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.
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>
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
Encuentra todos los vuelos que ….
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”
vuelos2 |> filter( destino %in% c("IAH", "HOU")) |> View()
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”
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()
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
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>
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()
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>
¿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”
¿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