Situación Problema 1
Mariana Leal López A01570977
2023-02-14
Situación Problema
¿Cómo mejorar la posición competitiva de una de las aerolíneas líderes en los aeropuertos de Nueva York?
Exploración
Te estás iniciando en la industria de la aviación, es importante y necesario que conozcas la base de datos del sistema administrativo del aeropuerto y para ello tendrás que explorarla e identificar las variables que la forman y sus tipos. El análisis exploratorio deberá incluir algunos resultados descriptivos.
La base de datos se encuentra en el paquete. library(nycflights13) y está formada por 5 data frames.
library(nycflights13)Necesitas consultar para cada data frame de la base de datos.
¿Cuáles son los campos y sus tipos de datos?
Base de Datos 1 - Airlines
summary(airlines)## carrier name
## Length:16 Length:16
## Class :character Class :character
## Mode :character Mode :characterstr(airlines)## tibble [16 × 2] (S3: tbl_df/tbl/data.frame)
## $ carrier: chr [1:16] "9E" "AA" "AS" "B6" ...
## $ name : chr [1:16] "Endeavor Air Inc." "American Airlines Inc." "Alaska Airlines Inc." "JetBlue Airways" ...data(airlines)
ncol(airlines)## [1] 2nrow(airlines)## [1] 16dim(airlines)## [1] 16 2head(airlines)## # A tibble: 6 × 2
## carrier name
## <chr> <chr>
## 1 9E Endeavor Air Inc.
## 2 AA American Airlines Inc.
## 3 AS Alaska Airlines Inc.
## 4 B6 JetBlue Airways
## 5 DL Delta Air Lines Inc.
## 6 EV ExpressJet Airlines Inc.tail(airlines) ## # A tibble: 6 × 2
## carrier name
## <chr> <chr>
## 1 OO SkyWest Airlines Inc.
## 2 UA United Air Lines Inc.
## 3 US US Airways Inc.
## 4 VX Virgin America
## 5 WN Southwest Airlines Co.
## 6 YV Mesa Airlines Inc.Base de Datos 2 - Airports
summary(airports)## faa name lat lon
## Length:1458 Length:1458 Min. :19.72 Min. :-176.65
## Class :character Class :character 1st Qu.:34.26 1st Qu.:-119.19
## Mode :character Mode :character Median :40.09 Median : -94.66
## Mean :41.65 Mean :-103.39
## 3rd Qu.:45.07 3rd Qu.: -82.52
## Max. :72.27 Max. : 174.11
## alt tz dst tzone
## Min. : -54.00 Min. :-10.000 Length:1458 Length:1458
## 1st Qu.: 70.25 1st Qu.: -8.000 Class :character Class :character
## Median : 473.00 Median : -6.000 Mode :character Mode :character
## Mean :1001.42 Mean : -6.519
## 3rd Qu.:1062.50 3rd Qu.: -5.000
## Max. :9078.00 Max. : 8.000str(airports)## tibble [1,458 × 8] (S3: tbl_df/tbl/data.frame)
## $ faa : chr [1:1458] "04G" "06A" "06C" "06N" ...
## $ name : chr [1:1458] "Lansdowne Airport" "Moton Field Municipal Airport" "Schaumburg Regional" "Randall Airport" ...
## $ lat : num [1:1458] 41.1 32.5 42 41.4 31.1 ...
## $ lon : num [1:1458] -80.6 -85.7 -88.1 -74.4 -81.4 ...
## $ alt : num [1:1458] 1044 264 801 523 11 ...
## $ tz : num [1:1458] -5 -6 -6 -5 -5 -5 -5 -5 -5 -8 ...
## $ dst : chr [1:1458] "A" "A" "A" "A" ...
## $ tzone: chr [1:1458] "America/New_York" "America/Chicago" "America/Chicago" "America/New_York" ...
## - attr(*, "spec")=List of 3
## ..$ cols :List of 12
## .. ..$ id : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ name : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ city : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ country: list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ faa : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ icao : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ lat : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ lon : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ alt : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ tz : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_double" "collector"
## .. ..$ dst : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## .. ..$ tzone : list()
## .. .. ..- attr(*, "class")= chr [1:2] "collector_character" "collector"
## ..$ default: list()
## .. ..- attr(*, "class")= chr [1:2] "collector_guess" "collector"
## ..$ skip : num 0
## ..- attr(*, "class")= chr "col_spec"data(airports)
ncol(airports)## [1] 8nrow(airports)## [1] 1458dim(airports)## [1] 1458 8head(airports)## # A tibble: 6 × 8
## faa name lat lon alt tz dst tzone
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr> <chr>
## 1 04G Lansdowne Airport 41.1 -80.6 1044 -5 A America/Ne…
## 2 06A Moton Field Municipal Airport 32.5 -85.7 264 -6 A America/Ch…
## 3 06C Schaumburg Regional 42.0 -88.1 801 -6 A America/Ch…
## 4 06N Randall Airport 41.4 -74.4 523 -5 A America/Ne…
## 5 09J Jekyll Island Airport 31.1 -81.4 11 -5 A America/Ne…
## 6 0A9 Elizabethton Municipal Airport 36.4 -82.2 1593 -5 A America/Ne…tail(airports) ## # A tibble: 6 × 8
## faa name lat lon alt tz dst tzone
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr> <chr>
## 1 ZTY Boston Back Bay Station 42.3 -71.1 20 -5 A America/New_Yo…
## 2 ZUN Black Rock 35.1 -109. 6454 -7 A America/Denver
## 3 ZVE New Haven Rail Station 41.3 -72.9 7 -5 A America/New_Yo…
## 4 ZWI Wilmington Amtrak Station 39.7 -75.6 0 -5 A America/New_Yo…
## 5 ZWU Washington Union Station 38.9 -77.0 76 -5 A America/New_Yo…
## 6 ZYP Penn Station 40.8 -74.0 35 -5 A America/New_Yo…Base de Datos 3 - Flights
summary(flights)## year month day dep_time sched_dep_time
## Min. :2013 Min. : 1.000 Min. : 1.00 Min. : 1 Min. : 106
## 1st Qu.:2013 1st Qu.: 4.000 1st Qu.: 8.00 1st Qu.: 907 1st Qu.: 906
## Median :2013 Median : 7.000 Median :16.00 Median :1401 Median :1359
## Mean :2013 Mean : 6.549 Mean :15.71 Mean :1349 Mean :1344
## 3rd Qu.:2013 3rd Qu.:10.000 3rd Qu.:23.00 3rd Qu.:1744 3rd Qu.:1729
## Max. :2013 Max. :12.000 Max. :31.00 Max. :2400 Max. :2359
## NA's :8255
## dep_delay arr_time sched_arr_time arr_delay
## Min. : -43.00 Min. : 1 Min. : 1 Min. : -86.000
## 1st Qu.: -5.00 1st Qu.:1104 1st Qu.:1124 1st Qu.: -17.000
## Median : -2.00 Median :1535 Median :1556 Median : -5.000
## Mean : 12.64 Mean :1502 Mean :1536 Mean : 6.895
## 3rd Qu.: 11.00 3rd Qu.:1940 3rd Qu.:1945 3rd Qu.: 14.000
## Max. :1301.00 Max. :2400 Max. :2359 Max. :1272.000
## NA's :8255 NA's :8713 NA's :9430
## carrier flight tailnum origin
## Length:336776 Min. : 1 Length:336776 Length:336776
## Class :character 1st Qu.: 553 Class :character Class :character
## Mode :character Median :1496 Mode :character Mode :character
## Mean :1972
## 3rd Qu.:3465
## Max. :8500
##
## dest air_time distance hour
## Length:336776 Min. : 20.0 Min. : 17 Min. : 1.00
## Class :character 1st Qu.: 82.0 1st Qu.: 502 1st Qu.: 9.00
## Mode :character Median :129.0 Median : 872 Median :13.00
## Mean :150.7 Mean :1040 Mean :13.18
## 3rd Qu.:192.0 3rd Qu.:1389 3rd Qu.:17.00
## Max. :695.0 Max. :4983 Max. :23.00
## NA's :9430
## minute time_hour
## Min. : 0.00 Min. :2013-01-01 05:00:00.00
## 1st Qu.: 8.00 1st Qu.:2013-04-04 13:00:00.00
## Median :29.00 Median :2013-07-03 10:00:00.00
## Mean :26.23 Mean :2013-07-03 05:22:54.64
## 3rd Qu.:44.00 3rd Qu.:2013-10-01 07:00:00.00
## Max. :59.00 Max. :2013-12-31 23:00:00.00
## str(flights)## tibble [336,776 × 19] (S3: tbl_df/tbl/data.frame)
## $ year : int [1:336776] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
## $ month : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
## $ day : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
## $ dep_time : int [1:336776] 517 533 542 544 554 554 555 557 557 558 ...
## $ sched_dep_time: int [1:336776] 515 529 540 545 600 558 600 600 600 600 ...
## $ dep_delay : num [1:336776] 2 4 2 -1 -6 -4 -5 -3 -3 -2 ...
## $ arr_time : int [1:336776] 830 850 923 1004 812 740 913 709 838 753 ...
## $ sched_arr_time: int [1:336776] 819 830 850 1022 837 728 854 723 846 745 ...
## $ arr_delay : num [1:336776] 11 20 33 -18 -25 12 19 -14 -8 8 ...
## $ carrier : chr [1:336776] "UA" "UA" "AA" "B6" ...
## $ flight : int [1:336776] 1545 1714 1141 725 461 1696 507 5708 79 301 ...
## $ tailnum : chr [1:336776] "N14228" "N24211" "N619AA" "N804JB" ...
## $ origin : chr [1:336776] "EWR" "LGA" "JFK" "JFK" ...
## $ dest : chr [1:336776] "IAH" "IAH" "MIA" "BQN" ...
## $ air_time : num [1:336776] 227 227 160 183 116 150 158 53 140 138 ...
## $ distance : num [1:336776] 1400 1416 1089 1576 762 ...
## $ hour : num [1:336776] 5 5 5 5 6 5 6 6 6 6 ...
## $ minute : num [1:336776] 15 29 40 45 0 58 0 0 0 0 ...
## $ time_hour : POSIXct[1:336776], format: "2013-01-01 05:00:00" "2013-01-01 05:00:00" ...data(flights)
ncol(flights)## [1] 19nrow(flights)## [1] 336776dim(flights)## [1] 336776 19head(flights)## # A tibble: 6 × 19
## year month day dep_time sched_dep…¹ dep_d…² arr_t…³ sched…⁴ arr_d…⁵ carrier
## <int> <int> <int> <int> <int> <dbl> <int> <int> <dbl> <chr>
## 1 2013 1 1 517 515 2 830 819 11 UA
## 2 2013 1 1 533 529 4 850 830 20 UA
## 3 2013 1 1 542 540 2 923 850 33 AA
## 4 2013 1 1 544 545 -1 1004 1022 -18 B6
## 5 2013 1 1 554 600 -6 812 837 -25 DL
## 6 2013 1 1 554 558 -4 740 728 12 UA
## # … with 9 more variables: flight <int>, tailnum <chr>, origin <chr>,
## # dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
## # time_hour <dttm>, and abbreviated variable names ¹sched_dep_time,
## # ²dep_delay, ³arr_time, ⁴sched_arr_time, ⁵arr_delaytail(flights) ## # A tibble: 6 × 19
## year month day dep_time sched_dep…¹ dep_d…² arr_t…³ sched…⁴ arr_d…⁵ carrier
## <int> <int> <int> <int> <int> <dbl> <int> <int> <dbl> <chr>
## 1 2013 9 30 NA 1842 NA NA 2019 NA EV
## 2 2013 9 30 NA 1455 NA NA 1634 NA 9E
## 3 2013 9 30 NA 2200 NA NA 2312 NA 9E
## 4 2013 9 30 NA 1210 NA NA 1330 NA MQ
## 5 2013 9 30 NA 1159 NA NA 1344 NA MQ
## 6 2013 9 30 NA 840 NA NA 1020 NA MQ
## # … with 9 more variables: flight <int>, tailnum <chr>, origin <chr>,
## # dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>,
## # time_hour <dttm>, and abbreviated variable names ¹sched_dep_time,
## # ²dep_delay, ³arr_time, ⁴sched_arr_time, ⁵arr_delayBase de Datos 4 - Planes
summary(planes)## tailnum year type manufacturer
## Length:3322 Min. :1956 Length:3322 Length:3322
## Class :character 1st Qu.:1997 Class :character Class :character
## Mode :character Median :2001 Mode :character Mode :character
## Mean :2000
## 3rd Qu.:2005
## Max. :2013
## NA's :70
## model engines seats speed
## Length:3322 Min. :1.000 Min. : 2.0 Min. : 90.0
## Class :character 1st Qu.:2.000 1st Qu.:140.0 1st Qu.:107.5
## Mode :character Median :2.000 Median :149.0 Median :162.0
## Mean :1.995 Mean :154.3 Mean :236.8
## 3rd Qu.:2.000 3rd Qu.:182.0 3rd Qu.:432.0
## Max. :4.000 Max. :450.0 Max. :432.0
## NA's :3299
## engine
## Length:3322
## Class :character
## Mode :character
##
##
##
## str(planes)## tibble [3,322 × 9] (S3: tbl_df/tbl/data.frame)
## $ tailnum : chr [1:3322] "N10156" "N102UW" "N103US" "N104UW" ...
## $ year : int [1:3322] 2004 1998 1999 1999 2002 1999 1999 1999 1999 1999 ...
## $ type : chr [1:3322] "Fixed wing multi engine" "Fixed wing multi engine" "Fixed wing multi engine" "Fixed wing multi engine" ...
## $ manufacturer: chr [1:3322] "EMBRAER" "AIRBUS INDUSTRIE" "AIRBUS INDUSTRIE" "AIRBUS INDUSTRIE" ...
## $ model : chr [1:3322] "EMB-145XR" "A320-214" "A320-214" "A320-214" ...
## $ engines : int [1:3322] 2 2 2 2 2 2 2 2 2 2 ...
## $ seats : int [1:3322] 55 182 182 182 55 182 182 182 182 182 ...
## $ speed : int [1:3322] NA NA NA NA NA NA NA NA NA NA ...
## $ engine : chr [1:3322] "Turbo-fan" "Turbo-fan" "Turbo-fan" "Turbo-fan" ...data(planes)
ncol(planes)## [1] 9nrow(planes)## [1] 3322dim(planes)## [1] 3322 9head(planes)## # A tibble: 6 × 9
## tailnum year type manuf…¹ model engines seats speed engine
## <chr> <int> <chr> <chr> <chr> <int> <int> <int> <chr>
## 1 N10156 2004 Fixed wing multi engine EMBRAER EMB-… 2 55 NA Turbo…
## 2 N102UW 1998 Fixed wing multi engine AIRBUS… A320… 2 182 NA Turbo…
## 3 N103US 1999 Fixed wing multi engine AIRBUS… A320… 2 182 NA Turbo…
## 4 N104UW 1999 Fixed wing multi engine AIRBUS… A320… 2 182 NA Turbo…
## 5 N10575 2002 Fixed wing multi engine EMBRAER EMB-… 2 55 NA Turbo…
## 6 N105UW 1999 Fixed wing multi engine AIRBUS… A320… 2 182 NA Turbo…
## # … with abbreviated variable name ¹manufacturertail(planes) ## # A tibble: 6 × 9
## tailnum year type manuf…¹ model engines seats speed engine
## <chr> <int> <chr> <chr> <chr> <int> <int> <int> <chr>
## 1 N996DL 1991 Fixed wing multi engine MCDONN… MD-88 2 142 NA Turbo…
## 2 N997AT 2002 Fixed wing multi engine BOEING 717-… 2 100 NA Turbo…
## 3 N997DL 1992 Fixed wing multi engine MCDONN… MD-88 2 142 NA Turbo…
## 4 N998AT 2002 Fixed wing multi engine BOEING 717-… 2 100 NA Turbo…
## 5 N998DL 1992 Fixed wing multi engine MCDONN… MD-88 2 142 NA Turbo…
## 6 N999DN 1992 Fixed wing multi engine MCDONN… MD-88 2 142 NA Turbo…
## # … with abbreviated variable name ¹manufacturerBase de Datos 5 - Weather
summary(weather)## origin year month day
## Length:26115 Min. :2013 Min. : 1.000 Min. : 1.00
## Class :character 1st Qu.:2013 1st Qu.: 4.000 1st Qu.: 8.00
## Mode :character Median :2013 Median : 7.000 Median :16.00
## Mean :2013 Mean : 6.504 Mean :15.68
## 3rd Qu.:2013 3rd Qu.: 9.000 3rd Qu.:23.00
## Max. :2013 Max. :12.000 Max. :31.00
##
## hour temp dewp humid
## Min. : 0.00 Min. : 10.94 Min. :-9.94 Min. : 12.74
## 1st Qu.: 6.00 1st Qu.: 39.92 1st Qu.:26.06 1st Qu.: 47.05
## Median :11.00 Median : 55.40 Median :42.08 Median : 61.79
## Mean :11.49 Mean : 55.26 Mean :41.44 Mean : 62.53
## 3rd Qu.:17.00 3rd Qu.: 69.98 3rd Qu.:57.92 3rd Qu.: 78.79
## Max. :23.00 Max. :100.04 Max. :78.08 Max. :100.00
## NA's :1 NA's :1 NA's :1
## wind_dir wind_speed wind_gust precip
## Min. : 0.0 Min. : 0.000 Min. :16.11 Min. :0.000000
## 1st Qu.:120.0 1st Qu.: 6.905 1st Qu.:20.71 1st Qu.:0.000000
## Median :220.0 Median : 10.357 Median :24.17 Median :0.000000
## Mean :199.8 Mean : 10.518 Mean :25.49 Mean :0.004469
## 3rd Qu.:290.0 3rd Qu.: 13.809 3rd Qu.:28.77 3rd Qu.:0.000000
## Max. :360.0 Max. :1048.361 Max. :66.75 Max. :1.210000
## NA's :460 NA's :4 NA's :20778
## pressure visib time_hour
## Min. : 983.8 Min. : 0.000 Min. :2013-01-01 01:00:00.0
## 1st Qu.:1012.9 1st Qu.:10.000 1st Qu.:2013-04-01 21:30:00.0
## Median :1017.6 Median :10.000 Median :2013-07-01 14:00:00.0
## Mean :1017.9 Mean : 9.255 Mean :2013-07-01 18:26:37.7
## 3rd Qu.:1023.0 3rd Qu.:10.000 3rd Qu.:2013-09-30 13:00:00.0
## Max. :1042.1 Max. :10.000 Max. :2013-12-30 18:00:00.0
## NA's :2729str(weather)## tibble [26,115 × 15] (S3: tbl_df/tbl/data.frame)
## $ origin : chr [1:26115] "EWR" "EWR" "EWR" "EWR" ...
## $ year : int [1:26115] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
## $ month : int [1:26115] 1 1 1 1 1 1 1 1 1 1 ...
## $ day : int [1:26115] 1 1 1 1 1 1 1 1 1 1 ...
## $ hour : int [1:26115] 1 2 3 4 5 6 7 8 9 10 ...
## $ temp : num [1:26115] 39 39 39 39.9 39 ...
## $ dewp : num [1:26115] 26.1 27 28 28 28 ...
## $ humid : num [1:26115] 59.4 61.6 64.4 62.2 64.4 ...
## $ wind_dir : num [1:26115] 270 250 240 250 260 240 240 250 260 260 ...
## $ wind_speed: num [1:26115] 10.36 8.06 11.51 12.66 12.66 ...
## $ wind_gust : num [1:26115] NA NA NA NA NA NA NA NA NA NA ...
## $ precip : num [1:26115] 0 0 0 0 0 0 0 0 0 0 ...
## $ pressure : num [1:26115] 1012 1012 1012 1012 1012 ...
## $ visib : num [1:26115] 10 10 10 10 10 10 10 10 10 10 ...
## $ time_hour : POSIXct[1:26115], format: "2013-01-01 01:00:00" "2013-01-01 02:00:00" ...data(weather)
ncol(weather)## [1] 15nrow(weather)## [1] 26115dim(weather)## [1] 26115 15head(weather)## # A tibble: 6 × 15
## origin year month day hour temp dewp humid wind_dir wind_speed wind_gust
## <chr> <int> <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 EWR 2013 1 1 1 39.0 26.1 59.4 270 10.4 NA
## 2 EWR 2013 1 1 2 39.0 27.0 61.6 250 8.06 NA
## 3 EWR 2013 1 1 3 39.0 28.0 64.4 240 11.5 NA
## 4 EWR 2013 1 1 4 39.9 28.0 62.2 250 12.7 NA
## 5 EWR 2013 1 1 5 39.0 28.0 64.4 260 12.7 NA
## 6 EWR 2013 1 1 6 37.9 28.0 67.2 240 11.5 NA
## # … with 4 more variables: precip <dbl>, pressure <dbl>, visib <dbl>,
## # time_hour <dttm>tail(weather) ## # A tibble: 6 × 15
## origin year month day hour temp dewp humid wind_dir wind_speed wind_gust
## <chr> <int> <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 LGA 2013 12 30 13 37.0 21.9 54.0 340 17.3 20.7
## 2 LGA 2013 12 30 14 36.0 19.9 51.8 340 13.8 21.9
## 3 LGA 2013 12 30 15 34.0 17.1 49.5 330 17.3 21.9
## 4 LGA 2013 12 30 16 32 15.1 49.2 340 15.0 23.0
## 5 LGA 2013 12 30 17 30.9 12.9 46.7 320 17.3 NA
## 6 LGA 2013 12 30 18 28.9 10.9 46.4 330 18.4 NA
## # … with 4 more variables: precip <dbl>, pressure <dbl>, visib <dbl>,
## # time_hour <dttm>Identifica los diferentes tipos de datos y explica en qué consiste cada uno de ellos y cuál es la diferencia entre uno y otro, incluyendo los siguientes tipos de datos: int, dbl, chr, dttm.
- integer
contiene enteros, por ejemplo: year. - double
contiene números reales, por ejemplo: lat . - data time
contiene fecha y tiempo, por ejemplo: time_hour - character
contiene texto, por ejemplo: carrier.
Hallazgos.
Mediante la exploración de datos podemos identificar las principales variables de los Dataframes y sus tipos. Podemos observar si hay algunas variables con NA o si tenemos preguntas para aclarar antes de la manipulación.
Manipulación de datos
Se te ha solicitado consultar cuáles son las aerolíneas de mayor tráfico aéreo en origen y destino. Cuentas con un data frame llamado flights que contiene toda la información de los vuelos de todos los aeropuertos de New York.
Para lograrlo considera las funciones sugeridas en los siguientes pasos:
Consulta el data frame flights para recordar su contenido.
# View(flights)Encuentra los datos descriptivos del data frame flights. Identifica la media de las distancias recorridas en millas.
summary(flights)## year month day dep_time sched_dep_time
## Min. :2013 Min. : 1.000 Min. : 1.00 Min. : 1 Min. : 106
## 1st Qu.:2013 1st Qu.: 4.000 1st Qu.: 8.00 1st Qu.: 907 1st Qu.: 906
## Median :2013 Median : 7.000 Median :16.00 Median :1401 Median :1359
## Mean :2013 Mean : 6.549 Mean :15.71 Mean :1349 Mean :1344
## 3rd Qu.:2013 3rd Qu.:10.000 3rd Qu.:23.00 3rd Qu.:1744 3rd Qu.:1729
## Max. :2013 Max. :12.000 Max. :31.00 Max. :2400 Max. :2359
## NA's :8255
## dep_delay arr_time sched_arr_time arr_delay
## Min. : -43.00 Min. : 1 Min. : 1 Min. : -86.000
## 1st Qu.: -5.00 1st Qu.:1104 1st Qu.:1124 1st Qu.: -17.000
## Median : -2.00 Median :1535 Median :1556 Median : -5.000
## Mean : 12.64 Mean :1502 Mean :1536 Mean : 6.895
## 3rd Qu.: 11.00 3rd Qu.:1940 3rd Qu.:1945 3rd Qu.: 14.000
## Max. :1301.00 Max. :2400 Max. :2359 Max. :1272.000
## NA's :8255 NA's :8713 NA's :9430
## carrier flight tailnum origin
## Length:336776 Min. : 1 Length:336776 Length:336776
## Class :character 1st Qu.: 553 Class :character Class :character
## Mode :character Median :1496 Mode :character Mode :character
## Mean :1972
## 3rd Qu.:3465
## Max. :8500
##
## dest air_time distance hour
## Length:336776 Min. : 20.0 Min. : 17 Min. : 1.00
## Class :character 1st Qu.: 82.0 1st Qu.: 502 1st Qu.: 9.00
## Mode :character Median :129.0 Median : 872 Median :13.00
## Mean :150.7 Mean :1040 Mean :13.18
## 3rd Qu.:192.0 3rd Qu.:1389 3rd Qu.:17.00
## Max. :695.0 Max. :4983 Max. :23.00
## NA's :9430
## minute time_hour
## Min. : 0.00 Min. :2013-01-01 05:00:00.00
## 1st Qu.: 8.00 1st Qu.:2013-04-04 13:00:00.00
## Median :29.00 Median :2013-07-03 10:00:00.00
## Mean :26.23 Mean :2013-07-03 05:22:54.64
## 3rd Qu.:44.00 3rd Qu.:2013-10-01 07:00:00.00
## Max. :59.00 Max. :2013-12-31 23:00:00.00
## Define un criterio para encontrar las aerolíneas que han recorrido más distancia (en millas) y crea un nuevo data frame que filtre solamente a las aeorlíneas que han recorrido una distancia superior a la media, se desean ver los campos carrier, distance, origin, dest en forma descendente por distance.
library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionmas_distancia <- select(flights,carrier, distance, origin, dest)
head(mas_distancia)## # A tibble: 6 × 4
## carrier distance origin dest
## <chr> <dbl> <chr> <chr>
## 1 UA 1400 EWR IAH
## 2 UA 1416 LGA IAH
## 3 AA 1089 JFK MIA
## 4 B6 1576 JFK BQN
## 5 DL 762 LGA ATL
## 6 UA 719 EWR ORDmayor_media <- filter(mas_distancia, distance > 1040)
head(mayor_media)## # A tibble: 6 × 4
## carrier distance origin dest
## <chr> <dbl> <chr> <chr>
## 1 UA 1400 EWR IAH
## 2 UA 1416 LGA IAH
## 3 AA 1089 JFK MIA
## 4 B6 1576 JFK BQN
## 5 B6 1065 EWR FLL
## 6 UA 2475 JFK LAXorden <- arrange(mayor_media,desc(distance))
head(orden)## # A tibble: 6 × 4
## carrier distance origin dest
## <chr> <dbl> <chr> <chr>
## 1 HA 4983 JFK HNL
## 2 HA 4983 JFK HNL
## 3 HA 4983 JFK HNL
## 4 HA 4983 JFK HNL
## 5 HA 4983 JFK HNL
## 6 HA 4983 JFK HNLcount(orden, carrier, sort=TRUE)## # A tibble: 13 × 2
## carrier n
## <chr> <int>
## 1 UA 39294
## 2 B6 24426
## 3 AA 23190
## 4 DL 21637
## 5 VX 5162
## 6 EV 3991
## 7 WN 3832
## 8 US 2271
## 9 9E 1377
## 10 MQ 744
## 11 AS 714
## 12 F9 685
## 13 HA 342Encuentra la suma y la media de las distancias recorridas por carrier, elimina los NA’S e interpreta que significa la suma y la media de las distancias recorridas
distancias <- orden %>% group_by(carrier, origin, distance) %>%
summarize(suma_distancias=sum(distance, na.rm=TRUE), promedio_distancia= mean(distance, na.rm=TRUE))## `summarise()` has grouped output by 'carrier', 'origin'. You can override using
## the `.groups` argument.distancias## # A tibble: 150 × 5
## # Groups: carrier, origin [26]
## carrier origin distance suma_distancias promedio_distancia
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 9E JFK 1113 307188 1113
## 2 9E JFK 1182 515352 1182
## 3 9E JFK 1391 507715 1391
## 4 9E JFK 1521 3042 1521
## 5 9E JFK 1587 84111 1587
## 6 9E LGA 1047 81666 1047
## 7 9E LGA 1080 72360 1080
## 8 9E LGA 1107 94095 1107
## 9 9E LGA 1183 1183 1183
## 10 9E LGA 1389 19446 1389
## # … with 140 more rowsOrdena en forma descendente por distancia recorrida
distancias_orden <- arrange(distancias, desc(suma_distancias))
head(distancias_orden)## # A tibble: 6 × 5
## # Groups: carrier, origin [5]
## carrier origin distance suma_distancias promedio_distancia
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 UA EWR 2565 11142360 2565
## 2 UA EWR 2454 9236856 2454
## 3 AA JFK 2475 7962075 2475
## 4 AA LGA 1389 6717204 1389
## 5 UA JFK 2586 6400350 2586
## 6 DL JFK 2475 6189975 2475Observa tus resultados de la última tabla y agrega tus interpretaciones.
En la tabla anterior se puede observar las distancias recorridas de forma descendiente de las diferentes aerolíneas a cada destino.
La aerolínea con mayor distancia recorrida es “UA, United Airlines” del aeropuerto EWR con un promedio recorrido de 2,565 millas y con un total de distancia de 11,142,360 millas en el tiempo establecido.
Identifica si las aerolíneas líderes son las mismas en los tres aeropuertos cuyo origen es Nueva York ( John F. Kennedy (JFK), LaGuardia (LGA) and Newark Liberty (EWR) ).Genera un data frame para cada aeropuerto
John F. Kennedy (JFK)
JFK <- distancias_orden %>%
filter(origin== "JFK")
JFK## # A tibble: 69 × 5
## # Groups: carrier, origin [8]
## carrier origin distance suma_distancias promedio_distancia
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 AA JFK 2475 7962075 2475
## 2 UA JFK 2586 6400350 2586
## 3 DL JFK 2475 6189975 2475
## 4 UA JFK 2475 5096025 2475
## 5 DL JFK 2586 4804788 2586
## 6 VX JFK 2475 4447575 2475
## 7 B6 JFK 2475 4177800 2475
## 8 DL JFK 2248 3760904 2248
## 9 B6 JFK 1598 3758496 1598
## 10 AA JFK 2586 3677292 2586
## # … with 59 more rowsLGA <- distancias_orden %>%
filter(origin== "LGA")
LGA## # A tibble: 31 × 5
## # Groups: carrier, origin [9]
## carrier origin distance suma_distancias promedio_distancia
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 AA LGA 1389 6717204 1389
## 2 AA LGA 1096 4323720 1096
## 3 UA LGA 1416 4178616 1416
## 4 UA LGA 1620 2634120 1620
## 5 B6 LGA 1076 2354288 1076
## 6 DL LGA 1096 2012256 1096
## 7 DL LGA 1076 1958320 1076
## 8 DL LGA 1183 1192464 1183
## 9 WN LGA 1620 1158300 1620
## 10 F9 LGA 1620 1109700 1620
## # … with 21 more rowsEWR <- distancias_orden %>%
filter(origin== "EWR")
EWR## # A tibble: 50 × 5
## # Groups: carrier, origin [9]
## carrier origin distance suma_distancias promedio_distancia
## <chr> <chr> <dbl> <dbl> <dbl>
## 1 UA EWR 2565 11142360 2565
## 2 UA EWR 2454 9236856 2454
## 3 UA EWR 1400 5562200 1400
## 4 UA EWR 2227 4476270 2227
## 5 UA EWR 1605 3482850 1605
## 6 UA EWR 2434 3397864 2434
## 7 AA EWR 1372 2818088 1372
## 8 UA EWR 2425 2749950 2425
## 9 UA EWR 2402 2683034 2402
## 10 UA EWR 1065 2563455 1065
## # … with 40 more rowsLas aerolíneas líderes no son las mismas en cada aeropuerto, dependiendo de las necesidades de los pasajeros,así como las conexiones, esto se debe a diferentes factores por ejemplo:
En JFK (el aeropuerto más grande de Estados Unidos) los trámites migratorios actualmente son más rápidos gracias a la automatización (hay kioskos donde uno mismo escanea su pasaporte y huellas), pero también pueden ser terriblemente lentos si su llegada coincide con muchos vuelos. El ingreso por JFK podría demorar entre media y dos horas. Lo bueno, es que tiene tiene muchos transportes disponibles, incluyendo el Airtrain + metro a solo 10.75 dólares.
Por otra parte, el Aeropuerto Newark en New Jersey está más lejos y el transporte a Manhattan sale más caro, pero muchas veces hay ofertas en vuelos y podría salir más barato para los clientes.
El Aeropuerto LaGuardia es el terminal de vuelos domésticos o nacionales de Nueva York (con algunas excepciones). Como algunos pasajeros llegan a NYC haciendo conexiones, es común aterrizar en LGA. Y si vuelan a Nueva York desde otra ciudad de Estados Unidos lo más probable es que LaGuardia sea su aeropuerto.
Hablando en temas de los datos obtenidos, se puede ver que efectivamente las aerolíneas líderes no son las mismas en cada aeropuerto. En el aeropuerto JFK la aerolínea líder es: American Airlines con 7,962,075 millas recorridas, en el aeropuerto LGA la aerolínea líder es: American Airlines con 6,717,204 millas recorridas y finalmente en el aeropuerto EWR la aerolínea líder es: United Airlines con 11,142,360 millas recorridas.
(NEWYORKANDO 2023)
Conclusiones
Con la información presentada anteriormente y con las funciones utilizadas en RStudio, se pudo obtener datos estadísticos sobre los 3 diferentes aeropuertos de Nueva York, para poder ver en qué aspectos son diferentes o qué variables afectan las llegadas a los distintos aeropuertos. Se pudo observar las aerolíneas, datos precisos sobre cada una de ellas, información sobre vuelos, tiempos de llegada, salida, etc. Como vimos también las aerolíneas líderes cambian dependiendo del aeropuerto al que llegan, debido a las diferentes necesidades de los pasajeros así como cercanía y facilidades para trámites importantes, como los de migración.
Bibliografía
Wickham, H. and Grolemund, G. (2017) R for Data Science: Import, Tidy, Transform, Visualize, and Model Data O’Reilly Media: Sebastopol, California.
Nycflights13 v1.0.0 https://www.rdocumentation.org/packages/nycflights13/versions/1.0.0
Aeropuerto LaGuardia [Traslados económicos, Bus, Metro]. (2023, February 27). Retrieved March 14, 2023, from Nueva York website: https://www.newyorkando.com/como-llegar-del-aeropuerto-la-guardia-a-nueva-york/
Aeropuertos de Nueva York [JFK, LaGuardia y Newark]. (2023, February 27). Retrieved March 14, 2023, from Nueva York website: https://www.newyorkando.com/del-aeropuerto-a-la-ciudad/
---
title: "Situación Problema 1"
author: "Mariana Leal López A01570977"
date: "2023-02-14"
output: 
  html_document:
    toc: TRUE
    toc_float: TRUE
    code_download: TRUE
---
![](/Users/Mariana/Desktop/cabecera_avionPE.png)



## Situación Problema
¿Cómo mejorar la posición competitiva de una de las aerolíneas líderes en los aeropuertos de Nueva York?

### Exploración 
Te estás iniciando en la industria de la aviación, es importante y necesario que conozcas la base de datos del sistema administrativo del aeropuerto y para ello tendrás que explorarla e identificar las variables que la forman y sus tipos. El análisis exploratorio deberá incluir algunos resultados descriptivos.  

La base de datos se encuentra en el paquete.  library(nycflights13) y está formada por 5 data frames.  

```{r}
library(nycflights13)
```

Necesitas consultar para cada data frame de la base de datos. 


**¿Cuáles son los campos y sus tipos de datos?**

Base de Datos 1 - Airlines
```{r}
summary(airlines)
str(airlines)
data(airlines)
ncol(airlines)
nrow(airlines)
dim(airlines)
head(airlines)
tail(airlines) 
```

Base de Datos 2 - Airports
```{r}
summary(airports)
str(airports)
data(airports)
ncol(airports)
nrow(airports)
dim(airports)
head(airports)
tail(airports) 
```

Base de Datos 3 - Flights
```{r}
summary(flights)
str(flights)
data(flights)
ncol(flights)
nrow(flights)
dim(flights)
head(flights)
tail(flights) 
```

Base de Datos 4 - Planes
```{r}
summary(planes)
str(planes)
data(planes)
ncol(planes)
nrow(planes)
dim(planes)
head(planes)
tail(planes) 
```

Base de Datos 5 - Weather
```{r}
summary(weather)
str(weather)
data(weather)
ncol(weather)
nrow(weather)
dim(weather)
head(weather)
tail(weather) 

```

**Identifica los diferentes tipos de datos y explica en qué consiste cada uno de ellos y cuál es la diferencia entre uno y otro, incluyendo los siguientes tipos de datos: int, dbl, chr, dttm.**

* integer  <int> contiene enteros, por ejemplo: year. 
* double  <dbl> contiene números reales, por ejemplo: lat .
* data time <dttm> contiene fecha y tiempo, por ejemplo: time_hour 
* character <chr> contiene texto, por ejemplo:  carrier.

**Hallazgos**. 

Mediante la exploración de datos podemos identificar las principales variables de los *Dataframes* y sus tipos. Podemos observar si hay algunas variables con NA o si tenemos preguntas para aclarar antes de la manipulación. 


### Manipulación de datos
Se te ha solicitado consultar cuáles son las aerolíneas de mayor tráfico aéreo en origen y destino. Cuentas con un data frame llamado flights que contiene toda la información de los vuelos de todos los aeropuertos de New York. 

Para lograrlo considera las funciones sugeridas en los siguientes pasos:

**Consulta el data frame flights para recordar su contenido.**

```{r}
# View(flights)
```

**Encuentra los datos descriptivos del data frame flights. Identifica la media de las distancias recorridas en millas.**

```{r}
summary(flights)
```

**Define un criterio para encontrar las aerolíneas que han recorrido más distancia (en millas) y crea un nuevo data frame que filtre solamente a las aeorlíneas que han recorrido una distancia superior a la media, se desean ver los campos carrier, distance, origin, dest en forma descendente por distance.**

```{r}
library(dplyr)
mas_distancia <- select(flights,carrier, distance, origin, dest)
head(mas_distancia)
mayor_media <- filter(mas_distancia, distance > 1040)
head(mayor_media)
orden <- arrange(mayor_media,desc(distance))
head(orden)
count(orden, carrier, sort=TRUE)
```

**Encuentra la suma y la media de las distancias recorridas por carrier, elimina los NA’S  e interpreta que significa la suma y la media de las distancias recorridas**
```{r}
distancias <- orden %>% group_by(carrier, origin, distance)  %>%
  summarize(suma_distancias=sum(distance, na.rm=TRUE), promedio_distancia= mean(distance, na.rm=TRUE))
distancias
```
**Ordena en forma descendente por distancia recorrida**
```{r}
distancias_orden <- arrange(distancias, desc(suma_distancias))
head(distancias_orden)
```

**Observa tus resultados de la última tabla y agrega tus interpretaciones.**

En la tabla anterior se puede observar las distancias recorridas de forma descendiente de las diferentes aerolíneas a cada destino.

La aerolínea con mayor distancia recorrida es "UA, United Airlines" del aeropuerto EWR con un promedio recorrido de 2,565 millas y con un total de distancia de 11,142,360 millas en el tiempo establecido. 

**Identifica si las aerolíneas líderes son las mismas en los tres aeropuertos cuyo origen es Nueva York ( John F. Kennedy (JFK), LaGuardia (LGA) and Newark Liberty  (EWR) ).Genera un data frame  para cada aeropuerto**

John F. Kennedy (JFK)
```{r}
JFK <- distancias_orden %>% 
  filter(origin== "JFK") 

JFK

LGA <- distancias_orden %>% 
  filter(origin== "LGA") 
LGA

EWR <- distancias_orden %>% 
  filter(origin== "EWR") 
EWR
        
```

Las aerolíneas líderes no son las mismas en cada aeropuerto, dependiendo de las necesidades de los pasajeros,así como las conexiones,  esto se debe a diferentes factores por ejemplo:

En JFK (el aeropuerto más grande de Estados Unidos) los trámites migratorios actualmente son más rápidos gracias a la automatización (hay kioskos donde uno mismo escanea su pasaporte y huellas), pero también pueden ser terriblemente lentos si su llegada coincide con muchos vuelos. El ingreso por JFK podría demorar entre media y dos horas. Lo bueno, es que tiene tiene muchos transportes disponibles, incluyendo el Airtrain + metro a solo 10.75 dólares.


Por otra parte, el Aeropuerto Newark en New Jersey está más lejos y el transporte a Manhattan sale más caro, pero muchas veces hay ofertas en vuelos y podría salir más barato para los clientes.

El Aeropuerto LaGuardia es el terminal de vuelos domésticos o nacionales de Nueva York (con algunas excepciones). Como algunos pasajeros llegan a NYC haciendo conexiones, es común aterrizar en LGA. Y si vuelan a Nueva York desde otra ciudad de Estados Unidos lo más probable es que LaGuardia sea su aeropuerto.

Hablando en temas de los datos obtenidos, se puede ver que efectivamente las aerolíneas líderes no son las mismas en cada aeropuerto. En el aeropuerto JFK la aerolínea líder es: American Airlines con 7,962,075 millas recorridas, en el aeropuerto LGA la aerolínea líder es: American Airlines con 6,717,204 millas recorridas y finalmente en el aeropuerto EWR la aerolínea líder es: United Airlines con 11,142,360  millas recorridas.


(NEWYORKANDO 2023)

### Conclusiones

Con la información presentada anteriormente y con las funciones utilizadas en RStudio, se pudo obtener datos estadísticos sobre los 3 diferentes aeropuertos de Nueva York, para poder ver en qué aspectos son diferentes o qué variables afectan las llegadas a los distintos aeropuertos. Se pudo observar las aerolíneas, datos precisos sobre cada una de ellas, información sobre vuelos, tiempos de llegada, salida, etc. Como vimos también las aerolíneas líderes cambian dependiendo del aeropuerto al que llegan, debido a las diferentes necesidades de los pasajeros así como cercanía y facilidades para trámites importantes, como los de migración.

### Bibliografía

Wickham, H. and Grolemund, G. (2017) R for Data Science: Import, Tidy, Transform, Visualize, and Model Data O’Reilly Media: Sebastopol, California.  

Nycflights13 v1.0.0 https://www.rdocumentation.org/packages/nycflights13/versions/1.0.0 

Aeropuerto LaGuardia [Traslados económicos, Bus, Metro]. (2023, February 27). Retrieved March 14, 2023, from Nueva York website: https://www.newyorkando.com/como-llegar-del-aeropuerto-la-guardia-a-nueva-york/

Aeropuertos de Nueva York [JFK, LaGuardia y Newark]. (2023, February 27). Retrieved March 14, 2023, from Nueva York website: https://www.newyorkando.com/del-aeropuerto-a-la-ciudad/

‌

