Fórmulas de Excel en R: guía para usuarios de Excel

Si sabes usar Excel, ya sabes qué quieres hacer con tus datos: buscar valores, sumar según una condición, montar una tabla dinámica o separar una columna de texto. Esta guía te enseña cómo hacerlo en R, con una gran tabla de funciones de Excel y sus equivalentes en R base y dplyr, ejemplos cortos de las fórmulas más usadas sobre una pequeña tabla de ventas, cómo leer y guardar archivos de Excel y algunos consejos para que el cambio te resulte más fácil.

De celdas a vectores: qué cambia al pasar a R

La mayoría de fórmulas de Excel tienen un equivalente directo en R. Lo que cambia es la forma de pensar en los datos:

• Celdas → vectores y data frames. En Excel trabajas con celdas (B2) y rangos (B2:B100). En R trabajas con columnas completas, que son vectores, y con tablas, que son data frames. Te refieres a una columna por su nombre (ventas$precio), no por su posición.
• Fórmulas arrastradas → operaciones vectorizadas. En Excel escribes =E2*F2 y la arrastras hacia abajo. En R, ventas$unidades * ventas$precio multiplica las dos columnas elemento a elemento en una sola operación, da igual que tengan 10 filas o 10 millones.
• Hojas → data frames. Cada hoja con una tabla pasa a ser un data frame. En lugar de hacer referencia a Productos!A:D, trabajas con un objeto llamado productos, y puedes tener todos los que quieras en memoria a la vez.
• Clics → código. Ordenar, filtrar o quitar duplicados no son opciones de un menú sino funciones. Cuesta más la primera vez, pero el código se puede volver a ejecutar con los datos del mes siguiente sin ningún esfuerzo.

Hay una última diferencia importante: R no recalcula automáticamente. Si cambias un valor de la columna precio, la columna total no se actualizará hasta que vuelvas a ejecutar el código que la calcula. Por eso es mejor guardar todos los pasos en un script y ejecutarlo de principio a fin.

Funciones de Excel y sus equivalentes en R

La siguiente tabla recoge las funciones y herramientas de Excel más utilizadas, con su nombre en español y en inglés (muchos usuarios tienen Excel en inglés), su equivalente en R base y en el tidyverse (dplyr, tidyr y stringr) y el tutorial donde puedes aprender más sobre cada una.

La columna del tidyverse usa funciones de dplyr (left_join, summarise, case_when…), tidyr (pivot_wider, separate_wider_delim) y stringr (las funciones str_*). No las necesitas para trabajar en R, pero hacen que el código sea más fácil de leer, sobre todo combinadas con el operador pipe %>%.

Fórmulas de Excel en R: ejemplos

En este apartado verás la versión en R de las fórmulas que más escriben los usuarios de Excel. Todos los ejemplos usan la siguiente tabla de ventas, que en Excel sería una hoja con ocho filas y seis columnas:

ventas <- data.frame(
  fecha = as.Date(c("2026-01-12", "2026-01-25", "2026-02-03", "2026-02-18",
                    "2026-03-04", "2026-03-15", "2026-03-27", "2026-04-08")),
  comercial = c("Ana Gil", "Luis Pardo", "Ana Gil", "Marta Ruiz",
                "Luis Pardo", "Marta Ruiz", "Ana Gil", "Luis Pardo"),
  zona = c("Norte", "Sur", "Norte", "Sur", "Sur", "Norte", "Norte", "Sur"),
  producto = c("Portátil", "Móvil", "Móvil", "Portátil", "Tablet", "Móvil", "Tablet", "Portátil"),
  unidades = c(2, 5, 3, 1, 4, 6, 2, 3),
  precio = c(950, 420, 420, 950, 310, 420, 310, 950))

ventas

       fecha  comercial  zona producto unidades precio
1 2026-01-12    Ana Gil Norte Portátil        2    950
2 2026-01-25 Luis Pardo   Sur    Móvil        5    420
3 2026-02-03    Ana Gil Norte    Móvil        3    420
4 2026-02-18 Marta Ruiz   Sur Portátil        1    950
5 2026-03-04 Luis Pardo   Sur   Tablet        4    310
6 2026-03-15 Marta Ruiz Norte    Móvil        6    420
7 2026-03-27    Ana Gil Norte   Tablet        2    310
8 2026-04-08 Luis Pardo   Sur Portátil        3    950

Una fórmula arrastrada: columnas nuevas

En Excel escribirías =E2*F2 en una columna nueva y la arrastrarías hacia abajo. En R creas la columna en una línea y la operación se aplica a todas las filas:

# Excel: =E2*F2 (arrastrada hacia abajo)
ventas$total <- ventas$unidades * ventas$precio

ventas

       fecha  comercial  zona producto unidades precio total
1 2026-01-12    Ana Gil Norte Portátil        2    950  1900
2 2026-01-25 Luis Pardo   Sur    Móvil        5    420  2100
3 2026-02-03    Ana Gil Norte    Móvil        3    420  1260
4 2026-02-18 Marta Ruiz   Sur Portátil        1    950   950
5 2026-03-04 Luis Pardo   Sur   Tablet        4    310  1240
6 2026-03-15 Marta Ruiz Norte    Móvil        6    420  2520
7 2026-03-27    Ana Gil Norte   Tablet        2    310   620
8 2026-04-08 Luis Pardo   Sur Portátil        3    950  2850

Con dplyr escribirías ventas %>% mutate(total = unidades * precio). Puedes aprender más en el tutorial de mutate.

SI y SI anidados

La función SI (IF) se convierte en ifelse, que evalúa la condición en cada fila y devuelve un valor u otro:

# Excel: =SI(G2>=2000; "Grande"; "Pequeña")
ventas$tipo <- ifelse(ventas$total >= 2000, "Grande", "Pequeña")

ventas[, c("comercial", "total", "tipo")]

   comercial total    tipo
1    Ana Gil  1900 Pequeña
2 Luis Pardo  2100  Grande
3    Ana Gil  1260 Pequeña
4 Marta Ruiz   950 Pequeña
5 Luis Pardo  1240 Pequeña
6 Marta Ruiz  2520  Grande
7    Ana Gil   620 Pequeña
8 Luis Pardo  2850  Grande

Con varias condiciones (SI anidados o SI.CONJUNTO), anidar ifelse se vuelve ilegible enseguida. case_when de dplyr evalúa las condiciones en orden y asigna el valor de la primera que se cumple, exactamente como SI.CONJUNTO (IFS):

library(dplyr)

# Excel: =SI.CONJUNTO(G2>=2500; "Grande"; G2>=1000; "Mediana"; VERDADERO; "Pequeña")
ventas %>%
  mutate(tipo = case_when(total >= 2500 ~ "Grande",
                          total >= 1000 ~ "Mediana",
                          .default = "Pequeña")) %>%
  select(comercial, total, tipo)

   comercial total    tipo
1    Ana Gil  1900 Mediana
2 Luis Pardo  2100 Mediana
3    Ana Gil  1260 Mediana
4 Marta Ruiz   950 Pequeña
5 Luis Pardo  1240 Mediana
6 Marta Ruiz  2520  Grande
7    Ana Gil   620 Pequeña
8 Luis Pardo  2850  Grande

SUMAR.SI, CONTAR.SI y PROMEDIO.SI

El truco para traducir las funciones condicionales es que una condición en R devuelve un vector de TRUE y FALSE. Puedes usarlo para seleccionar los valores que la cumplen o sumarlo directamente, porque TRUE cuenta como 1:

# SUMAR.SI (SUMIF): =SUMAR.SI(C:C; "Norte"; G:G)
sum(ventas$total[ventas$zona == "Norte"])

# CONTAR.SI (COUNTIF): =CONTAR.SI(C:C; "Norte")
sum(ventas$zona == "Norte")

# PROMEDIO.SI (AVERAGEIF): =PROMEDIO.SI(C:C; "Norte"; G:G)
mean(ventas$total[ventas$zona == "Norte"])

# SUMAR.SI.CONJUNTO (SUMIFS): =SUMAR.SI.CONJUNTO(G:G; C:C; "Norte"; D:D; "Móvil")
sum(ventas$total[ventas$zona == "Norte" & ventas$producto == "Móvil"])

[1] 6300
[1] 4
[1] 1575
[1] 3780

En Excel lo habitual es escribir un SUMAR.SI para cada zona. En R es más natural calcular el resultado para todos los grupos a la vez con group_by y summarise:

ventas %>%
  group_by(zona) %>%
  summarise(pedidos = n(),
            ventas = sum(total),
            media = mean(total))

# A tibble: 2 × 4
  zona  pedidos ventas media
  <chr>   <int>  <dbl> <dbl>
1 Norte       4   6300  1575
2 Sur         4   7140  1785

Tienes más condiciones (texto que contiene una palabra, fechas, criterios de “mayor que”…) en CONTAR.SI y SUMAR.SI en R.

BUSCARV

Imagina que tienes una segunda tabla con el responsable de cada zona y quieres añadirlo a la tabla de ventas. El BUSCARV (VLOOKUP) de Excel se hace en R con match, que devuelve la fila de la tabla de búsqueda donde se encuentra cada valor:

responsables <- data.frame(zona = c("Norte", "Sur"),
                           responsable = c("Elena Sanz", "Jorge Vidal"))

# Excel: =BUSCARV(C2; Responsables!A:B; 2; FALSO)
ventas$responsable <- responsables$responsable[match(ventas$zona, responsables$zona)]

ventas[, c("comercial", "zona", "responsable")]

   comercial  zona responsable
1    Ana Gil Norte  Elena Sanz
2 Luis Pardo   Sur Jorge Vidal
3    Ana Gil Norte  Elena Sanz
4 Marta Ruiz   Sur Jorge Vidal
5 Luis Pardo   Sur Jorge Vidal
6 Marta Ruiz Norte  Elena Sanz
7    Ana Gil Norte  Elena Sanz
8 Luis Pardo   Sur Jorge Vidal

La alternativa con dplyr es left_join(ventas, responsables, by = "zona"). Los valores no encontrados, las claves duplicadas, la coincidencia aproximada e INDICE COINCIDIR se explican en detalle en cómo hacer un BUSCARV en R.

Tabla dinámica

Una tabla dinámica con las zonas en las filas, los productos en las columnas y la suma de las ventas en los valores es una sola línea de R base con tapply:

tapply(ventas$total, list(ventas$zona, ventas$producto), sum)

      Móvil Portátil Tablet
Norte  3780     1900    620
Sur    2100     3800   1240

Con dplyr primero resumes los datos por zona y producto y después repartes los productos en columnas con pivot_wider de tidyr. El argumento values_fill = 0 escribe un 0 en las combinaciones sin ventas, que en Excel serían celdas vacías:

library(tidyr)

ventas %>%
  group_by(zona, producto) %>%
  summarise(total = sum(total), .groups = "drop") %>%
  pivot_wider(names_from = producto, values_from = total, values_fill = 0)

# A tibble: 2 × 4
  zona  Móvil Portátil Tablet
  <chr> <dbl>    <dbl>  <dbl>
1 Norte  3780     1900    620
2 Sur    2100     3800   1240

El resultado es un data frame normal que puedes seguir transformando o exportar a Excel. Los totales, porcentajes, varios valores y filtros los tienes en tablas dinámicas en R.

Funciones de texto: IZQUIERDA, MAYUSC, CONCATENAR y texto en columnas

Las funciones de texto de Excel tienen su equivalente en R base. Todas ellas trabajan sobre la columna completa a la vez:

# IZQUIERDA (LEFT): =IZQUIERDA(B2; 3)
substr(ventas$comercial, 1, 3)

# MAYUSC (UPPER): =MAYUSC(C2)
toupper(ventas$zona)

# CONCATENAR (CONCATENATE): =B2 & " - " & C2
paste(ventas$comercial, ventas$zona, sep = " - ")

[1] "Ana" "Lui" "Ana" "Mar" "Lui" "Mar" "Ana" "Lui"
[1] "NORTE" "SUR"   "NORTE" "SUR"   "SUR"   "NORTE" "NORTE" "SUR"
[1] "Ana Gil - Norte"    "Luis Pardo - Sur"   "Ana Gil - Norte"
[4] "Marta Ruiz - Sur"   "Luis Pardo - Sur"   "Marta Ruiz - Norte"
[7] "Ana Gil - Norte"    "Luis Pardo - Sur"

El asistente Texto en columnas de Excel se hace con separate_wider_delim de tidyr, que divide una columna en varias usando un delimitador:

ventas %>%
  separate_wider_delim(comercial, delim = " ", names = c("nombre", "apellido")) %>%
  select(nombre, apellido) %>%
  head(3)

# A tibble: 3 × 2
  nombre apellido
  <chr>  <chr>
1 Ana    Gil
2 Luis   Pardo
3 Ana    Gil

Si algunas filas tienen más o menos partes de las esperadas (un segundo apellido, por ejemplo), consulta texto en columnas en R.

Fechas: HOY y diferencias entre fechas

En Excel una fecha es un número con formato de fecha. En R es un objeto de clase Date, y la diferencia entre dos fechas devuelve el número de días, igual que cuando restas dos fechas en Excel. Sys.Date() es el equivalente de HOY() (TODAY()), pero aquí usamos una fecha fija para que obtengas el mismo resultado:

# Días desde cada venta: =FECHA(2026;10;31) - A2
ventas$dias <- as.numeric(as.Date("2026-10-31") - ventas$fecha)

# Año y mes: =TEXTO(A2; "aaaa-mm")
ventas$mes <- format(ventas$fecha, "%Y-%m")

ventas[1:4, c("fecha", "dias", "mes")]

       fecha dias     mes
1 2026-01-12  292 2026-01
2 2026-01-25  279 2026-01
3 2026-02-03  270 2026-02
4 2026-02-18  255 2026-02

Aprende a convertir texto en fechas, extraer el día de la semana o sumar meses en el tutorial sobre fechas en R.

Leer y guardar archivos de Excel

No necesitas convertir tus libros de Excel a CSV para usarlos en R. El paquete readxl lee archivos .xlsx y .xls y el paquete writexl los escribe. Ninguno de los dos necesita tener Excel ni Java instalados. En este ejemplo guardamos la tabla de ventas y la volvemos a leer:

# install.packages(c("readxl", "writexl"))
library(readxl)
library(writexl)

# Guardar el data frame como archivo de Excel
write_xlsx(ventas[, 1:7], "ventas.xlsx")

# Leer el archivo de Excel
df <- read_excel("ventas.xlsx")
df

# A tibble: 8 × 7
  fecha               comercial  zona  producto unidades precio total
  <dttm>              <chr>      <chr> <chr>       <dbl>  <dbl> <dbl>
1 2026-01-12 00:00:00 Ana Gil    Norte Portátil        2    950  1900
2 2026-01-25 00:00:00 Luis Pardo Sur   Móvil           5    420  2100
3 2026-02-03 00:00:00 Ana Gil    Norte Móvil           3    420  1260
4 2026-02-18 00:00:00 Marta Ruiz Sur   Portátil        1    950   950
5 2026-03-04 00:00:00 Luis Pardo Sur   Tablet          4    310  1240
6 2026-03-15 00:00:00 Marta Ruiz Norte Móvil           6    420  2520
7 2026-03-27 00:00:00 Ana Gil    Norte Tablet          2    310   620
8 2026-04-08 00:00:00 Luis Pardo Sur   Portátil        3    950  2850

Fíjate en que las fechas vuelven como fecha y hora (<dttm>), porque así es como las guarda Excel. Usa as.Date(df$fecha) si solo necesitas la fecha. Otros argumentos útiles de read_excel son:

• sheet: el nombre o el número de la hoja que quieres leer, por ejemplo sheet = "2026". excel_sheets("archivo.xlsx") lista las hojas de un libro.
• range: un rango en notación de Excel, como range = "B3:H50", cuando la tabla no empieza en A1.
• skip: el número de filas que hay que saltar al principio (títulos, logos, notas…).
• na: los valores que se leerán como NA, por ejemplo na = c("", "-", "n/d").

Para escribir varias hojas en el mismo libro, pasa a write_xlsx una lista con nombres de data frames: write_xlsx(list(Ventas = ventas, Resumen = resumen), "informe.xlsx"). Tienes todas las opciones, incluidos otros paquetes como openxlsx, en los tutoriales sobre cómo leer archivos de Excel en R y cómo exportar datos desde R.

Consejos para usuarios de Excel

La mayoría de problemas de quien pasa de Excel a R vienen de cómo están construidas las hojas de cálculo, no de R. Estos consejos te ahorrarán mucho tiempo:

• Una sola fila de encabezado. La primera fila de la tabla debe contener los nombres de las columnas, y nada más. Los títulos encima de la tabla, los encabezados de dos filas o las notas al final hay que quitarlos o saltarlos con skip y range.
• Nada de celdas combinadas. Al leer una celda combinada, solo la primera celda tiene el valor y el resto son NA. Rellena el valor en todas las filas.
• Datos ordenados (tidy data): cada columna es una variable, cada fila una observación y cada celda un único valor. Una hoja con una columna por mes (Ene, Feb, Mar…) es fácil de leer pero difícil de analizar. Conviértela en una tabla larga con pivot_longer.
• Un solo tipo de dato por columna. Una columna con números y algunas celdas con texto como "N/D" o "pendiente" se lee como texto. Entonces sum falla y las comparaciones no funcionan como esperas.
• No uses colores como datos. R no puede ver que una fila está resaltada en amarillo. Si el color significa algo (“pago pendiente”), crea una columna con esa información.
• No toques los datos originales. Lee el archivo original, haz todas las transformaciones en el script y guarda el resultado en un archivo nuevo. Si algo sale mal, vuelve a ejecutar el script.

Por último, ten en cuenta que algunas funciones con el mismo nombre no dan exactamente el mismo resultado en Excel y en R:

• round: Excel redondea los valores que terminan en 5 alejándose de cero (REDONDEAR(2,5; 0) es 3), pero R sigue el estándar IEC 60559 y los redondea al número par: round(c(0.5, 1.5, 2.5, 3.5)) devuelve 0 2 2 4.
• REDONDEAR.MAS y REDONDEAR.MENOS (ROUNDUP y ROUNDDOWN) redondean alejándose de cero y hacia cero. trunc equivale a REDONDEAR.MENOS, pero ceiling siempre redondea hacia arriba: ceiling(-2.1) es -2, mientras que REDONDEAR.MAS(-2,1; 0) es -3.
• DESVEST y sd calculan la desviación típica muestral. Si usabas DESVEST.P (poblacional), el resultado será distinto.
• Decimales: Excel en español usa la coma como separador decimal, pero en R el separador decimal es siempre el punto (2.5, no 2,5).
• Búsquedas: BUSCARV no distingue entre mayúsculas y minúsculas, pero match y los joins sí, como se explica en el tutorial de BUSCARV.