library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(nycflights13)
library(tidyverse)## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ forcats 1.0.0 ✔ readr 2.1.5
## ✔ ggplot2 3.4.4 ✔ stringr 1.5.1
## ✔ lubridate 1.9.3 ✔ tibble 3.2.1
## ✔ purrr 1.0.2 ✔ tidyr 1.3.1## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errorsflights = flights#1 Seleccionar del data frame flights los campos carrier, número de vuelo (flight), origen, destino, tiempo de vuelo y distancia recorrida
select(flights,carrier, flight, origin, dest, air_time, distance)## # A tibble: 336,776 × 6
## carrier flight origin dest air_time distance
## <chr> <int> <chr> <chr> <dbl> <dbl>
## 1 UA 1545 EWR IAH 227 1400
## 2 UA 1714 LGA IAH 227 1416
## 3 AA 1141 JFK MIA 160 1089
## 4 B6 725 JFK BQN 183 1576
## 5 DL 461 LGA ATL 116 762
## 6 UA 1696 EWR ORD 150 719
## 7 B6 507 EWR FLL 158 1065
## 8 EV 5708 LGA IAD 53 229
## 9 B6 79 JFK MCO 140 944
## 10 AA 301 LGA ORD 138 733
## # ℹ 336,766 more rows#2 Selecciona del data frame flights todos los campos entre year “y” day (incluyéndolo)
select(flights,year:day)## # A tibble: 336,776 × 3
## year month day
## <int> <int> <int>
## 1 2013 1 1
## 2 2013 1 1
## 3 2013 1 1
## 4 2013 1 1
## 5 2013 1 1
## 6 2013 1 1
## 7 2013 1 1
## 8 2013 1 1
## 9 2013 1 1
## 10 2013 1 1
## # ℹ 336,766 more rows#3 Seleccionar del data frame flights todos los campos con ecxepción de hour, minute “y” time_hour
select(flights, -hour, -minute, -time_hour)## # A tibble: 336,776 × 16
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 517 515 2 830 819
## 2 2013 1 1 533 529 4 850 830
## 3 2013 1 1 542 540 2 923 850
## 4 2013 1 1 544 545 -1 1004 1022
## 5 2013 1 1 554 600 -6 812 837
## 6 2013 1 1 554 558 -4 740 728
## 7 2013 1 1 555 600 -5 913 854
## 8 2013 1 1 557 600 -3 709 723
## 9 2013 1 1 557 600 -3 838 846
## 10 2013 1 1 558 600 -2 753 745
## # ℹ 336,766 more rows
## # ℹ 8 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>##mutate()
#4 Seleccionar del data frame flights los campos de year a day, los que terminen con delay y los campos distances “y” air_time
filter(flights, dep_delay>0)## # A tibble: 128,432 × 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 517 515 2 830 819
## 2 2013 1 1 533 529 4 850 830
## 3 2013 1 1 542 540 2 923 850
## 4 2013 1 1 601 600 1 844 850
## 5 2013 1 1 608 600 8 807 735
## 6 2013 1 1 611 600 11 945 931
## 7 2013 1 1 613 610 3 925 921
## 8 2013 1 1 623 610 13 920 915
## 9 2013 1 1 632 608 24 740 728
## 10 2013 1 1 644 636 8 931 940
## # ℹ 128,422 more rows
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>df_mutate = select(flights, year:day, distance, air_time)#agrega dos campos al data frame anterior
#1) tiempo_ganado que resulta de restar la hora de llegada a la hora de partida
flights %>% mutate(tiempo_ganado= arr_time - dep_time, .keep = "all")## # A tibble: 336,776 × 20
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 517 515 2 830 819
## 2 2013 1 1 533 529 4 850 830
## 3 2013 1 1 542 540 2 923 850
## 4 2013 1 1 544 545 -1 1004 1022
## 5 2013 1 1 554 600 -6 812 837
## 6 2013 1 1 554 558 -4 740 728
## 7 2013 1 1 555 600 -5 913 854
## 8 2013 1 1 557 600 -3 709 723
## 9 2013 1 1 557 600 -3 838 846
## 10 2013 1 1 558 600 -2 753 745
## # ℹ 336,766 more rows
## # ℹ 12 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>, tiempo_ganado <int>#2) velocidad_vuelo que resulta de dividir distancia entre tiempo de vuelo por 60
Vuelos_Velocidad = mutate(flights,velocidad_vuelo= (distance/air_time)*60, .keep = "all")
Vuelos_Velocidad## # A tibble: 336,776 × 20
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 517 515 2 830 819
## 2 2013 1 1 533 529 4 850 830
## 3 2013 1 1 542 540 2 923 850
## 4 2013 1 1 544 545 -1 1004 1022
## 5 2013 1 1 554 600 -6 812 837
## 6 2013 1 1 554 558 -4 740 728
## 7 2013 1 1 555 600 -5 913 854
## 8 2013 1 1 557 600 -3 709 723
## 9 2013 1 1 557 600 -3 838 846
## 10 2013 1 1 558 600 -2 753 745
## # ℹ 336,766 more rows
## # ℹ 12 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>, velocidad_vuelo <dbl>Filtrando datos en un data frame con filter()
#5 Muestra los vuelos que presentan un retraso superior a 2 horas a la hora de llegada
filter(flights,arr_delay>120)## # A tibble: 10,034 × 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 811 630 101 1047 830
## 2 2013 1 1 848 1835 853 1001 1950
## 3 2013 1 1 957 733 144 1056 853
## 4 2013 1 1 1114 900 134 1447 1222
## 5 2013 1 1 1505 1310 115 1638 1431
## 6 2013 1 1 1525 1340 105 1831 1626
## 7 2013 1 1 1549 1445 64 1912 1656
## 8 2013 1 1 1558 1359 119 1718 1515
## 9 2013 1 1 1732 1630 62 2028 1825
## 10 2013 1 1 1803 1620 103 2008 1750
## # ℹ 10,024 more rows
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>#6 Muestra los vuelos que presentan un retraso superior a 2 horas en la hora de llegada o en la hora de partida
filter(flights, dep_delay>120 | arr_delay>120)## # A tibble: 11,422 × 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 811 630 101 1047 830
## 2 2013 1 1 848 1835 853 1001 1950
## 3 2013 1 1 957 733 144 1056 853
## 4 2013 1 1 1114 900 134 1447 1222
## 5 2013 1 1 1505 1310 115 1638 1431
## 6 2013 1 1 1525 1340 105 1831 1626
## 7 2013 1 1 1540 1338 122 2020 1825
## 8 2013 1 1 1549 1445 64 1912 1656
## 9 2013 1 1 1558 1359 119 1718 1515
## 10 2013 1 1 1732 1630 62 2028 1825
## # ℹ 11,412 more rows
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>#7 Ahora, muestra una estrucutra de la base de datos con glimpse()
glimpse(flights)## Rows: 336,776
## Columns: 19
## $ year <int> 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2…
## $ month <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
## $ day <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
## $ dep_time <int> 517, 533, 542, 544, 554, 554, 555, 557, 557, 558, 558, …
## $ sched_dep_time <int> 515, 529, 540, 545, 600, 558, 600, 600, 600, 600, 600, …
## $ dep_delay <dbl> 2, 4, 2, -1, -6, -4, -5, -3, -3, -2, -2, -2, -2, -2, -1…
## $ arr_time <int> 830, 850, 923, 1004, 812, 740, 913, 709, 838, 753, 849,…
## $ sched_arr_time <int> 819, 830, 850, 1022, 837, 728, 854, 723, 846, 745, 851,…
## $ arr_delay <dbl> 11, 20, 33, -18, -25, 12, 19, -14, -8, 8, -2, -3, 7, -1…
## $ carrier <chr> "UA", "UA", "AA", "B6", "DL", "UA", "B6", "EV", "B6", "…
## $ flight <int> 1545, 1714, 1141, 725, 461, 1696, 507, 5708, 79, 301, 4…
## $ tailnum <chr> "N14228", "N24211", "N619AA", "N804JB", "N668DN", "N394…
## $ origin <chr> "EWR", "LGA", "JFK", "JFK", "LGA", "EWR", "EWR", "LGA",…
## $ dest <chr> "IAH", "IAH", "MIA", "BQN", "ATL", "ORD", "FLL", "IAD",…
## $ air_time <dbl> 227, 227, 160, 183, 116, 150, 158, 53, 140, 138, 149, 1…
## $ distance <dbl> 1400, 1416, 1089, 1576, 762, 719, 1065, 229, 944, 733, …
## $ hour <dbl> 5, 5, 5, 5, 6, 5, 6, 6, 6, 6, 6, 6, 6, 6, 6, 5, 6, 6, 6…
## $ minute <dbl> 15, 29, 40, 45, 0, 58, 0, 0, 0, 0, 0, 0, 0, 0, 0, 59, 0…
## $ time_hour <dttm> 2013-01-01 05:00:00, 2013-01-01 05:00:00, 2013-01-01 0…#8 Muestra los vuelos realizados en los meses de Noviembre y Diciembre
filter(flights,month>=11)## # A tibble: 55,403 × 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 11 1 5 2359 6 352 345
## 2 2013 11 1 35 2250 105 123 2356
## 3 2013 11 1 455 500 -5 641 651
## 4 2013 11 1 539 545 -6 856 827
## 5 2013 11 1 542 545 -3 831 855
## 6 2013 11 1 549 600 -11 912 923
## 7 2013 11 1 550 600 -10 705 659
## 8 2013 11 1 554 600 -6 659 701
## 9 2013 11 1 554 600 -6 826 827
## 10 2013 11 1 554 600 -6 749 751
## # ℹ 55,393 more rows
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>#9 Muestra los vuelos operados por United, American o Delta
filter(flights,carrier==c("AA","UA","DL"))## Warning: There was 1 warning in `filter()`.
## ℹ In argument: `carrier == c("AA", "UA", "DL")`.
## Caused by warning in `carrier == c("AA", "UA", "DL")`:
## ! longitud de objeto mayor no es múltiplo de la longitud de uno menor## # A tibble: 46,168 × 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 533 529 4 850 830
## 2 2013 1 1 558 600 -2 753 745
## 3 2013 1 1 558 600 -2 923 937
## 4 2013 1 1 559 600 -1 854 902
## 5 2013 1 1 602 610 -8 812 820
## 6 2013 1 1 606 610 -4 837 845
## 7 2013 1 1 615 615 0 833 842
## 8 2013 1 1 628 630 -2 1137 1140
## 9 2013 1 1 628 630 -2 1016 947
## 10 2013 1 1 635 635 0 1028 940
## # ℹ 46,158 more rows
## # ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>#10 Ordena flights para encontrar los vuelos más rápidos (velocidad más alta)
arrange(Vuelos_Velocidad,desc(velocidad_vuelo))## # A tibble: 336,776 × 20
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 5 25 1709 1700 9 1923 1937
## 2 2013 7 2 1558 1513 45 1745 1719
## 3 2013 5 13 2040 2025 15 2225 2226
## 4 2013 3 23 1914 1910 4 2045 2043
## 5 2013 1 12 1559 1600 -1 1849 1917
## 6 2013 11 17 650 655 -5 1059 1150
## 7 2013 2 21 2355 2358 -3 412 438
## 8 2013 11 17 759 800 -1 1212 1255
## 9 2013 11 16 2003 1925 38 17 36
## 10 2013 11 16 2349 2359 -10 402 440
## # ℹ 336,766 more rows
## # ℹ 12 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>, velocidad_vuelo <dbl>#¿Cuál es la aerolínea que vuela más rápido?
velocidades_por_aerolinea = flights %>%
group_by(carrier) %>%
summarize(Velocidad_promedio = mean(distance / (air_time/ 60), na.rm = TRUE)) %>%
arrange(desc(Velocidad_promedio))
aerolinea_mas_rapida = velocidades_por_aerolinea$carrier[1]
velocidad_promedio_mas_alta=velocidades_por_aerolinea$Velocidad_promedio[1]
cat("La aerolínea que vuela más rápido es:", aerolinea_mas_rapida, "con una velocidad promedio de", round(velocidad_promedio_mas_alta, 2), "millas por hora.")## La aerolínea que vuela más rápido es: HA con una velocidad promedio de 480.36 millas por hora.#Aplicando funciones como min, max, mean, sum, count, etc con group_by() y summarize()
#11 Cuál es la media del retraso en los vuelos, agrupa por year, month, day
año_promedio= mean(flights$dep_delay,na.rm = T)
flights$dep_delay[is.na(flights$dep_delay)] = año_promedio
MediaYear= mean(flights$dep_delay)
cat("El retraso promedio del 2013 es:", MediaYear)## El retraso promedio del 2013 es: 12.63907año_promedio= mean(flights$dep_delay,na.rm = T)
flights$dep_delay[is.na(flights$dep_delay)] = año_promedio
RetrasoM=flights %>% group_by(month) %>% summarize( promre = mean(dep_delay))
cat("Mes 1 Promedio:", RetrasoM$promre [1], "\nMes 2 Promedio", RetrasoM$promre [2], "\nMes 3 Promedio:", RetrasoM$promre [3], "\nMes 4 Promedio:", RetrasoM$promre [4], "\nMes 5 Promedio:", RetrasoM$promre [5], "\nMes 6 Promedio:", RetrasoM$promre [6], "\nMes 7 Promedio:", RetrasoM$promre [7], "\nMes 8 Promedio:", RetrasoM$promre [8], "\nMes 9 Promedio:", RetrasoM$promre [9], "\nMes 10 Promedio:", RetrasoM$promre [10], "\nMes 11 Promedio:", RetrasoM$promre [11], "\nMes 12 Promedio:", RetrasoM$promre [12])## Mes 1 Promedio: 10.08687
## Mes 2 Promedio 10.90894
## Mes 3 Promedio: 13.20952
## Mes 4 Promedio: 13.90741
## Mes 5 Promedio: 12.98006
## Mes 6 Promedio: 20.55312
## Mes 7 Promedio: 21.43744
## Mes 8 Promedio: 12.6115
## Mes 9 Promedio: 6.819463
## Mes 10 Promedio: 6.296231
## Mes 11 Promedio: 5.496916
## Mes 12 Promedio: 16.43323año_promedio= mean(flights$dep_delay,na.rm = T)
flights$dep_delay[is.na(flights$dep_delay)] = año_promedio
RetrasoMensual=flights %>% group_by(day) %>% summarize( promret = mean(dep_delay))
cat("Dia 1 Promedio:", RetrasoMensual$promret [1], "\nDia 2 Promedio", RetrasoMensual$promret [2], "\nDia 3 Promedio:", RetrasoMensual$promret [3], "\nDia 4 Promedio:", RetrasoMensual$promret [4], "\nDia 5 Promedio:", RetrasoMensual$promret [5], "\nDia 6 Promedio:", RetrasoMensual$promret [6], "\nDia 7 Promedio:", RetrasoMensual$promret [7], "\nDia 8 Promedio:", RetrasoMensual$promret [8], "\nDia 9 Promedio:", RetrasoMensual$promret [9], "\nDia 10 Promedio:", RetrasoMensual$promret [10], "\nDia 11 Promedio:", RetrasoMensual$promret [11], "\nDia 12 Promedio:", RetrasoMensual$promret [12],"\nDia 13 Promedio:", RetrasoMensual$promret [13], "\nDia 14 Promedio", RetrasoMensual$promret [14], "\nDia 15 Promedio:", RetrasoMensual$promret [15], "\nDia 16 Promedio:", RetrasoMensual$promret [16], "\nDia 17 Promedio:", RetrasoMensual$promret [17], "\nDia 18 Promedio:", RetrasoMensual$promret [18], "\nDia 19 Promedio:", RetrasoMensual$promret [19], "\nDia 20 Promedio:", RetrasoMensual$promret [20], "\nDia 21 Promedio:", RetrasoMensual$promret [21], "\nDia 22 Promedio:", RetrasoMensual$promret [22], "\nDia 23 Promedio:", RetrasoMensual$promret [23], "\nDia 24 Promedio:", RetrasoMensual$promret [24],"\nDia 25 Promedio:", RetrasoMensual$promret [25], "\nDia 26 Promedio", RetrasoMensual$promret [26], "\nDia 27 Promedio:", RetrasoMensual$promret [27], "\nDia 28 Promedio:", RetrasoMensual$promret [28], "\nDia 29 Promedio:", RetrasoMensual$promret [29], "\nDia 30 Promedio:", RetrasoMensual$promret [30], "\nDia 31 Promedio:", RetrasoMensual$promret [31])## Dia 1 Promedio: 14.13848
## Dia 2 Promedio 14.0814
## Dia 3 Promedio: 10.82907
## Dia 4 Promedio: 5.840438
## Dia 5 Promedio: 7.921112
## Dia 6 Promedio: 7.141438
## Dia 7 Promedio: 14.28996
## Dia 8 Promedio: 21.0154
## Dia 9 Promedio: 14.53514
## Dia 10 Promedio: 18.03072
## Dia 11 Promedio: 15.69603
## Dia 12 Promedio: 15.08638
## Dia 13 Promedio: 13.54238
## Dia 14 Promedio 9.069193
## Dia 15 Promedio: 6.9626
## Dia 16 Promedio: 8.79276
## Dia 17 Promedio: 13.50817
## Dia 18 Promedio: 14.81595
## Dia 19 Promedio: 15.15847
## Dia 20 Promedio: 8.595765
## Dia 21 Promedio: 9.147325
## Dia 22 Promedio: 18.54934
## Dia 23 Promedio: 17.21791
## Dia 24 Promedio: 15.19591
## Dia 25 Promedio: 14.71653
## Dia 26 Promedio 9.780146
## Dia 27 Promedio: 12.09454
## Dia 28 Promedio: 15.64294
## Dia 29 Promedio: 8.501407
## Dia 30 Promedio: 10.07037
## Dia 31 Promedio: 9.573828#Elimina los Na’s
#Identifica el día, mes, año que tuvo menos retraso
Ret_ordena=RetrasoM %>% arrange(promre)
Mes_menosR = Ret_ordena[1]
MES_ordena = RetrasoM %>%
group_by(month) %>%
arrange((promre))
MesMenRetr = MES_ordena$month[1]
cat("El mes con menos retraso es:", MesMenRetr)## El mes con menos retraso es: 11Ret_ordenaD =RetrasoMensual%>% arrange(promret)
Day_menosR = Ret_ordenaD[1]
DAY_ordena = RetrasoMensual%>%
group_by(day) %>%
arrange((promret))
DayMenRetr = DAY_ordena$day[1]
cat("El día con menos retraso es:", DayMenRetr)## El día con menos retraso es: 4cat("El año con menos retraso es:", 2013)## El año con menos retraso es: 2013#12 Obtén el número de vuelos por aerlorínea y destino
vuelos_por_aerolinea_destino = flights %>%
group_by(carrier,dest) %>%
summarize(Numero_de_vuelos = n())## `summarise()` has grouped output by 'carrier'. You can override using the
## `.groups` argument.vuelos_por_aerolinea_destino## # A tibble: 314 × 3
## # Groups: carrier [16]
## carrier dest Numero_de_vuelos
## <chr> <chr> <int>
## 1 9E ATL 59
## 2 9E AUS 2
## 3 9E AVL 10
## 4 9E BGR 1
## 5 9E BNA 474
## 6 9E BOS 914
## 7 9E BTV 2
## 8 9E BUF 833
## 9 9E BWI 856
## 10 9E CAE 3
## # ℹ 304 more rows#Identifica aerolínea y destino con mayor número de vuelos ordenando el resultado anterior de forma ascendente
vuelos_por_aerolinea_destino %>% arrange(desc(Numero_de_vuelos))## # A tibble: 314 × 3
## # Groups: carrier [16]
## carrier dest Numero_de_vuelos
## <chr> <chr> <int>
## 1 DL ATL 10571
## 2 US CLT 8632
## 3 AA DFW 7257
## 4 AA MIA 7234
## 5 UA ORD 6984
## 6 UA IAH 6924
## 7 UA SFO 6819
## 8 B6 FLL 6563
## 9 B6 MCO 6472
## 10 AA ORD 6059
## # ℹ 304 more rows#13 Obtén la máxima distancias recorrida por aerolínea y destino, ordena en forma descendente por máxima distancia recorrida
max_distancia_por_aerolinea_destino = flights %>%
group_by(carrier, dest) %>%
summarize(Max_Dist = max(distance))## `summarise()` has grouped output by 'carrier'. You can override using the
## `.groups` argument.max_distancia_por_aerolinea_destino = max_distancia_por_aerolinea_destino %>%
arrange(desc(Max_Dist))
max_distancia_por_aerolinea_destino## # A tibble: 314 × 3
## # Groups: carrier [16]
## carrier dest Max_Dist
## <chr> <chr> <dbl>
## 1 HA HNL 4983
## 2 UA HNL 4963
## 3 UA ANC 3370
## 4 AA SFO 2586
## 5 B6 SFO 2586
## 6 DL SFO 2586
## 7 UA SFO 2586
## 8 VX SFO 2586
## 9 B6 OAK 2576
## 10 B6 SJC 2569
## # ℹ 304 more rowsRenombrando campos en un data frame con rename()
#14 En la consulta 18 renombra el campo max_distancia por distancia_máxima_recorrida
max_distancia_por_aerolinea_destino = max_distancia_por_aerolinea_destino %>%
rename(distancia_máxima_recorrida = Max_Dist)
max_distancia_por_aerolinea_destino## # A tibble: 314 × 3
## # Groups: carrier [16]
## carrier dest distancia_máxima_recorrida
## <chr> <chr> <dbl>
## 1 HA HNL 4983
## 2 UA HNL 4963
## 3 UA ANC 3370
## 4 AA SFO 2586
## 5 B6 SFO 2586
## 6 DL SFO 2586
## 7 UA SFO 2586
## 8 VX SFO 2586
## 9 B6 OAK 2576
## 10 B6 SJC 2569
## # ℹ 304 more rows