Conocer la base de datos con la que trabajaremos a detalle es el primer paso para comenzar cualquier análisis. En este reporte conoceremos la estructura y composición de Flights, usando la librería de (dplyr), la cual contiene los paquetes (tidyverse) y (nycflights13). Los paquetes nos permitirán ejecutar acciones para calcular el promedio, la mediana, el número de columnas, número de filas, tipos de variables y datos que contiene nuestra base. De esta manera, estaremos informados y listos para ejecutar las acciones necesarias en el análisis futuro de manera eficiente.
Llamanos a nuestra base de datos con la función data(flights),
Para comenzar nuestro análisis y obtener una descripción general, usamos la función: str(flights) Objetos: 336,776 Variables: 19
Al ejecutar la función srt(), además de conocer el total de objetos y variables, podemos saber el tipo de variables con las que estaremos trabajando, en esta base contamos con tres tipos de variables,
num - numeric: son datos numéricos reales con decimales, puedes hacer todo tipo de cálculos.
Para conocer aún mejor el tipo o los tipos de datos que deseamos manipular, ejecutamos la función: class(flights)
[1] “tbl_df” “tbl” “data.frame”
Un tipo de lista donde cada elemento tiene el mismo tamaño de vector Un atributo de nombres es un vector de caracteres de la misma longitud que la lista subyacente.
Este atributo solo se consulta para saber el número de filas y cualquier nombre de fila que pueda almacenarse.
Una vez que sabemos el tipo de dato, nos interesa conocer la dimensión de la base de datos, es decir que tan extensa es, si existen más columnas que filas o al revés. Para conocer estos datos, ejecutamos las siguientes tres funciones,
Función: ncol(flights) 19 columnas
Función: nrow(flights) 336776 filas
Función: dim(flights) 336776 19
La dimensión nos arroja los mismos números que las primeras dos funciones, pero podemos notar que no nos clasifica o especifica cuales son las filas y las columnas. Por ello es indispensable que no olvidemos que las filas siempre van antes que las columnas, es así cómo podemos detectar que las filas a comparación de las columnas son muchísimas más.
Función: head(flights) 6 primeras filas Esta función muestra las primeras filas de un data frame, muestra las primeras 6 filas. Es útil para obtener una vista rápida de los datos en la parte superior del data frame.
Función: tail(flights) 6 últimas filas Esta función muestra las últimas filas de un data frame, muestra las últimas 6 filas. Es útil para obtener una vista rápida de los datos en la parte inferior del data frame.
Función rbind(head(flights, 50), tail(flights, 20)) 50 primeras filas y 20 últimas filas 70 filas en total combinadas
Esta línea de código combina los resultados de head(flights, 50) y tail(flights, 20) utilizando la función rbind(). rbind() se utiliza para unir (concatenar) dos o más data frames verticalmente, es decir, uno debajo del otro. En este caso, se están uniendo las primeras 50 filas y las últimas 20 filas del data frame flights.
Esta función proporciona un resumen estadístico de las variables en el data frame flights. Para variables numéricas, muestra estadísticas como la media, mediana, mínimo, máximo y cuartiles. Para variables categóricas, muestra la cantidad de valores únicos y los valores más frecuentes. Es una manera rápida de obtener una visión general de las características y distribuciones de los datos en el data frame.
La actividad de exploración de datos realizada involucró la utilización de diversas funciones en el lenguaje de programación R para comprender y analizar un conjunto de datos de vuelos. Se comenzó por cargar la base de datos y se empleó la función str() para obtener información sobre la estructura y tipos de variables presentes en el conjunto de datos. Se identificaron tres tipos principales de variables: numéricas, enteras y alfanuméricas.
Posteriormente, se emplearon funciones como class(), ncol(), nrow() y dim() para obtener detalles sobre las dimensiones y el tamaño de la base de datos. Se observó que la base de datos contiene 336,776 filas y 19 columnas, lo que sugiere una mayor cantidad de observaciones en comparación con las variables disponibles.
La función head() se utilizó para mostrar las primeras filas del conjunto de datos, mientras que tail() mostró las últimas filas. Combinando los resultados de head() y tail() mediante la función rbind(), se obtuvo una vista de 70 filas en total, que permitió examinar una porción inicial y final de los datos.
Para obtener un resumen estadístico de las variables numéricas presentes en el conjunto de datos, se utilizó la función summary(). Esta función proporcionó información relevante como la media, mediana, mínimo, máximo y cuartiles para las variables numéricas, así como la cantidad de valores únicos y los valores más frecuentes para las variables categóricas.
En conjunto, estas acciones de exploración de datos permitieron obtener una comprensión inicial de la estructura, dimensiones y características estadísticas de los datos de vuelos, sentando las bases para análisis más profundos y la toma de decisiones informadas en futuros pasos de análisis.
1. Carga en memoria el data frame flights y muestra su contenido.
2. Carga en memoria el data frame flights y muestra su contenido. Consulta la estructura de 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" ...3. ¿Cuál es la clase de flights? y ¿Qué significa?
## [1] "tbl_df" "tbl" "data.frame"4. ¿Cuántas variables (columnas) tiene?
## [1] 195. ¿Cuántas observaciones (registros) tiene la base de datos?
## [1] 3367766. ¿Cuál es la dimensión de flights?
## [1] 336776 197. Consulta el data frame flights
8. Genera un output del data frame flights. Utiliza las funciones head y tail, ¿Cuántos renglones muestran por defecto cada función?
## # A tibble: 6 × 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 517 515 2 830 819
## 2 2013 1 1 533 529 4 850 830
## 3 2013 1 1 542 540 2 923 850
## 4 2013 1 1 544 545 -1 1004 1022
## 5 2013 1 1 554 600 -6 812 837
## 6 2013 1 1 554 558 -4 740 728
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>## # A tibble: 6 × 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 9 30 NA 1842 NA NA 2019
## 2 2013 9 30 NA 1455 NA NA 1634
## 3 2013 9 30 NA 2200 NA NA 2312
## 4 2013 9 30 NA 1210 NA NA 1330
## 5 2013 9 30 NA 1159 NA NA 1344
## 6 2013 9 30 NA 840 NA NA 1020
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>9. Ahora muestra los primeros 50 registros y los últimos 20.
## # A tibble: 70 × 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 517 515 2 830 819
## 2 2013 1 1 533 529 4 850 830
## 3 2013 1 1 542 540 2 923 850
## 4 2013 1 1 544 545 -1 1004 1022
## 5 2013 1 1 554 600 -6 812 837
## 6 2013 1 1 554 558 -4 740 728
## 7 2013 1 1 555 600 -5 913 854
## 8 2013 1 1 557 600 -3 709 723
## 9 2013 1 1 557 600 -3 838 846
## 10 2013 1 1 558 600 -2 753 745
## # ℹ 60 more rows
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>10. Encuentra los resultados descriptivos de las variables del data frame 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
## summary(flights): Se observa en cada variable el valor máximo y mínimo, la mediana, el promedio y el primer y tercer cuartil; en algunos casos que no son variables numéricas se muestra la longitud, la clase y la moda como carácter esto quiere decir que son palabras que se repiten cierta cantidad de veces.