Data Wrangling (parte 1)

contexto

El paquete nycflights13 contiene informacion 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 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 meteorologicos 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

Instalar paquetes y llamar librerias

#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

Relación entre las bases de datos

Funciones basicas de manejo de datos

Select

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

df1 <- flights%>% select(carrier, flight)
df2 <- flights%>% select(carrier, distance)
df3 <- flights%>% select(carrier, -flight)
df4 <- flights%>% select(carrier, -distance)
df5 <- flights%>% select(aerolinea=carrier)
df6 <- flights%>% rename(aerolinea=carrier)

Filter

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

df7 <- flights%>% filter(dep_delay >=500)
df8 <- flights%>% filter(dep_delay >=500, dep_delay <600)
df9 <- flights%>% slice(1000:1099)

Distinct

La funcion distinct sirve para eliminar renglones duplicados.

df10 <- distinct(flights)

Merge

La funcion Merge sirve para juntar bases de datos.

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