1 Presentación

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.

2 Marco téorico

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():

  • Encuentra los peores miembros de cada grupo:
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
  • Encuentra todos los grupos más grandes que un determinado umbral:
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>
  • Estandariza para calcular las métricas por grupo:
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”).

3 Ejercicios

3.0.1 Ejercicio 1

Remítete a las listas de funciones útiles de mutación y filtrado. Describe cómo cambia cada operación cuando las combinas con la agrupación.

  • Funciones de mutación:
    1. Mutate():
    • Sin agrupación: Agrega nuevas columnas o modifica existentes con transformaciones basadas en los valores de las filas.
    • Con agrupación: Opera en cada grupo por separado.
  1. Mutación sin agrupar
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>
  1. Mutación agrupando
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>
  • Funciones de filtrado:
    1. Filter():
    • Sin agrupación: Selecciona filas que cumplen con ciertas condiciones.
    • Con agrupación: Selecciona filas basándose en las condiciones dentro de cada grupo.
  1. Filtración sin agrupar
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>
  1. Filtración agrupando
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>
  1. Slice():
  • Sin agrupación: Selecciona filas específicas por índice.
  • Con agrupación: Selecciona filas dentro de cada grupo.
  1. Slice sin agrupar
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>
  1. Slice agrupando
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.

3.0.2 Ejercicio 2

¿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.

3.0.3 Ejercicio 3

¿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.

3.0.4 Ejercicio 4

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

3.0.5 Ejercicio 5

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.

3.0.6 Ejercicio 6

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>

3.0.7 Ejercicio 7

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

3.0.8 Ejercicio 8

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