1 Presentación

El presente documento contiene el solucionario a los ejercicios 5.3.1 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 Reordenar las filas con arrange()

arrange() funciona de manera similar a filter excepto que en lugar de seleccionar filas, cambia su orden. La función toma un data frame y un conjunto de nombres de columnas (o expresiones más complicadas) para ordenar según ellas. Si proporcionas más de un nombre de columna, cada columna adicional se utilizará para romper empates en los valores de las columnas anteriores: *.

arrange(vuelos, anio, mes, dia)
## # 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
## # … with 336,766 more rows, and 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>

Usa desc() para reordenar por una columna en orden descendente:

arrange(vuelos, desc(atraso_salida))
## # A tibble: 336,776 × 19
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013     1     9            641               900          1301
##  2  2013     6    15           1432              1935          1137
##  3  2013     1    10           1121              1635          1126
##  4  2013     9    20           1139              1845          1014
##  5  2013     7    22            845              1600          1005
##  6  2013     4    10           1100              1900           960
##  7  2013     3    17           2321               810           911
##  8  2013     6    27            959              1900           899
##  9  2013     7    22           2257               759           898
## 10  2013    12     5            756              1700           896
## # … with 336,766 more rows, and 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>

Los valores faltantes siempre se ordenan al final:

df <- tibble(x = c(5, 2, NA))
arrange(df, x)
## # A tibble: 3 × 1
##       x
##   <dbl>
## 1     2
## 2     5
## 3    NA
arrange(df, desc(x))
## # A tibble: 3 × 1
##       x
##   <dbl>
## 1     5
## 2     2
## 3    NA

3 Ejercicios

3.1 Ejercicio 1

¿Cómo podrías usar arrange() para ordenar todos los valores faltantes al comienzo?

#VUELOS ORDENADOS SEGÚN LA CONDICIÓN MENCIONADA
vuelos %>%
  arrange(across(everything(), ~is.na(.))) %>% 
  arrange(desc(row_number()))
## # A tibble: 336,776 × 19
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013     9    30             NA              2200            NA
##  2  2013     9    30             NA              1455            NA
##  3  2013     9    29             NA               700            NA
##  4  2013     9    28             NA              1635            NA
##  5  2013     9    27             NA              1600            NA
##  6  2013     9    27             NA              2100            NA
##  7  2013     9    26             NA              1400            NA
##  8  2013     9    25             NA              1900            NA
##  9  2013     9    25             NA              1300            NA
## 10  2013     9    23             NA              1756            NA
## # … with 336,766 more rows, and 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>

Vemos que hay muchos valores faltantes y se encuentran ordenados en la parte superior.

3.2 Ejercicio 2

Ordena vuelos para encontrar los vuelos más retrasados

#LOS VUELOS QUE MAS RETRASADOS
vuelos %>% arrange(-atraso_salida)
## # A tibble: 336,776 × 19
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013     1     9            641               900          1301
##  2  2013     6    15           1432              1935          1137
##  3  2013     1    10           1121              1635          1126
##  4  2013     9    20           1139              1845          1014
##  5  2013     7    22            845              1600          1005
##  6  2013     4    10           1100              1900           960
##  7  2013     3    17           2321               810           911
##  8  2013     6    27            959              1900           899
##  9  2013     7    22           2257               759           898
## 10  2013    12     5            756              1700           896
## # … with 336,766 more rows, and 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>

Encuentra los vuelos que salieron más temprano

#LOS VUELOS QUE SALIERON MAS TEMPRANO
vuelos %>% arrange(atraso_salida)
## # A tibble: 336,776 × 19
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013    12     7           2040              2123           -43
##  2  2013     2     3           2022              2055           -33
##  3  2013    11    10           1408              1440           -32
##  4  2013     1    11           1900              1930           -30
##  5  2013     1    29           1703              1730           -27
##  6  2013     8     9            729               755           -26
##  7  2013    10    23           1907              1932           -25
##  8  2013     3    30           2030              2055           -25
##  9  2013     3     2           1431              1455           -24
## 10  2013     5     5            934               958           -24
## # … with 336,766 more rows, and 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

Ordena vuelos para encontrar los vuelos más rápidos (que viajaron a mayor velocidad)

vuelos %>% mutate(Velocidad = distancia/tiempo_vuelo) %>%
           arrange(-Velocidad)
## # A tibble: 336,776 × 20
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013     5    25           1709              1700             9
##  2  2013     7     2           1558              1513            45
##  3  2013     5    13           2040              2025            15
##  4  2013     3    23           1914              1910             4
##  5  2013     1    12           1559              1600            -1
##  6  2013    11    17            650               655            -5
##  7  2013     2    21           2355              2358            -3
##  8  2013    11    17            759               800            -1
##  9  2013    11    16           2003              1925            38
## 10  2013    11    16           2349              2359           -10
## # … with 336,766 more rows, and 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>, Velocidad <dbl>

3.4 Ejercicio 4

¿Cuáles vuelos viajaron más lejos?

#Selecciono el de mayor distancia
vuelos %>% filter(distancia == max(distancia)) %>% 
  select(anio,mes,dia,distancia)
## # A tibble: 342 × 4
##     anio   mes   dia distancia
##    <int> <int> <int>     <dbl>
##  1  2013     1     1      4983
##  2  2013     1     2      4983
##  3  2013     1     3      4983
##  4  2013     1     4      4983
##  5  2013     1     5      4983
##  6  2013     1     6      4983
##  7  2013     1     7      4983
##  8  2013     1     8      4983
##  9  2013     1     9      4983
## 10  2013     1    10      4983
## # … with 332 more rows

¿Cuál viajó más cerca?

#Vemos cuales son los vuelos que viajaron más cerca
vuelos %>% arrange(distancia) %>% head(10) %>% 
  select(anio,mes,dia,distancia)
## # A tibble: 10 × 4
##     anio   mes   dia distancia
##    <int> <int> <int>     <dbl>
##  1  2013     7    27        17
##  2  2013     1     3        80
##  3  2013     1     4        80
##  4  2013     1     4        80
##  5  2013     1     4        80
##  6  2013     1     5        80
##  7  2013     1     6        80
##  8  2013     1     7        80
##  9  2013     1     8        80
## 10  2013     1     9        80
#Selecciono el de menor distancia
vuelos %>% filter(distancia == min(distancia)) %>% 
  select(anio,mes,dia,distancia)
## # A tibble: 1 × 4
##    anio   mes   dia distancia
##   <int> <int> <int>     <dbl>
## 1  2013     7    27        17