TALLER-APE10
GRUPO 6
2024-01-15
UNIVERSIDAD CENTRAL DEL ECUADOR
FACULTAD CIENCIAS ECONÓMICAS
CARRERA DE ESTADÍSTICA
INTEGRANTES:
- Diana Farinango
- Katty Guailla
- Daibeth Manguay
- Nicole Morocho
TALLER-APE 10: TIDYVERSE
-Utilizando la base de datos interna mtcars, resolver los siguientes enunciados: -Descargamos el paquete dpyrs para su libreria y visulizamos la DataFrame mtcars
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, unionhead(mtcars)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1EJERCICIO 1: Seleccionamos las 3 primeras columnas del dataset mtcars y mostramos la cabecera
mtcars1<-select(mtcars, 1:3)
mtcars1## mpg cyl disp
## Mazda RX4 21.0 6 160.0
## Mazda RX4 Wag 21.0 6 160.0
## Datsun 710 22.8 4 108.0
## Hornet 4 Drive 21.4 6 258.0
## Hornet Sportabout 18.7 8 360.0
## Valiant 18.1 6 225.0
## Duster 360 14.3 8 360.0
## Merc 240D 24.4 4 146.7
## Merc 230 22.8 4 140.8
## Merc 280 19.2 6 167.6
## Merc 280C 17.8 6 167.6
## Merc 450SE 16.4 8 275.8
## Merc 450SL 17.3 8 275.8
## Merc 450SLC 15.2 8 275.8
## Cadillac Fleetwood 10.4 8 472.0
## Lincoln Continental 10.4 8 460.0
## Chrysler Imperial 14.7 8 440.0
## Fiat 128 32.4 4 78.7
## Honda Civic 30.4 4 75.7
## Toyota Corolla 33.9 4 71.1
## Toyota Corona 21.5 4 120.1
## Dodge Challenger 15.5 8 318.0
## AMC Javelin 15.2 8 304.0
## Camaro Z28 13.3 8 350.0
## Pontiac Firebird 19.2 8 400.0
## Fiat X1-9 27.3 4 79.0
## Porsche 914-2 26.0 4 120.3
## Lotus Europa 30.4 4 95.1
## Ford Pantera L 15.8 8 351.0
## Ferrari Dino 19.7 6 145.0
## Maserati Bora 15.0 8 301.0
## Volvo 142E 21.4 4 121.0EJERCICIO 2: Utiliza la ayuda ?select_helpers para que observes el resultado
?select_helpers## Help on topic 'select_helpers' was found in the following packages:
##
## Package Library
## dplyr /Library/Frameworks/R.framework/Versions/4.3-x86_64/Resources/library
## tidyselect /Library/Frameworks/R.framework/Versions/4.3-x86_64/Resources/library
##
##
## Using the first match ...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 2.76EJERCICIO 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 105EJERCICIO 5: head(select( mtcars, -drat, -am )) Explica queresultado obtienes? -Ejecutamos el código
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 1Explicación: Esta función descarta las columnas -drat y -am por el signo (-)
EJERCICIO 6: head(select( mtcars, contains( “a” ) )) Explica que resultado obtienes ? -Ejecutamos el código
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 1Explicación: La función contains,nos muestra las columnas que en su nombre contengan una letra “a”
EJERCICIO 7: head(filter( mtcars, mpg > 20, gear == 4)) Explica que resultado obtienes ?
-Ejecutamos el código
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 1Explicación: Muestra las columnas de mtcars que cumplan las dos condiciones que MPG mayores a 20 y Gear igual a 4 o
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 2EJERCICIO 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 8EJERCICIO 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 4EJERCICIO 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.
mtcars$kilogramos<-mtcars$wt*0.45
mtcars## 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
## 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 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
## 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
## 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
## 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
## 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
## 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
## Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
## kilogramos
## Mazda RX4 1.17900
## Mazda RX4 Wag 1.29375
## Datsun 710 1.04400
## Hornet 4 Drive 1.44675
## Hornet Sportabout 1.54800
## Valiant 1.55700
## Duster 360 1.60650
## Merc 240D 1.43550
## Merc 230 1.41750
## Merc 280 1.54800
## Merc 280C 1.54800
## Merc 450SE 1.83150
## Merc 450SL 1.67850
## Merc 450SLC 1.70100
## Cadillac Fleetwood 2.36250
## Lincoln Continental 2.44080
## Chrysler Imperial 2.40525
## Fiat 128 0.99000
## Honda Civic 0.72675
## Toyota Corolla 0.82575
## Toyota Corona 1.10925
## Dodge Challenger 1.58400
## AMC Javelin 1.54575
## Camaro Z28 1.72800
## Pontiac Firebird 1.73025
## Fiat X1-9 0.87075
## Porsche 914-2 0.96300
## Lotus Europa 0.68085
## Ford Pantera L 1.42650
## Ferrari Dino 1.24650
## Maserati Bora 1.60650
## Volvo 142E 1.25100EJERCICIO 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 × 12
## # Groups: disp [27]
## mpg cyl disp hp drat wt qsec vs am gear carb kilogramos
## <dbl> <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 1.18
## 2 21 6 160 110 3.9 2.88 17.0 0 1 4 4 1.29
## 3 22.8 4 108 93 3.85 2.32 18.6 1 1 4 1 1.04
## 4 21.4 6 258 110 3.08 3.22 19.4 1 0 3 1 1.45
## 5 18.7 8 360 175 3.15 3.44 17.0 0 0 3 2 1.55
## 6 18.1 6 225 105 2.76 3.46 20.2 1 0 3 1 1.56
## 7 14.3 8 360 245 3.21 3.57 15.8 0 0 3 4 1.61
## 8 24.4 4 147. 62 3.69 3.19 20 1 0 4 2 1.44
## 9 22.8 4 141. 95 3.92 3.15 22.9 1 0 4 2 1.42
## 10 19.2 6 168. 123 3.92 3.44 18.3 1 0 4 4 1.55
## # ℹ 22 more rowsEJERCICIO 13: summarise(group_by(mtcars, cyl), max = max(disp)) Explica que resultado obtienes ? -Ejecutamos el código
summarise(group_by(mtcars, cyl), max = max(disp)) ## # A tibble: 3 × 2
## cyl max
## <dbl> <dbl>
## 1 4 147.
## 2 6 258
## 3 8 472Explicación: Agrupa los datos del cilindraje y nos muestra el valor máximo de esos datos.
EJERCICIO 14: mtcars %>% select( mpg:disp )%>% head. Explica queresultado obtienes ? -Ejecutamos el código
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 225Explicación: Selecciona las columnas desde mpg hasta disP y nos indicalos 6 primeros valores
EJERCICIO 15: head(select(select(mtcars, contains(“a”)), -drat, -am)) Explica que resultado obtienes ?
- Ejecutamos el código
head(select(select(mtcars, contains("a")), -drat, -am))## gear carb kilogramos
## Mazda RX4 4 4 1.17900
## Mazda RX4 Wag 4 4 1.29375
## Datsun 710 4 1 1.04400
## Hornet 4 Drive 3 1 1.44675
## Hornet Sportabout 3 2 1.54800
## Valiant 3 1 1.55700*Explicación:**Nos muestra las columnas que contengan una letra a en su encabezado y descartia drat y am.*
EJERCICIO 16: Utilizando pipes ejecuta el ejercicio 15
mtcars %>%
select((contains("a")), -drat, -am)## gear carb kilogramos
## Mazda RX4 4 4 1.17900
## Mazda RX4 Wag 4 4 1.29375
## Datsun 710 4 1 1.04400
## Hornet 4 Drive 3 1 1.44675
## Hornet Sportabout 3 2 1.54800
## Valiant 3 1 1.55700
## Duster 360 3 4 1.60650
## Merc 240D 4 2 1.43550
## Merc 230 4 2 1.41750
## Merc 280 4 4 1.54800
## Merc 280C 4 4 1.54800
## Merc 450SE 3 3 1.83150
## Merc 450SL 3 3 1.67850
## Merc 450SLC 3 3 1.70100
## Cadillac Fleetwood 3 4 2.36250
## Lincoln Continental 3 4 2.44080
## Chrysler Imperial 3 4 2.40525
## Fiat 128 4 1 0.99000
## Honda Civic 4 2 0.72675
## Toyota Corolla 4 1 0.82575
## Toyota Corona 3 1 1.10925
## Dodge Challenger 3 2 1.58400
## AMC Javelin 3 2 1.54575
## Camaro Z28 3 4 1.72800
## Pontiac Firebird 3 2 1.73025
## Fiat X1-9 4 1 0.87075
## Porsche 914-2 5 2 0.96300
## Lotus Europa 5 2 0.68085
## Ford Pantera L 5 4 1.42650
## Ferrari Dino 5 6 1.24650
## Maserati Bora 5 8 1.60650
## Volvo 142E 4 2 1.25100EJERCICIO 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 ?
-Ejecutamos el código
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 2.56Explicación: Se obtiene la media y la desviación estándar de la columna mpg,agrupadas según su cilindraje y cuando su wt sea mayor a1.5.
EJERCICIO 18: Utilizando pipes ejecuta el ejercicio 17
- %>% <- pipes
- Utlizamos el codigo head para ver la base de datos que se utilizará
- head(mtcars) -Utilizando los pipes realizamos el codigo del
- ejercicio 17
mtcars%>%
filter(wt>1.5)%>%
group_by(cyl)%>%
summarise(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 2.56EJERCICIO 19: Es obligatorio utilizar las
funciones del paquete dplyry recomendable utilizar pipes
%>% para 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 seencuentra.
url <- "http://gauss.inf.um.es/datos/vuelos.csv"
url## [1] "http://gauss.inf.um.es/datos/vuelos.csv"EJERCICIO 21: Descarga el archivo y Guarda los datos en una variable llamada “vuelos”
vuelos <- read.csv("vuelos.csv")
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 224EJERCICIO 22: Selecciona los vuelos con destino
SFO u OAK utilizando las funciones del paquete
dplyr
destino <- filter(vuelos, dest== "SFO" | dest=="OAK")
head(destino)## 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- ¿Con cuantos vuelos nos quedamos?
nrow (destino)## [1] 512EJERCICIO 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(arr_delay,dest) %>%
filter(arr_delay>60 ) %>% head## arr_delay dest
## 17 84 DFW
## 20 72 DFW
## 74 69 DFW
## 97 126 DFW
## 99 70 DFW
## 129 80 MIAEJERCICIO 24: Encuentra 4 maneras diferentes de
utilizar la función select para seleccionar las variables
relacionadas con los retrasos (delay)
retrasos <- select(vuelos, dep_delay, arr_delay)
head(retrasos)## dep_delay arr_delay
## 1 0 -10
## 2 1 -9
## 3 -8 -8
## 4 3 3
## 5 5 -3
## 6 -1 -7head( select(vuelos, matches(".d.")))## dep_delay arr_delay
## 1 0 -10
## 2 1 -9
## 3 -8 -8
## 4 3 3
## 5 5 -3
## 6 -1 -7retrasos2 <- select(vuelos, 6:7)
head(retrasos2)## dep_delay arr_delay
## 1 0 -10
## 2 1 -9
## 3 -8 -8
## 4 3 3
## 5 5 -3
## 6 -1 -7head(select(vuelos,-c(date,hour,minute,arr,carrier,flight,dest,plane,cancelled,time,dist)))## dep dep_delay arr_delay
## 1 1400 0 -10
## 2 1401 1 -9
## 3 1352 -8 -8
## 4 1403 3 3
## 5 1405 5 -3
## 6 1359 -1 -7EJERCICIO 25: Agrupa los vuelos por fecha y calcula: media, mediana y cuartil 75 de los retrasos en los vuelos por hora
vuelos %>% filter(arr_delay > 60)%>%
group_by(date) %>%
summarise(mn = mean(arr_delay), md = median(arr_delay), qu75=quantile(arr_delay)) %>% head## Warning: Returning more (or less) than 1 row per `summarise()` group was deprecated in
## dplyr 1.1.0.
## ℹ Please use `reframe()` instead.
## ℹ When switching from `summarise()` to `reframe()`, remember that `reframe()`
## always returns an ungrouped data frame and adjust accordingly.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.## `summarise()` has grouped output by 'date'. You can override using the
## `.groups` argument.## # A tibble: 6 × 4
## # Groups: date [2]
## date mn md qu75
## <chr> <dbl> <dbl> <dbl>
## 1 2011-01-01 83.5 71 61
## 2 2011-01-01 83.5 71 64
## 3 2011-01-01 83.5 71 71
## 4 2011-01-01 83.5 71 107
## 5 2011-01-01 83.5 71 137
## 6 2011-01-02 114. 101 62EJERCICIO 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(arr_delay,date,hour,flight)%>%
filter(flight > 10) %>%
group_by(date) %>%
summarise(mn = mean(arr_delay, na.rm=T),
cantidad = n_distinct(flight)) %>% head## # A tibble: 6 × 3
## date mn cantidad
## <chr> <dbl> <int>
## 1 2011-01-01 9.97 531
## 2 2011-01-02 10.5 649
## 3 2011-01-03 6.18 668
## 4 2011-01-04 8.07 554
## 5 2011-01-05 4.23 561
## 6 2011-01-06 6.17 629EJERCICIO 27: Importar la base de datos realizada en MYSQL a R (Consultarlo como hacerlo)*
-Instalar y cargar los paquetes
#install.packages("DBI")
#install.packages("RMySQL")
#library(DBI)
#library(RMySQL)-Reemplaza los valores con tus propias credenciales y detalles de conexión
-con <- dbConnect(RMySQL::MySQL(), - user = “tu_usuario”, - password = “tu_contraseña”, - dbname = “tu_base_de_datos”, - host = “tu_host”) - Reemplaza “nombre_de_tabla” con el nombre de la tabla que deseas importar - datos <- dbReadTable(con, “nombre_de_tabla”) - Cerrar la conexión cuando hayas terminado - dbDisconnect(con)