Càlculo de distancias euclidianas a partir de landmarks en R.

NOTA: este post puede parecer muy largo, pero no lo es!!; lo que pasa es que se muestran los resultados para que sean comparados con los que obtendrás en casa al hacer la practica.

Muchas veces se necesitan realizar análisis de morfometrìa en los cuales aun se utilizan distancias euclidianas para llevar a cabo análisis de variaciones en tamaño como parte de estudios de tipo "tradicional".
Este tipo de análisis, a pesar de "boom" de el estudio de forma sin relación con el tamaño, esta aun vigente y es importante conocer aspectos básicos acerca del uso de técnicas de distancias "tradicionales".

Básicamente para el calculo de distancias euclidianas, se utiliza (valga la redundancia) la formula de distancias en el espacio euclidiano en un sistema de coordenadas .

Asi a partir de la toma de landmarks y los archivos que podamos tener de landmarks de varios individuos, podemos medir varias distancias en varios individuos con un solo Script, siguiendo una serie de comandos y ponerlos todos en un solo archivo. (los archivos todos deben haber sido tomados utilizando la misma escala (objeto de referencia de distancia conocida), puesto que estamos trabajando con tamaño)

De tal modo que empezare explicando el calculo de distancias en un solo individuo,(1) primero tomando solo una medida y después  (2)tomando varias medidas entre varios landmarks y poniéndolas todas en un un solo archivo.
(3)Finalmente les mostrare como se calculas varias distancias en varios individuos y ponerlas en un archivo como una matriz de distancias.

Primero necesitamos los archivos de los ladmarks en formato .txt, /aunque podria ser tambien .csv), llamaremos 7 archivos .txt de 7 individuos de Diachlorus curvipes a los cuales se les ha tomado los mismos landmarks (12), los archivos seran los siguientes y estaran sobre el directorio sobre el cual estemos trabajando en R.


dcp1.txt




"x" "y"
"lan1" 0.310384615384615 3.01932692307692
"lan2" 1.87769230769231 2.72125
"lan3" 1.96423076923077 3.01932692307692
"lan4" 5.06038461538461 2.58663461538461
"lan5" 5.13730769230769 2.41355769230769
"lan6" 4.40653846153846 1.75009615384615
"lan7" 4.07961538461538 1.57701923076923
"lan8" 3.06038461538462 2.05778846153846
"lan9" 3.16615384615385 1.33663461538461
"lan10" 2.07961538461538 1.32701923076923
"lan11" 2.06038461538462 1.37509615384615
"lan12" 1.74307692307692 2.25009615384615


dcp2.txt




"x" "y"
"lan1" 0.719286944871943 3.44351836802884
"lan2" 2.58291646916267 3.09794468140540
"lan3" 2.74336139509498 3.48054412016707
"lan4" 6.23612401346766 2.99920934237012
"lan5" 6.2854916829853 2.78939674692018
"lan6" 5.42155746642668 2.02419786939683
"lan7" 5.08832569718265 1.85141102608511
"lan8" 3.87881779400059 2.45616497767614
"lan9" 4.06394655469172 1.57988884373812
"lan10" 2.65696797343912 1.53052117422048
"lan11" 2.64462605605971 1.60457267849693
"lan12" 2.37310387371272 2.56724223409082


dcp3.txt




"x" "y"
"lan1" 1.10064827940554 3.7794857454421
"lan2" 2.84403223991721 3.48688983598560
"lan3" 2.92937271350869 3.86482621903358
"lan4" 6.42833213075936 3.30401739257528
"lan5" 6.44052362698672 3.18210243030174
"lan6" 5.57492739484456 2.43842116043313
"lan7" 5.29452298161541 2.29212320570488
"lan8" 4.18509682492618 2.86512352839053
"lan9" 4.31920328342707 1.97514430379367
"lan10" 3.07567066823694 1.91418682265689
"lan11" 3.03909617955487 1.97514430379367
"lan12" 2.6855427889616 2.99922998689142


dcp4.txt




"x" "y"
"lan1" 0.941808934714676 3.94869970156446
"lan2" 2.78204119586783 3.50996883135577
"lan3" 2.90391088203692 3.92432576433065
"lan4" 6.37719693785579 3.24185552178378
"lan5" 6.41375784370651 3.05905099253016
"lan6" 5.45098732297076 2.27908500104803
"lan7" 5.23162188786641 2.18158925211276
"lan8" 4.0494859320263 2.76656374572436
"lan9" 4.18354258681229 1.91347594254078
"lan10" 2.86734997618619 1.98659775424223
"lan11" 2.84297603895237 2.04753259732677
"lan12" 2.50174091767894 3.03467705529634

dcp5.txt

"x" "y"

"lan1" 0.585132420157185 3.30044582245595

"lan2" 2.00234100248879 2.90246259043132

"lan3" 2.09941008347041 3.18396292527801

"lan4" 4.87558579954464 2.49477245030853

"lan5" 4.90470652383913 2.34916882883611

"lan6" 4.19610223267333 1.79587506724089

"lan7" 3.93401571402296 1.68909907816111

"lan8" 3.02156635279576 2.27151356405081

"lan9" 3.10892852567922 1.56290927288501

"lan10" 2.03146172678327 1.65997835386663

"lan11" 2.02175481868511 1.68909907816111

"lan12" 1.78878902432923 2.53360008270118

dcp6.txt

"x" "y"

"lan1" 0.508475803224269 4.05301396510432

"lan2" 2.30040803313004 3.47574720647696

"lan3" 2.45675111359162 3.80045975820485

"lan4" 5.94440444696526 2.65795263175486

"lan5" 5.93237805616053 2.36931925244118

"lan6" 5.07850430902422 1.8521844478375

"lan7" 4.72973897568686 1.75597332139961

"lan8" 3.64736380326055 2.56174150531697

"lan9" 3.67141658487002 1.68381497657119

"lan10" 2.30040803313004 1.90029001105645

"lan11" 2.27635525152057 1.99650113749434

"lan12" 2.07190660784004 2.98266518348275

dcp7.txt

"x" "y"

"lan1" 0.137282309611791 3.15335927001144

"lan2" 1.72352748369761 2.92263269923532

"lan3" 1.87734519754835 3.2687225553995

"lan4" 5.06906275995132 2.84572384230995

"lan5" 5.12674440264535 2.68229252134353

"lan6" 4.32881501204461 1.99011280901518

"lan7" 4.07886122703715 1.86513591651145

"lan8" 3.0117508371976 2.40349791498906

"lan9" 3.18479576527969 1.62479573861966

"lan10" 1.95425405447372 1.51904606034727

"lan11" 1.92541323312671 1.59595491727264

"lan12" 1.61777780542522 2.45156595056741

Entonces...

>dcp1<-read.table ("dcp1.txt")

#llamo el archivo "dcp1.txt" de mi directorio y lo leo en R, poniéndole como nombre "dcp1" (Diachlorus curvipes, individuo 1).

> dcp1

#verifico que contiene mi nuevo objeto que acabo de llamar.

              x        y

lan1  0.3103846 3.019327

lan2  1.8776923 2.721250

lan3  1.9642308 3.019327

lan4  5.0603846 2.586635

lan5  5.1373077 2.413558

lan6  4.4065385 1.750096

lan7  4.0796154 1.577019

lan8  3.0603846 2.057788

lan9  3.1661538 1.336635

lan10 2.0796154 1.327019

lan11 2.0603846 1.375096

lan12 1.7430769 2.250096

>dist1_5<-list((sqrt(sum((dcp1[1,]-dcp1[5,])^2))))

#tomo la distancia entre el landmark 1  ("dcp1[1,]") de coordenadas  (x)0.3103846 (y)3.019327 y 5  ("dcp1[5,]") de coordenadas (X)5.1373077 (y)2.413558.

>dist1_5

#miro el valor de distancia que obtuve entre los dos puntos:

[[1]]

[1] 4.864786

> disdcp1<-list((sqrt(sum((dcp1[1,]-dcp1[5,])^2))),(sqrt(sum((dcp1[2,]-dcp1[8,])^2))),(sqrt(sum((dcp1[1,]-dcp1[11,])^2))),(sqrt(sum((dcp1[6,]-dcp1[7,])^2))),(sqrt(sum((dcp1[3,]-dcp1[10,])^2))),(sqrt(sum((dcp1[2,]-dcp1[12,])^2))),(sqrt(sum((dcp1[3,]-dcp1[4,])^2))),(sqrt(sum((dcp1[5,]-dcp1[10,])^2))),(sqrt(sum((dcp1[4,]-dcp1[6,])^2))))

#ahora tomo 9 distancias a partir de 12 landmarks, tomados de una foto. las distancias serian entre los landmarks 1y5, 2y8, 1y11, 6y7, 3y10, 2y12, 3y4, 5y10,   4y6. Y nombor este objeto "disdcp1".

> disdcp1

#reviso las distancias que obtuve:

[[1]]

[1] 4.864786

[[2]]

[1] 1.356076

[[3]]

[1] 2.401249

[[4]]

[1] 0.3699112

[[5]]

[1] 1.696237

[[6]]

[1] 0.4900074

[[7]]

[1] 3.126242

[[8]]

[1] 3.245004

[[9]]

[1] 1.061749

> distdcp1<-matrix(disdcp1, 1, 9)

#convierto mis resultados de la forma de lista a la forma de matriz!!!

> distdcp1

#reviso como se organizaron mis resultados en la nueva forma que los organice (matriz):

     [,1]     [,2]     [,3]     [,4]      [,5]     [,6]      [,7]     [,8]    

[1,] 4.864786 1.356076 2.401249 0.3699112 1.696237 0.4900074 3.126242 3.245004

     [,9]    

[1,] 1.061749

>write.table(distdcp1, file = "distdcp1.txt")

#escribo un archivo en formato .txt que contenga mi matriz de distancias halladas, que quedara sobre el directorio el cual estemos trabajando, al abrir este archivo en un edito de texto (geany, wordpad, blog de notas, etc) tendrá esta apariencia:

"V1" "V2" "V3" "V4" "V5" "V6" "V7" "V8" "V9"

"1" 4.86478599236177 1.35607607002421 2.40124859656080 0.36991123195522 1.69623669778461 0.490007396393886 3.1262423565983 3.24500355576432 1.06174921263570

> dcp1.txt<-read.table ("dcp1.txt")

> dcp2.txt<-read.table ("dcp2.txt")

> dcp3.txt<-read.table ("dcp3.txt")

> dcp4.txt<-read.table ("dcp4.txt")

> dcp5.txt<-read.table ("dcp5.txt")

> dcp6.txt<-read.table ("dcp6.txt")

> dcp7.txt<-read.table ("dcp7.txt")

#leo de mi directorio 7 archivos que contienen los landmarks de 7 individuos de la misma especie (no necesariamente tienen que ser de la misma especie, valga la aclaración) 

>disdcp1al7<-list((sqrt(sum((dcp1.txt[1,]-dcp1.txt[5,])^2))),(sqrt(sum((dcp1.txt[2,]-dcp1.txt[8,])^2))),(sqrt(sum((dcp1.txt[1,]-dcp1.txt[11,])^2))),(sqrt(sum((dcp1.txt[6,]-dcp1.txt[7,])^2))),(sqrt(sum((dcp1.txt[3,]-dcp1.txt[10,])^2))),(sqrt(sum((dcp1.txt[2,]-dcp1.txt[12,])^2))),(sqrt(sum((dcp1.txt[3,]-dcp1.txt[4,])^2))),(sqrt(sum((dcp1.txt[5,]-dcp1.txt[10,])^2))),(sqrt(sum((dcp1.txt[4,]-dcp1.txt[6,])^2))),(sqrt(sum((dcp2.txt[1,]-dcp2.txt[5,])^2))),(sqrt(sum((dcp2.txt[2,]-dcp2.txt[8,])^2))),(sqrt(sum((dcp2.txt[1,]-dcp2.txt[11,])^2))),(sqrt(sum((dcp2.txt[6,]-dcp2.txt[7,])^2))),(sqrt(sum((dcp2.txt[3,]-dcp2.txt[10,])^2))),(sqrt(sum((dcp2.txt[2,]-dcp2.txt[12,])^2))),(sqrt(sum((dcp2.txt[3,]-dcp2.txt[4,])^2))),(sqrt(sum((dcp2.txt[5,]-dcp2.txt[10,])^2))),(sqrt(sum((dcp2.txt[4,]-dcp2.txt[6,])^2))),(sqrt(sum((dcp3.txt[1,]-dcp3.txt[5,])^2))),(sqrt(sum((dcp3.txt[2,]-dcp3.txt[8,])^2))),(sqrt(sum((dcp3.txt[1,]-dcp3.txt[11,])^2))),(sqrt(sum((dcp3.txt[6,]-dcp3.txt[7,])^2))),(sqrt(sum((dcp3.txt[3,]-dcp3.txt[10,])^2))),(sqrt(sum((dcp3.txt[2,]-dcp3.txt[12,])^2))),(sqrt(sum((dcp3.txt[3,]-dcp3.txt[4,])^2))),(sqrt(sum((dcp3.txt[5,]-dcp3.txt[10,])^2))),(sqrt(sum((dcp3.txt[4,]-dcp3.txt[6,])^2))),(sqrt(sum((dcp4.txt[1,]-dcp4.txt[5,])^2))),(sqrt(sum((dcp4.txt[2,]-dcp4.txt[8,])^2))),(sqrt(sum((dcp4.txt[1,]-dcp4.txt[11,])^2))),(sqrt(sum((dcp4.txt[6,]-dcp4.txt[7,])^2))),(sqrt(sum((dcp4.txt[3,]-dcp4.txt[10,])^2))),(sqrt(sum((dcp4.txt[2,]-dcp4.txt[12,])^2))),(sqrt(sum((dcp4.txt[3,]-dcp4.txt[4,])^2))),(sqrt(sum((dcp4.txt[5,]-dcp4.txt[10,])^2))),(sqrt(sum((dcp4.txt[4,]-dcp4.txt[6,])^2))),(sqrt(sum((dcp5.txt[1,]-dcp5.txt[5,])^2))),(sqrt(sum((dcp5.txt[2,]-dcp5.txt[8,])^2))),(sqrt(sum((dcp5.txt[1,]-dcp5.txt[11,])^2))),(sqrt(sum((dcp5.txt[6,]-dcp5.txt[7,])^2))),(sqrt(sum((dcp5.txt[3,]-dcp5.txt[10,])^2))),(sqrt(sum((dcp5.txt[2,]-dcp5.txt[12,])^2))),(sqrt(sum((dcp5.txt[3,]-dcp5.txt[4,])^2))),(sqrt(sum((dcp5.txt[5,]-dcp5.txt[10,])^2))),(sqrt(sum((dcp5.txt[4,]-dcp5.txt[6,])^2))),(sqrt(sum((dcp6.txt[1,]-dcp6.txt[5,])^2))),(sqrt(sum((dcp6.txt[2,]-dcp6.txt[8,])^2))),(sqrt(sum((dcp6.txt[1,]-dcp6.txt[11,])^2))),(sqrt(sum((dcp6.txt[6,]-dcp6.txt[7,])^2))),(sqrt(sum((dcp6.txt[3,]-dcp6.txt[10,])^2))),(sqrt(sum((dcp6.txt[2,]-dcp6.txt[12,])^2))),(sqrt(sum((dcp6.txt[3,]-dcp6.txt[4,])^2))),(sqrt(sum((dcp6.txt[5,]-dcp6.txt[10,])^2))),(sqrt(sum((dcp6.txt[4,]-dcp6.txt[6,])^2))),(sqrt(sum((dcp7.txt[1,]-dcp7.txt[5,])^2))),(sqrt(sum((dcp7.txt[2,]-dcp7.txt[8,])^2))),(sqrt(sum((dcp7.txt[1,]-dcp7.txt[11,])^2))),(sqrt(sum((dcp7.txt[6,]-dcp7.txt[7,])^2))),(sqrt(sum((dcp7.txt[3,]-dcp7.txt[10,])^2))),(sqrt(sum((dcp7.txt[2,]-dcp7.txt[12,])^2))),(sqrt(sum((dcp7.txt[3,]-dcp7.txt[4,])^2))),(sqrt(sum((dcp7.txt[5,]-dcp7.txt[10,])^2))),(sqrt(sum((dcp7.txt[4,]-dcp7.txt[6,])^2))))

#Tomo las mismas 9 medidas de cada uno de los siete individuos que tengo de la forma como lo hacíamos, con un solo individuo las nueve medidas, pero esta vez se hacen con los 7 individuos poniendo los comandos uno tras de otro. 

>disdcp1al7

#reviso las medidas que obtuve:

[[1]]

[1] 4.864786

[[2]]

[1] 1.356076

[[3]]

[1] 2.401249

[[4]]

[1] 0.3699112

[[5]]

[1] 1.696237

[[6]]

[1] 0.4900074

[[7]]

[1] 3.126242

[[8]]

[1] 3.245004

[[9]]

[1] 1.061749

[[10]]

[1] 5.604508

[[11]]

[1] 1.446113

[[12]]

[1] 2.662452

[[13]]

[1] 0.3753648

[[14]]

[1] 1.951936

[[15]]

[1] 0.5706719

[[16]]

[1] 3.525773

[[17]]

[1] 3.840697

[[18]]

[1] 1.270498

[[19]]

[1] 5.373187

[[20]]

[1] 1.478191

[[21]]

[1] 2.64825

[[22]]

[1] 0.3162748

[[23]]

[1] 1.956118

[[24]]

[1] 0.512768

[[25]]

[1] 3.543617

[[26]]

[1] 3.595809

[[27]]

[1] 1.215548

[[28]]

[1] 5.543798

[[29]]

[1] 1.469376

[[30]]

[1] 2.688656

[[31]]

[1] 0.2400554

[[32]]

[1] 1.938073

[[33]]

[1] 0.5517885

[[34]]

[1] 3.539701

[[35]]

[1] 3.705019

[[36]]

[1] 1.335961

[[37]]

[1] 4.423081

[[38]]

[1] 1.198715

[[39]]

[1] 2.158778

[[40]]

[1] 0.2830026

[[41]]

[1] 1.525499

[[42]]

[1] 0.4262206

[[43]]

[1] 2.860443

[[44]]

[1] 2.954745

[[45]]

[1] 0.9747592

[[46]]

[1] 5.67922

[[47]]

[1] 1.627789

[[48]]

[1] 2.711944

[[49]]

[1] 0.3617925

[[50]]

[1] 1.906591

[[51]]

[1] 0.5434545

[[52]]

[1] 3.67002

[[53]]

[1] 3.66213

[[54]]

[1] 1.182813

[[55]]

[1] 5.01165

[[56]]

[1] 1.388892

[[57]]

[1] 2.37127

[[58]]

[1] 0.2794568

[[59]]

[1] 1.751366

[[60]]

[1] 0.4827907

[[61]]

[1] 3.219626

[[62]]

[1] 3.379029

[[63]]

[1] 1.131387 

> distdcp1al7<-matrix(disdcp1al7, 9, 7)

#organizo mis medidas en una matriz de 9x7 (9 medidas correspondientes a 7 individuos).

> distdcp1al7

#ahora mis resultados se verán asi:

[,1]      [,2]      [,3]      [,4]      [,5]      [,6]      [,7]     

 [1,] 4.864786  5.604508  5.373187  5.543798  4.423081  5.67922   5.01165  

 [2,] 1.356076  1.446113  1.478191  1.469376  1.198715  1.627789  1.388892 

 [3,] 2.401249  2.662452  2.64825   2.688656  2.158778  2.711944  2.37127  

 [4,] 0.3699112 0.3753648 0.3162748 0.2400554 0.2830026 0.3617925 0.2794568

 [5,] 1.696237  1.951936  1.956118  1.938073  1.525499  1.906591  1.751366 

 [6,] 0.4900074 0.5706719 0.512768  0.5517885 0.4262206 0.5434545 0.4827907

 [7,] 3.126242  3.525773  3.543617  3.539701  2.860443  3.67002   3.219626 

 [8,] 3.245004  3.840697  3.595809  3.705019  2.954745  3.66213   3.379029 

 [9,] 1.061749  1.270498  1.215548  1.335961  0.9747592 1.182813  1.131387 

>write.table(distdcp1al7, file = "distdcp1al7.txt")

#por ultimo escribo mis resultados en una tabla en formato .txt para depues realizar los correspondientes analisis que desee. Este archivo se vera asi:

"V1" "V2" "V3" "V4" "V5" "V6" "V7"

"1" 4.86478599236177 5.60450803209322 5.37318672231976 5.54379830875036 4.42308131914733 5.67922032807822 5.01165001367009

"2" 1.35607607002421 1.44611252391904 1.47819063805238 1.46937649380901 1.19871472360978 1.62778876652987 1.38889176421965

"3" 2.40124859656080 2.66245224222281 2.64825004477358 2.68865630315053 2.15877795206031 2.71194445994619 2.37126981121088

"4" 0.36991123195522 0.375364762937514 0.316274764273176 0.240055441885765 0.283002570840330 0.361792535285579 0.279456827255025

"5" 1.69623669778461 1.95193578609124 1.95611787637005 1.93807289360278 1.52549859163370 1.90659073395059 1.75136598391422

"6" 0.490007396393886 0.570671895921929 0.512768012343564 0.551788472462498 0.426220596622018 0.54345449005379 0.48279071672441

"7" 3.1262423565983 3.52577280558723 3.54361729640782 3.53970078643772 2.86044316799144 3.67002020536417 3.21962558528581

"8" 3.24500355576432 3.84069681415740 3.59580942516654 3.70501885435476 2.95474519622204 3.66212980073973 3.37902905259225

"9" 1.06174921263570 1.27049834001773 1.21554781081638 1.33596082513795 0.97475918549504 1.18281250208974 1.13138718773756

De este modo, se pueden llegar a tomar muchísimas distancias de muchísimos individuos, haciendo los scripts y corriéndolos en R, y se obtienen mucho mas fácil,  confiables y rápido. 

que les rinda!!!!

Como manejo mis coordenadas? : Array's en R.

Retomando la Morfometrìa......

En el post de toma de landmarkas en R,  pudimos ver como obtener a partir de imágenes y/o fotografías la configuración espacial de un objeto o región X determinada...Pero, después de tener todos nuestros archivos en formato .txt en el que se encuentran almacenadas las configuraciones de los landmarks individuales de cada imagen.. como analizarlos en conjunto para poder hacer comparaciones??

El primer paso es "concatenar" mis archivos en un formato u objeto en R que sea manejable para realizar comparaciones y/o análisis, un tipo de objeto de este tipo es el objeto "array" que es la generalización de una matriz de dos dimensiones al caso multidimensional. (mas información).

Una vez tenemos nuestros datos almacenados en un "array" o varios "array's"; (dependiendo de sí es un "array" por cada especie o por cada sitio o etc... para ser comparados) podemos empezar con los distintos análisis morfometricos.

Entonces, supongamos que hemos tomado 12 landmarks en el ala de 4 individuos de Diachlorus ferrugatus  (Díptera: Tabanidae) y la configuracion geometrica del ala de esta especie sera comparada con la configuración de otras especies del mismo Genero, para ello necesitamos construir un "array" para cada especie. (Como ejemplo, utilizaremos el de la especie mencionada)

Partiríamos de 4 archivos .txt que contienen las coordenadas de los landmarks de los 4 individuos que utilizamos de la misma especie, estos tendrían una apariencia como esta:

Archivo 1 (df1.txt):


"x" "y"
"lan1" 0.987216506531992 4.65296820402765
"lan2" 3.44297896059167 4.30214499630484
"lan3" 3.72363752676992 4.81083864750291
"lan4" 9.33680885033491 4.40739195862168
"lan5" 9.58238509574088 3.98640410935431
"lan6" 8.02122182137436 2.75852288232447
"lan7" 7.56515165133471 2.53048779730464
"lan8" 5.72332981078995 3.44262813738395
"lan9" 6.0916941788989 2.14458226880955
"lan10" 3.98675493256203 2.00425298572042
"lan11" 3.75871984754220 2.33753503305709
"lan12" 3.21494387557185 3.56541626008693

Archivo 2 (df2.txt):


"x" "y"
"lan1" 0.451428571428571 5.23678571428571
"lan2" 3.09428571428571 4.80821428571429
"lan3" 3.29071428571429 5.3975
"lan4" 9.41571428571429 4.93321428571429
"lan5" 9.68357142857143 4.48678571428571
"lan6" 7.84428571428572 3.09392857142857
"lan7" 7.32642857142857 2.84392857142857
"lan8" 5.36214285714286 3.91535714285714
"lan9" 5.88 2.50464285714286
"lan10" 3.79071428571429 2.21892857142857
"lan11" 3.54071428571429 2.55821428571429
"lan12" 2.79071428571429 4.04035714285714

Archivo 3 (df3.txt):

"x" "y"

"lan1" 0.149340776528574 5.28933286531034

"lan2" 2.99908023202552 4.91057002628859

"lan3" 3.17944348870254 5.50576877332276

"lan4" 9.6003754264045 5.07289695729791

"lan5" 9.90699296275545 4.54984351293455

"lan6" 8.04925141898212 3.17908276218918

"lan7" 7.58030695162187 2.98068317984446

"lan8" 5.56023847683922 3.95464476590038

"lan9" 6.02918294419948 2.54781136381961

"lan10" 3.77464223573671 2.27726647880408

"lan11" 3.48606102505347 2.65602931782582

"lan12" 2.72853534700998 4.11697169690970

Archivo 4 (df4.txt):

"x" "y"

"lan1" 0.74741186771418 4.70685628896825

"lan2" 3.18693026280777 4.35330289837498

"lan3" 3.38138462763407 4.90131065379455

"lan4" 9.21501557242309 4.56543493273094

"lan5" 9.46250294583838 4.19420387260801

"lan6" 7.87151268816865 2.95676700553155

"lan7" 7.41189328039739 2.72695730164592

"lan8" 5.50270497119371 3.55780776954011

"lan9" 5.96232437896497 2.33804857199332

"lan10" 3.92939238305364 2.07288352904836

"lan11" 3.68190500963835 2.33804857199332

"lan12" 3.01015356751113 3.62851844765877

En estos archivos se presentan las coordenadas de 12 landmarks tomados en cada uno de los 4 individuos de Diachlorus ferrugatus que utilizamos, es por eso que los archivos se llaman "df1.txt", "df2.txt", "df3.txt" y "df4.txt" (por las iniciales de la especie y el numero del individuo (pero se puede utilizar el nombre que se desee)) respectivamente.

Los diminutivos "lan1" a "lan12" indican el numero del landmark y se presentan las coordenadas en los ejes "x" y "y".

Estos archivos deben estar contenidos en el directorio sobre el cual estamos trabajando en R!!!

Para hacer el array necesitamos un script que puede estar en formato ".txt" o en formato ".R" así (para este caso) o escribir todos los comandos uno por uno!!:

 a<-read.table("df1.txt")

 b<-read.table("df2.txt")

 c<-read.table("df3.txt")

 d<-read.table("df4.txt")

 a<-as.matrix(a)

 b<-as.matrix(b)

 c<-as.matrix(c)

 d<-as.matrix(d)

 Dferrugatus<-array(cbind(a, b, c, d), dim=c(12, 2, 4 ))

#En este Script leemos primero cada uno de de nuestros archivos y les damos nombres: a, b, c y d. :

> a <- read.table ("df1.txt")

> b <- read.table ("df2.txt")

> c <- read.table ("df3.txt")

> d <- read.table ("df4.txt")

#Después los tomamos como matrices:

 

>a<-as.matrix(a)

>b<-as.matrix(b)

>c<-as.matrix(c)

>d<-as.matrix(d)

#Y finalmente construimos el array utilizando la función "cbind" y diciéndole cuales objetos utilizar (a,b,c,d) y dándole las dimensiones del array (12= que es el numero de filas sin contar los encabezados y en este caso es el numero de landmarks), (2= que es el numero de columnas que en este caso es el numero de variables "x" y "y"), y (4= que es el numero de archivos que estamos utilizando que este caso es 4):

>Dferrugatus<-array(cbind(a, b, c, d), dim=c(12, 2, 4 ))

#Podemos revisar nuestro array dandole el nombre de este que en este caso es 

"Dferrugatus":

>Dferrugatus

Y lo que obtendríamos (array) seria algo así: 

, , 1

           [,1]     [,2]

 [1,] 0.9872165 4.652968

 [2,] 3.4429790 4.302145

 [3,] 3.7236375 4.810839

 [4,] 9.3368089 4.407392

 [5,] 9.5823851 3.986404

 [6,] 8.0212218 2.758523

 [7,] 7.5651517 2.530488

 [8,] 5.7233298 3.442628

 [9,] 6.0916942 2.144582

[10,] 3.9867549 2.004253

[11,] 3.7587198 2.337535

[12,] 3.2149439 3.565416

, , 2

           [,1]     [,2]

 [1,] 0.4514286 5.236786

 [2,] 3.0942857 4.808214

 [3,] 3.2907143 5.397500

 [4,] 9.4157143 4.933214

 [5,] 9.6835714 4.486786

 [6,] 7.8442857 3.093929

 [7,] 7.3264286 2.843929

 [8,] 5.3621429 3.915357

 [9,] 5.8800000 2.504643

[10,] 3.7907143 2.218929

[11,] 3.5407143 2.558214

[12,] 2.7907143 4.040357

, , 3

           [,1]     [,2]

 [1,] 0.1493408 5.289333

 [2,] 2.9990802 4.910570

 [3,] 3.1794435 5.505769

 [4,] 9.6003754 5.072897

 [5,] 9.9069930 4.549844

 [6,] 8.0492514 3.179083

 [7,] 7.5803070 2.980683

 [8,] 5.5602385 3.954645

 [9,] 6.0291829 2.547811

[10,] 3.7746422 2.277266

[11,] 3.4860610 2.656029

[12,] 2.7285353 4.116972

, , 4

           [,1]     [,2]

 [1,] 0.7474119 4.706856

 [2,] 3.1869303 4.353303

 [3,] 3.3813846 4.901311

 [4,] 9.2150156 4.565435

 [5,] 9.4625029 4.194204

 [6,] 7.8715127 2.956767

 [7,] 7.4118933 2.726957

 [8,] 5.5027050 3.557808

 [9,] 5.9623244 2.338049

[10,] 3.9293924 2.072884

[11,] 3.6819050 2.338049

[12,] 3.0101536 3.628518

Cabe recordar que estos array no son utilizados solamente para morfometrìa sino para múltiples análisis en R y que su construcción es importante para todo usuario de R!!!!

(mas adelante utilizaremos estos array)

Sean felices y hasta la próxima !!!!

Toma de landmarks con R.

Aunque no lo crean, es posible tomar landmarks escalados directamente en R sobre imágenes .jpg. bye bye TPS!!! (mi experiencia con esta gama de paquetes no ha sido nada buena). Afortunadamente descubrí que en R podría hacerlo, aunque al principio haya sido bastante difícil.
Debo empezar diciendo que para poder tomar los landmarks en R. se requiere tener el paquete "rimage" que corre a partir de la versión 2.9... de R (esto no es problema ya que exactamente hoy acaba de salir la ultima versión de R 2.12.1). http://www.r-project.org/

Debo también advertir que en ocasiones dependiendo del compu con el que trabajemos es necesario comprimir un poco las fotos o imágenes que se utilicen debido al peso de estas, yo utilizo un programa gratis llamado "JPEG Resizer" que comprime bastante bien varias imágenes al tiempo y de manera muy sencilla. http://ocio.teoriza.com/truco-para-comprimir-fotos-a-un-reducido-tamano-y-enviarlas-por-email-con-jpg-resizer-y-camara-digital.
(tener en cuenta no disminuir tanto la calidad de las fotos para que se puedan notar regiones puntuales donde serán colocados los landmarks!!!)..

Entonces para empezar se debe descargar el paquete "rimage" utilizamos el comando:

> install.packages ("rimage")
# inmediatamente nos pedirá que escojamos un " CRAN mirror" que es un sitio/dirección del cual se descargara el paquete (ver http://cran.r-project.org/mirrors.html). se puede escoger el "mirrror" de su preferencia, yo generalmente escojo "USA (CA2)".

>library (rimage)
# esto se utiliza para cargar el paquete que acabamos de descargar.

> guarapo<-read.jpeg("guarapo.jpg")
# cargo mi imagen, a la cual pondré los landmarks y le doy un nombre que en este caso es "guarapo". El archivo que estoy leyendo es un archivo .jpeg llamado del mismo modo ("guarapo.jpg")

>plot (guarapo)
# visualizo mi imagen en la ventana activa de R.


>b<-locator(2,type="o",pch=8,lwd=2,col="red",lty="11")
# Como sabemos, para que un conjunto de landmarks tomado de distintos individuos sea comparable estos deben estar escalados bajo un mismo objeto. Para ello, las fotografías que se utilicen deben haberse tomado previamente con un objeto de longitud conocida (p.ej. una regleta invariante). Dentro de los argumentos del comando debe ir especificado el tipo de símbolo que queremos que sirva de indicador y el color  (pch=8) (col="red"), los símbolos y colores disponibles  pueden consultarse en :http://www.statmethods.net/advgraphs/parameters.html. También podemos decidir que tan continua queremos que sea la linea que uno los dos puntos (lty="11") (entre mas alto el numero mas discontinua sera). El numero 2 indica el numero de puntos que se utilizaran para la escala.

>scale1<- sqrt(sum(diff(b$x)^2+diff(b$y)^2))
# A partir de los dos puntos tomados se toma la escala a la cual posteriormente se pondrán los landmarks.

>landmarks1<-unlist(locator(12,type="p",pch=21,bg="green"))/scale1

# Se toman 12 landmarks y son escalados con la medida que previamente se tomo!!

>pepitoria<-matrix(landmarks1, 12, 2)
# Se ponen los landmarks en una matriz para organizarlos.


           [,1]       [,2]
 [1,] 2.8027921 3.69618079
 [2,] 3.7922110 2.74886485
 [3,] 4.8237328 2.56992739
 [4,] 5.7289458 2.15942382
 [5,] 5.6131627 1.72786878
 [6,] 3.3080273 1.32789094
 [7,] 0.7923772 0.38057500
 [8,] 0.3713478 0.10690595
 [9,] 0.0345244 0.01217435
[10,] 1.2870866 2.28573261
[11,] 1.6554872 2.74886485
[12,] 2.1607224 3.03305963

> fix (pepitoria)

# se pueden asignar nombres a las variables que es este caso serian "x" y "y".


             x          y
 [1,] 2.8027921 3.69618079
 [2,] 3.7922110 2.74886485
 [3,] 4.8237328 2.56992739
 [4,] 5.7289458 2.15942382
 [5,] 5.6131627 1.72786878
 [6,] 3.3080273 1.32789094
 [7,] 0.7923772 0.38057500
 [8,] 0.3713478 0.10690595
 [9,] 0.0345244 0.01217435
[10,] 1.2870866 2.28573261
[11,] 1.6554872 2.74886485
[12,] 2.1607224 3.03305963

>write.table(pepitoria, file = "pepitoria.txt")

# Por ultimo se escribe una tabla en formato .txt de nuestra matriz para almacenar los datos. Este archivo creado aparecerá en el directorio en el que estemos trabajando (p.ej. Mis Documentos, etc).

Espero les sea util.!!!