Data Explorer

Teoría

La librerua DataExplorer es la más conocida para el análisis exploratorio. Es muy simpe de usar y muy poderosa, 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()
  
• plotboxplot()
  
• plot_missing()
  
• plot histogram
  
• plot_bar()
  
• plot_correlation()

Instalar paquetes y librerías

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

Contexto

El paquete nycflights13 contiene información sobre todos lo vuelos que patieron desde Nueva York (EWR, JFK y LGA) a destinos en los Estados Unidos de América en el 2013. Fueron 336,776 vuelos en total.

Crear la 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")

Crear el reporte y visualizar gráficas

#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 outside the scale range
## (`stat_boxplot()`).

## Warning: Removed 288513 rows containing non-finite outside the scale range
## (`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