UNIVERSIDAD CENTRAL DEL ECUADOR

FACULTAD DE CIENCIAS ECONÓMICAS

INGENIERIA EN ESTADÍSTICA

GRUPO 2

APLICANDO LOS CONOCIMIENTOS DE RSTUDIO

En este documento se presentan los ejercicios resuletos del taller #10 haciendo uso de rmarkdown

AUTORES

Almachi Lesli
Guamán Cristhian
Salcedo Sandy
Sasig Jervis

COLABORACIÓN

Profesor: Francisco Valverde (PhD en informática)

TALLER 10: EJERCICIOS

DATOS

-Utilizando la base de datos interna mtcars, resolver los siguientes enunciados:

EJERCICIO 1

-Seleccionamos las 3 primeras columnas del dataset mtcars y mostramos la cabecera

a3<-head(select(mtcars, 1:3))
a3

##                    mpg cyl disp
## Mazda RX4         21.0   6  160
## Mazda RX4 Wag     21.0   6  160
## Datsun 710        22.8   4  108
## Hornet 4 Drive    21.4   6  258
## Hornet Sportabout 18.7   8  360
## Valiant           18.1   6  225

EJERCICIO 2

-Utiliza la ayuda ?select_helpers para que observes el resultado

?select_helpers

## starting httpd help server ... done

# << ?select_helpers: Permite observar la funcion select >>
# << con mas detalles en Help,en pocas palabras, nos     >>
# << muestra todas las herramientas de la función select.>>

EJERCICIO 3

-Seleccionar las columnas que empiezan por d

head(select(mtcars,starts_with("d")))

##                   disp drat
## Mazda RX4          160 3.90
## Mazda RX4 Wag      160 3.90
## Datsun 710         108 3.85
## Hornet 4 Drive     258 3.08
## Hornet Sportabout  360 3.15
## Valiant            225 2.76

EJERCICIO 4

-Seleccionar las columnas que terminan por p

head(select(mtcars, ends_with("p")))

##                   disp  hp
## Mazda RX4          160 110
## Mazda RX4 Wag      160 110
## Datsun 710         108  93
## Hornet 4 Drive     258 110
## Hornet Sportabout  360 175
## Valiant            225 105

EJERCICIO 5

-head(select( mtcars, -drat, -am )) (Explica que resultado obtienes ?):

head(select(mtcars,-drat,-am))

##                    mpg cyl disp  hp    wt  qsec vs gear carb
## Mazda RX4         21.0   6  160 110 2.620 16.46  0    4    4
## Mazda RX4 Wag     21.0   6  160 110 2.875 17.02  0    4    4
## Datsun 710        22.8   4  108  93 2.320 18.61  1    4    1
## Hornet 4 Drive    21.4   6  258 110 3.215 19.44  1    3    1
## Hornet Sportabout 18.7   8  360 175 3.440 17.02  0    3    2
## Valiant           18.1   6  225 105 3.460 20.22  1    3    1

#EXPLICACION #Selecciona todas las columnas de mtcars, sin embargo, las columnas:
#drat y am quedan excluidas debido al signo menos.

EJERCICIO 6

-head(select( mtcars, contains( “a” ) )) (Explica que resultado obtienes ?):

head(select(mtcars,contains("a")))

##                   drat am gear carb
## Mazda RX4         3.90  1    4    4
## Mazda RX4 Wag     3.90  1    4    4
## Datsun 710        3.85  1    4    1
## Hornet 4 Drive    3.08  0    3    1
## Hornet Sportabout 3.15  0    3    2
## Valiant           2.76  0    3    1

EJERCICIO 7

-head(filter( mtcars, mpg > 20, gear == 4)) (Explica que resultado obtienes ?)

head(filter( mtcars, mpg > 20, gear == 4))

##                mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4     21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag 21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710    22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Merc 240D     24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Merc 230      22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Fiat 128      32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1

#EXPLICACION: Selecciona las columnas de mtcars, que cumplan con de condicion de:
#cuando su mpg es mayor a 20 y el engranaje sea igual a 4.

EJERCICIO 8

-Seleccionar los sujetos con tipo de transmisión (am) 1 que, además, tienen 6 cilindros o menos

filter(mtcars, am == 1 & cyl <= 6)

##                 mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Mazda RX4      21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag  21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Datsun 710     22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Fiat 128       32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Honda Civic    30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Toyota Corolla 33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Fiat X1-9      27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Porsche 914-2  26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Lotus Europa   30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Ferrari Dino   19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Volvo 142E     21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2

EJERCICIO 9

-Seleccionar los sujetos que bien consumen menos de 21 mpg o bien tienen menos de 3 carburantes (carb) y menos de 4 engranajes (gear)

 filter(mtcars, mpg < 21 | carb < 3 & gear < 4)

##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8

EJERCICIO 10

-Ordena por cilindrada (cyl) y por desplazamiento (disp)

 arrange(mtcars, cyl, disp)

##                      mpg cyl  disp  hp drat    wt  qsec vs am gear carb
## Toyota Corolla      33.9   4  71.1  65 4.22 1.835 19.90  1  1    4    1
## Honda Civic         30.4   4  75.7  52 4.93 1.615 18.52  1  1    4    2
## Fiat 128            32.4   4  78.7  66 4.08 2.200 19.47  1  1    4    1
## Fiat X1-9           27.3   4  79.0  66 4.08 1.935 18.90  1  1    4    1
## Lotus Europa        30.4   4  95.1 113 3.77 1.513 16.90  1  1    5    2
## Datsun 710          22.8   4 108.0  93 3.85 2.320 18.61  1  1    4    1
## Toyota Corona       21.5   4 120.1  97 3.70 2.465 20.01  1  0    3    1
## Porsche 914-2       26.0   4 120.3  91 4.43 2.140 16.70  0  1    5    2
## Volvo 142E          21.4   4 121.0 109 4.11 2.780 18.60  1  1    4    2
## Merc 230            22.8   4 140.8  95 3.92 3.150 22.90  1  0    4    2
## Merc 240D           24.4   4 146.7  62 3.69 3.190 20.00  1  0    4    2
## Ferrari Dino        19.7   6 145.0 175 3.62 2.770 15.50  0  1    5    6
## Mazda RX4           21.0   6 160.0 110 3.90 2.620 16.46  0  1    4    4
## Mazda RX4 Wag       21.0   6 160.0 110 3.90 2.875 17.02  0  1    4    4
## Merc 280            19.2   6 167.6 123 3.92 3.440 18.30  1  0    4    4
## Merc 280C           17.8   6 167.6 123 3.92 3.440 18.90  1  0    4    4
## Valiant             18.1   6 225.0 105 2.76 3.460 20.22  1  0    3    1
## Hornet 4 Drive      21.4   6 258.0 110 3.08 3.215 19.44  1  0    3    1
## Merc 450SE          16.4   8 275.8 180 3.07 4.070 17.40  0  0    3    3
## Merc 450SL          17.3   8 275.8 180 3.07 3.730 17.60  0  0    3    3
## Merc 450SLC         15.2   8 275.8 180 3.07 3.780 18.00  0  0    3    3
## Maserati Bora       15.0   8 301.0 335 3.54 3.570 14.60  0  1    5    8
## AMC Javelin         15.2   8 304.0 150 3.15 3.435 17.30  0  0    3    2
## Dodge Challenger    15.5   8 318.0 150 2.76 3.520 16.87  0  0    3    2
## Camaro Z28          13.3   8 350.0 245 3.73 3.840 15.41  0  0    3    4
## Ford Pantera L      15.8   8 351.0 264 4.22 3.170 14.50  0  1    5    4
## Hornet Sportabout   18.7   8 360.0 175 3.15 3.440 17.02  0  0    3    2
## Duster 360          14.3   8 360.0 245 3.21 3.570 15.84  0  0    3    4
## Pontiac Firebird    19.2   8 400.0 175 3.08 3.845 17.05  0  0    3    2
## Chrysler Imperial   14.7   8 440.0 230 3.23 5.345 17.42  0  0    3    4
## Lincoln Continental 10.4   8 460.0 215 3.00 5.424 17.82  0  0    3    4
## Cadillac Fleetwood  10.4   8 472.0 205 2.93 5.250 17.98  0  0    3    4

EJERCICIO 11

Crea una nueva columna que indique los kilogramos que pesa el coche, sabiendo que 1 libra = 0.45 kg. La variable wt indica el peso en libras.

 mutate(mtcars, kilogramos= wt*0.45)%>%head

##                    mpg cyl disp  hp drat    wt  qsec vs am gear carb kilogramos
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4    1.17900
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4    1.29375
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1    1.04400
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1    1.44675
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2    1.54800
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1    1.55700

EJERCICIO 12

La función summarise() agrupa los valores en una tabla de acuerdo a la función que indiquemos. Calcula la media de disp usando la función summarise:

grupo_disp <- group_by(mtcars, disp)
grupo_disp

## # A tibble: 32 × 11
## # Groups:   disp [27]
##      mpg   cyl  disp    hp  drat    wt  qsec    vs    am  gear  carb
##    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
##  1  21       6  160    110  3.9   2.62  16.5     0     1     4     4
##  2  21       6  160    110  3.9   2.88  17.0     0     1     4     4
##  3  22.8     4  108     93  3.85  2.32  18.6     1     1     4     1
##  4  21.4     6  258    110  3.08  3.22  19.4     1     0     3     1
##  5  18.7     8  360    175  3.15  3.44  17.0     0     0     3     2
##  6  18.1     6  225    105  2.76  3.46  20.2     1     0     3     1
##  7  14.3     8  360    245  3.21  3.57  15.8     0     0     3     4
##  8  24.4     4  147.    62  3.69  3.19  20       1     0     4     2
##  9  22.8     4  141.    95  3.92  3.15  22.9     1     0     4     2
## 10  19.2     6  168.   123  3.92  3.44  18.3     1     0     4     4
## # ℹ 22 more rows

# Se calcula la media de disp usando la función summarise:
#summarise(grupo_disp, mean(disp))

#<< PASO 2 >>._ Tambien se puede hacer de la siguiente forma;
#mtcars%>%summarise(media_disp= mean(disp))%>%head

EJERCICIO 13

-summarise(group_by(mtcars, cyl), max = max(disp)) (Explica que resultado obtienes ?)

#<<PASO 1 >>.- Ejecutamos el código presentado
summarise(group_by(mtcars, cyl), max = max(disp))

## # A tibble: 3 × 2
##     cyl   max
##   <dbl> <dbl>
## 1     4  147.
## 2     6  258 
## 3     8  472

#<< PASO 2 >>._ Explicación: Agrupa los datos del cilindraje por su valor 
#               y obtiene el máximo de ese conjunto de datos.

EJERCICIO 14

mtcars %>% select( mpg:disp )%>% head (Explica que resultado obtienes ?)

#<< PASO 1 >>._ Ejecutamos el código presentado:

 mtcars %>% select( mpg:disp )%>%  head

##                    mpg cyl disp
## Mazda RX4         21.0   6  160
## Mazda RX4 Wag     21.0   6  160
## Datsun 710        22.8   4  108
## Hornet 4 Drive    21.4   6  258
## Hornet Sportabout 18.7   8  360
## Valiant           18.1   6  225

#<< PASO 2 >>._ Explicación: Selecciona las columnas desde mpg hasta disp 
#               y nos muestra los 6 primeros valores de esta.

EJERCICIO 15

head(select(select(mtcars, contains(“a”)), -drat, -am)) (Explica que resultado obtienes ?)

 head(select(select(mtcars, contains("a")), -drat, -am))

##                   gear carb
## Mazda RX4            4    4
## Mazda RX4 Wag        4    4
## Datsun 710           4    1
## Hornet 4 Drive       3    1
## Hornet Sportabout    3    2
## Valiant              3    1

#<< PASO 2 >>._ Explicación: Selecciona las columnas que contengan una
#               letra a en su encabezado a excepción de drat y am.

EJERCICIO 16

-Utilizando pipes ejecuta el ejercicio 15

#<< PASO 1 >>._  utilizamos la siguiente sintáxis
 mtcars %>%
  select((contains("a")), -drat, -am)

##                     gear carb
## Mazda RX4              4    4
## Mazda RX4 Wag          4    4
## Datsun 710             4    1
## Hornet 4 Drive         3    1
## Hornet Sportabout      3    2
## Valiant                3    1
## Duster 360             3    4
## Merc 240D              4    2
## Merc 230               4    2
## Merc 280               4    4
## Merc 280C              4    4
## Merc 450SE             3    3
## Merc 450SL             3    3
## Merc 450SLC            3    3
## Cadillac Fleetwood     3    4
## Lincoln Continental    3    4
## Chrysler Imperial      3    4
## Fiat 128               4    1
## Honda Civic            4    2
## Toyota Corolla         4    1
## Toyota Corona          3    1
## Dodge Challenger       3    2
## AMC Javelin            3    2
## Camaro Z28             3    4
## Pontiac Firebird       3    2
## Fiat X1-9              4    1
## Porsche 914-2          5    2
## Lotus Europa           5    2
## Ford Pantera L         5    4
## Ferrari Dino           5    6
## Maserati Bora          5    8
## Volvo 142E             4    2

#<< PASO 2 >>._ Se puede usar la siguiente sintáxis
# mtcars%>%select(contains("a"))%>%select(-drat, -am)%>%head

EJERCICIO 17

mtcars_filtered = filter(mtcars, wt > 1.5) mtcars_grouped = group_by(mtcars_filtered, cyl) summarise(mtcars_grouped, mn = mean(mpg), sd = sd(mpg)) (Explica que resultado obtienes ?)

#<< PASO 1 >>._ Ejecutamos el código presentado:
mtcars_filtered = filter(mtcars, wt > 1.5)
mtcars_grouped = group_by(mtcars_filtered, cyl)
summarise(mtcars_grouped, mn = mean(mpg), sd = sd(mpg))

## # A tibble: 3 × 3
##     cyl    mn    sd
##   <dbl> <dbl> <dbl>
## 1     4  26.7  4.51
## 2     6  19.7  1.45
## 3     8  15.1  2.56

#<< PASO 2 >>._Explicación:
#Se obtiene la media y la desviación estándar de la columna mpg,
#agrupadas según su cilindraje y siempre y cuando su wt sea mayor a 1.5.

EJERCICIO 18

-Utilizando pipes ejecuta el ejercicio 17

# %>% <- pipes
# << PASO 1 >>. utlizamos el codigo head para ver la base de datos que se utilizará
#head(mtcars)

# << PASO 2 >>. Utilizando los pipes realizamos el codigo del ejercicio 17 
 mtcars%>%
  filter(wt>1.5)%>%
  group_by(cyl)%>%
  summarise(mn=mean(mpg),sd=sd(mpg))%>%
  # << PASO 3 >>. Utilizamos el comando head para mostrar los resultados
  head

## # A tibble: 3 × 3
##     cyl    mn    sd
##   <dbl> <dbl> <dbl>
## 1     4  26.7  4.51
## 2     6  19.7  1.45
## 3     8  15.1  2.56

EJERCICIO 19

Es obligatorio utilizar las funciones del paquete dplyr y recomendable utilizar pipes %>% para los siguientes ejercicios

# Activamos la libreria dplyr para realizar los siguientes ejercicios
#library(dplyr)

EJERCICIO 20

Descarga el fichero de datos vuelos.csv situado en http://gauss.inf.um.es/datos/; en local o localiza la url donde se encuentra:

# << PASO 1 >>. buscamos el archivo vuelos.csv en el link
# << PASO 2 >>. Lo ponemos en una variable para poder usar el archivo
url<-"http://gauss.inf.um.es/datos/vuelos.csv"
head(read.csv(file = url,header = T,sep = ","))

##         date hour minute  dep  arr dep_delay arr_delay carrier flight dest
## 1 2011-01-01   14      0 1400 1500         0       -10      AA    428  DFW
## 2 2011-01-02   14      1 1401 1501         1        -9      AA    428  DFW
## 3 2011-01-03   13     52 1352 1502        -8        -8      AA    428  DFW
## 4 2011-01-04   14      3 1403 1513         3         3      AA    428  DFW
## 5 2011-01-05   14      5 1405 1507         5        -3      AA    428  DFW
## 6 2011-01-06   13     59 1359 1503        -1        -7      AA    428  DFW
##    plane cancelled time dist
## 1 N576AA         0   40  224
## 2 N557AA         0   45  224
## 3 N541AA         0   48  224
## 4 N403AA         0   39  224
## 5 N492AA         0   44  224
## 6 N262AA         0   45  224

# << PASO 3 >>. Utilizamos la función head 
#               para visualizar el archivo vuelos.csv

EJERCICIO 21

-Descarga el archivo y Guarda los datos en una variable llamada vuelos

# << PASO 1 >>. Ubicamos la dirección del archivo vuelos.csv que se va a descargar
url<-("http://gauss.inf.um.es/datos/vuelos.csv")
url

## [1] "http://gauss.inf.um.es/datos/vuelos.csv"

# << PASO 2 >>. Ponemos la dirección en donde se descargara el archivo
destino<-"C:\\Users\\PC\\Downloads\\vuelos.csv" #<- direccion donde se guardara el archivo descargado: Archivo:carpeta creada para guardar el archivo.csv
# << PASO 3 >>. Utilizando el comando download.file descargaremos el archivo
download.file(url,destino)
# << PASO 4 >>. Guardamos los datos en una variable y con el comando head visualizamos los primeros valores
vuelos<-read.csv(destino,header = T,sep = ",")
head(vuelos)

##         date hour minute  dep  arr dep_delay arr_delay carrier flight dest
## 1 2011-01-01   14      0 1400 1500         0       -10      AA    428  DFW
## 2 2011-01-02   14      1 1401 1501         1        -9      AA    428  DFW
## 3 2011-01-03   13     52 1352 1502        -8        -8      AA    428  DFW
## 4 2011-01-04   14      3 1403 1513         3         3      AA    428  DFW
## 5 2011-01-05   14      5 1405 1507         5        -3      AA    428  DFW
## 6 2011-01-06   13     59 1359 1503        -1        -7      AA    428  DFW
##    plane cancelled time dist
## 1 N576AA         0   40  224
## 2 N557AA         0   45  224
## 3 N541AA         0   48  224
## 4 N403AA         0   39  224
## 5 N492AA         0   44  224
## 6 N262AA         0   45  224

EJERCICIO 22

-Selecciona los vuelos con destino SFO u OAK utilizando las funciones del paquete dplyr. ¿Con cuantos vuelos nos quedamos?

# << PASO 1 >>. Utilizando los datos de la variable vuelos filtraremos
#los vuelos a SFO o OAK
vSFO_OAK<-(filter(vuelos,(dest=="SFO"|dest=="OAK")))
# << PASO 2 >>. Con el comando head visualizaremos los primeros casos seleccionados
 head(vSFO_OAK)

##           date hour minute  dep  arr dep_delay arr_delay carrier flight dest
## 373 2011-01-31    8     51  851 1052         1       -27      CO    170  SFO
## 389 2011-01-31   11     29 1129 1351         4         1      CO    270  SFO
## 402 2011-01-31   14     32 1432 1656         7         5      CO    370  SFO
## 436 2011-01-31   17     48 1748 2001         3        -4      CO    570  SFO
## 467 2011-01-31   21     43 2143 2338        50        24      CO    770  SFO
## 468 2011-01-31    7     29  729 1002        -1         2      CO    771  SFO
##      plane cancelled time dist
## 373 N35407         0  225 1635
## 389 N37420         0  228 1635
## 402 N27213         0  229 1635
## 436 N75436         0  236 1635
## 467 N37281         0  224 1635
## 468 N26226         0  237 1635

# nota: nos quedamos con 1121 vuelos de los dos destinos seleccionados

EJERCICIO 23

Selecciona los vuelos que se han retrasado más de una hora. ¿Cuál es el destino que más se retrasa en proporción al número de vuelos?

vuelos%>%select(dest, dep_delay)%>%
   filter(dep_delay >60)%>%
   group_by(dest)%>%
   summarise(destino_retraso= n_distinct(dep_delay))%>%head

## # A tibble: 6 × 2
##   dest  destino_retraso
##   <chr>           <int>
## 1 ABQ                28
## 2 AEX                13
## 3 AMA                11
## 4 ASE                 6
## 5 ATL               105
## 6 AUS                49

EJERCICIO 24

Encuentra 4 maneras diferentes de utilizar la función select para seleccionar las variables relacionadas con los retrasos (delay)

select(vuelos, dep_delay, arr_delay)%>%head

##   dep_delay arr_delay
## 1         0       -10
## 2         1        -9
## 3        -8        -8
## 4         3         3
## 5         5        -3
## 6        -1        -7

 select(vuelos, contains("delay"))%>%head

##   dep_delay arr_delay
## 1         0       -10
## 2         1        -9
## 3        -8        -8
## 4         3         3
## 5         5        -3
## 6        -1        -7

 vuelos%>%select(dep_delay, arr_delay)%>%head

##   dep_delay arr_delay
## 1         0       -10
## 2         1        -9
## 3        -8        -8
## 4         3         3
## 5         5        -3
## 6        -1        -7

 vuelos%>%select(6,7)%>%head

##   dep_delay arr_delay
## 1         0       -10
## 2         1        -9
## 3        -8        -8
## 4         3         3
## 5         5        -3
## 6        -1        -7

EJERCICIO 25

Agrupa los vuelos por fecha y calcula: media, mediana y cuartil 75 de los retrasos en los vuelos por hora

 vuelos%>%
   select(date, hour, dep_delay)%>%
   group_by(date)%>%
   summarise(media= mean(dep_delay, na.rm=T), 
             mediana= median(dep_delay, na.rm=T),
            cuartil_75= quantile(dep_delay, 0.75, na.rm=T))%>%head

## # A tibble: 6 × 4
##   date       media mediana cuartil_75
##   <chr>      <dbl>   <dbl>      <dbl>
## 1 2011-01-01 10.7        3       15  
## 2 2011-01-02 15.7        7       20  
## 3 2011-01-03 13.4        4       18  
## 4 2011-01-04 11.9        5       18  
## 5 2011-01-05  6.33       1        8.5
## 6 2011-01-06  5.28       0        7

EJERCICIO 26

Utilizando pipes calcula la media de retraso en los vuelos por día y hora, la cantidad de vuelos por día y hora y luego muestra solo los casos para los cuales haya más de 10

 vuelos%>%select(dep_delay, date, hour, flight)%>%
   filter(flight> 10)%>%
   group_by(date)%>%
   summarise(media_retraso= mean(dep_delay, na.rm=T),
             cantidad_vuelos_x_dia= n_distinct(flight))%>%head

## # A tibble: 6 × 3
##   date       media_retraso cantidad_vuelos_x_dia
##   <chr>              <dbl>                 <int>
## 1 2011-01-01         10.6                    531
## 2 2011-01-02         15.7                    649
## 3 2011-01-03         13.6                    668
## 4 2011-01-04         12.0                    554
## 5 2011-01-05          6.42                   561
## 6 2011-01-06          5.34                   629

EJERCICIO 27

Importar la base de datos realizada en MYSQL a R (Consultarlo como hacerlo)

#install.packages("RODBC")
#library(RODBC)
#conexion<- odbcConnect("taller_10", uid= "root", pwd= "root")
#vuelos1<- sqlQuery(conexion, "SELECT * FROM taller_10.vuelos;")
#head(vuelos1)

TALLER-APE 10: TIDYVERSE

cris

2023-07-16