Data Wrangling (Parte 1)

Contexto

El paquete nycflights13 contiene información sobre todos los vuelos que partieron desde Nueva York (EWR, JFK Y 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 incluye 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 construcción 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("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

Guardar bases de datos

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

Relacion entre base 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) # Selección de columnas específicas
df2 <- flights %>% select(carrier:distance) # Selección de rango de columnas 
df3 <- flights %>% select(-carrier, -flight) # Eliminar columnas específicas 
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) # Cambia el nombre a una columna 

Filter

La función filter sirve para seleccionar renglones de una tabla (data frame). La función slice sirve para seleccionar filas en especifico (data frame).

df7 <- flights %>% filter(dep_delay >=500) # Extrae renglones que cumplan condición 

# Igual == , Desigual =!= , Mayor que > , Mayor o igual que >= , Menor que < , Menor o igual que <= 
# Operadores lógicos: AND &, OR | , NOT ! 


df8 <- flights %>% filter(dep_delay >=500,dep_delay<600) # Extrae renglones que cumplan dos condiciones 
df9 <- flights %>% slice(1000:1099) # Extrae los números 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_mts = distance*1.609) # Agrega variables nuevas calculadas a partir de variables existentes en la base de datos

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"))

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

ejercicio4a <- bdgrande2 %>% filter(month == 7 | month == 8 | month == 9)

ejercicio4b <- bdgrande2 %>% filter(month %in% c(7:9))

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

ejercicio5 <- bdgrande2 %>% filter(arr_delay>120 & dep_delay<=0)

Ejercicio 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)

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

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