El presente documento contiene el solucionario a los ejercicios 5.7.1 del libro de R for Data Science de Hadley Wickham y Garrett Grolemund en su versión en español.
Este documento se realiza con fines académicos para el curso de Técnicas de Exploración de Datos de la carrera de Estadística e Informática de la Universidad Nacional Agraria La Molina de Lima, Perú.
Estos ejercicios corresponden al tema de transformaciones agrupadas (y filtros).
La agrupación es más útil si se utiliza junto con summarise(), pero también puedes hacer operaciones convenientes con mutate() y filter():
vuelos_sml %>%
group_by(anio, mes, dia) %>%
filter(rank(desc(atraso_llegada)) < 10)
## # A tibble: 3,306 × 7
## # Groups: anio, mes, dia [365]
## anio mes dia atraso_salida atraso_llegada distancia tiempo_vuelo
## <int> <int> <int> <dbl> <dbl> <dbl> <dbl>
## 1 2013 1 1 853 851 184 41
## 2 2013 1 1 290 338 1134 213
## 3 2013 1 1 260 263 266 46
## 4 2013 1 1 157 174 213 60
## 5 2013 1 1 216 222 708 121
## 6 2013 1 1 255 250 589 115
## 7 2013 1 1 285 246 1085 146
## 8 2013 1 1 192 191 199 44
## 9 2013 1 1 379 456 1092 222
## 10 2013 1 2 224 207 550 94
## # ℹ 3,296 more rows
destinos_populares <- vuelos %>%
group_by(destino) %>%
filter(n() > 365)
destinos_populares
## # A tibble: 332,577 × 19
## # Groups: destino [77]
## anio mes dia horario_salida salida_programada atraso_salida
## <int> <int> <int> <int> <int> <dbl>
## 1 2013 1 1 517 515 2
## 2 2013 1 1 533 529 4
## 3 2013 1 1 542 540 2
## 4 2013 1 1 544 545 -1
## 5 2013 1 1 554 600 -6
## 6 2013 1 1 554 558 -4
## 7 2013 1 1 555 600 -5
## 8 2013 1 1 557 600 -3
## 9 2013 1 1 557 600 -3
## 10 2013 1 1 558 600 -2
## # ℹ 332,567 more rows
## # ℹ 13 more variables: horario_llegada <int>, llegada_programada <int>,
## # atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## # origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## # hora <dbl>, minuto <dbl>, fecha_hora <dttm>
destinos_populares %>%
filter(atraso_llegada > 0) %>%
mutate(prop_atraso = atraso_llegada / sum(atraso_llegada)) %>%
select(anio:dia, destino, atraso_llegada, prop_atraso)
## # A tibble: 131,106 × 6
## # Groups: destino [77]
## anio mes dia destino atraso_llegada prop_atraso
## <int> <int> <int> <chr> <dbl> <dbl>
## 1 2013 1 1 IAH 11 0.000111
## 2 2013 1 1 IAH 20 0.000201
## 3 2013 1 1 MIA 33 0.000235
## 4 2013 1 1 ORD 12 0.0000424
## 5 2013 1 1 FLL 19 0.0000938
## 6 2013 1 1 ORD 8 0.0000283
## 7 2013 1 1 LAX 7 0.0000344
## 8 2013 1 1 DFW 31 0.000282
## 9 2013 1 1 ATL 12 0.0000400
## 10 2013 1 1 DTW 16 0.000116
## # ℹ 131,096 more rows
Un filtro agrupado es una transformación agrupada seguida de un filtro desagrupado. En general, preferimos evitarlos, excepto para las manipulaciones rápidas y sucias: de lo contrario, es difícil comprobar que has hecho la manipulación correctamente.
Las funciones que trabajan de forma más natural en transformaciones agrupadas y filtros se conocen como funciones de ventana o window functions (frente a las funciones de resumen utilizadas para los resúmenes). Puedes obtener más información sobre las funciones de ventana útiles en la viñeta correspondiente: vignette(“window-functions”).
Remítete a las listas de funciones útiles de mutación y filtrado. Describe cómo cambia cada operación cuando las combinas con la agrupación.
MSA <- vuelos1 %>% mutate(promedio_distancia=mean(distancia))
MSA
## # A tibble: 327,346 × 20
## anio mes dia horario_salida salida_programada atraso_salida
## <int> <int> <int> <int> <int> <dbl>
## 1 2013 1 1 517 515 2
## 2 2013 1 1 533 529 4
## 3 2013 1 1 542 540 2
## 4 2013 1 1 544 545 -1
## 5 2013 1 1 554 600 -6
## 6 2013 1 1 554 558 -4
## 7 2013 1 1 555 600 -5
## 8 2013 1 1 557 600 -3
## 9 2013 1 1 557 600 -3
## 10 2013 1 1 558 600 -2
## # ℹ 327,336 more rows
## # ℹ 14 more variables: horario_llegada <int>, llegada_programada <int>,
## # atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## # origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## # hora <dbl>, minuto <dbl>, fecha_hora <dttm>, promedio_distancia <dbl>
MA <- vuelos1 %>% group_by(vuelo) %>% mutate(promedio_distancia2=mean(distancia))
MA
## # A tibble: 327,346 × 20
## # Groups: vuelo [3,835]
## anio mes dia horario_salida salida_programada atraso_salida
## <int> <int> <int> <int> <int> <dbl>
## 1 2013 1 1 517 515 2
## 2 2013 1 1 533 529 4
## 3 2013 1 1 542 540 2
## 4 2013 1 1 544 545 -1
## 5 2013 1 1 554 600 -6
## 6 2013 1 1 554 558 -4
## 7 2013 1 1 555 600 -5
## 8 2013 1 1 557 600 -3
## 9 2013 1 1 557 600 -3
## 10 2013 1 1 558 600 -2
## # ℹ 327,336 more rows
## # ℹ 14 more variables: horario_llegada <int>, llegada_programada <int>,
## # atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## # origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## # hora <dbl>, minuto <dbl>, fecha_hora <dttm>, promedio_distancia2 <dbl>
FSA <- vuelos1 %>% filter(tiempo_vuelo>100)
FSA
## # A tibble: 220,125 × 19
## anio mes dia horario_salida salida_programada atraso_salida
## <int> <int> <int> <int> <int> <dbl>
## 1 2013 1 1 517 515 2
## 2 2013 1 1 533 529 4
## 3 2013 1 1 542 540 2
## 4 2013 1 1 544 545 -1
## 5 2013 1 1 554 600 -6
## 6 2013 1 1 554 558 -4
## 7 2013 1 1 555 600 -5
## 8 2013 1 1 557 600 -3
## 9 2013 1 1 558 600 -2
## 10 2013 1 1 558 600 -2
## # ℹ 220,115 more rows
## # ℹ 13 more variables: horario_llegada <int>, llegada_programada <int>,
## # atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## # origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## # hora <dbl>, minuto <dbl>, fecha_hora <dttm>
FA <- vuelos1 %>% group_by(vuelo) %>% filter(tiempo_vuelo>100)
FA
## # A tibble: 220,125 × 19
## # Groups: vuelo [3,082]
## anio mes dia horario_salida salida_programada atraso_salida
## <int> <int> <int> <int> <int> <dbl>
## 1 2013 1 1 517 515 2
## 2 2013 1 1 533 529 4
## 3 2013 1 1 542 540 2
## 4 2013 1 1 544 545 -1
## 5 2013 1 1 554 600 -6
## 6 2013 1 1 554 558 -4
## 7 2013 1 1 555 600 -5
## 8 2013 1 1 557 600 -3
## 9 2013 1 1 558 600 -2
## 10 2013 1 1 558 600 -2
## # ℹ 220,115 more rows
## # ℹ 13 more variables: horario_llegada <int>, llegada_programada <int>,
## # atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## # origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## # hora <dbl>, minuto <dbl>, fecha_hora <dttm>
SSA <- vuelos1 %>% slice(1:5)
SSA
## # A tibble: 5 × 19
## anio mes dia horario_salida salida_programada atraso_salida
## <int> <int> <int> <int> <int> <dbl>
## 1 2013 1 1 517 515 2
## 2 2013 1 1 533 529 4
## 3 2013 1 1 542 540 2
## 4 2013 1 1 544 545 -1
## 5 2013 1 1 554 600 -6
## # ℹ 13 more variables: horario_llegada <int>, llegada_programada <int>,
## # atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## # origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## # hora <dbl>, minuto <dbl>, fecha_hora <dttm>
SA <- vuelos1 %>% group_by(vuelo) %>% slice(1:5)
SA
## # A tibble: 16,964 × 19
## # Groups: vuelo [3,835]
## anio mes dia horario_salida salida_programada atraso_salida
## <int> <int> <int> <int> <int> <dbl>
## 1 2013 1 1 856 900 -4
## 2 2013 1 1 1153 1123 30
## 3 2013 1 2 855 900 -5
## 4 2013 1 2 1134 1123 11
## 5 2013 1 3 855 900 -5
## 6 2013 1 5 1745 1740 5
## 7 2013 5 1 624 630 -6
## 8 2013 5 2 627 630 -3
## 9 2013 5 3 623 630 -7
## 10 2013 5 4 644 630 14
## # ℹ 16,954 more rows
## # ℹ 13 more variables: horario_llegada <int>, llegada_programada <int>,
## # atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## # origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## # hora <dbl>, minuto <dbl>, fecha_hora <dttm>
Cuando combinas operaciones de mutación y filtrado con agrupación, estas funciones se aplican dentro de cada grupo,lo que permite realizar cálculos y filtrar datos de forma independiente para cada categoría definida por la variable de agrupación.
¿Qué avión (codigo_cola) tiene el peor registro de tiempo?
vuelos1 %>% mutate(totaldemorad = atraso_salida + atraso_llegada) %>% arrange(-totaldemorad) %>% select(codigo_cola,totaldemorad)
## # A tibble: 327,346 × 2
## codigo_cola totaldemorad
## <chr> <dbl>
## 1 N384HA 2573
## 2 N504MQ 2264
## 3 N517MQ 2235
## 4 N338AA 2021
## 5 N665MQ 1994
## 6 N959DL 1891
## 7 N927DA 1826
## 8 N6716C 1793
## 9 N5DMAA 1774
## 10 N523MQ 1753
## # ℹ 327,336 more rows
El avión con el peor registro de tiempo es el N384HA, ya que tuvo un retraso de 2573 minutos en total.
¿A qué hora del día deberías volar si quieres evitar lo más posible los retrasos?
mejor_hora <- vuelos1 %>%
mutate(totaldemorad = atraso_salida + atraso_llegada) %>% filter(horario_salida>=600) %>%
group_by(horario_salida) %>%
summarise(promedio_demora = mean(totaldemorad)) %>%
arrange(promedio_demora)
mejor_hora
## # A tibble: 1,081 × 2
## horario_salida promedio_demora
## <int> <dbl>
## 1 622 -15.7
## 2 621 -15.4
## 3 654 -14.7
## 4 652 -14.3
## 5 623 -14.3
## 6 653 -13.2
## 7 752 -13.2
## 8 624 -13.1
## 9 620 -12.9
## 10 718 -12.8
## # ℹ 1,071 more rows
La mejor hora del día para volar y evitar retrasos sería más exactamente a las 6y22 am.
Para cada destino, calcula los minutos totales de demora. Para cada vuelo, calcula la proporción de la demora total para su destino.
demora_por_destino <- vuelos1 %>% mutate(totaldemorad = atraso_salida + atraso_llegada) %>% group_by(destino) %>%
summarise(sum(totaldemorad))
demora_por_destino
## # A tibble: 104 × 2
## destino `sum(totaldemorad)`
## <chr> <dbl>
## 1 ABQ 4603
## 2 ACK 2983
## 3 ALB 15819
## 4 ANC 83
## 5 ATL 399462
## 6 AUS 45898
## 7 AVL 4216
## 8 BDL 10205
## 9 BGR 9732
## 10 BHM 12345
## # ℹ 94 more rows
proporcion_por_vuelo <- vuelos1 %>% mutate(totaldemorad = atraso_salida + atraso_llegada) %>% group_by(vuelo) %>%
summarise(sum(totaldemorad) / sum(tiempo_vuelo))
proporcion_por_vuelo
## # A tibble: 3,835 × 2
## vuelo `sum(totaldemorad)/sum(tiempo_vuelo)`
## <int> <dbl>
## 1 1 0.0145
## 2 2 -0.0376
## 3 3 0.00514
## 4 4 0.0476
## 5 5 -0.0146
## 6 6 -0.00608
## 7 7 0.0579
## 8 8 0.150
## 9 9 0.213
## 10 10 0.393
## # ℹ 3,825 more rows
Los retrasos suelen estar temporalmente correlacionados: incluso una vez que el problema que causó el retraso inicial se ha resuelto, los vuelos posteriores se retrasan para permitir que salgan los vuelos anteriores. Usando lag(), explora cómo el retraso de un vuelo está relacionado con el retraso del vuelo inmediatamente anterior.
relacion <- vuelos1 %>% mutate(retrasoant = lag(atraso_salida)) %>% filter(!is.na(retrasoant)) %>%
select(atraso_salida, retrasoant)
correlacion <- cor(relacion$atraso_salida, relacion$retrasoant, use="complete.obs")
correlacion
## [1] 0.3245854
El valor de correlación obtenido, 0.3245854, indica la fuerza y la dirección de la relación lineal entre las variables “atraso_salida” y “retrasoant”. el valor de 0.3245854 sugiere que hay una correlación positiva moderada entre las variables “atraso_salida” y “retrasoant”. Esto significa que, en general, cuando “atraso_salida” aumenta (o disminuye), también tiende a hacerlo “retrasoant”, y viceversa.
Mira cada destino. ¿Puedes encontrar vuelos sospechosamente rápidos? (es decir, vuelos que representan un posible error de entrada de datos). Calcula el tiempo en el aire de un vuelo relativo al vuelo más corto a ese destino. ¿Cuáles vuelos se retrasaron más en el aire?
resultados <- vuelos1 %>%
group_by(destino) %>%
mutate(tiempo_relativo = tiempo_vuelo - min(tiempo_vuelo)) %>% filter(tiempo_relativo < 0) %>% arrange(desc(tiempo_relativo))
resultados
## # A tibble: 0 × 20
## # Groups: destino [0]
## # ℹ 20 variables: anio <int>, mes <int>, dia <int>, horario_salida <int>,
## # salida_programada <int>, atraso_salida <dbl>, horario_llegada <int>,
## # llegada_programada <int>, atraso_llegada <dbl>, aerolinea <chr>,
## # vuelo <int>, codigo_cola <chr>, origen <chr>, destino <chr>,
## # tiempo_vuelo <dbl>, distancia <dbl>, hora <dbl>, minuto <dbl>,
## # fecha_hora <dttm>, tiempo_relativo <dbl>
Encuentra todos los destinos que son volados por al menos dos operadores. Usa esta información para clasificar a las aerolíneas.
destinos_aerolinea <- vuelos1 %>% group_by(destino) %>% summarise(n_distinct(aerolinea) >= 2) %>%
distinct(destino)
destinos_aerolinea
## # A tibble: 104 × 1
## destino
## <chr>
## 1 ABQ
## 2 ACK
## 3 ALB
## 4 ANC
## 5 ATL
## 6 AUS
## 7 AVL
## 8 BDL
## 9 BGR
## 10 BHM
## # ℹ 94 more rows
aerolineas_clasi <- vuelos1 %>% filter(destino %in% destinos_aerolinea$destino) %>%
group_by(aerolinea) %>% summarise(cantidad_destinos = n_distinct(destino))
aerolineas_clasi
## # A tibble: 16 × 2
## aerolinea cantidad_destinos
## <chr> <int>
## 1 9E 48
## 2 AA 19
## 3 AS 1
## 4 B6 42
## 5 DL 40
## 6 EV 61
## 7 F9 1
## 8 FL 3
## 9 HA 1
## 10 MQ 20
## 11 OO 5
## 12 UA 47
## 13 US 5
## 14 VX 5
## 15 WN 11
## 16 YV 3
Para cada avión, cuenta el número de vuelos antes del primer retraso de más de 1 hora.
nvuelos <- vuelos1 %>%
#arrange(tailnum, year, month, day, dep_time) %>%
group_by(codigo_cola) %>%
mutate(num_vuelos_antes_retraso = cumsum(atraso_salida > 60)) %>%
filter(num_vuelos_antes_retraso == 0) %>%
summarize(num_vuelos_antes_retraso = n())
nvuelos
## # A tibble: 3,818 × 2
## codigo_cola num_vuelos_antes_retraso
## <chr> <int>
## 1 N0EGMQ 47
## 2 N10156 9
## 3 N102UW 33
## 4 N103US 46
## 5 N104UW 5
## 6 N105UW 34
## 7 N107US 29
## 8 N108UW 9
## 9 N109UW 48
## 10 N110UW 26
## # ℹ 3,808 more rows