Data wrangling (Parte 1)

Contexto

El paquete nycflights13 contiene infromación sobre todos los vuelos que partieron desde Nueva York (EWR, JFK y LGA) a destinos en los Estados Unidos. Fueron 336,776 vuelos en total. Para ayudar a comporender las causas de los restrasos, tambien 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 metereológicos por hora de cada aeropuerto
  
• planes = información de contruccion de cada avión.
  
• airports = nombres y ubicaciones de aeropuertos.
  
• airlines = relación entre nombres y códigos de las aerolíneas

fuente: Origen de datos

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 las 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) #seleccionar unas columnas en especifico
df2 <- flights %>% select(carrier:distance) #seleccionar de una columan a una columna
df3 <- flights %>% select(-carrier, -flight) #seleccionar todo menos esas columnas 
df4 <- flights %>% select(-carrier:-distance) #todas las columnas menos las que estan entre carrier y distance incluyendo estas 2
df5 <- flights %>% select(aerolinea = carrier) #nombrar una variable o cambiar el idioma
df6 <- flights %>% rename(aerolinea = carrier ) #ponerle nombre a una variable 

Select

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

df7 <- flights %>% filter(dep_delay >=500) #seleccionar renglones que sean mayor o igual a una cantidad (que cumplan la condicion)
# Condiciones: Igual ==, Desigual =!=, Mayor que >, Mayor o igual que >=, Mneor que <, Menor o igual que <=
# Operadores logisticos: AND &, OR |, NOT ! 
df8 <- flights %>% filter(dep_delay >= 500, dep_delay <600) #seleccionar renglones que esten entre una cantidad de datos 
df9 <- flights %>% slice(1000:1099) #seleccionar solo renglones en ese rango (un recorte de tabla en esos renglones)

Distinct

La función distinct sirve para eliminar renglones duplicados.

df10 <- distinct(flights) #Dejar solo los renglones diferentes, borra todos los repertidos 

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 varibles axistentes en la base de datos

##Ejercicios 1. Encuentra todos los vuelos que tuvieron un atraso de 2 hrs o más.

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

2. Encuentra todos los vuelos que llegaron a Houston

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

ejercicio4 <- bdgrande2 %>% filter( month == 7 | month == 8 | month == 9)

ejercicio4a <- 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_time == sched_dep_time)

ejercicio5b  <- 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 solo renglón.

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

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

Group by

Agrupa tabla basada en algunas columnas.

#Obtener el rertraso promedio de despegue por dia
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