Capítulo 12 Estructuras de control: bucles
Scripts usados:
Aunque la mayoría de veces son sustituibles por otras expresiones más legibles y eficientes, es importante que conozcamos otra archiconocida expresion de control: los bucles.
-
for: permite repetir el mismo código un número fijo (y conocido a priori) de veces (normalmente en función de un índice). -
while: permite repetir el mismo código un número indeterminado de veces, hasta que una condición dada se deje de cumplir.
12.1 for
Aunque la mayoría de las veces los bucles pueden ser sustituidos por expresiones mucho más eficientes (fíjate que ya hemos filtrado columnas, filas y aplicado operaciones por filas y columnas, sin necesitarlo), a veces no nos quedará más remedio que usarlos por lo que nunca viene mal conocer su estructura.
Un bucle for{} es una estructura que nos permite repetir un conjunto de órdenes un número finito y conocido de veces: dado un conjunto de índices, el bucle irá recorriendo cada uno de ellos, y para cada uno ejecutará lo que tenga dentro de las llaves.
Veamos un ejemplo muy sencillo. Vamos a definir un vector de números de longitud 4, por ejemplo x <- c(0, -7, 1, 4). Si quisiéramos devolver el primer elemento al cuadrado escribiríamos x[1]^2 (accedemos con [1] al primer elemento y lo elevamos al cuadrado). Si quisiéramos devolver el segundo elemento al cuadrado escribiríamos x[2]^2. Si lo quisiéramos hacer en general, para el elemento i-ésimo (el que ocupa la posición i), escribiríamos x[i]^2. Lo que haremos dentro del for (...) {} es indicarle que valores irá tomando i: creamos un vector de índices, en este caso 1:4, para que i vaya tomando sus valores (primero i=1, luego i=2, etc)
## [1] 0
## [1] 49
## [1] 1
## [1] 16Lo que tenemos dentro de los paréntesis, en la línea del for, no es más que la secuencia de números que hemos aprendido a construir.
1:4## [1] 1 2 3 4Si quisiéramos que haga lo mismo pero excluyendo por ejemplo el segundo elemento bastaría con definir los índices a recorrer como c(1, 3, 4) o c(1, 3:4)
## [1] 0
## [1] 1
## [1] 16Podemos definir también una variable y <- rep(0, 4) (un vector de la misma longitud pero, de momento, lleno de ceros), y hacer que elemento i-ésimo del vector y se defina como x[i]^2
y <- rep(0, 4)
for (i in 1:4) {
y[i] <- x[i]^2
}
y## [1] 0 49 1 16Fíjate que, dado que las operaciones en R ya se hacen por defecto de forma vectorial, elemento a elemento, lo anterior es equivalente a esto
y <- x^2
y## [1] 0 49 1 16No solo es equivalente sino que además, haciendo uso del paquete microbenchmark podemos comprobar como el bucle, amén de no ser necesario, es menos eficiente (de ahí que la mayoría de veces los intentemos evitar si existe otra alternativa)
# install.packages("microbenchmark)
library(microbenchmark)
# Le pasamos dos conjuntos de códigos, y le indicamos con
# times el número de simulaciones a realizar para luego obtener
# un promedio de tiempos
microbenchmark(x^2, for (i in 1:4) { y[i] <- x[i]^2 },
times = 1000)## Unit: nanoseconds
## expr min lq mean median
## x^2 97 136.5 577.197 341
## for (i in 1:4) { y[i] <- x[i]^2 } 1347539 1413386.0 1598199.028 1475116
## uq max neval cld
## 783.5 17950 1000 a
## 1584073.0 6403272 1000 b
Veamos otro ejemplo: vamos a definir de nuevo un vector de edades y nombres, y vamos a recorrer cada uno imprimiento un mensaje por pantalla.
library(glue)
nombres <- c("Javi", "Laura", "Carlos", "Lucía", "Mar")
edades <- c(32, 51, 18, 43, 29)
# Recorremos cada uno de los 5 elementos e imprimimos un
# mensaje que depende de ese índice i
for (i in 1:5) {
print(glue("{nombres[i]} tiene {edades[i]} años"))
}## Javi tiene 32 años
## Laura tiene 51 años
## Carlos tiene 18 años
## Lucía tiene 43 años
## Mar tiene 29 añosFíjate que si no nos queremos preocupar de si añadimos otra persona, podemos hacer que el bucle empiece en 1 y termine en el último lugar (sea el que sea), usando length()
## Javi tiene 32 años
## Laura tiene 51 años
## Carlos tiene 18 años
## Lucía tiene 43 años
## Mar tiene 29 añosAunque normalmente el conjunto que recorre el bucle suelen ser índices numéricos, podemos recorrer cualquier tipo de objeto, por ejemplo días e la semana
library(stringr)
dias_semana <- c("lunes", "martes", "miércoles", "jueves",
"viernes", "sábado", "domingo")
for (dias in dias_semana) { # dias recorre los días de la semana
print(str_to_upper(dias)) # Imprimimos en mayúsculas el día
}## [1] "LUNES"
## [1] "MARTES"
## [1] "MIÉRCOLES"
## [1] "JUEVES"
## [1] "VIERNES"
## [1] "SÁBADO"
## [1] "DOMINGO"Como hemos visto, además de imprimir por pantalla podemos asignar valores a variables o cambiarlas. Por ejemplo, vamos a recorrer nuestro conjunto swiss de {datasets} y vamos a pasar a dato ausente todos los valores de fertilidad superiores a 80. Para ello recorreremos cada fila para después ejecutar un if.
for (i in 1:nrow(swiss)) {
# si cumple la condición dicha fila, ponemos ausente.
if (swiss$Fertility[i] > 80) {
swiss$Fertility[i] <- NA
}
}
swiss## Fertility Agriculture Examination Education Catholic
## Courtelary NA 17.0 15 12 9.96
## Delemont NA 45.1 6 9 84.84
## Franches-Mnt NA 39.7 5 5 93.40
## Moutier NA 36.5 12 7 33.77
## Neuveville 76.9 43.5 17 15 5.16
## Porrentruy 76.1 35.3 9 7 90.57
## Broye NA 70.2 16 7 92.85
## Glane NA 67.8 14 8 97.16
## Gruyere NA 53.3 12 7 97.67
## Sarine NA 45.2 16 13 91.38
## Veveyse NA 64.5 14 6 98.61
## Aigle 64.1 62.0 21 12 8.52
## Aubonne 66.9 67.5 14 7 2.27
## Avenches 68.9 60.7 19 12 4.43
## Cossonay 61.7 69.3 22 5 2.82
## Echallens 68.3 72.6 18 2 24.20
## Grandson 71.7 34.0 17 8 3.30
## Lausanne 55.7 19.4 26 28 12.11
## La Vallee 54.3 15.2 31 20 2.15
## Lavaux 65.1 73.0 19 9 2.84
## Morges 65.5 59.8 22 10 5.23
## Moudon 65.0 55.1 14 3 4.52
## Nyone 56.6 50.9 22 12 15.14
## Orbe 57.4 54.1 20 6 4.20
## Oron 72.5 71.2 12 1 2.40
## Payerne 74.2 58.1 14 8 5.23
## Paysd'enhaut 72.0 63.5 6 3 2.56
## Rolle 60.5 60.8 16 10 7.72
## Vevey 58.3 26.8 25 19 18.46
## Yverdon 65.4 49.5 15 8 6.10
## Conthey 75.5 85.9 3 2 99.71
## Entremont 69.3 84.9 7 6 99.68
## Herens 77.3 89.7 5 2 100.00
## Martigwy 70.5 78.2 12 6 98.96
## Monthey 79.4 64.9 7 3 98.22
## St Maurice 65.0 75.9 9 9 99.06
## Sierre NA 84.6 3 3 99.46
## Sion 79.3 63.1 13 13 96.83
## Boudry 70.4 38.4 26 12 5.62
## La Chauxdfnd 65.7 7.7 29 11 13.79
## Le Locle 72.7 16.7 22 13 11.22
## Neuchatel 64.4 17.6 35 32 16.92
## Val de Ruz 77.6 37.6 15 7 4.97
## ValdeTravers 67.6 18.7 25 7 8.65
## V. De Geneve 35.0 1.2 37 53 42.34
## Rive Droite 44.7 46.6 16 29 50.43
## Rive Gauche 42.8 27.7 22 29 58.33
## Infant.Mortality
## Courtelary 22.2
## Delemont 22.2
## Franches-Mnt 20.2
## Moutier 20.3
## Neuveville 20.6
## Porrentruy 26.6
## Broye 23.6
## Glane 24.9
## Gruyere 21.0
## Sarine 24.4
## Veveyse 24.5
## Aigle 16.5
## Aubonne 19.1
## Avenches 22.7
## Cossonay 18.7
## Echallens 21.2
## Grandson 20.0
## Lausanne 20.2
## La Vallee 10.8
## Lavaux 20.0
## Morges 18.0
## Moudon 22.4
## Nyone 16.7
## Orbe 15.3
## Oron 21.0
## Payerne 23.8
## Paysd'enhaut 18.0
## Rolle 16.3
## Vevey 20.9
## Yverdon 22.5
## Conthey 15.1
## Entremont 19.8
## Herens 18.3
## Martigwy 19.4
## Monthey 20.2
## St Maurice 17.8
## Sierre 16.3
## Sion 18.1
## Boudry 20.3
## La Chauxdfnd 20.5
## Le Locle 18.9
## Neuchatel 23.0
## Val de Ruz 20.0
## ValdeTravers 19.5
## V. De Geneve 18.0
## Rive Droite 18.2
## Rive Gauche 19.3Esto sería exactamente equivalente al ifelse vectorizado que vimos en el tema anterior
data("swiss") # lo cargamos de 0
swiss$Fertility <- ifelse(swiss$Fertility > 80, NA, swiss$Fertility)
swiss## Fertility Agriculture Examination Education Catholic
## Courtelary NA 17.0 15 12 9.96
## Delemont NA 45.1 6 9 84.84
## Franches-Mnt NA 39.7 5 5 93.40
## Moutier NA 36.5 12 7 33.77
## Neuveville 76.9 43.5 17 15 5.16
## Porrentruy 76.1 35.3 9 7 90.57
## Broye NA 70.2 16 7 92.85
## Glane NA 67.8 14 8 97.16
## Gruyere NA 53.3 12 7 97.67
## Sarine NA 45.2 16 13 91.38
## Veveyse NA 64.5 14 6 98.61
## Aigle 64.1 62.0 21 12 8.52
## Aubonne 66.9 67.5 14 7 2.27
## Avenches 68.9 60.7 19 12 4.43
## Cossonay 61.7 69.3 22 5 2.82
## Echallens 68.3 72.6 18 2 24.20
## Grandson 71.7 34.0 17 8 3.30
## Lausanne 55.7 19.4 26 28 12.11
## La Vallee 54.3 15.2 31 20 2.15
## Lavaux 65.1 73.0 19 9 2.84
## Morges 65.5 59.8 22 10 5.23
## Moudon 65.0 55.1 14 3 4.52
## Nyone 56.6 50.9 22 12 15.14
## Orbe 57.4 54.1 20 6 4.20
## Oron 72.5 71.2 12 1 2.40
## Payerne 74.2 58.1 14 8 5.23
## Paysd'enhaut 72.0 63.5 6 3 2.56
## Rolle 60.5 60.8 16 10 7.72
## Vevey 58.3 26.8 25 19 18.46
## Yverdon 65.4 49.5 15 8 6.10
## Conthey 75.5 85.9 3 2 99.71
## Entremont 69.3 84.9 7 6 99.68
## Herens 77.3 89.7 5 2 100.00
## Martigwy 70.5 78.2 12 6 98.96
## Monthey 79.4 64.9 7 3 98.22
## St Maurice 65.0 75.9 9 9 99.06
## Sierre NA 84.6 3 3 99.46
## Sion 79.3 63.1 13 13 96.83
## Boudry 70.4 38.4 26 12 5.62
## La Chauxdfnd 65.7 7.7 29 11 13.79
## Le Locle 72.7 16.7 22 13 11.22
## Neuchatel 64.4 17.6 35 32 16.92
## Val de Ruz 77.6 37.6 15 7 4.97
## ValdeTravers 67.6 18.7 25 7 8.65
## V. De Geneve 35.0 1.2 37 53 42.34
## Rive Droite 44.7 46.6 16 29 50.43
## Rive Gauche 42.8 27.7 22 29 58.33
## Infant.Mortality
## Courtelary 22.2
## Delemont 22.2
## Franches-Mnt 20.2
## Moutier 20.3
## Neuveville 20.6
## Porrentruy 26.6
## Broye 23.6
## Glane 24.9
## Gruyere 21.0
## Sarine 24.4
## Veveyse 24.5
## Aigle 16.5
## Aubonne 19.1
## Avenches 22.7
## Cossonay 18.7
## Echallens 21.2
## Grandson 20.0
## Lausanne 20.2
## La Vallee 10.8
## Lavaux 20.0
## Morges 18.0
## Moudon 22.4
## Nyone 16.7
## Orbe 15.3
## Oron 21.0
## Payerne 23.8
## Paysd'enhaut 18.0
## Rolle 16.3
## Vevey 20.9
## Yverdon 22.5
## Conthey 15.1
## Entremont 19.8
## Herens 18.3
## Martigwy 19.4
## Monthey 20.2
## St Maurice 17.8
## Sierre 16.3
## Sion 18.1
## Boudry 20.3
## La Chauxdfnd 20.5
## Le Locle 18.9
## Neuchatel 23.0
## Val de Ruz 20.0
## ValdeTravers 19.5
## V. De Geneve 18.0
## Rive Droite 18.2
## Rive Gauche 19.3
¿Te acuerdas de las operaciones por filas y columnas que hicimos con los apply()? Podemos hacer lo mismo (aunque menos eficiente) con un bucle: vamos a sumar las filas del conjunto swiss. Para ello antes definiremos una variable llena de ceros que luego rellenaremos, de tamaño igual al número de filas, con suma <- rep(0, nrow(swiss))
## [1] NA NA NA NA 178.16 244.57 NA NA NA NA
## [11] NA 184.12 176.77 187.73 179.52 206.30 154.00 161.41 133.45 188.94
## [21] 180.53 164.02 173.34 157.00 180.10 183.33 165.06 171.32 168.46 166.50
## [31] 281.21 286.68 292.30 285.06 272.72 275.76 NA 283.33 172.72 147.69
## [41] 154.52 188.92 162.17 146.45 186.54 204.93 199.13
12.2 while
Otra manera de diseñar un bucle es con la estructura while{}, que ejecutará el bucle un número de veces pero que a priori es desconocido, lo hará hasta que la condición impuesta deje de ser TRUE (en el for sabemos de antemano el número de iteraciones). Por ejemplo, vamos a inicializar una variable ciclos <- 1, y en cada paso aumentaremos una unidad ciclos, y no saldremos del bucle hasta que ciclos > 5
ciclos <- 1
# Mientras el número de ciclos sea inferior 5, imprime
while(ciclos <= 5) {
print(paste("Todavía no, vamos por el ciclo ", ciclos)) # Pegamos la frase al número de ciclo por el que vayamos con paste
ciclos <- ciclos + 1
}## [1] "Todavía no, vamos por el ciclo 1"
## [1] "Todavía no, vamos por el ciclo 2"
## [1] "Todavía no, vamos por el ciclo 3"
## [1] "Todavía no, vamos por el ciclo 4"
## [1] "Todavía no, vamos por el ciclo 5"¿Y qué sucede cuando la condición nunca llega a ser FALSE? Compruébalo tú mismo/a.
while (1 > 0) { # Nunca va a dejar de ser cierto
print("Presiona ESC para salir del bucle")
}12.3 break/next
En R tenemos dos comandos reservados para poder abortar un bucle o avanzar forzosamente un bucle: dichas palabras son break y next. La primera nos habilita para parar un bucle aunque no haya llegado al final de su conjunto de índices a recorrer (o se siga cumpliendo la condición del while{}).
Vamos a hacer un bucle de 1 a 10: cuando el índice i es igual a 7, el bucle se para.
for(i in 1:10) {
if (i == 7) {
break # si i es 7, el bucle frena aquí (nunca llegará a imprimir el 7 ni los sucesivos)
}
print(i)
}## [1] 1
## [1] 2
## [1] 3
## [1] 4
## [1] 5
## [1] 6Mientras que la segunda, el next obliga al bucle a avanzar a la siguiente interacción, abortando la iteración actual en la que se encuentra. Vamos ahora a hacer un bucle de 1 a 10: cuando el índice i es igual a 7, el bucle salta al i = 8.
for(i in 1:10) {
if (i == 7) {
next # si i es 7, la iteración frenará aquí y pasará a la siguiente por lo que imprimirá todos menos el 7
}
print(i)
}## [1] 1
## [1] 2
## [1] 3
## [1] 4
## [1] 5
## [1] 6
## [1] 8
## [1] 9
## [1] 1012.4 repeat
Aunque es una opción muy poco usada, existe una estructura de control llamada repeat{} que nos ejecuta un bucle de forma infinita hasta que le ordenemos parar con un break.
conteo <- 0
repeat {
conteo <- conteo + 1
if (conteo >= 100) { break }
}
conteo## [1] 100
WARNING: cuidado con los bucles infinitos
Las estucturas while{} y repeat{} son de las menos usadas por su peligrosidad, ya que si no incluimos un break o la condición nunca llega a ser TRUE, el bucle seguirá ejecutándose de forma infinita y solo podrá ser detenido abortando la ejecución con la tecla ESC.
12.5 Consejos
CONSEJOS
Evita bucles (si puedes)
Recuerda: por lo general, di no a los bucles en R (intenta evitarlos, en la mayoría de casos hay una alternativa mejor).
Evita bucles (parte II)
Evita al máximo los bucles en R: suele existir una forma más eficiente de programarlo. Veamos un ejemplo muy sencillo: dado un vector de índices idx, queremos calcular su cuadrado y guardarlo. Vamos a comparar como sería con un sencillo bucle y de forma vectorial, repitiéndolo 1000 veces para sacar tiempos medios, haciendo uso del paquete microbenchmark.
idx <- 1:10000
x <- y <- rep(0, length(idx))
microbenchmark::microbenchmark(x <- idx^2,
for (i in idx) { y[i] <- idx[i]^2},
times = 1e3)## Unit: microseconds
## expr min lq mean median
## x <- idx^2 18.579 40.807 50.32104 52.2565
## for (i in idx) { y[i] <- idx[i]^2 } 1852.620 1941.765 2161.00315 2006.0200
## uq max neval cld
## 58.2865 176.224 1000 a
## 2179.2910 6427.473 1000 bUna tarea tan sencilla, programada en un bucle (segunda fila), tarda 40 veces más que hacerlo de forma vectorial (primera fila) (elevando cada elemento al cuadrado, iterando internamente, sin necesidad de implementar un bucle).
12.6 📝 Ejercicios
(haz click en las flechas para ver soluciones)
📝Ejercicio 1: modifica el código inferior para diseñar un bucle
for de 5 iteraciones que recorra los 5 primeros impares y les sume uno.
- Solución:
## [1] 2
## [1] 4
## [1] 6
## [1] 8
## [1] 10## [1] 2
## [1] 4
## [1] 6
## [1] 8
## [1] 10
for (i in 1:5) {
print(i)
}## [1] 1
## [1] 2
## [1] 3
## [1] 4
## [1] 5
📝Ejercicio 2: modifica el código inferior para diseñar un bucle
while que parta con una variable conteo <- 1 y pare cuando llegue a 6.
- Solución:
conteo <- 1
while (conteo < 6) {
print(conteo)
conteo <- conteo + 1
}## [1] 1
## [1] 2
## [1] 3
## [1] 4
## [1] 5
conteo <- 1
while (conteo == 2) {
print(conteo)
}
📝Ejercicio 3: construye un bucle que recorra las primeras 8 filas del conjunto de datos
datasets::airquality y que imprima un mensaje con la temperatura
- Solución:
## La temperatura es de 67ºF
## La temperatura es de 72ºF
## La temperatura es de 74ºF
## La temperatura es de 62ºF
## La temperatura es de 56ºF
## La temperatura es de 66ºF
## La temperatura es de 65ºF
## La temperatura es de 59ºF
📝Ejercicio 4: diseña un bucle
for de 200 iteraciones que, empezando en un valor inicial de 100 (euros), te sume 3€ si el número actual es par y te reste 5€ si es impar. Un número par o impar: un número par será todo aquel número que al dividir entre 2, la división es exacta, es decir, que su resto es nulo. Por ejemplo, al dividir 5 entre 2, el resto es 1, pero al dividir 12 entre 2 el resto es 0. Para calcula ese resto usaremos la función %%.
- Solución:
# pares e impares
5 %% 2## [1] 1
12 %% 2## [1] 0
23 %% 2## [1] 1
46 %% 2## [1] 0
# dinero inicial
dinero <- 100
# Bucle for
for (i in 1:200) {
dinero <- ifelse(dinero %% 2 == 0, dinero + 3, dinero - 5)
}
dinero## [1] -100
📝Ejercicio 5: diseña el anterior bucle pero guardando el dinero de cada iteración.
- Solución:
# vector de importes
dinero <- rep(0, 201)
dinero[1] <- 100 # dinero inicial
# Bucle for
for (i in 2:201) {
# si dinero[i - 1] es par o impar
dinero[i] <- ifelse(dinero[i - 1] %% 2 == 0, dinero[i - 1] + 3,
dinero[i - 1] - 5)
}
dinero## [1] 100 103 98 101 96 99 94 97 92 95 90 93 88 91 86
## [16] 89 84 87 82 85 80 83 78 81 76 79 74 77 72 75
## [31] 70 73 68 71 66 69 64 67 62 65 60 63 58 61 56
## [46] 59 54 57 52 55 50 53 48 51 46 49 44 47 42 45
## [61] 40 43 38 41 36 39 34 37 32 35 30 33 28 31 26
## [76] 29 24 27 22 25 20 23 18 21 16 19 14 17 12 15
## [91] 10 13 8 11 6 9 4 7 2 5 0 3 -2 1 -4
## [106] -1 -6 -3 -8 -5 -10 -7 -12 -9 -14 -11 -16 -13 -18 -15
## [121] -20 -17 -22 -19 -24 -21 -26 -23 -28 -25 -30 -27 -32 -29 -34
## [136] -31 -36 -33 -38 -35 -40 -37 -42 -39 -44 -41 -46 -43 -48 -45
## [151] -50 -47 -52 -49 -54 -51 -56 -53 -58 -55 -60 -57 -62 -59 -64
## [166] -61 -66 -63 -68 -65 -70 -67 -72 -69 -74 -71 -76 -73 -78 -75
## [181] -80 -77 -82 -79 -84 -81 -86 -83 -88 -85 -90 -87 -92 -89 -94
## [196] -91 -96 -93 -98 -95 -100
📝Ejercicio 6: diseña el bucle del ejercicio 4 parando cuando no nos quede dinero.
- Solución:
dinero <- 100 # dinero inicial
# Bucle while
while (dinero > 0) {
dinero <- ifelse(dinero %% 2 == 0, dinero + 3, dinero - 5)
}
dinero## [1] 0