El papel de los recursos informáticos en el procesamiento y análisis de datos en la investigación científica
Issue | Vol. 7 Núm. 1 (2024) |
DOI | |
Publicado | jun 28, 2024 |
Estadísticas |
METXI. Universidad Instituto Tecnológico de Santo Domingo (INTEC), Santo Domingo, República Dominicana.
Resumen
Esta nota técnica explora tres recursos informáticos fundamentales para el procesamiento y análisis de datos en la investigación científica: R, Python y Tableau. Se discute cómo estas herramientas se utilizan en diferentes disciplinas científicas y en qué etapas de la investigación son más útiles. R es un lenguaje estadístico que ofrece una amplia gama de funciones para análisis estadístico y visualización de datos. Python, por otro lado, es un lenguaje de propósito general con bibliotecas especializadas en análisis de datos y aprendizaje automático. Finalmente, Tableau es una plataforma de visualización de datos que permite crear gráficos interactivos y paneles de control para comunicar los resultados de la investigación de manera efectiva.
Badsha, M. B., Martin, E. A., & Fu, A. Q. (2021). MRPC: An R Package for Inference of Causal Graphs. Frontiers in Genetics, 12, 651812. https://doi.org/10.3389/fgene.2021.651812
Chambers, J. M. (2008). Software for data analysis: programming with R. New York: Springer.
Hohman, F., Kahng, M., Pienta, R., & Chau, D. H. (2018). Visual analytics in deep learning: An interrogative survey for the next frontiers. IEEE transactions on visualization and computer graphics, 25(8), 2674-2693.
Kelleher, J. D., Mac Namee, B., & D'arcy, A. (2020). Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. MIT press.
Krzywinski, M., & Altman, N. (2014). Visualizing samples with box plots. Nature methods, 11(2), 119-120.
McKinney, W. (2010, June). Data structures for statistical computing in Python. SciPy, 445(1), 51-56.
Peng, R. D. (2011). Reproducible research in computational science. Science, 334(6060), 1226-1227.
Ramirez, R. N., Bedirian, K., Gray, S. M., & Diallo, A. (2020). DNA Rchitect: An R based visualizer for network analysis of chromatin interaction data. Bioinformatics, 36(2), 644–646. https://doi.org/10.1093/bioinformatics/btz608.
Righelli, D., Weber, L. M., Crowell, H. L., Pardo, B., Collado-Torres, L., Ghazanfar, S., Lun, A. T. L., Hicks, S. C., & Risso, D. (2022). SpatialExperiment: Infrastructure for spatially-resolved transcriptomics data in R using Bioconductor. Bioinformatics, 38(11), 3128–3131. https://doi.org/10.1093/bioinformatics/btac299.
Tommasini, D., & Fogel, B. L. (2023). multiWGCNA: An R package for deep mining gene co-expression networks in multi-trait expression da.ta. BMC Bioinformatics, 24(1), 115. https://doi.org/10.1186/s12859-023-05233-z
VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O'Reilly Media, Inc.
Wickham, H., & Wickham, H. (2016). Data analysis. Springer International Publishing.
Wickham, H., & Wickham, H. (2016). Getting Started with ggplot2. ggplot2: Elegant graphics for data analysis. Springer International Publishing.
Wickham, H., & Grolemund, G. (2017). R for data science: Import. Tidy, transform, visualize, and model data. O'Reilly Media.
Wilke, C. O. (2019). Fundamentals of data visualization: a primer on making informative and compelling figures. O'Reilly Media.
Chambers, J. M. (2008). Software for data analysis: programming with R. New York: Springer.
Hohman, F., Kahng, M., Pienta, R., & Chau, D. H. (2018). Visual analytics in deep learning: An interrogative survey for the next frontiers. IEEE transactions on visualization and computer graphics, 25(8), 2674-2693.
Kelleher, J. D., Mac Namee, B., & D'arcy, A. (2020). Fundamentals of machine learning for predictive data analytics: algorithms, worked examples, and case studies. MIT press.
Krzywinski, M., & Altman, N. (2014). Visualizing samples with box plots. Nature methods, 11(2), 119-120.
McKinney, W. (2010, June). Data structures for statistical computing in Python. SciPy, 445(1), 51-56.
Peng, R. D. (2011). Reproducible research in computational science. Science, 334(6060), 1226-1227.
Ramirez, R. N., Bedirian, K., Gray, S. M., & Diallo, A. (2020). DNA Rchitect: An R based visualizer for network analysis of chromatin interaction data. Bioinformatics, 36(2), 644–646. https://doi.org/10.1093/bioinformatics/btz608.
Righelli, D., Weber, L. M., Crowell, H. L., Pardo, B., Collado-Torres, L., Ghazanfar, S., Lun, A. T. L., Hicks, S. C., & Risso, D. (2022). SpatialExperiment: Infrastructure for spatially-resolved transcriptomics data in R using Bioconductor. Bioinformatics, 38(11), 3128–3131. https://doi.org/10.1093/bioinformatics/btac299.
Tommasini, D., & Fogel, B. L. (2023). multiWGCNA: An R package for deep mining gene co-expression networks in multi-trait expression da.ta. BMC Bioinformatics, 24(1), 115. https://doi.org/10.1186/s12859-023-05233-z
VanderPlas, J. (2016). Python data science handbook: Essential tools for working with data. O'Reilly Media, Inc.
Wickham, H., & Wickham, H. (2016). Data analysis. Springer International Publishing.
Wickham, H., & Wickham, H. (2016). Getting Started with ggplot2. ggplot2: Elegant graphics for data analysis. Springer International Publishing.
Wickham, H., & Grolemund, G. (2017). R for data science: Import. Tidy, transform, visualize, and model data. O'Reilly Media.
Wilke, C. O. (2019). Fundamentals of data visualization: a primer on making informative and compelling figures. O'Reilly Media.
Análisis de datos
investigación
herramientas computacionales
visualización
- Resumen visto - 99 veces
- PDF descargado - 16 veces
- HTML descargado - 11 veces
- XML descargado - 6 veces
- EPUB descargado - 14 veces
Descargas
Los datos de descargas todavía no están disponibles.
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Copyright
© Ciencia, Ingenierías y Aplicaciones, 2024
Afiliaciones
Gali Monpue
METXI. Universidad Instituto Tecnológico de Santo Domingo (INTEC), Santo Domingo, República Dominicana.
Cómo citar
Monpue, G. (2024). El papel de los recursos informáticos en el procesamiento y análisis de datos en la investigación científica. Ciencia, Ingenierías Y Aplicaciones, 7(1), 103–108. https://doi.org/10.22206/cyap.2024.v7i1.3116