mejoras

[Julenasti]

creo que este ejemplo se podría actualizar utilizando el nuevo shortcut the purrr (x) DONE https://github.com/Julenasti/intro_prog_fun/blob/fd886c0fb9862b0a50cbe1b88255a9c6c71d0a5a/intro_prog_fun.qmd#L221

creo que aquí se lo podría dar un nombre más explicativo a la función DONE https://github.com/Julenasti/intro_prog_fun/blob/1dce3c43699c104d78fb6026818d5e36abb44156/intro_prog_fun.qmd#L353

[Julenasti]

• añadir ejercicios @Julenasti @VeruGHub HE PROPUESTO ALGUNOS MÁS, buscar ### ejercicio julen
• ampliar la parte de programación en r en la intro @VeruGHub
• ampliar la parte de programación orientada a objetos @Julenasti DONE
• añadir parellel computing @Julenasti DONE
• funciones en tidyverse @VeruGHub
• revisar los demás enlaces y decidir qué incluir @Julenasti @VeruGHub DONE
• revisar los tiempos dedicados a cada apartado @Julenasti @VeruGHub
• traducir al inglés
• preparar correo para los estudiantes DONE

[Julenasti]

@VeruGHub he revisado tus updates. Yo creo que está genial!! Te he añadido unas cuantas sugerencias. Busca la palabra julen para encontrarlas. Gracias!! https://github.com/Julenasti/intro_prog_fun/commit/180c242e9d11d96422466db9ee208a575d00880e

[VeruGHub]

He simplificado el apartado de cómo escribir una función, quitando la parte de if else. Creo que para este curso era demasiado complejo. Ya me dirás que te parece si te da tiempo para el miercoles

[Julenasti]

• Aquí utilzaría here() para que todos lo puedan correr: https://github.com/Julenasti/intro_prog_fun/blob/61aff758add9ba6d71687a681549dfda3a326a04/USAL/intro_prog_fun.qmd#L262
• ?@sec-ejfilter no funciona. Falta añadir @sec- aquí: https://github.com/Julenasti/intro_prog_fun/blob/61aff758add9ba6d71687a681549dfda3a326a04/USAL/intro_prog_fun.qmd#L212
• me parece bien la simplificación sobre cómo escribir una función. Creo que llamaría a todos los paquetes por igual. A veces utilizamos {stringr} otras veces ggplot sin formato código, otras veces con formato código... DONE
• yo tiendo a no poner nunca tildes en comentarios por si alguien tiene el pc en otro idioma y puede darle problemas DONE
• un link aquí que te diriga a un sitio donde expliquen las diferencias entre vectores, matriz, df, listas estaría bien: https://github.com/Julenasti/intro_prog_fun/blob/61aff758add9ba6d71687a681549dfda3a326a04/USAL/intro_prog_fun.qmd#L132 DONE

[VeruGHub]

• Añadir una encuesta de satisfacción al final?
• meter rowwise para iterar por filas, haciendo el equivalente de apply(x, 1, function). O la reflexión de por que no se necesita tanto en tidyverse. Yo creo que esto lo usa mucho la gente DONE
• Movería la parte escrita en la que se explica nest y list-columns arriba
• Recolocar parte de argumentos adicionales (mover figura de Monchi más arriba) y añadir un código de ejemplo de argumento adicional + función con map (no lo he entendido bien en el audio jajaja) DONE

[Julenasti]

@VeruGHub intentaría enviarles los apuntes un poco antes del jueves que viene aunque luego cambiemos alguna cosilla para que puedan por lo menos leer una vez los apuntes antes de iniciar el curso porque en el último curso una sugerencia fue justo esta. Principalmente en mi parte que hay bastante teoría. Qué te parece?

mi parte ya está revisada incluyendo los cambios de transmitting y las mejoras arriba indicadas. Te he indicado con ja: unos pocos comentarios

---

Esto no lo he puesto en los apuntes pero puesto que lo preguntas en el comentario de arriba ahí va un poco de info de por qué es raro iterar sobre filas en purrr:

Iterating over rows using the map function from the purrr package in R feels more awkward compared to iterating over columns for a few reasons:

1. Column-major storage of data frames R stores data frames in a column-major format, meaning that each column is essentially a list, and all elements of a column are contiguous in memory. Therefore, it's natural to iterate over columns using list-based functions like those in purrr (e.g., map(), map_df(), etc.), which are optimized for operating over lists (or column-like structures).

When you try to iterate over rows, each row is composed of elements from multiple columns, making it less natural to use these list-based functions. Extracting a row from a data frame requires reformatting or transposing the data, which can feel more cumbersome.

2. Data Frame Structure Columns of a data frame are naturally treated as vectors or lists, which makes them compatible with functions like map() that are designed to iterate over list-like objects. Rows in a data frame are conceptually more heterogeneous: each element within a row can belong to a different type (e.g., numeric, character, etc.), whereas columns are typically homogenous (i.e., all elements are of the same type). This discrepancy makes it feel less intuitive to use map() for row-wise iteration because you're applying a function to heterogeneous data.

3. Column-wise functions are direct Using map() to apply functions to columns is straightforward because the data structure (a column) aligns perfectly with the expected input of list-like functions. For example, if you want to apply a function to each column, you simply write:

library(purrr)
map(df, some_function)

But if you want to apply a function row-wise, you have to first restructure the data, often by transposing or converting the rows into a list format:

df %>% 
  transpose() %>% 
  map(some_function)

This extra step of transposing or transforming rows into a list adds an additional layer of complexity and makes the operation feel less natural.

4. Alternative tools for row-wise operations For row-wise operations, other tools such as apply() (from base R) or rowwise() (from dplyr) are often more straightforward and commonly used than map(). apply() allows you to do so because it is specialised to work with two-dimensional and higher vectors, i.e. matrices and arrays. You can think of apply() as an operation that summarises a matrix or array by collapsing each row or column to a single value. It has more of a mathematical or statistical flavour, and it is generally less useful in data analysis (https://adv-r.hadley.nz/functionals.html, see 9.7 Base functionals). For example:

# Using apply for row-wise operations
apply(df, 1, some_function)

# Using dplyr's rowwise
df %>% rowwise() %>% mutate(new_col = some_function(...))

This means that while column-wise operations with map() are natural in purrr, row-wise operations tend to have more established alternatives, making it feel less intuitive to force row-wise iteration into the purrr framework.

5. Row extraction results in named vectors When extracting rows from a data frame, R often returns named vectors (where the names correspond to the column names). This adds another layer of complexity because your function will have to deal with a vector that has names, which may or may not be necessary, whereas column-wise extraction provides a simpler vector.

Summary

• Column-major data structure in R makes it natural to iterate over columns with purrr functions, which are designed for list-like objects.
• Rows are inherently more heterogeneous, and extracting them requires additional steps (like transposing or restructuring the data).
• More intuitive alternatives (like apply() and dplyr) are often available for row-wise iteration, so using purrr for this feels more complex. Because of these reasons, row-wise iteration with map() is less common and feels more "weird" compared to column-wise iteration.

[VeruGHub]

Okis, gracias por la info. Sólo decía que se mencionara porque en R base se usa porque no todo es tan tidy y por si alguien lo necesita. No me salen las imágenes que has subido tu en la carpeta de imagenes. A ti te salen las mias? He incluido ya mi parte. He quitado la parte de programación en R base pero he dejado la programación básica de tidyverse. Si vemos que ya saben tidyverse me lo puedo saltar. También he revisados tus comentarios. Me parece bien enviarles los apuntes antes. Para comentar:

• Compeltar entre los dos la parte de la estructura del curso.
• Yo reduciría la parte de programación orientada a objetos, creo que lia más que aclara y no se necesita para entender.

[Julenasti]

He hecho una revisión general y subido a github. No tengo ningún comenatario más de tu parte. También he revisado los ejercicios resueltos y todo OK. Por mi parte ya estaría! 🥳