1 Presentación

El presente documento contiene el solucionario a los ejercicios 5.2.4 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 Filtrar filas con filter()

filter() te permite filtrar un subconjunto de observaciones según sus valores. El primer argumento es el nombre del data frame. El segundo y los siguientes argumentos son las expresiones que lo filtran. Por ejemplo, podemos seleccionar todos los vuelos del 1 de enero con:

filter(vuelos, mes == 1, dia == 1)
## # A tibble: 842 × 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            557               600            -3
## 10  2013     1     1            558               600            -2
## # ℹ 832 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>

3 Ejercicios

rm(list = ls())
cat("\014")
graphics.off()

options(scipen = 999)

library(pacman)
p_load(ggplot2, dplyr, datos)

library(datos)
data(package = "datos")
vuelos
## # A tibble: 336,776 × 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            557               600            -3
## 10  2013     1     1            558               600            -2
## # ℹ 336,766 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>
vuelos2 <- vuelos 

3.1 Ejercicio 1

Encuentra todos los vuelos que ….

3.1.1 a. Tuvieron un retraso de llegada de dos o más horas

vuelos2 |> filter( atraso_llegada >= 120) |>  View()

Dado que la variable “atraso_llegada” esta medida en minutos , ponemos la equivalencia de “2 o más horas” a “120 minutos o a más horas”

3.1.2 b. Volaron a Houston (“IAH” o “HOU”)

vuelos2 |> filter( destino %in% c("IAH", "HOU")) |> View()

3.1.3 c. Fueron operados por United, American o Delta

vuelos2 |> 
   filter(aerolinea %in% c("AA", "DL", "UA"))|> View()

La aerolínea Delta es “DL”, el de American es “AA”y el de United es “UA”

3.1.4 d. Partieron en invierno del hemisferio sur (julio, agosto y septiembre)

En esta pregunta debemos tener en cuenta que la variable mes es numérica y los meses : Julio , Agosto y Septiembre son respectivamente 7,8 y 9

      vuelos2 |> 
      filter( mes >= 7, mes <= 9)|> View()

3.1.5 e. Llegaron más de dos horas tarde, pero no salieron tarde

vuelos2 |> 
 filter( atraso_llegada > 120, atraso_salida <= 0) |> View()

Un retraso de llegada de más de 120 minutos ( arr_delay > 120) y un retraso de salida no positivo

3.1.6 f. Se retrasaron por lo menos una hora, pero repusieron más de 30 minutos en vuelo

vuelos2 |> 
   filter( atraso_salida >= 60 , atraso_salida - atraso_llegada > 30)
## # A tibble: 1,844 × 19
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013     1     1           2205              1720           285
##  2  2013     1     1           2326              2130           116
##  3  2013     1     3           1503              1221           162
##  4  2013     1     3           1839              1700            99
##  5  2013     1     3           1850              1745            65
##  6  2013     1     3           1941              1759           102
##  7  2013     1     3           1950              1845            65
##  8  2013     1     3           2015              1915            60
##  9  2013     1     3           2257              2000           177
## 10  2013     1     4           1917              1700           137
## # ℹ 1,834 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>

3.1.7 g. Partieron entre la medianoche y las 6 a.m. (incluyente)

La medianoche está representando con el número 2400 y se puede verificar con summary (estadística resumida) viendo el máx y mín

summary(vuelos2$horario_salida)
##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##       1     907    1401    1349    1744    2400    8255
 filter(vuelos2 , horario_salida <= 600 | horario_salida == 2400)|> View()

3.2 Ejercicio 2

Otra función de dplyr que es útil para usar filtros es between(). ¿Qué hace? ¿Puedes usarla para simplificar el código necesario para responder a los desafíos anteriores?

Esta función del paquete dplyr permite abreviar la escritura de código que tiene esta estructura x >= derecha & x <= izquierda por between(x, derecha, izquierda)`.

También podemos reescribir el código para encontrar los vuelos que partieron en el invierno del hemisferio sur así:

 vuelos2 |> 
 filter( between(mes, 7, 9))
## # A tibble: 86,326 × 19
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013     7     1              1              2029           212
##  2  2013     7     1              2              2359             3
##  3  2013     7     1             29              2245           104
##  4  2013     7     1             43              2130           193
##  5  2013     7     1             44              2150           174
##  6  2013     7     1             46              2051           235
##  7  2013     7     1             48              2001           287
##  8  2013     7     1             58              2155           183
##  9  2013     7     1            100              2146           194
## 10  2013     7     1            100              2245           135
## # ℹ 86,316 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>

3.3 Ejercicio 3

¿Cuántos vuelos tienen datos faltantes en horario_salida? ¿Qué otras variables tienen valores faltantes? ¿Qué representan estas filas?

vuelos2 |> 
 filter( is.na(horario_salida)) |> nrow()
## [1] 8255

-Se cuentan todas las filas con NA

-8255 vuelos tienen datos faltantas en horario_salida

-Los vuelos que tienen NA en su horario de salida, también lo tienen en el horario de llegada, por lo que se puede inferir que son vuelos que fueron cancelados.

summary(vuelos2)
##       anio           mes              dia        horario_salida
##  Min.   :2013   Min.   : 1.000   Min.   : 1.00   Min.   :   1  
##  1st Qu.:2013   1st Qu.: 4.000   1st Qu.: 8.00   1st Qu.: 907  
##  Median :2013   Median : 7.000   Median :16.00   Median :1401  
##  Mean   :2013   Mean   : 6.549   Mean   :15.71   Mean   :1349  
##  3rd Qu.:2013   3rd Qu.:10.000   3rd Qu.:23.00   3rd Qu.:1744  
##  Max.   :2013   Max.   :12.000   Max.   :31.00   Max.   :2400  
##                                                  NA's   :8255  
##  salida_programada atraso_salida     horario_llegada llegada_programada
##  Min.   : 106      Min.   : -43.00   Min.   :   1    Min.   :   1      
##  1st Qu.: 906      1st Qu.:  -5.00   1st Qu.:1104    1st Qu.:1124      
##  Median :1359      Median :  -2.00   Median :1535    Median :1556      
##  Mean   :1344      Mean   :  12.64   Mean   :1502    Mean   :1536      
##  3rd Qu.:1729      3rd Qu.:  11.00   3rd Qu.:1940    3rd Qu.:1945      
##  Max.   :2359      Max.   :1301.00   Max.   :2400    Max.   :2359      
##                    NA's   :8255      NA's   :8713                      
##  atraso_llegada      aerolinea             vuelo      codigo_cola       
##  Min.   : -86.000   Length:336776      Min.   :   1   Length:336776     
##  1st Qu.: -17.000   Class :character   1st Qu.: 553   Class :character  
##  Median :  -5.000   Mode  :character   Median :1496   Mode  :character  
##  Mean   :   6.895                      Mean   :1972                     
##  3rd Qu.:  14.000                      3rd Qu.:3465                     
##  Max.   :1272.000                      Max.   :8500                     
##  NA's   :9430                                                           
##     origen            destino           tiempo_vuelo     distancia   
##  Length:336776      Length:336776      Min.   : 20.0   Min.   :  17  
##  Class :character   Class :character   1st Qu.: 82.0   1st Qu.: 502  
##  Mode  :character   Mode  :character   Median :129.0   Median : 872  
##                                        Mean   :150.7   Mean   :1040  
##                                        3rd Qu.:192.0   3rd Qu.:1389  
##                                        Max.   :695.0   Max.   :4983  
##                                        NA's   :9430                  
##       hora           minuto        fecha_hora                    
##  Min.   : 1.00   Min.   : 0.00   Min.   :2013-01-01 05:00:00.00  
##  1st Qu.: 9.00   1st Qu.: 8.00   1st Qu.:2013-04-04 13:00:00.00  
##  Median :13.00   Median :29.00   Median :2013-07-03 10:00:00.00  
##  Mean   :13.18   Mean   :26.23   Mean   :2013-07-03 05:22:54.64  
##  3rd Qu.:17.00   3rd Qu.:44.00   3rd Qu.:2013-10-01 07:00:00.00  
##  Max.   :23.00   Max.   :59.00   Max.   :2013-12-31 23:00:00.00  
## 

Se puede ver que variables tienen NA y las variables con datos faltantes son : “horario_salida”, ” atraso_llegada ,“atraso_salida”,
“horario_llegada”, “tiempo_vuelo”

3.4 Ejercicio 4

¿Por qué NA ^ 0 no es faltante? ¿Por qué NA | TRUE no es faltante? ¿Por qué FALSE & NA no es faltante? ¿Puedes descubrir la regla general? (¡NA * 0 es un contraejemplo complicado!)

 NA ^ 0 
## [1] 1

No es un valor faltante debido a que todos los valores numéricos elevado a la 0 es 1

 NA | TRUE
## [1] TRUE

Cuando evaluamos la expresión NA | TRUE, el resultado es TRUE. Esto es debido a que el operador | (OR) devuelve TRUE si alguno de los datos es TRUE .

R sigue las reglas de la lógica booleana para determinar el resultado de las operaciones lógicas, incluso cuando involucran valores faltantes (NA)

 FALSE & NA 
## [1] FALSE

El operador &(AND) devuelve FALSE si alguno de los datos es FALSE