #- donde estaba iris?

my_iris <- iris  #- "hacemos" una copia de iris?
find("my_iris")

iris <- iris
find("iris")

#-----------------------
#- install.packages("palmerpenguins")
library(palmerpenguins)
data(package = "palmerpenguins")  #- el paquete tiene 2 conjuntos de datos

#- ya podemos usar los datos de penguins xq hemos cargado (attach) el paquete en memoria de R
penguins
my_penguins <- penguins

#- quiero tb hablaros de la siguiente expresión
palmerpenguins::penguins

#---------------------------
rm(list = ls()) #- antes vamos a limpiar el Global env.

la_direccion <- "https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv"

rio::import(la_direccion)    #- ¿qué ha pasado???

aa <-  rio::import(la_direccion)  #- como un data.frame
bb <- rio::import(la_direccion, setclass = "tibble")  #- como tibble
cc <- tibble::as_tibble(aa)

#------------------------
rm(list = ls()) #- antes vamos a limpiar el Global env.

my_iris <- iris

rio::export(my_iris, "my_iris.csv")

rio::export(x = my_iris, file = "my_iris.csv")

#- 
fs::dir_create("pruebas")   #- creo el subdirectorio
rio::export(my_iris, "./pruebas/my_iris.csv")

ruta <- here::here("pruebas", "my_iris.csv")
rio::export(my_iris, ruta)

rio::export(my_iris, here::here("pruebas", "my_iris.csv"))

rio::export(iris, here::here("pruebas", "iris.csv"))
rio::export(iris, here::here("pruebas", "iris.xlsx"))
rio::export(iris, here::here("pruebas", "iris.sav"))

rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.csv"))
rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.xlsx"))
rio::export(palmerpenguins::penguins, here::here("pruebas", "pinguinos.dta"))

rm(list = ls())
iris_1 <- rio::import(here::here("pruebas", "iris.csv"))
iris_2 <- rio::import(here::here("pruebas", "iris.xlsx"))

pinguinos_1 <- rio::import(here::here("pruebas", "pinguinos.csv"))
pinguinos_2 <- rio::import(here::here("pruebas", "pinguinos.xlsx"))
pinguinos_3 <- rio::import(here::here("pruebas", "pinguinos.dta"))

#- en esta url hay un fichero de datos en formato .csv
my_url <- "https://raw.githubusercontent.com/perezp44/iris_data/master/data/iris.csv"
download.file(url = my_url, 
              destfile = here::here("pruebas", "iris_descargado.csv"))

aa <- rio::import(my_url)

#- bonus: le añadimos un libro mas al archivo "./pruebas/iris.xlsx"
#- bonus: le añadimos un libro mas al archivo "./pruebas/iris.xlsx"
#- bonus: le añadimos un libro mas al archivo "./pruebas/iris.xlsx"
rio::export(x = iris, 
            file = here::here("pruebas", "iris.xlsx"), 
            which = "iris_2")

#- Bonus 2
rio::export(x = list(iris = iris, pinguinos = palmerpenguins::penguins), 
            file = here::here("pruebas", "my_iris_pinguinos.xlsx"))

#- Bonus 3
iris_1 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"))  #- solo importa el primer libro

pinguinos_1 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"), 
                                      sheet = 2)
pinguinos_2 <- rio::import(here::here("pruebas", "my_iris_pinguinos.xlsx"), 
                                      sheet = "pinguinos")

#- Bonus 4
library(readxl)
my_dfs_list <- lapply(excel_sheets(here::here("pruebas", "my_iris_pinguinos.xlsx")), 
                      read_excel,
                      path = here::here("pruebas", "my_iris_pinguinos.xlsx"))

#- Bonus 5

#- importamos todos los archivos que hemos creado en "./pruebas/"
library(purrr)
my_carpeta <- here::here("pruebas")
lista_de_archivos <- list.files(my_carpeta)  #- Ok con base ...
lista_de_archivos <- fs::dir_ls(my_carpeta)  #- pero mejor con el pkg "fs"
my_dfs_list_2 <- map(lista_de_archivos, rio::import)

#- limpiamos ---------------------------------------
#- vamos a borrar los archivos q hemos creado:
list.files("./pruebas")     #- listado de archivos en la carpeta "./pruebas"
file.remove("./pruebas/pinguinos.dta")   #- xq no funciona

#- borramos todos los archivos de ./pruebas/
file.remove(file.path("./pruebas", list.files("./pruebas")))

#  borramos toda la carpeta
fs::dir_delete("pruebas")

# retrieve Facebook quotes
x <- quantmod::getSymbols(Symbols = 'FB', src = 'yahoo', auto.assign = FALSE)   
tail(x)

#- Webscrapping página covid de la wikipedia

library("rvest")
library("tidyverse")
my_url <- "https://es.wikipedia.org/wiki/Pandemia_de_enfermedad_por_coronavirus_de_2020_en_Espa%C3%B1a"
content <- read_html(my_url)
body_table <- content %>% html_nodes('body')  %>%
  html_nodes('table') %>%
  html_table(dec = ",", fill = TRUE)

tabla_8 <- body_table[[8]]  
tabla_11 <- body_table[[11]]  
```