Renta de Bicis

Renta de Bicis

1. Importar Bases de datos

df<- read.csv("rentadebicis.csv")

2. Entender la base de datos

library(dplyr)

## Warning: package 'dplyr' was built under R version 4.1.3

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

summary(df)

##     ï..hora           dia              mes              aÃ.o     
##  Min.   : 0.00   Min.   : 1.000   Min.   : 1.000   Min.   :2011  
##  1st Qu.: 6.00   1st Qu.: 5.000   1st Qu.: 4.000   1st Qu.:2011  
##  Median :12.00   Median :10.000   Median : 7.000   Median :2012  
##  Mean   :11.54   Mean   : 9.993   Mean   : 6.521   Mean   :2012  
##  3rd Qu.:18.00   3rd Qu.:15.000   3rd Qu.:10.000   3rd Qu.:2012  
##  Max.   :23.00   Max.   :19.000   Max.   :12.000   Max.   :2012  
##     estacion     dia_de_la_semana     asueto         temperatura   
##  Min.   :1.000   Min.   :1.000    Min.   :0.00000   Min.   : 0.82  
##  1st Qu.:2.000   1st Qu.:2.000    1st Qu.:0.00000   1st Qu.:13.94  
##  Median :3.000   Median :4.000    Median :0.00000   Median :20.50  
##  Mean   :2.507   Mean   :4.014    Mean   :0.02857   Mean   :20.23  
##  3rd Qu.:4.000   3rd Qu.:6.000    3rd Qu.:0.00000   3rd Qu.:26.24  
##  Max.   :4.000   Max.   :7.000    Max.   :1.00000   Max.   :41.00  
##  sensacion_termica    humedad       velocidad_del_viento
##  Min.   : 0.76     Min.   :  0.00   Min.   : 0.000      
##  1st Qu.:16.66     1st Qu.: 47.00   1st Qu.: 7.002      
##  Median :24.24     Median : 62.00   Median :12.998      
##  Mean   :23.66     Mean   : 61.89   Mean   :12.799      
##  3rd Qu.:31.06     3rd Qu.: 77.00   3rd Qu.:16.998      
##  Max.   :45.45     Max.   :100.00   Max.   :56.997      
##  rentas_de_no_registrados rentas_de_registrados rentas_totales 
##  Min.   :  0.00           Min.   :  0.0         Min.   :  1.0  
##  1st Qu.:  4.00           1st Qu.: 36.0         1st Qu.: 42.0  
##  Median : 17.00           Median :118.0         Median :145.0  
##  Mean   : 36.02           Mean   :155.6         Mean   :191.6  
##  3rd Qu.: 49.00           3rd Qu.:222.0         3rd Qu.:284.0  
##  Max.   :367.00           Max.   :886.0         Max.   :977.0

Observación; 1. los días llegan hasta el 19 y no hasta el 31

3. Generar la regresión lineal

regresion <- lm(rentas_totales ~ ï..hora + dia+ mes + aÃ.o + estacion + dia_de_la_semana + asueto + temperatura + sensacion_termica + humedad + velocidad_del_viento + humedad + velocidad_del_viento, data=df )
summary(regresion)

## 
## Call:
## lm(formula = rentas_totales ~ ï..hora + dia + mes + aÃ.o + estacion + 
##     dia_de_la_semana + asueto + temperatura + sensacion_termica + 
##     humedad + velocidad_del_viento + humedad + velocidad_del_viento, 
##     data = df)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -305.52  -93.64  -27.70   61.85  649.10 
## 
## Coefficients:
##                        Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          -1.661e+05  5.496e+03 -30.217  < 2e-16 ***
## ï..hora               7.735e+00  2.070e-01  37.368  < 2e-16 ***
## dia                   3.844e-01  2.482e-01   1.549  0.12150    
## mes                   9.996e+00  1.682e+00   5.943 2.89e-09 ***
## aÃ.o                  8.258e+01  2.732e+00  30.225  < 2e-16 ***
## estacion             -7.774e+00  5.177e+00  -1.502  0.13324    
## dia_de_la_semana      4.393e-01  6.918e-01   0.635  0.52545    
## asueto               -4.864e+00  8.365e+00  -0.582  0.56089    
## temperatura           1.582e+00  1.038e+00   1.524  0.12752    
## sensacion_termica     4.748e+00  9.552e-01   4.971 6.76e-07 ***
## humedad              -2.115e+00  7.884e-02 -26.827  < 2e-16 ***
## velocidad_del_viento  5.582e-01  1.809e-01   3.086  0.00203 ** 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 141.7 on 10874 degrees of freedom
## Multiple R-squared:  0.3891, Adjusted R-squared:  0.3885 
## F-statistic: 629.6 on 11 and 10874 DF,  p-value: < 2.2e-16

4. Ajustar el modelo de regresión lineal

regresion <- lm(rentas_totales ~ ï..hora + mes + aÃ.o  + sensacion_termica  + velocidad_del_viento + humedad , data=df )
summary(regresion)

## 
## Call:
## lm(formula = rentas_totales ~ ï..hora + mes + aÃ.o + sensacion_termica + 
##     velocidad_del_viento + humedad, data = df)
## 
## Residuals:
##     Min      1Q  Median      3Q     Max 
## -308.60  -93.85  -28.34   61.05  648.09 
## 
## Coefficients:
##                        Estimate Std. Error t value Pr(>|t|)    
## (Intercept)          -1.662e+05  5.496e+03 -30.250  < 2e-16 ***
## ï..hora               7.734e+00  2.070e-01  37.364  < 2e-16 ***
## mes                   7.574e+00  4.207e-01  18.002  < 2e-16 ***
## aÃ.o                  8.266e+01  2.732e+00  30.258  < 2e-16 ***
## sensacion_termica     6.172e+00  1.689e-01  36.539  < 2e-16 ***
## velocidad_del_viento  6.208e-01  1.771e-01   3.506 0.000457 ***
## humedad              -2.121e+00  7.858e-02 -26.988  < 2e-16 ***
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 141.7 on 10879 degrees of freedom
## Multiple R-squared:  0.3886, Adjusted R-squared:  0.3883 
## F-statistic:  1153 on 6 and 10879 DF,  p-value: < 2.2e-16

5. Construir un modelo predictivo

datos<- data.frame(ï..hora=11.54, mes=1:12, aÃ.o=2013, sensacion_termica=23.66, velocidad_del_viento=12.799, humedad=61.89)
predict(regresion,datos)

##        1        2        3        4        5        6        7        8 
## 273.6001 281.1738 288.7475 296.3213 303.8950 311.4687 319.0424 326.6161 
##        9       10       11       12 
## 334.1898 341.7635 349.3372 356.9110

Valuacion de casas

Importar datos

df<- read.csv("HousePriceData.csv")

Limpiar bases de datos

# ¿Cuántos NA tengo en la base de datos?
sum(is.na(df))

## [1] 7

# ¿Cuantos NA tengo por variable?
sapply(df, function(x) sum(is.na(x)))

## ï..Observation      Dist_Taxi    Dist_Market  Dist_Hospital         Carpet 
##              0              0              0              0              7 
##        Builtup        Parking  City_Category       Rainfall    House_Price 
##              0              0              0              0              0

# Eliminar NA
df<- na.omit(df)

#Eliminar el registro del precio atípico
df<- df[df$House_Price<12000000,]

# eliminar el registro de lluvia atípico 
df<- df[df$Rainfall>=0,]

# Instala y carga la biblioteca Shiny
library(shiny)


# Define la interfaz de la aplicación Shiny
ui <- fluidPage(
  titlePanel("Valuación de Casas"),
  sidebarLayout(
    sidebarPanel(
      sliderInput("Dist_Taxi", "Distancia al Taxi:", min = 0, max = 20000, value = 8278),
      sliderInput("Dist_Market", "Distancia al Mercado:", min = 0, max = 20000, value = 16251),
      sliderInput("Dist_Hospital", "Distancia al Hospital:", min = 0, max = 20000, value = 13857),
      sliderInput("Carpet", "Área de la Alfombra:", min = 0, max = 5000, value = 1455),
      selectInput("Parking", "Tipo de Estacionamiento:",
                  choices = unique(df$Parking)),
      selectInput("City_Category", "Categoría de la Ciudad:",
                  choices = unique(df$City_Category)),
      sliderInput("Rainfall", "Lluvia:", min = 0, max = 500, value = 390),
      sliderInput("Builtup", "Área Construida:", min = 0, max = 10000, value = 1764),
      actionButton("submitBtn", "Obtener Precio"),
      hr()
    ),
    mainPanel(
      verbatimTextOutput("predictionText")
    )
  )
)

# Define la función de servidor para la aplicación Shiny
server <- function(input, output) {
  model <- NULL
  
  observeEvent(input$submitBtn, {
    datos <- data.frame(
      Dist_Taxi = input$Dist_Taxi,
      Dist_Market = input$Dist_Market,
      Dist_Hospital = input$Dist_Hospital,
      Carpet = input$Carpet,
      Parking = input$Parking,
      City_Category = input$City_Category,
      Rainfall = input$Rainfall,
      Builtup = input$Builtup
    )
    
    # Generar el modelo de regresión lineal con los datos actuales
    model <- lm(House_Price ~ Dist_Taxi + Dist_Market + Dist_Hospital +
                Carpet + Parking + City_Category + Rainfall + Builtup, data = df)
    
    prediction <- predict(model, datos)
    output$predictionText <- renderText({
      paste("Precio de la Casa Estimado:", round(prediction, 2))
    })
  })
}

# Crea la aplicación Shiny
shinyApp(ui, server)

Shiny applications not supported in static R Markdown documents