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 compreder las causas de los retrasos, también incluye otros conjuntos de datos útiles.

Este paquete inluye las siguientes tablas:

• flights = todos lso 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 nombre y códigos de 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

Gardar 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(flight, carrier) # Selección de columnas específicas  
df2 <- flights %>% select(flight: carrier) # Selección de rango de columans  
df3 <- flights %>% select(-carrier, -flight) # Eliminar columnas específicas  
df4 <- flights %>% select(-carrier:-distance) # Eliminar un rango de columnas  
df5 <- flights %>% select(aerolinea = carrier) # Selección de columna y cambio de nombre
df6 <- flights %>% rename(aerolinea = carrier) # Cambio de nombre a una columna  

Filter

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

df7 <- flights %>% filter(dep_delay >=500) #Extrae renglones que cumplan condición  
#Condicionales: Igual ==, Desigual =!=, Mayor que >, Mayor o igual que >=, Menor o igual que <=, Menor que <  
# Operadores lógicos: AND &, OR |, NOT !  
df8 <- flights %>% filter(dep_delay >=500, dep_delay <=600) # Estrae renglones que cumplan con 2 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 de una tabla (data frame).

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) # Agrega variables nuevas calculadas a partir de variables existentes en la base de datos

Ejercicios

1. Encuentra todos los vuelos que tuvieron un atraso 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"))