Data Wrangling (Parte 1)

Contexto

El paquete nycflights13 contiene información sobre todos los vuelos que partieron desde Nueva York (EWR, JFK, LGA) a destinos en los Estados Unidos en 2013. Fueron 336,776 vuelos en total. Para ayudar a comprender las causas de los retrasos, también incluyen otros conjuntos de datos útiles.

Este paquete incluye las siguientes tablas:

• Flights = todos los vuelos que salieron de Nueva York en 2013
• Weather = datos meteorológicos por hora de cada aeropuerto
• Planes = información de contrucción de cada avión
• Airports = nombres y ubicaciones de aeropuertos
• Airlines = relación entre nombres y códigos de las aerolíneas

Fuente: Origen de los datos

Instalar Paquetes y Llamar Librerías

# install.packages("nycflights13")
library("nycflights13")
# install.packages("stats")
library("stats")
# install.packages("tidyverse")
library("tidyverse")

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.4.4     ✔ tibble    3.2.1
## ✔ lubridate 1.9.3     ✔ tidyr     1.3.1
## ✔ purrr     1.0.2     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

# install.packages("dplyr")
library("dplyr")

Guardar Bases de Datos

flights <- flights
weather <- weather
planes <- planes
airports <- airports
airlines <- airlines

Relación entre las bases de datos

Funciones Básicas de Manejo de Datos

Select

La función select sirve para seleccionar columnas de una tabla (data frame)

df1 <- flights %>% select(carrier, flight) #slección de columnas específficas 
df2 <- flights %>% select(carrier:distance) #seleccion de rango
df3 <- flights %>% select(-carrier, -flight) #eliminar columnas
df4 <- flights %>% select(-carrier:-distance) #eliminar rango de columnas 
df5 <- flights %>% select(aerolinea = carrier) #selecciona una columna y le cambia el nombre
df6 <- flights %>% rename(aerolinea = carrier) #cambiar nombre a una columana

Filter

La función filter sirve para seleccionar renglones de una tabla (data frame)

df7 <- flights %>% filter(dep_delay >= 500) #extrae renglones que cumplan condición
# Condiciones:
# igual ==, 
# desigual =!= 
# mayor que > 
# mayor o igual que >= 
# menor que <
# menor o igua que <=

# Operadores lógicos:
# AND &
# OR |
# NOT !
  
df8 <- flights %>% filter(dep_delay >= 500, dep_delay < 600) #extrae renglones que cumplan con dos condiciones
df9 <- flights %>% slice(1000:1099) #extare los numeros de los renglones indicados, sin importar sus valores 

Distinct

La función distinct sirve para eliminar renglones duplicados.

df10 <- distinct(flights) #dejar sólo los renglones diferentes, borra todos los repetidos

Merge

La función merge sirve para juntar bases de datos.

bdgrande <- merge(flights, airlines, by="carrier") 
bdgrande2 <- merge(bdgrande, planes, by="tailnum") 

Mutate

bdgrande3 <- mutate(bdgrande2, dist_km = distance*1.609) #agregar columnas con las existentes

Ejercicios

1. Encuentra todos los vuelos que tuvieron un atraso en llegada de 2 horas o más.

ejercicio1 <- bdgrande2 %>% filter(arr_delay>=120)

2. Encuentra todos los vuelos que llegaron a Houston (IAH o HOU)

ejercicio2 <- bdgrande2 %>% filter(dest == "IAH" | dest == "HOU")

3. Encuentra todos los vuelos operados por United, American o Delta

ejercicio3 <- bdgrande2 %>% filter(carrier %in% c("UA", "AA", "DL"))

4. Encuentra todos los vuelos que despegaron en Julio, Agosto o Septiembre

ejercicio4a <- bdgrande2 %>% filter(month == 7 | month == 8 | month == 9)
ejercicio4b <- bdgrande2 %>% filter(carrier %in% c(7:9))

5. Encuentra todos los vuelos que arrivaron más de 2 horas tarde, pero no despegaron tarde

ejercicio5a <- bdgrande2 %>% filter(arr_delay>120 & dep_time == sched_dep_time)
ejercicio5b <- bdgrande2 %>% filter(arr_delay>120 & dep_delay <= 0)

6. Encuentra todos los vuelos que se retrasaron al menos 1 hora, pero que llegaron antes 30 minutos o más.

ejercicio6 <- bdgrande2 %>% filter(dep_delay>=60 & arr_delay<=-30)

7. Encuentra todos los vuelos que salieron entre la medianoche y las 6 a.m. (inclusive)

ejercicio7 <- bdgrande2 %>% filter(dep_time==2400 | dep_time<=600)

Arrange

Similar a filter() pero en lugar de seleccionar renglones, los ordena de menor a mayor.

df11 <- arrange(bdgrande2, year.x, month, day,)

Para acomodar de mayor a menor.

df12 <- arrange(bdgrande2, year.x,desc(month),day,)

Summarize

Colapsa una tabla a un sólo renglón.

# Obtén el retraso promedio de despegue de todos los vuelos
summarize(bdgrande2, mean(dep_delay, na.rm=TRUE))

##   mean(dep_delay, na.rm = TRUE)
## 1                      13.17979

Group by

Agrupa tabla basado en algunas columnas.

# Obtener el retraso promedio de despegue por día
por_dia <- group_by(bdgrande2, year.x, month, day)
summarize(por_dia, mean(dep_delay, na.rm=TRUE))

## `summarise()` has grouped output by 'year.x', 'month'. You can override using
## the `.groups` argument.

## # A tibble: 365 × 4
## # Groups:   year.x, month [12]
##    year.x month   day `mean(dep_delay, na.rm = TRUE)`
##     <int> <int> <int>                           <dbl>
##  1   2013     1     1                           10.7 
##  2   2013     1     2                           14.4 
##  3   2013     1     3                           11.1 
##  4   2013     1     4                           10.0 
##  5   2013     1     5                            5.70
##  6   2013     1     6                            7.98
##  7   2013     1     7                            6.49
##  8   2013     1     8                            3.10
##  9   2013     1     9                            3.17
## 10   2013     1    10                            1.89
## # ℹ 355 more rows