1 Presentación

El presente documento contiene el solucionario a los ejercicios 13.4.6 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

2.1 Uniones de transformación

La primera herramienta que miraremos para combinar pares de variables es la unión de transformación (mutating join). Una unión de transformación te permite combinar variables a partir de dos tablas. Primero busca coincidencias de observaciones de acuerdo a sus claves y luego copia las variables de una tabla en la otra.

Tal como mutate(), las funciones de unión agregan variables hacia la derecha, por lo que si tienes muchas variables inicialmente, las nuevas variables no se imprimirán. Para estos ejemplos, crearemos un conjunto de datos más angosto para que sea más fácil ver qué es lo que está ocurriendo:

Imagina que quieres incluir el nombre completo de la aerolínea en vuelos2. Puedes combinar los datos de aerolinas y vuelos2 con left_join() (union_izquierda)

El resultado de unir aerolineas y vuelos2 es la inclusión de una variable adicional: nombre. Esta es la razón de que llamemos unión de transformación a este tipo de unión. En este caso, podrías obtener el mismo resultado usando mutate() junto a las operaciones de filtro de R base:

Sin embargo, esto último es difícil de generalizar cuando necesitas hacer coincidir múltiples variables y requiere hacer una lectura detenida para entender lo que se quiere hacer.

En las siguientes secciones explicaremos en detalle cómo funcionan las uniones de transformación. Comenzarás aprendiendo una representación visual útil de las uniones. Luego usaremos eso para explicar las cuatro uniones de transformación: la unión interior y las tres uniones exteriores. Cuando trabajas con datos reales, las claves no siempre identifican a las observaciones de forma única. Es por eso que a continuación hablaremos de lo que ocurre cuando no existe una coincidencia única. Finalmente, aprenderás cómo decirle a dplyr qué variables son las claves para una unión determinada.

Hasta ahora, los pares de tablas siempre se han unido de acuerdo a una única variable y esa variable tiene el mismo nombre en ambas tablas. Esta restricción se expresa de la forma by = “key”. Puedes usar otros valores de by para conectar las tablas de otras maneras:

  • Por defecto, by = NULL, usa todas las variables que aparecen en ambas tablas, lo que se conoce como unión natural. Por ejemplo, las tablas vuelos y clima coinciden en sus variables comunes: anio, mes, dia, hora y origen. ::: {.cell}

3 Ejercicios

3.1 Ejercicio 1

Calcula el atraso promedio por destino y luego une los datos en aeropuertos para que puedas mostrar la distribución espacial de los atrasos. Esta es una forma fácil de dibujar un mapa de los Estados Unidos:

atraso_promedio_destino <- vuelos |> 
  group_by(destino) |> 
  summarise(atraso = mean(atraso_llegada, na.rm = TRUE)) |> 
  inner_join(aeropuertos, by = c(destino = "codigo_aeropuerto"))
View(atraso_promedio_destino)

3.2 Ejercicio 2

Agrega la ubicación de origen y destino (por ejemplo, latitud y longitud) a vuelos.

ubicacion_aeropuertos <- aeropuertos |> select(codigo_aeropuerto, latitud, longitud)

vuelos |> 
  select(anio:dia, hora, origen, destino) |> 
  left_join(
    ubicacion_aeropuertos,
    by = c("origen" = "codigo_aeropuerto")) |> 
  left_join(
    ubicacion_aeropuertos,
    by = c("destino" = "codigo_aeropuerto"))
## # A tibble: 336,776 × 10
##     anio   mes   dia  hora origen destino latitud.x longitud.x latitud.y
##    <int> <int> <int> <dbl> <chr>  <chr>       <dbl>      <dbl>     <dbl>
##  1  2013     1     1     5 EWR    IAH          40.7      -74.2      30.0
##  2  2013     1     1     5 LGA    IAH          40.8      -73.9      30.0
##  3  2013     1     1     5 JFK    MIA          40.6      -73.8      25.8
##  4  2013     1     1     5 JFK    BQN          40.6      -73.8      NA  
##  5  2013     1     1     6 LGA    ATL          40.8      -73.9      33.6
##  6  2013     1     1     5 EWR    ORD          40.7      -74.2      42.0
##  7  2013     1     1     6 EWR    FLL          40.7      -74.2      26.1
##  8  2013     1     1     6 LGA    IAD          40.8      -73.9      38.9
##  9  2013     1     1     6 JFK    MCO          40.6      -73.8      28.4
## 10  2013     1     1     6 LGA    ORD          40.8      -73.9      42.0
## # ℹ 336,766 more rows
## # ℹ 1 more variable: longitud.y <dbl>

3.3 Ejercicio 3

¿Existe una relación entre la antiguedad de un avión y sus atrasos?

atrasos_por_antiguedad <- inner_join(vuelos,
                                     select(aviones, codigo_cola, anio_fabricacion = anio),
                                     by = "codigo_cola") |> 
  mutate(antiguedad = anio - anio_fabricacion) |> 
  filter(!is.na(antiguedad)) |> 
  mutate(antiguedad = if_else(antiguedad > 25, 25L, antiguedad)) |> 
  group_by(antiguedad) |> 
  summarise(prom_atraso_salida = mean(atraso_salida, na.rm = TRUE),
            desv_est_atraso_salida = sd(atraso_salida, na.rm = TRUE),
            nro_vuelos_atrasados_salida = sum(!is.na(atraso_salida)))

Buscando la relacion con ggplot entre los atrasos en la salida y la antiguedad.

ggplot(atrasos_por_antiguedad, aes(x = antiguedad, y = prom_atraso_salida)) +
  geom_point() +
  scale_x_continuous("Antiguedad del avión (años)", breaks = seq(0, 30, by = 10)) +
  scale_y_continuous("Atraso promedio en la salida (minutos)")

3.4 Ejercicio 4

¿Qué condiciones climáticas hacen más probables los atrasos?

vuelo_clima <- vuelos |> 
  inner_join(clima, by = c("origen",
                           "anio",
                           "mes",
                           "dia",
                           "hora"))

vuelo_clima |> 
  group_by(precipitacion) |> 
  summarise(atraso = mean(atraso_salida, na.rm = TRUE)) |>
  ggplot(aes(x = precipitacion, y = atraso)) +
  geom_line() +
  geom_point()

3.5 Ejercicio 5

¿Qué sucedió el día 13 de junio de 2013? Muestra el patrón espacial de los atrasos,luego usa un buscador para encontrar referencias cruzadas con el clima.

peores <- filter(vuelos, !is.na(horario_salida), mes == 6, dia == 13)
peores |> 
  group_by(destino) |> 
  summarise(atraso = mean(atraso_llegada), n = n()) |> 
  filter(n > 5) |> 
  inner_join(aeropuertos, by = c("destino" = "codigo_aeropuerto")) |> 
  ggplot(aes(longitud, latitud)) +
  borders("state") +
  geom_point(aes(size = n, colour = atraso)) +
  coord_quickmap()

El 13 de junio de 2013 hubieron varias tormentas en EEUU.

vuelos |> 
  filter(anio == 2013, mes == 6, dia == 13) |> 
  group_by(destino) |> 
  summarise(atraso = mean(atraso_salida, na.rm = TRUE)) |> 
  inner_join(aeropuertos, by = c("destino" = "codigo_aeropuerto")) |>
  ggplot(aes(y = latitud, x = longitud, size = atraso, colour = atraso)) +
  borders("state") +
  geom_point() +
  coord_quickmap() +
  scale_colour_viridis_c()

Demostremos que los mayores atrasos se presentaron en el lugar de la tormenta.