Data Explorer

Teoría

La librería Data Explorer es la más conocida para en análisis exploratorio. Es muy simple de usar y muy poderosa, pues ofrece como salida un informe con mucha información.

La función para crear el informe es create_report, y para ver cada gráfica de forma individual, las funciones son:

• introduce()
• plot_intro()
• plot_boxpot()
• plot_missing()
• plot_histogram()
• plot_bar()
• plot_correlation()

Llamas paquetes y librerias

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

#install.packages("nycFlights13")
library(nycflights13)

Contexto

El paquete nycFlights13 contiene información de todos los vuelos que partieron desde Nueva York (EWR, JKF y LGA) a destinos en los Estados Unidos en el 2013. Fueron 336,776 vuelos en total.

La tabla de este paquete y sus relaciónes son las siguientes:

Crear base de datos

flights <- flights
weather <- weather
planes <- planes
airports <- airports
airlines <- airlines
df <- merge(flights, airlines, by = "carrier")
df <- merge(df, planes, by ="tailnum")

#create_report(df)
introduce(df)

##     rows columns discrete_columns continuous_columns all_missing_columns
## 1 284170      28               10                 18                   0
##   total_missing_values complete_rows total_observations memory_usage
## 1               311768           920            7956760     50225296

plot_intro(df)

plot_boxplot(df, by = "carrier")

## Warning: Removed 23255 rows containing non-finite values (`stat_boxplot()`).

## Warning: Removed 288513 rows containing non-finite values (`stat_boxplot()`).

plot_missing(df)

plot_histogram(df)

plot_bar(df)

## 4 columns ignored with more than 50 categories.
## tailnum: 3322 categories
## dest: 104 categories
## time_hour: 6934 categories
## model: 127 categories

plot_correlation(df)

## 5 features with more than 20 categories ignored!
## tailnum: 3322 categories
## dest: 104 categories
## time_hour: 6934 categories
## manufacturer: 35 categories
## model: 127 categories

## Warning in cor(x = structure(list(year.x = c(2013L, 2013L, 2013L, 2013L, : the
## standard deviation is zero