AGREGAR IMAGEN
…………..
El paquete nycflights13 contiene información sore todos los vueles que partieron desde Nueva York(EWR, JFL, LGA) en destinos a los Estados Unidos en 2013. Fueron 336,776 vuelos en total. Para ayudar a comprender las causas de los retrasos, también incluye otros ocnjuntos de datos útiles.
Este paquete incluye las siguientes tablas:
Fuente: Origen de los datos
#install.packages("nycflight13")
library(nycflights13)
#install.packages("tidyverse")
library(tidyverse)
## Warning: package 'tidyverse' was built under R version 4.3.3
## Warning: package 'ggplot2' was built under R version 4.3.3
## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.4
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.0 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.0
## ✔ purrr 1.0.2
## ── 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 errors
#install.packages("dplyr")
library(dplyr)
#install.packages("ggplot2")
library(ggplot2)
#install.packages("")
library(broom)
## Warning: package 'broom' was built under R version 4.3.3
flights <- flights
weather <- weather
planes <- planes
airports <- airports
airlines <- airlines
agregar imagen
La función select sirve para seleccionar columnos de un table (data frame).
df1 <- flights %>% select(carrier, flight) # Selección de columnas específicas
df2 <- flights %>% select(carrier:distance) # Selección de rango de columnas
df3 <- flights %>% select(-carrier, -flight) # Eliminar columnas específicas
df4 <- flights %>% select(-carrier: -flight) # Eliminar rango de columnas
df5 <- flights %>% select(aerolinea = carrier) # Selecciona una columna y le cambia el nombre
df6 <- flights %>% rename(aerolinea = carrier) # Cambia el nombre de una columna
La función Filter sirve para seleccionar renglones de un tabla(data frame).
df7 <- flights %>% filter(dep_delay >=500) # Extrae renglones que cumplan condición
# Condicionales: Igual ==, Desigual =!=, Mayor que >, Mayor o igual que >=, Menor o igual que <=
# Operadores lógicos: AND &, OR |, NOT !
df8 <- flights %>% filter(dep_delay >=500, dep_delay <=600) # Extrae renglones que cumplan con dos condiciones
df9 <- flights %>% slice(1000: 1099) # Extrae los números de los renglones indicados, sin importar sus valores
La función distinct sirve para eliminar renglones duplicados.
df10 <- distinct(flights) # Dejar solo los renglones diferentes, borra todos los repetidos.
La función merge sirve para juntar bases de datos.
bdgrande <- merge(flights, airlines, by="carrier")
bdgrande2 <- merge(bdgrande,planes, by="tailnum")
bdgrande_con_dist_mts <- mutate(bdgrande2, dist_mts = distance*1.609)
#Agrega variables nuevas caluladas a partir de variables existentes en la base de datos.
ejercicio1 <- bdgrande2 %>% filter(arr_delay>=120)
ejercicio2 <- bdgrande2 %>% filter(dest== "IAH" | dest == "HOU")
ejercicio3 <- bdgrande2 %>% filter(carrier %in% c("UA", "AA", "DL"))
ejercicio4 <- bdgrande2 %>% filter(month %in% c(7, 8, 9))
ejercicio4a <- bdgrande2 %>% filter(month == 7 | month == 8 | month == 9)
ejercicio5 <- bdgrande2 %>% filter(arr_delay>120 & dep_time == sched_dep_time)
ejercicio5a <- bdgrande2 %>% filter(arr_delay>120 & dep_delay<=0)
ejercicio6 <- bdgrande2 %>% filter(dep_delay>=60 & arr_delay<=-30)
ejercicio7 <- bdgrande2 %>% filter(dep_time %in% c("2400", "100", "200", "300", "400", "500", "600"))
ejercicio7a <- bdgrande2 %>% filter(dep_time==2400 | dep_time<=600)
ejercicio7b <- bdgrande2 %>% filter(hour %in% c("0", "1", "2", "3", "4", "5", "6"))
Similar a filter () pero en lugar de seleccionar renglones, los ordena de menor a mayor.
df11 <- arrange(bdgrande2, year.x, month, day)
Para acomodar de mayor a menor.
df12 <- arrange(bdgrande2, year.x, desc(month), day)
Colapsa una tabla a un sólo renglón
# Obtén el retraso promedio de salida de despegue de todos los vuelos
summarize(bdgrande2, mean(dep_delay, na.rm=TRUE))
## mean(dep_delay, na.rm = TRUE)
## 1 13.17979
Agrupa tabla basado en algunas columnas.
# Obtener el retraso promedio de despegue por día
por_dia <- group_by(bdgrande2, year.x, month, day)
summarize(por_dia, mean(dep_delay, na.rm=TRUE))
## `summarise()` has grouped output by 'year.x', 'month'. You can override using
## the `.groups` argument.
## # A tibble: 365 × 4
## # Groups: year.x, month [12]
## year.x month day `mean(dep_delay, na.rm = TRUE)`
## <int> <int> <int> <dbl>
## 1 2013 1 1 10.7
## 2 2013 1 2 14.4
## 3 2013 1 3 11.1
## 4 2013 1 4 10.0
## 5 2013 1 5 5.70
## 6 2013 1 6 7.98
## 7 2013 1 7 6.49
## 8 2013 1 8 3.10
## 9 2013 1 9 3.17
## 10 2013 1 10 1.89
## # ℹ 355 more rows
# La carga a a memoria se hizo en el paso anterior
flights
## # A tibble: 336,776 × 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 1 544 545 -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 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>
str(flights)
## tibble [336,776 × 19] (S3: tbl_df/tbl/data.frame)
## $ year : int [1:336776] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
## $ month : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
## $ day : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
## $ dep_time : int [1:336776] 517 533 542 544 554 554 555 557 557 558 ...
## $ sched_dep_time: int [1:336776] 515 529 540 545 600 558 600 600 600 600 ...
## $ dep_delay : num [1:336776] 2 4 2 -1 -6 -4 -5 -3 -3 -2 ...
## $ arr_time : int [1:336776] 830 850 923 1004 812 740 913 709 838 753 ...
## $ sched_arr_time: int [1:336776] 819 830 850 1022 837 728 854 723 846 745 ...
## $ arr_delay : num [1:336776] 11 20 33 -18 -25 12 19 -14 -8 8 ...
## $ carrier : chr [1:336776] "UA" "UA" "AA" "B6" ...
## $ flight : int [1:336776] 1545 1714 1141 725 461 1696 507 5708 79 301 ...
## $ tailnum : chr [1:336776] "N14228" "N24211" "N619AA" "N804JB" ...
## $ origin : chr [1:336776] "EWR" "LGA" "JFK" "JFK" ...
## $ dest : chr [1:336776] "IAH" "IAH" "MIA" "BQN" ...
## $ air_time : num [1:336776] 227 227 160 183 116 150 158 53 140 138 ...
## $ distance : num [1:336776] 1400 1416 1089 1576 762 ...
## $ hour : num [1:336776] 5 5 5 5 6 5 6 6 6 6 ...
## $ minute : num [1:336776] 15 29 40 45 0 58 0 0 0 0 ...
## $ time_hour : POSIXct[1:336776], format: "2013-01-01 05:00:00" "2013-01-01 05:00:00" ...
# int:entero (sin decimales)
# num:numérico (con decimales)
# chr: caractér (letras)
# date: fecha (en R va año-mes-dia)
# POSIXct:formato fecha y hora
class(flights)
## [1] "tbl_df" "tbl" "data.frame"
# Las 5 clases de objetos
# 1. numeric: Número real o décimal
# 2. integer: Números enteros
# 3. Complex: Números complejos
# 4. Character: Caractéres
# 5. Logical: TRUE o FALSE
# Las 4 clases de objetos compuestos son:
# 1. list: lista
# 2. Matrix: Matriz
# 3. Array: colección de objetos
# 4. data.frame: base de datos
# Número de columnas
ncol(flights)
## [1] 19
# Numero de renglones
nrow(flights)
## [1] 336776
# Dimensión
dim(flights)
## [1] 336776 19
head(flights)
## # A tibble: 6 × 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 1 544 545 -1 1004 1022
## 5 2013 1 1 554 600 -6 812 837
## 6 2013 1 1 554 558 -4 740 728
## # 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>
tail(flights)
## # A tibble: 6 × 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 9 30 NA 1842 NA NA 2019
## 2 2013 9 30 NA 1455 NA NA 1634
## 3 2013 9 30 NA 2200 NA NA 2312
## 4 2013 9 30 NA 1210 NA NA 1330
## 5 2013 9 30 NA 1159 NA NA 1344
## 6 2013 9 30 NA 840 NA NA 1020
## # 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>
# Si quisieramos 7 renglones: head(flights,7)
summary(flights)
## year month day dep_time sched_dep_time
## Min. :2013 Min. : 1.000 Min. : 1.00 Min. : 1 Min. : 106
## 1st Qu.:2013 1st Qu.: 4.000 1st Qu.: 8.00 1st Qu.: 907 1st Qu.: 906
## Median :2013 Median : 7.000 Median :16.00 Median :1401 Median :1359
## Mean :2013 Mean : 6.549 Mean :15.71 Mean :1349 Mean :1344
## 3rd Qu.:2013 3rd Qu.:10.000 3rd Qu.:23.00 3rd Qu.:1744 3rd Qu.:1729
## Max. :2013 Max. :12.000 Max. :31.00 Max. :2400 Max. :2359
## NA's :8255
## dep_delay arr_time sched_arr_time arr_delay
## Min. : -43.00 Min. : 1 Min. : 1 Min. : -86.000
## 1st Qu.: -5.00 1st Qu.:1104 1st Qu.:1124 1st Qu.: -17.000
## Median : -2.00 Median :1535 Median :1556 Median : -5.000
## Mean : 12.64 Mean :1502 Mean :1536 Mean : 6.895
## 3rd Qu.: 11.00 3rd Qu.:1940 3rd Qu.:1945 3rd Qu.: 14.000
## Max. :1301.00 Max. :2400 Max. :2359 Max. :1272.000
## NA's :8255 NA's :8713 NA's :9430
## carrier flight tailnum origin
## Length:336776 Min. : 1 Length:336776 Length:336776
## Class :character 1st Qu.: 553 Class :character Class :character
## Mode :character Median :1496 Mode :character Mode :character
## Mean :1972
## 3rd Qu.:3465
## Max. :8500
##
## dest air_time distance hour
## Length:336776 Min. : 20.0 Min. : 17 Min. : 1.00
## Class :character 1st Qu.: 82.0 1st Qu.: 502 1st Qu.: 9.00
## Mode :character Median :129.0 Median : 872 Median :13.00
## Mean :150.7 Mean :1040 Mean :13.18
## 3rd Qu.:192.0 3rd Qu.:1389 3rd Qu.:17.00
## Max. :695.0 Max. :4983 Max. :23.00
## NA's :9430
## minute time_hour
## Min. : 0.00 Min. :2013-01-01 05:00:00.00
## 1st Qu.: 8.00 1st Qu.:2013-04-04 13:00:00.00
## Median :29.00 Median :2013-07-03 10:00:00.00
## Mean :26.23 Mean :2013-07-03 05:22:54.64
## 3rd Qu.:44.00 3rd Qu.:2013-10-01 07:00:00.00
## Max. :59.00 Max. :2013-12-31 23:00:00.00
##
En este trabajo pudimos utlizar las funciones más comunes del análisis exploratorio, el cual es el primer paso para cualquier trabajo de manipulación de datos.
# Consulta la estructura de cada data frame
# Para el data frame flights
data(flights)
str(flights)
## tibble [336,776 × 19] (S3: tbl_df/tbl/data.frame)
## $ year : int [1:336776] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
## $ month : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
## $ day : int [1:336776] 1 1 1 1 1 1 1 1 1 1 ...
## $ dep_time : int [1:336776] 517 533 542 544 554 554 555 557 557 558 ...
## $ sched_dep_time: int [1:336776] 515 529 540 545 600 558 600 600 600 600 ...
## $ dep_delay : num [1:336776] 2 4 2 -1 -6 -4 -5 -3 -3 -2 ...
## $ arr_time : int [1:336776] 830 850 923 1004 812 740 913 709 838 753 ...
## $ sched_arr_time: int [1:336776] 819 830 850 1022 837 728 854 723 846 745 ...
## $ arr_delay : num [1:336776] 11 20 33 -18 -25 12 19 -14 -8 8 ...
## $ carrier : chr [1:336776] "UA" "UA" "AA" "B6" ...
## $ flight : int [1:336776] 1545 1714 1141 725 461 1696 507 5708 79 301 ...
## $ tailnum : chr [1:336776] "N14228" "N24211" "N619AA" "N804JB" ...
## $ origin : chr [1:336776] "EWR" "LGA" "JFK" "JFK" ...
## $ dest : chr [1:336776] "IAH" "IAH" "MIA" "BQN" ...
## $ air_time : num [1:336776] 227 227 160 183 116 150 158 53 140 138 ...
## $ distance : num [1:336776] 1400 1416 1089 1576 762 ...
## $ hour : num [1:336776] 5 5 5 5 6 5 6 6 6 6 ...
## $ minute : num [1:336776] 15 29 40 45 0 58 0 0 0 0 ...
## $ time_hour : POSIXct[1:336776], format: "2013-01-01 05:00:00" "2013-01-01 05:00:00" ...
ncol(flights)
## [1] 19
nrow(flights)
## [1] 336776
dim(flights)
## [1] 336776 19
head(flights)
## # A tibble: 6 × 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 1 544 545 -1 1004 1022
## 5 2013 1 1 554 600 -6 812 837
## 6 2013 1 1 554 558 -4 740 728
## # 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>
tail(flights)
## # A tibble: 6 × 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 9 30 NA 1842 NA NA 2019
## 2 2013 9 30 NA 1455 NA NA 1634
## 3 2013 9 30 NA 2200 NA NA 2312
## 4 2013 9 30 NA 1210 NA NA 1330
## 5 2013 9 30 NA 1159 NA NA 1344
## 6 2013 9 30 NA 840 NA NA 1020
## # 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>
summary(flights)
## year month day dep_time sched_dep_time
## Min. :2013 Min. : 1.000 Min. : 1.00 Min. : 1 Min. : 106
## 1st Qu.:2013 1st Qu.: 4.000 1st Qu.: 8.00 1st Qu.: 907 1st Qu.: 906
## Median :2013 Median : 7.000 Median :16.00 Median :1401 Median :1359
## Mean :2013 Mean : 6.549 Mean :15.71 Mean :1349 Mean :1344
## 3rd Qu.:2013 3rd Qu.:10.000 3rd Qu.:23.00 3rd Qu.:1744 3rd Qu.:1729
## Max. :2013 Max. :12.000 Max. :31.00 Max. :2400 Max. :2359
## NA's :8255
## dep_delay arr_time sched_arr_time arr_delay
## Min. : -43.00 Min. : 1 Min. : 1 Min. : -86.000
## 1st Qu.: -5.00 1st Qu.:1104 1st Qu.:1124 1st Qu.: -17.000
## Median : -2.00 Median :1535 Median :1556 Median : -5.000
## Mean : 12.64 Mean :1502 Mean :1536 Mean : 6.895
## 3rd Qu.: 11.00 3rd Qu.:1940 3rd Qu.:1945 3rd Qu.: 14.000
## Max. :1301.00 Max. :2400 Max. :2359 Max. :1272.000
## NA's :8255 NA's :8713 NA's :9430
## carrier flight tailnum origin
## Length:336776 Min. : 1 Length:336776 Length:336776
## Class :character 1st Qu.: 553 Class :character Class :character
## Mode :character Median :1496 Mode :character Mode :character
## Mean :1972
## 3rd Qu.:3465
## Max. :8500
##
## dest air_time distance hour
## Length:336776 Min. : 20.0 Min. : 17 Min. : 1.00
## Class :character 1st Qu.: 82.0 1st Qu.: 502 1st Qu.: 9.00
## Mode :character Median :129.0 Median : 872 Median :13.00
## Mean :150.7 Mean :1040 Mean :13.18
## 3rd Qu.:192.0 3rd Qu.:1389 3rd Qu.:17.00
## Max. :695.0 Max. :4983 Max. :23.00
## NA's :9430
## minute time_hour
## Min. : 0.00 Min. :2013-01-01 05:00:00.00
## 1st Qu.: 8.00 1st Qu.:2013-04-04 13:00:00.00
## Median :29.00 Median :2013-07-03 10:00:00.00
## Mean :26.23 Mean :2013-07-03 05:22:54.64
## 3rd Qu.:44.00 3rd Qu.:2013-10-01 07:00:00.00
## Max. :59.00 Max. :2013-12-31 23:00:00.00
##
¿Cuáles son los campos y sus tipos de datos? Los campos del conjunto de datos flights y sus tipos de datos son:
# Para el data frame weather
data(weather)
str(weather)
## tibble [26,115 × 15] (S3: tbl_df/tbl/data.frame)
## $ origin : chr [1:26115] "EWR" "EWR" "EWR" "EWR" ...
## $ year : int [1:26115] 2013 2013 2013 2013 2013 2013 2013 2013 2013 2013 ...
## $ month : int [1:26115] 1 1 1 1 1 1 1 1 1 1 ...
## $ day : int [1:26115] 1 1 1 1 1 1 1 1 1 1 ...
## $ hour : int [1:26115] 1 2 3 4 5 6 7 8 9 10 ...
## $ temp : num [1:26115] 39 39 39 39.9 39 ...
## $ dewp : num [1:26115] 26.1 27 28 28 28 ...
## $ humid : num [1:26115] 59.4 61.6 64.4 62.2 64.4 ...
## $ wind_dir : num [1:26115] 270 250 240 250 260 240 240 250 260 260 ...
## $ wind_speed: num [1:26115] 10.36 8.06 11.51 12.66 12.66 ...
## $ wind_gust : num [1:26115] NA NA NA NA NA NA NA NA NA NA ...
## $ precip : num [1:26115] 0 0 0 0 0 0 0 0 0 0 ...
## $ pressure : num [1:26115] 1012 1012 1012 1012 1012 ...
## $ visib : num [1:26115] 10 10 10 10 10 10 10 10 10 10 ...
## $ time_hour : POSIXct[1:26115], format: "2013-01-01 01:00:00" "2013-01-01 02:00:00" ...
ncol(weather)
## [1] 15
nrow(weather)
## [1] 26115
dim(weather)
## [1] 26115 15
head(weather)
## # A tibble: 6 × 15
## origin year month day hour temp dewp humid wind_dir wind_speed wind_gust
## <chr> <int> <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 EWR 2013 1 1 1 39.0 26.1 59.4 270 10.4 NA
## 2 EWR 2013 1 1 2 39.0 27.0 61.6 250 8.06 NA
## 3 EWR 2013 1 1 3 39.0 28.0 64.4 240 11.5 NA
## 4 EWR 2013 1 1 4 39.9 28.0 62.2 250 12.7 NA
## 5 EWR 2013 1 1 5 39.0 28.0 64.4 260 12.7 NA
## 6 EWR 2013 1 1 6 37.9 28.0 67.2 240 11.5 NA
## # ℹ 4 more variables: precip <dbl>, pressure <dbl>, visib <dbl>,
## # time_hour <dttm>
tail(weather)
## # A tibble: 6 × 15
## origin year month day hour temp dewp humid wind_dir wind_speed wind_gust
## <chr> <int> <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 LGA 2013 12 30 13 37.0 21.9 54.0 340 17.3 20.7
## 2 LGA 2013 12 30 14 36.0 19.9 51.8 340 13.8 21.9
## 3 LGA 2013 12 30 15 34.0 17.1 49.5 330 17.3 21.9
## 4 LGA 2013 12 30 16 32 15.1 49.2 340 15.0 23.0
## 5 LGA 2013 12 30 17 30.9 12.9 46.7 320 17.3 NA
## 6 LGA 2013 12 30 18 28.9 10.9 46.4 330 18.4 NA
## # ℹ 4 more variables: precip <dbl>, pressure <dbl>, visib <dbl>,
## # time_hour <dttm>
summary(weather)
## origin year month day
## Length:26115 Min. :2013 Min. : 1.000 Min. : 1.00
## Class :character 1st Qu.:2013 1st Qu.: 4.000 1st Qu.: 8.00
## Mode :character Median :2013 Median : 7.000 Median :16.00
## Mean :2013 Mean : 6.504 Mean :15.68
## 3rd Qu.:2013 3rd Qu.: 9.000 3rd Qu.:23.00
## Max. :2013 Max. :12.000 Max. :31.00
##
## hour temp dewp humid
## Min. : 0.00 Min. : 10.94 Min. :-9.94 Min. : 12.74
## 1st Qu.: 6.00 1st Qu.: 39.92 1st Qu.:26.06 1st Qu.: 47.05
## Median :11.00 Median : 55.40 Median :42.08 Median : 61.79
## Mean :11.49 Mean : 55.26 Mean :41.44 Mean : 62.53
## 3rd Qu.:17.00 3rd Qu.: 69.98 3rd Qu.:57.92 3rd Qu.: 78.79
## Max. :23.00 Max. :100.04 Max. :78.08 Max. :100.00
## NA's :1 NA's :1 NA's :1
## wind_dir wind_speed wind_gust precip
## Min. : 0.0 Min. : 0.000 Min. :16.11 Min. :0.000000
## 1st Qu.:120.0 1st Qu.: 6.905 1st Qu.:20.71 1st Qu.:0.000000
## Median :220.0 Median : 10.357 Median :24.17 Median :0.000000
## Mean :199.8 Mean : 10.518 Mean :25.49 Mean :0.004469
## 3rd Qu.:290.0 3rd Qu.: 13.809 3rd Qu.:28.77 3rd Qu.:0.000000
## Max. :360.0 Max. :1048.361 Max. :66.75 Max. :1.210000
## NA's :460 NA's :4 NA's :20778
## pressure visib time_hour
## Min. : 983.8 Min. : 0.000 Min. :2013-01-01 01:00:00.0
## 1st Qu.:1012.9 1st Qu.:10.000 1st Qu.:2013-04-01 21:30:00.0
## Median :1017.6 Median :10.000 Median :2013-07-01 14:00:00.0
## Mean :1017.9 Mean : 9.255 Mean :2013-07-01 18:26:37.7
## 3rd Qu.:1023.0 3rd Qu.:10.000 3rd Qu.:2013-09-30 13:00:00.0
## Max. :1042.1 Max. :10.000 Max. :2013-12-30 18:00:00.0
## NA's :2729
¿Cuáles son los campos y sus tipos de datos? Los campos del conjunto de datos weather y sus tipos de datos son:
# Para el data frame planes
data(planes)
str(planes)
## tibble [3,322 × 9] (S3: tbl_df/tbl/data.frame)
## $ tailnum : chr [1:3322] "N10156" "N102UW" "N103US" "N104UW" ...
## $ year : int [1:3322] 2004 1998 1999 1999 2002 1999 1999 1999 1999 1999 ...
## $ type : chr [1:3322] "Fixed wing multi engine" "Fixed wing multi engine" "Fixed wing multi engine" "Fixed wing multi engine" ...
## $ manufacturer: chr [1:3322] "EMBRAER" "AIRBUS INDUSTRIE" "AIRBUS INDUSTRIE" "AIRBUS INDUSTRIE" ...
## $ model : chr [1:3322] "EMB-145XR" "A320-214" "A320-214" "A320-214" ...
## $ engines : int [1:3322] 2 2 2 2 2 2 2 2 2 2 ...
## $ seats : int [1:3322] 55 182 182 182 55 182 182 182 182 182 ...
## $ speed : int [1:3322] NA NA NA NA NA NA NA NA NA NA ...
## $ engine : chr [1:3322] "Turbo-fan" "Turbo-fan" "Turbo-fan" "Turbo-fan" ...
ncol(planes)
## [1] 9
nrow(planes)
## [1] 3322
dim(planes)
## [1] 3322 9
head(planes)
## # A tibble: 6 × 9
## tailnum year type manufacturer model engines seats speed engine
## <chr> <int> <chr> <chr> <chr> <int> <int> <int> <chr>
## 1 N10156 2004 Fixed wing multi … EMBRAER EMB-… 2 55 NA Turbo…
## 2 N102UW 1998 Fixed wing multi … AIRBUS INDU… A320… 2 182 NA Turbo…
## 3 N103US 1999 Fixed wing multi … AIRBUS INDU… A320… 2 182 NA Turbo…
## 4 N104UW 1999 Fixed wing multi … AIRBUS INDU… A320… 2 182 NA Turbo…
## 5 N10575 2002 Fixed wing multi … EMBRAER EMB-… 2 55 NA Turbo…
## 6 N105UW 1999 Fixed wing multi … AIRBUS INDU… A320… 2 182 NA Turbo…
tail(planes)
## # A tibble: 6 × 9
## tailnum year type manufacturer model engines seats speed engine
## <chr> <int> <chr> <chr> <chr> <int> <int> <int> <chr>
## 1 N996DL 1991 Fixed wing multi … MCDONNELL D… MD-88 2 142 NA Turbo…
## 2 N997AT 2002 Fixed wing multi … BOEING 717-… 2 100 NA Turbo…
## 3 N997DL 1992 Fixed wing multi … MCDONNELL D… MD-88 2 142 NA Turbo…
## 4 N998AT 2002 Fixed wing multi … BOEING 717-… 2 100 NA Turbo…
## 5 N998DL 1992 Fixed wing multi … MCDONNELL D… MD-88 2 142 NA Turbo…
## 6 N999DN 1992 Fixed wing multi … MCDONNELL D… MD-88 2 142 NA Turbo…
summary(planes)
## tailnum year type manufacturer
## Length:3322 Min. :1956 Length:3322 Length:3322
## Class :character 1st Qu.:1997 Class :character Class :character
## Mode :character Median :2001 Mode :character Mode :character
## Mean :2000
## 3rd Qu.:2005
## Max. :2013
## NA's :70
## model engines seats speed
## Length:3322 Min. :1.000 Min. : 2.0 Min. : 90.0
## Class :character 1st Qu.:2.000 1st Qu.:140.0 1st Qu.:107.5
## Mode :character Median :2.000 Median :149.0 Median :162.0
## Mean :1.995 Mean :154.3 Mean :236.8
## 3rd Qu.:2.000 3rd Qu.:182.0 3rd Qu.:432.0
## Max. :4.000 Max. :450.0 Max. :432.0
## NA's :3299
## engine
## Length:3322
## Class :character
## Mode :character
##
##
##
##
¿Cuáles son los campos y sus tipos de datos? Los campos del conjunto de datos planes y sus tipos de datos son:
# Para el data frame airports
data(airports)
str(airports)
## tibble [1,458 × 8] (S3: tbl_df/tbl/data.frame)
## $ faa : chr [1:1458] "04G" "06A" "06C" "06N" ...
## $ name : chr [1:1458] "Lansdowne Airport" "Moton Field Municipal Airport" "Schaumburg Regional" "Randall Airport" ...
## $ lat : num [1:1458] 41.1 32.5 42 41.4 31.1 ...
## $ lon : num [1:1458] -80.6 -85.7 -88.1 -74.4 -81.4 ...
## $ alt : num [1:1458] 1044 264 801 523 11 ...
## $ tz : num [1:1458] -5 -6 -6 -5 -5 -5 -5 -5 -5 -8 ...
## $ dst : chr [1:1458] "A" "A" "A" "A" ...
## $ tzone: chr [1:1458] "America/New_York" "America/Chicago" "America/Chicago" "America/New_York" ...
## - attr(*, "spec")=
## .. cols(
## .. id = col_double(),
## .. name = col_character(),
## .. city = col_character(),
## .. country = col_character(),
## .. faa = col_character(),
## .. icao = col_character(),
## .. lat = col_double(),
## .. lon = col_double(),
## .. alt = col_double(),
## .. tz = col_double(),
## .. dst = col_character(),
## .. tzone = col_character()
## .. )
ncol(airports)
## [1] 8
nrow(airports)
## [1] 1458
dim(airports)
## [1] 1458 8
head(airports)
## # A tibble: 6 × 8
## faa name lat lon alt tz dst tzone
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr> <chr>
## 1 04G Lansdowne Airport 41.1 -80.6 1044 -5 A America/Ne…
## 2 06A Moton Field Municipal Airport 32.5 -85.7 264 -6 A America/Ch…
## 3 06C Schaumburg Regional 42.0 -88.1 801 -6 A America/Ch…
## 4 06N Randall Airport 41.4 -74.4 523 -5 A America/Ne…
## 5 09J Jekyll Island Airport 31.1 -81.4 11 -5 A America/Ne…
## 6 0A9 Elizabethton Municipal Airport 36.4 -82.2 1593 -5 A America/Ne…
tail(airports)
## # A tibble: 6 × 8
## faa name lat lon alt tz dst tzone
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <chr> <chr>
## 1 ZTY Boston Back Bay Station 42.3 -71.1 20 -5 A America/New_Yo…
## 2 ZUN Black Rock 35.1 -109. 6454 -7 A America/Denver
## 3 ZVE New Haven Rail Station 41.3 -72.9 7 -5 A America/New_Yo…
## 4 ZWI Wilmington Amtrak Station 39.7 -75.6 0 -5 A America/New_Yo…
## 5 ZWU Washington Union Station 38.9 -77.0 76 -5 A America/New_Yo…
## 6 ZYP Penn Station 40.8 -74.0 35 -5 A America/New_Yo…
summary(airports)
## faa name lat lon
## Length:1458 Length:1458 Min. :19.72 Min. :-176.65
## Class :character Class :character 1st Qu.:34.26 1st Qu.:-119.19
## Mode :character Mode :character Median :40.09 Median : -94.66
## Mean :41.65 Mean :-103.39
## 3rd Qu.:45.07 3rd Qu.: -82.52
## Max. :72.27 Max. : 174.11
## alt tz dst tzone
## Min. : -54.00 Min. :-10.000 Length:1458 Length:1458
## 1st Qu.: 70.25 1st Qu.: -8.000 Class :character Class :character
## Median : 473.00 Median : -6.000 Mode :character Mode :character
## Mean :1001.42 Mean : -6.519
## 3rd Qu.:1062.50 3rd Qu.: -5.000
## Max. :9078.00 Max. : 8.000
¿Cuáles son los campos y sus tipos de datos? Los campos del conjunto de datos airports y sus tipos de datos son:
# Para el data frame airlines
data(airlines)
str(airlines)
## tibble [16 × 2] (S3: tbl_df/tbl/data.frame)
## $ carrier: chr [1:16] "9E" "AA" "AS" "B6" ...
## $ name : chr [1:16] "Endeavor Air Inc." "American Airlines Inc." "Alaska Airlines Inc." "JetBlue Airways" ...
ncol(airlines)
## [1] 2
nrow(airlines)
## [1] 16
dim(airlines)
## [1] 16 2
head(airlines)
## # A tibble: 6 × 2
## carrier name
## <chr> <chr>
## 1 9E Endeavor Air Inc.
## 2 AA American Airlines Inc.
## 3 AS Alaska Airlines Inc.
## 4 B6 JetBlue Airways
## 5 DL Delta Air Lines Inc.
## 6 EV ExpressJet Airlines Inc.
tail(airlines)
## # A tibble: 6 × 2
## carrier name
## <chr> <chr>
## 1 OO SkyWest Airlines Inc.
## 2 UA United Air Lines Inc.
## 3 US US Airways Inc.
## 4 VX Virgin America
## 5 WN Southwest Airlines Co.
## 6 YV Mesa Airlines Inc.
summary(airlines)
## carrier name
## Length:16 Length:16
## Class :character Class :character
## Mode :character Mode :character
¿Cuáles son los campos y sus tipos de datos?
Los campos del conjunto de datos airlines y sus tipos de datos son:
#Al consultar l DataFrame nos permite visualizar la base de datos *flights*.
view(flights)
#la media (Mean) de la distancia es de 1040 millas, lo que indica que, en promedio, los vuelos en este conjunto de datos recorren una distancia de 1040 millas.
summary(flights)
## year month day dep_time sched_dep_time
## Min. :2013 Min. : 1.000 Min. : 1.00 Min. : 1 Min. : 106
## 1st Qu.:2013 1st Qu.: 4.000 1st Qu.: 8.00 1st Qu.: 907 1st Qu.: 906
## Median :2013 Median : 7.000 Median :16.00 Median :1401 Median :1359
## Mean :2013 Mean : 6.549 Mean :15.71 Mean :1349 Mean :1344
## 3rd Qu.:2013 3rd Qu.:10.000 3rd Qu.:23.00 3rd Qu.:1744 3rd Qu.:1729
## Max. :2013 Max. :12.000 Max. :31.00 Max. :2400 Max. :2359
## NA's :8255
## dep_delay arr_time sched_arr_time arr_delay
## Min. : -43.00 Min. : 1 Min. : 1 Min. : -86.000
## 1st Qu.: -5.00 1st Qu.:1104 1st Qu.:1124 1st Qu.: -17.000
## Median : -2.00 Median :1535 Median :1556 Median : -5.000
## Mean : 12.64 Mean :1502 Mean :1536 Mean : 6.895
## 3rd Qu.: 11.00 3rd Qu.:1940 3rd Qu.:1945 3rd Qu.: 14.000
## Max. :1301.00 Max. :2400 Max. :2359 Max. :1272.000
## NA's :8255 NA's :8713 NA's :9430
## carrier flight tailnum origin
## Length:336776 Min. : 1 Length:336776 Length:336776
## Class :character 1st Qu.: 553 Class :character Class :character
## Mode :character Median :1496 Mode :character Mode :character
## Mean :1972
## 3rd Qu.:3465
## Max. :8500
##
## dest air_time distance hour
## Length:336776 Min. : 20.0 Min. : 17 Min. : 1.00
## Class :character 1st Qu.: 82.0 1st Qu.: 502 1st Qu.: 9.00
## Mode :character Median :129.0 Median : 872 Median :13.00
## Mean :150.7 Mean :1040 Mean :13.18
## 3rd Qu.:192.0 3rd Qu.:1389 3rd Qu.:17.00
## Max. :695.0 Max. :4983 Max. :23.00
## NA's :9430
## minute time_hour
## Min. : 0.00 Min. :2013-01-01 05:00:00.00
## 1st Qu.: 8.00 1st Qu.:2013-04-04 13:00:00.00
## Median :29.00 Median :2013-07-03 10:00:00.00
## Mean :26.23 Mean :2013-07-03 05:22:54.64
## 3rd Qu.:44.00 3rd Qu.:2013-10-01 07:00:00.00
## Max. :59.00 Max. :2013-12-31 23:00:00.00
##
df <- flights %>%
select(carrier, distance, origin, dest) %>%
filter(distance > mean(distance, na.rm= TRUE)) %>%
arrange(desc(distance))
print(df)
## # A tibble: 127,665 × 4
## carrier distance origin dest
## <chr> <dbl> <chr> <chr>
## 1 HA 4983 JFK HNL
## 2 HA 4983 JFK HNL
## 3 HA 4983 JFK HNL
## 4 HA 4983 JFK HNL
## 5 HA 4983 JFK HNL
## 6 HA 4983 JFK HNL
## 7 HA 4983 JFK HNL
## 8 HA 4983 JFK HNL
## 9 HA 4983 JFK HNL
## 10 HA 4983 JFK HNL
## # ℹ 127,655 more rows
# Encuentra la suma y la media de las distancias recorridas por carrier, elimina los NA’S e interpreta que significa la suma y la media de las distancias recorridas.
dfDR <- df %>%
group_by(carrier, origin, dest) %>%
summarise(suma_distancia= sum(distance, na.rm= TRUE),
media_distancia= mean(distance, na.rm= TRUE)) %>%
# Ordena en forma descendente por distancia recorrida
arrange(desc(carrier), desc(suma_distancia))
## `summarise()` has grouped output by 'carrier', 'origin'. You can override using
## the `.groups` argument.
dfDR
## # A tibble: 150 × 5
## # Groups: carrier, origin [26]
## carrier origin dest suma_distancia media_distancia
## <chr> <chr> <chr> <dbl> <dbl>
## 1 WN EWR HOU 1377136 1411
## 2 WN LGA DEN 1158300 1620
## 3 WN EWR DEN 1105845 1605
## 4 WN EWR PHX 919323 2133
## 5 WN LGA HOU 606900 1428
## 6 WN EWR AUS 448192 1504
## 7 WN EWR MSY 347766 1167
## 8 VX JFK LAX 4447575 2475
## 9 VX JFK SFO 3656604 2586
## 10 VX EWR SFO 2008395 2565
## # ℹ 140 more rows
La tabla muestra cómo algunas aerolíneas, como Southwest (WN) y Virgin America (VX), dominan ciertas rutas en términos de la suma total y la media de las distancias recorridas. Por ejemplo, Southwest tiene una presencia notable en rutas desde EWR y LGA hacia destinos como Houston (HOU), Denver (DEN), y Phoenix (PHX), mientras que Virgin America destaca en vuelos de largo alcance desde JFK hacia Los Ángeles (LAX) y San Francisco (SFO).
La información sugiere que las aerolíneas tienen preferencias específicas por aeropuertos cuando se trata de operar sus rutas más largas. Virgin America utiliza JFK para sus vuelos transcontinentales, reflejando posiblemente la demanda de viajeros por servicios premium en rutas de largo alcance desde y hacia este aeropuerto. Mientras tanto, Southwest parece concentrar sus operaciones en EWR y LGA, aeropuertos que quizás ofrezcan ventajas estratégicas para sus modelos de negocio enfocados en el mercado doméstico.
###6. Identificar aerolíneas líderes en los aeropuertos
#Se identifica si las aerolíneas líderes son las mismas en los tres aeropuertos cuyo origen es Nueva York ya sea el John F. Kennedy (JFK), el de LaGuardia (LGA) o el de Newark Liberty (EWR)
df_JFK <- dfDR %>%
filter(origin == "JFK") %>% arrange(carrier, desc(suma_distancia))
df_JFK
## # A tibble: 69 × 5
## # Groups: carrier, origin [8]
## carrier origin dest suma_distancia media_distancia
## <chr> <chr> <chr> <dbl> <dbl>
## 1 9E JFK MSY 515352 1182
## 2 9E JFK DFW 507715 1391
## 3 9E JFK MCI 307188 1113
## 4 9E JFK SAT 84111 1587
## 5 9E JFK AUS 3042 1521
## 6 AA JFK LAX 7962075 2475
## 7 AA JFK SFO 3677292 2586
## 8 AA JFK MIA 2418669 1089
## 9 AA JFK SJU 1756202 1598
## 10 AA JFK LAS 1436472 2248
## # ℹ 59 more rows
df_LGA <- dfDR %>%
filter(origin == "LGA") %>% arrange(carrier, desc(suma_distancia))
df_LGA
## # A tibble: 31 × 5
## # Groups: carrier, origin [9]
## carrier origin dest suma_distancia media_distancia
## <chr> <chr> <chr> <dbl> <dbl>
## 1 9E LGA MCI 94095 1107
## 2 9E LGA SRQ 81666 1047
## 3 9E LGA RSW 72360 1080
## 4 9E LGA DFW 19446 1389
## 5 9E LGA MSY 1183 1183
## 6 AA LGA DFW 6717204 1389
## 7 AA LGA MIA 4323720 1096
## 8 B6 LGA FLL 2354288 1076
## 9 B6 LGA RSW 394200 1080
## 10 B6 LGA SRQ 382155 1047
## # ℹ 21 more rows
df_EWR <- dfDR %>%
filter(origin == "EWR") %>% arrange(carrier, desc(suma_distancia))
df_EWR
## # A tibble: 50 × 5
## # Groups: carrier, origin [9]
## carrier origin dest suma_distancia media_distancia
## <chr> <chr> <chr> <dbl> <dbl>
## 1 AA EWR DFW 2818088 1372
## 2 AA EWR MIA 1158780 1085
## 3 AA EWR LAX 895710 2454
## 4 AS EWR SEA 1715028 2402
## 5 B6 EWR FLL 1476090 1065
## 6 B6 EWR SJU 609432 1608
## 7 B6 EWR RSW 389820 1068
## 8 DL EWR SLC 697026 1969
## 9 EV EWR MCI 1480752 1092
## 10 EV EWR OMA 852768 1134
## # ℹ 40 more rows
Los aeropuertos de Nueva York presentan diferencias significativas en cuanto a las operaciones de las aerolíneas líderes, lo que afecta la elección de aerolíneas por parte de los viajeros (A). Cada aeropuerto, debido a su ubicación, capacidad y acuerdos con las aerolíneas, tiende a favorecer diferentes patrones de tráfico y preferencias de aerolíneas, lo cual se refleja en las operaciones diarias y las rutas servidas desde cada terminal (R). Al analizar los datos agrupados por aeropuerto de origen (JFK, LGA, EWR) y comparar las distancias totales y medias recorridas por las aerolíneas, se observó que aerolíneas como American Airlines y Delta Air Lines tienen una presencia dominante en JFK con rutas de largo alcance, mientras que en LGA, aerolíneas como Southwest muestran un enfoque en destinos nacionales más cortos. En EWR, United Air Lines destaca por servir tanto rutas nacionales como internacionales de largo alcance, demostrando la variabilidad en las operaciones de las aerolíneas líderes dependiendo del aeropuerto de Nueva York desde el cual operan (E). Esta variabilidad subraya la importancia de elegir el aeropuerto adecuado en función de la aerolínea preferida y el destino, afectando directamente la experiencia de viaje del pasajero.
Reporte Ejecutivo: Análisis de Aerolíneas de Mayor Tráfico en Aeropuertos de Nueva York
Objetivo: +Este reporte presenta un análisis detallado sobre las aerolíneas con mayor tráfico aéreo en términos de origen y destino, utilizando el conjunto de datos de vuelos que cubre todos los aeropuertos de Nueva York. El enfoque principal es identificar las aerolíneas líderes en los aeropuertos JFK (John F. Kennedy) y LGA (LaGuardia), basado en la suma y media de las distancias recorridas.
Metodología: +El análisis se realizó mediante la manipulación y exploración del dataframe flights, que incluye registros de vuelos detallados. Se aplicaron filtros para seleccionar vuelos con distancias superiores a la media y se agruparon los datos por aerolínea, origen y destino para calcular la suma y la media de las distancias recorridas. Este enfoque permitió identificar las aerolíneas con mayor presencia y actividad en los aeropuertos mencionados.
Hallazgos Clave:
Aeropuerto JFK: +American Airlines (AA): Lidera en rutas de largo alcance, destacando en destinos como LAX y SFO, con una suma de distancias recorridas significativa.
+Delta Air Lines (DL): Si bien no se detalló completamente en este reporte, se reconoce a Delta por su fuerte presencia en JFK, especialmente en vuelos internacionales y transcontinentales.
Aeropuerto LGA:
+American Airlines (AA): Muestra una sólida operación, especialmente en rutas nacionales como DFW y MIA.
+Southwest Airlines (WN): Aunque no se especificó en el análisis inicial, se espera que tenga un volumen significativo de operaciones dada su estrategia de punto a punto.
Interpretaciones:
+Los datos reflejan la estrategia operativa de las aerolíneas en términos de selección de aeropuerto, con American Airlines y Delta Air Lines aprovechando JFK para rutas de largo alcance, mientras que LGA sirve más a vuelos nacionales.
+La concentración de rutas y distancias por aerolínea subraya la importancia de JFK y LGA como centros clave para operaciones tanto nacionales como internacionales.
Conclusiones y Recomendaciones:
Estrategia de Aerolíneas: Es crucial que las aerolíneas continúen evaluando sus operaciones +en los aeropuertos de Nueva York para maximizar la eficiencia y satisfacer la demanda del mercado. La elección del aeropuerto debe alinearse con la estrategia general de la aerolínea y las preferencias de los viajeros.
+Desarrollo de Infraestructura: Para los administradores de aeropuertos, es fundamental considerar estos patrones de tráfico al planificar mejoras en la infraestructura y servicios. La adaptación a las necesidades de las aerolíneas líderes puede mejorar la experiencia general del pasajero y optimizar el flujo de tráfico.
+Monitoreo Continuo: Se recomienda mantener un monitoreo continuo de las tendencias de tráfico aéreo para adaptarse rápidamente a los cambios en el comportamiento de las aerolíneas y los pasajeros, asegurando así la eficiencia y la competitividad en el mercado.
Se ha solicitado hacer un estudio sobre la situación actual de la aerolínea American Airlines ya que se necesita revisar sus destinos, horarios y aviones con los que cuenta para hacer propuestas de aumento o reducción de vuelos por destino y horarios, así como la cantidad de aviones.
bdgrande <-merge(flights,airlines, by="carrier")
bdgrande2 <-merge(bdgrande,planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather,by=c("origin","time_hour"))
bdgrande4 <- left_join(bdgrande3, airports, by = c("origin" = "faa"))
view(flights)
#Se necesita saber de cada vuelo, la aerolínea, el aeropuerto de origen y el aeropuerto destino.Función: select()
#En la consulta anterior se necesita conocer el nombre de la aerolínea.Función: left_join()
#Se identifica la cantidad de vuelos por cada destino para identificar cuáles son los destinos más buscados.Función: select() y count()
flights_in <- select(flights, carrier, origin, dest)
flights_in <- left_join(flights_in, airlines, by = "carrier")
# Destinos más buscados por destino
dmb <- bdgrande3 %>% select(carrier, dest)
cdmb <- dmb %>% count(dest)
# Destinos más buscados por aerolínea
da <- dmb %>% count(dest, carrier)
print(cdmb)
## dest n
## 1 ABQ 245
## 2 ACK 265
## 3 ALB 439
## 4 ANC 6
## 5 ATL 14673
## 6 AUS 2055
## 7 AVL 275
## 8 BDL 442
## 9 BGR 375
## 10 BHM 297
## 11 BNA 3967
## 12 BOS 13683
## 13 BQN 883
## 14 BTV 2586
## 15 BUF 4627
## 16 BUR 365
## 17 BWI 1379
## 18 BZN 35
## 19 CAE 116
## 20 CAK 864
## 21 CHO 52
## 22 CHS 2869
## 23 CLE 2885
## 24 CLT 12299
## 25 CMH 973
## 26 CRW 16
## 27 CVG 3490
## 28 DAY 1478
## 29 DCA 7282
## 30 DEN 7027
## 31 DFW 3056
## 32 DSM 562
## 33 DTW 7496
## 34 EGE 132
## 35 EYW 17
## 36 FLL 11681
## 37 GRR 760
## 38 GSO 1606
## 39 GSP 843
## 40 HDN 14
## 41 HNL 705
## 42 HOU 2107
## 43 IAD 5650
## 44 IAH 6676
## 45 ILM 110
## 46 IND 1693
## 47 JAC 22
## 48 JAX 2693
## 49 LAS 5342
## 50 LAX 15516
## 51 LEX 1
## 52 LGB 650
## 53 MCI 1984
## 54 MCO 13234
## 55 MDW 4102
## 56 MEM 1789
## 57 MHT 1008
## 58 MIA 5312
## 59 MKE 2783
## 60 MSN 572
## 61 MSP 5868
## 62 MSY 3762
## 63 MTJ 12
## 64 MVY 216
## 65 MYR 59
## 66 OAK 304
## 67 OKC 346
## 68 OMA 849
## 69 ORD 11189
## 70 ORF 1143
## 71 PBI 6385
## 72 PDX 1343
## 73 PHL 1550
## 74 PHX 4596
## 75 PIT 2472
## 76 PSE 360
## 77 PSP 19
## 78 PVD 376
## 79 PWM 2352
## 80 RDU 3601
## 81 RIC 2436
## 82 ROC 2405
## 83 RSW 3483
## 84 SAN 2363
## 85 SAT 678
## 86 SAV 804
## 87 SBN 10
## 88 SDF 1149
## 89 SEA 3532
## 90 SFO 12767
## 91 SJC 319
## 92 SJU 4731
## 93 SLC 2457
## 94 SMF 276
## 95 SNA 812
## 96 SRQ 1198
## 97 STL 3782
## 98 STT 219
## 99 SYR 1749
## 100 TPA 6799
## 101 TUL 315
## 102 TVC 75
## 103 TYS 588
## 104 XNA 357
print(da)
## dest carrier n
## 1 ABQ B6 245
## 2 ACK B6 265
## 3 ALB EV 439
## 4 ANC UA 6
## 5 ATL 9E 57
## 6 ATL DL 10497
## 7 ATL EV 1764
## 8 ATL FL 2150
## 9 ATL MQ 44
## 10 ATL UA 103
## 11 ATL WN 58
## 12 AUS 9E 2
## 13 AUS B6 735
## 14 AUS DL 357
## 15 AUS UA 664
## 16 AUS WN 297
## 17 AVL 9E 10
## 18 AVL EV 265
## 19 BDL EV 435
## 20 BDL UA 7
## 21 BGR 9E 1
## 22 BGR EV 374
## 23 BHM EV 297
## 24 BNA 9E 454
## 25 BNA DL 1
## 26 BNA EV 2170
## 27 BNA MQ 61
## 28 BNA WN 1281
## 29 BOS 9E 860
## 30 BOS AA 15
## 31 BOS B6 4371
## 32 BOS DL 972
## 33 BOS EV 159
## 34 BOS UA 3294
## 35 BOS US 4012
## 36 BQN B6 587
## 37 BQN UA 296
## 38 BTV 9E 2
## 39 BTV B6 1361
## 40 BTV EV 1223
## 41 BUF 9E 793
## 42 BUF B6 2789
## 43 BUF DL 3
## 44 BUF EV 1042
## 45 BUR B6 365
## 46 BWI 9E 820
## 47 BWI EV 352
## 48 BWI WN 207
## 49 BZN UA 35
## 50 CAE 9E 3
## 51 CAE EV 113
## 52 CAK FL 864
## 53 CHO EV 52
## 54 CHS 9E 333
## 55 CHS B6 613
## 56 CHS EV 1922
## 57 CHS UA 1
## 58 CLE 9E 323
## 59 CLE EV 588
## 60 CLE MQ 87
## 61 CLE OO 24
## 62 CLE UA 1863
## 63 CLT 9E 272
## 64 CLT B6 729
## 65 CLT EV 2508
## 66 CLT MQ 32
## 67 CLT UA 2
## 68 CLT US 8474
## 69 CLT YV 282
## 70 CMH 9E 12
## 71 CMH EV 820
## 72 CMH MQ 141
## 73 CRW MQ 16
## 74 CVG 9E 1473
## 75 CVG DL 4
## 76 CVG EV 2013
## 77 DAY 9E 344
## 78 DAY EV 1134
## 79 DCA 9E 1016
## 80 DCA DL 2
## 81 DCA EV 1717
## 82 DCA MQ 58
## 83 DCA UA 2
## 84 DCA US 4487
## 85 DEN B6 333
## 86 DEN DL 1043
## 87 DEN F9 635
## 88 DEN UA 3613
## 89 DEN WN 1403
## 90 DFW 9E 362
## 91 DFW AA 1613
## 92 DFW EV 8
## 93 DFW UA 1073
## 94 DSM 9E 84
## 95 DSM EV 478
## 96 DTW 9E 958
## 97 DTW DL 3841
## 98 DTW EV 2545
## 99 DTW MQ 149
## 100 DTW OO 2
## 101 DTW UA 1
## 102 EGE AA 25
## 103 EGE UA 107
## 104 EYW DL 17
## 105 FLL AA 1
## 106 FLL B6 6403
## 107 FLL DL 2903
## 108 FLL UA 2374
## 109 GRR 9E 39
## 110 GRR EV 721
## 111 GSO 9E 1
## 112 GSO EV 1605
## 113 GSP 9E 96
## 114 GSP EV 747
## 115 HDN UA 14
## 116 HNL HA 342
## 117 HNL UA 363
## 118 HOU B6 711
## 119 HOU WN 1396
## 120 IAD 9E 614
## 121 IAD B6 675
## 122 IAD EV 4048
## 123 IAD OO 1
## 124 IAD UA 1
## 125 IAD YV 311
## 126 IAH UA 6676
## 127 ILM EV 110
## 128 IND 9E 382
## 129 IND DL 2
## 130 IND EV 1306
## 131 IND UA 3
## 132 JAC DL 2
## 133 JAC UA 20
## 134 JAX 9E 373
## 135 JAX B6 1026
## 136 JAX DL 1
## 137 JAX EV 1293
## 138 LAS AA 87
## 139 LAS B6 1277
## 140 LAS DL 1673
## 141 LAS UA 1940
## 142 LAS VX 365
## 143 LAX AA 3178
## 144 LAX B6 1665
## 145 LAX DL 2501
## 146 LAX UA 5592
## 147 LAX VX 2580
## 148 LEX 9E 1
## 149 LGB B6 650
## 150 MCI 9E 337
## 151 MCI DL 82
## 152 MCI EV 1565
## 153 MCO AA 87
## 154 MCO B6 6322
## 155 MCO DL 3661
## 156 MCO UA 3164
## 157 MDW WN 4102
## 158 MEM 9E 3
## 159 MEM DL 432
## 160 MEM EV 1354
## 161 MHT 9E 10
## 162 MHT EV 998
## 163 MIA AA 851
## 164 MIA DL 2929
## 165 MIA UA 1532
## 166 MKE 9E 298
## 167 MKE EV 1118
## 168 MKE FL 59
## 169 MKE WN 1308
## 170 MSN 9E 1
## 171 MSN EV 571
## 172 MSP 9E 1208
## 173 MSP DL 2864
## 174 MSP EV 1773
## 175 MSP MQ 17
## 176 MSP OO 4
## 177 MSP UA 2
## 178 MSY 9E 412
## 179 MSY B6 1069
## 180 MSY DL 1129
## 181 MSY EV 590
## 182 MSY UA 264
## 183 MSY WN 298
## 184 MTJ UA 12
## 185 MVY 9E 66
## 186 MVY B6 150
## 187 MYR EV 59
## 188 OAK B6 304
## 189 OKC EV 346
## 190 OMA DL 1
## 191 OMA EV 846
## 192 OMA UA 2
## 193 ORD 9E 989
## 194 ORD AA 2500
## 195 ORD B6 898
## 196 ORD EV 2
## 197 ORD MQ 47
## 198 ORD OO 1
## 199 ORD UA 6752
## 200 ORF 9E 374
## 201 ORF EV 769
## 202 PBI B6 3098
## 203 PBI DL 1466
## 204 PBI EV 6
## 205 PBI UA 1815
## 206 PDX B6 320
## 207 PDX DL 458
## 208 PDX UA 565
## 209 PHL 9E 867
## 210 PHL DL 2
## 211 PHL EV 49
## 212 PHL US 624
## 213 PHL YV 8
## 214 PHX B6 353
## 215 PHX DL 469
## 216 PHX UA 1106
## 217 PHX US 2240
## 218 PHX WN 428
## 219 PIT 9E 826
## 220 PIT B6 90
## 221 PIT DL 250
## 222 PIT EV 1304
## 223 PIT UA 2
## 224 PSE B6 360
## 225 PSP VX 19
## 226 PVD EV 376
## 227 PWM B6 1304
## 228 PWM DL 235
## 229 PWM EV 813
## 230 RDU 9E 868
## 231 RDU B6 797
## 232 RDU EV 1659
## 233 RDU MQ 276
## 234 RDU UA 1
## 235 RIC 9E 322
## 236 RIC EV 2114
## 237 ROC 9E 273
## 238 ROC B6 1403
## 239 ROC EV 729
## 240 RSW 9E 67
## 241 RSW B6 1930
## 242 RSW DL 426
## 243 RSW UA 1060
## 244 SAN AA 30
## 245 SAN B6 645
## 246 SAN DL 575
## 247 SAN UA 1113
## 248 SAT 9E 51
## 249 SAT DL 303
## 250 SAT UA 324
## 251 SAV EV 804
## 252 SBN EV 10
## 253 SDF 9E 255
## 254 SDF EV 891
## 255 SDF UA 3
## 256 SEA AS 714
## 257 SEA B6 507
## 258 SEA DL 1213
## 259 SEA UA 1098
## 260 SFO AA 1209
## 261 SFO B6 1028
## 262 SFO DL 1858
## 263 SFO UA 6475
## 264 SFO VX 2197
## 265 SJC B6 318
## 266 SJC VX 1
## 267 SJU AA 80
## 268 SJU B6 2664
## 269 SJU DL 1301
## 270 SJU UA 686
## 271 SLC B6 355
## 272 SLC DL 2102
## 273 SMF B6 276
## 274 SNA UA 812
## 275 SRQ 9E 77
## 276 SRQ B6 827
## 277 SRQ DL 265
## 278 SRQ EV 29
## 279 STL AA 494
## 280 STL DL 1
## 281 STL EV 1826
## 282 STL UA 2
## 283 STL WN 1459
## 284 STT AA 1
## 285 STT DL 30
## 286 STT UA 188
## 287 SYR 9E 159
## 288 SYR B6 1265
## 289 SYR EV 325
## 290 TPA 9E 3
## 291 TPA B6 2722
## 292 TPA DL 2129
## 293 TPA EV 1
## 294 TPA UA 1944
## 295 TUL EV 315
## 296 TVC EV 68
## 297 TVC MQ 7
## 298 TYS 9E 265
## 299 TYS EV 323
## 300 XNA EV 292
## 301 XNA MQ 65
#Posteriormente Agregar el nombre de la aerolínea al data frame anterior.Función: left_join()
#Se necesita conocer las aerolíneas (clave y nombre) y destinos que vuelan por la Mañana: de 6 a 12, Tarde: de 12 a 19 , Noche: de 19 a 24 y Madrugada de 24 a 6.
#Posteriormente agregar un nuevo campo a la tabla con el nombre de clas_horario y agrega, mañana, tarde, noche y madrugada según sea el caso.Función: select(), left_join(), mutate(),ifelse con in
#Se necesita saber la cantidad de vuelos por aerolínea y destino que hay por la Mañana, Tarde, Noche y Madrugada.Función: group_by() y count()
#se necesita saber a qué destinos vuela la aerolínea American Airlines Inc.-AA durante la madrugada. Función: select(),filter(),group_by()
#Se presenta la aerolínea, tipo, motor, número de asientos y la cantidad de vuelos que se han realizado con cada uno de los aviones.Se elimina los NA's Función: left_join(), select(), filter(), group_by(), count()
………….
Dentro de las aerolíneas el retraso tanto en la hora de partida como en la hora de llegada a su destino van generando indicadores negativos.
#Se solicita analizar para la aerolínea American Airlines si los vuelos que tienen retraso en la partida también tienen retraso en la hora de llegada.Realiza una visualización con una gráfica Scatterplot.
##Visualiza la tendencia de la temperatura durante los primeros 15 días del mes de Enero en los vuelos que parten del aeropuerto “Newark, EWR”, utilizar una gráfica de línea.
#Visualiza la temperatura más frecuente en los primeros 15 días del mes de Enero, utilizar un histrograma
#Utiliza Facets para observar cómo varía la temperatura en cada mes en él histograma del punto anterior
#Número de vuelos que salieron de Nueva York en 2013 por aerolínea (mostrar solamente las 10 aerolíneas con más vuelos), utilizar gráfica de barras.
#Visualiza el punto anterior en una gráfica de pie.
#Relaciona el data frame flights con el data frame airports a través del campo destino ¿cómo lograr estas relación?
#Crea un nuevo data frame con el punto anterior únicamente con los 5 carriers con más vuelos por destino.
#Realiza una visualización del punto anterior de las siguientes tres formas.
#elabora un reporte ejecutivo utilizando los resultados obtenidos.
Describe el valor de la integridad.
¿ cómo puedes actuar con respeto y honestidad en los negocios y en el uso de datos cuando realices análisis de datos y estés en contacto con los datos de una empresa?
Alma: xxx: xxx:
Agrega al menos 3 bibliografías y cítalas en el punto anterior. http://codigoeticaeintegridad.com/
bdgrande <-merge(flights,airlines, by="carrier")
bdgrande2 <-merge(bdgrande,planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather,by=c("origin","time_hour"))
bdgrande4 <- left_join(bdgrande3, airports, by = c("origin" = "faa"))
df1 <- bdgrande2 %>% select(dep_delay, seats)
df2 <- df1 %>% filter(seats >= 2 & seats <= 100)
df3 <- df1 %>% filter(seats >100)
summarize(df2, mean(dep_delay, na.rm=TRUE))
## mean(dep_delay, na.rm = TRUE)
## 1 16.90538
summarize(df3, mean(dep_delay, na.rm=TRUE))
## mean(dep_delay, na.rm = TRUE)
## 1 11.14191
summary(df1)
## dep_delay seats
## Min. : -43.00 Min. : 2.0
## 1st Qu.: -5.00 1st Qu.: 55.0
## Median : -1.00 Median :149.0
## Mean : 13.18 Mean :136.7
## 3rd Qu.: 11.00 3rd Qu.:189.0
## Max. :1301.00 Max. :450.0
## NA's :4199
summary(df2)
## dep_delay seats
## Min. :-32.00 Min. : 2.00
## 1st Qu.: -6.00 1st Qu.: 20.00
## Median : -2.00 Median : 55.00
## Mean : 16.91 Mean : 53.71
## 3rd Qu.: 19.00 3rd Qu.: 55.00
## Max. :798.00 Max. :100.00
## NA's :3237
summary(df3)
## dep_delay seats
## Min. : -43.00 Min. :102.0
## 1st Qu.: -4.00 1st Qu.:149.0
## Median : -1.00 Median :179.0
## Mean : 11.14 Mean :183.4
## 3rd Qu.: 9.00 3rd Qu.:200.0
## Max. :1301.00 Max. :450.0
## NA's :962
Después de encontrar la media de los retrasos en vuelos con menos y más de 100 asientos, se puede observar que la media de retrasos es mayor en aviones con más asientos, sin embargo, no se puede asegurar que exista una correlación directa con el motivo de ¿por qué llegan tarde los vuelos?, ya que la diferencia de datos en notable en ambos casos. Ademas, la media se ve afectada no solo por la cantidad de datos (vuelos que tienen retraso), sino por el valor de dichos datos (el tiempo de retraso). Esto implica, que llevamos a cabo un análisis gráfico para ver la distribución de los datos y evaluar si debemos continuar con esta línea de estudio o debemos enfocarnos en otros aspectos. A continuación se llevan a cabo los análisis gráficos.
ggplot(df1, aes(x = factor(seats), y = dep_delay)) +
geom_point(alpha = 0.5, position = position_jitter(width = 0.2)) + # Añade un poco de 'jitter' para evitar la superposición de puntos
labs(title = "Retrasos por Asientos",
x = "Número de Asientos",
y = "Retraso (minutos)") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5), # Centrar el título
axis.title.x = element_text(face = "bold"), # Negrita para la etiqueta del eje X
axis.title.y = element_text(face = "bold"), # Negrita para la etiqueta del eje Y
axis.text.x = element_text(angle = 45, hjust = 1)) # Rotar etiquetas para mejor
## Warning: Removed 4199 rows containing missing values or values outside the scale range
## (`geom_point()`).
La gráfica muestra los retrasos en minutos dependiendo de la cantidad de asientos disponibles en los aviones. Se observa, que el retraso más significativo lo tiene un avión de 377 asientos, con un retraso de casi 1300 minutos, mientras que el retraso menos significativo lo tiene un avión de 12 personas, con retraso de unos pocos minutos. No obstante, la gráfica, no presenta ningún patrón claro que indique una relación directa entre el número de asientos y los retrasos. Por esta razón, decidimos cambiar la línea de enfoque del proyecto.
names(bdgrande3)
## [1] "tailnum" "carrier" "year.x" "month.x"
## [5] "day.x" "dep_time" "sched_dep_time" "dep_delay"
## [9] "arr_time" "sched_arr_time" "arr_delay" "flight"
## [13] "origin" "dest" "air_time" "distance"
## [17] "hour.x" "minute" "time_hour" "name"
## [21] "year.y" "type" "manufacturer" "model"
## [25] "engines" "seats" "speed" "engine"
## [29] "year" "month.y" "day.y" "hour.y"
## [33] "temp" "dewp" "humid" "wind_dir"
## [37] "wind_speed" "wind_gust" "precip" "pressure"
## [41] "visib"
names(bdgrande4)
## [1] "tailnum" "carrier" "year.x" "month.x"
## [5] "day.x" "dep_time" "sched_dep_time" "dep_delay"
## [9] "arr_time" "sched_arr_time" "arr_delay" "flight"
## [13] "origin" "dest" "air_time" "distance"
## [17] "hour.x" "minute" "time_hour" "name.x"
## [21] "year.y" "type" "manufacturer" "model"
## [25] "engines" "seats" "speed" "engine"
## [29] "year" "month.y" "day.y" "hour.y"
## [33] "temp" "dewp" "humid" "wind_dir"
## [37] "wind_speed" "wind_gust" "precip" "pressure"
## [41] "visib" "name.y" "lat" "lon"
## [45] "alt" "tz" "dst" "tzone"
Modelo de regresión
# Filtrar vuelos con origen en Nueva York y con retrasos positivos en bdgrande3
ny_delays <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Ajustamos el modelo de regresión lineal con los vuelos filtrados
modelo <- lm(dep_delay ~ temp + dewp + humid + wind_speed + wind_dir + wind_gust + precip + pressure + visib, data = ny_delays)
summary(modelo)
##
## Call:
## lm(formula = dep_delay ~ temp + dewp + humid + wind_speed + wind_dir +
## wind_gust + precip + pressure + visib, data = ny_delays)
##
## Residuals:
## Min 1Q Median 3Q Max
## -67.92 -28.45 -16.96 9.87 712.15
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 387.33018 52.90640 7.321 2.53e-13 ***
## temp 0.20980 0.17893 1.173 0.240994
## dewp -0.13696 0.19528 -0.701 0.483106
## humid 0.35920 0.10862 3.307 0.000944 ***
## wind_speed -0.42784 0.12804 -3.342 0.000834 ***
## wind_dir -0.02444 0.00442 -5.529 3.25e-08 ***
## wind_gust 0.59045 0.10994 5.371 7.90e-08 ***
## precip -25.61640 20.24863 -1.265 0.205849
## pressure -0.36168 0.04903 -7.377 1.67e-13 ***
## visib -0.93722 0.31923 -2.936 0.003329 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 49.5 on 26000 degrees of freedom
## (86786 observations deleted due to missingness)
## Multiple R-squared: 0.02614, Adjusted R-squared: 0.0258
## F-statistic: 77.55 on 9 and 26000 DF, p-value: < 2.2e-16
# Obtenemos los coeficientes del modelo
coeficientes <- tidy(modelo)
# Filtramos para excluir el intercepto de la visualización si es necesario
coeficientes <- coeficientes %>%
filter(term != "(Intercept)")
# Creamos la gráfica utilizando ggplot2
ggplot(coeficientes, aes(x = reorder(term, estimate), y = estimate, fill = estimate)) +
geom_bar(stat = "identity") +
geom_errorbar(aes(ymin = estimate - std.error, ymax = estimate + std.error), width = 0.2) +
coord_flip() + # Invertimos las coordenadas para tener una visualización horizontal
scale_fill_gradient(low = "blue", high = "red") + # Usamos un gradiente de color
labs(title = "Impacto de Variables Climáticas en Retrasos de Vuelos",
x = "Coeficiente Estimado",
y = "Variables Climáticas") +
theme_minimal() +
theme(legend.position = "none") # Eliminamos la leyenda para una visualización más limpia
La influencia de las condiciones climáticas sobre los retrasos de los vuelos en Nueva York es multifacética y compleja, abarcando diversas variables como la temperatura, el punto de rocío, la humedad, la velocidad y dirección del viento, las ráfagas de viento, la precipitación, la presión atmosférica y la visibilidad. Cada una de estas variables climáticas contribuye de manera distinta a la puntualidad de las salidas aéreas, según se evidencia en el modelo de regresión lineal analizado. La humedad y las ráfagas de viento muestran una asociación positiva con los retrasos, indicando que altos niveles de humedad y ráfagas más intensas tienden a incrementar los tiempos de retraso. Específicamente, la humedad presenta un coeficiente de 0.35920 con un valor p significativo, y las ráfagas de viento un coeficiente de 0.59045, también significativo. Por contraparte, la velocidad del viento y la presión atmosférica tienen efectos negativos, con coeficientes de -0.42784 y -0.36168 respectivamente, sugiriendo que velocidades mayores del viento y altas presiones pueden disminuir los retrasos. Notablemente, la dirección del viento tiene un impacto negativo menor (-0.02444), lo que podría reflejar cómo ciertas direcciones son más favorables para las operaciones aéreas. Sin embargo, la temperatura, el punto de rocío y la precipitación no resultaron ser significativas en este modelo, lo que sugiere que su impacto directo sobre los retrasos de salida puede ser menos pronunciado en este conjunto de datos específico. A pesar de la significancia estadística de varias de estas variables climáticas, el modelo en su conjunto solo explica aproximadamente el 2.58% de la variabilidad en los retrasos (R-cuadrado ajustado de 0.0258), lo que resalta la existencia de otros factores influyentes no capturados en el modelo actual. Este resultado subraya la necesidad de un enfoque más holístico para entender completamente los retrasos de vuelo, considerando no solo las condiciones climáticas sino también elementos operativos, de tráfico y logísticos.
Visibilidad
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Analizar el retraso medio por nivel de visibilidad
delay_by_visib_meters <- ny_delays %>%
mutate(visib_meters = visib * 1609.34) %>% # Convertir visibilidad a metros
group_by(visib_meters) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(desc(mean_delay))
delay_by_visib_meters
## # A tibble: 21 × 2
## visib_meters mean_delay
## <dbl> <dbl>
## 1 0 117.
## 2 193. 85.6
## 3 2012. 73.5
## 4 2816. 70.5
## 5 96.6 69.4
## 6 805. 64.6
## 7 1207. 64.1
## 8 1609. 59.3
## 9 402. 56.1
## 10 12875. 53.2
## # ℹ 11 more rows
# Gráfico de los retrasos medios por visibilidad
ggplot(delay_by_visib_meters, aes(x = visib_meters, y = mean_delay)) +
geom_point(aes(color = mean_delay), size = 3, alpha = 0.6) + # Puntos de datos con color basado en el retraso medio
geom_smooth(aes(color = mean_delay), method = "loess", se = FALSE, size = 1) + # Línea de tendencia suavizada sin banda de confianza
scale_color_gradient(low = "blue", high = "red") + # Gradiente de color de azul (retrasos bajos) a rojo (retrasos altos)
theme_minimal() + # Tema minimalista
theme(legend.position = "none") + # Ocultar leyenda
labs(
title = "Retraso Medio de Salida por Visibilidad",
subtitle = "Puntos coloreados por el retraso medio, con línea de tendencia suavizada",
x = "Visibilidad (metros)",
y = "Retraso medio (minutos)"
)
## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: The following aesthetics were dropped during statistical transformation:
## colour.
## ℹ This can happen when ggplot fails to infer the correct grouping structure in
## the data.
## ℹ Did you forget to specify a `group` aesthetic or to convert a numerical
## variable into a factor?
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).
El gráfico muestra la relación entre la visibilidad y el retraso medio de los vuelos. Observando la línea de tendencia suavizada y la dispersión de los puntos, se puede identificar una tendencia que sugiere que los retrasos tienden a ser más largos cuando la visibilidad es baja. Una baja visibilidad puede ser un factor contribuyente a los retrasos.
Temperatura
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Convertir temperatura a grados Celsius y analizar el retraso medio
delay_by_temp_celsius <- ny_delays %>%
mutate(temp_celsius = (temp - 32) * 5/9) %>% # Convertir F a C
group_by(temp_celsius) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(temp_celsius)
delay_by_temp_celsius
## # A tibble: 167 × 2
## temp_celsius mean_delay
## <dbl> <dbl>
## 1 -11.7 30.5
## 2 -11.1 50.0
## 3 -10.6 51.0
## 4 -10.5 100.
## 5 -10 37.0
## 6 -9.4 52.0
## 7 -8.9 35.1
## 8 -8.3 37.9
## 9 -7.8 47.1
## 10 -7.2 37.4
## # ℹ 157 more rows
# Gráfico de los retrasos medios por temperatura en grados Celsius
ggplot(delay_by_temp_celsius, aes(x = temp_celsius, y = mean_delay)) +
geom_bar(stat = "identity", fill = "steelblue") +
labs(title = "Retraso medio de salida por temperatura",
x = "Temperatura (°C)",
y = "Retraso medio (minutos)") +
theme_minimal()
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_bar()`).
La gráfica ilustra cómo varía el retraso medio de los vuelos en función de la temperatura en grados Celsius. Parece que no hay una tendencia clara y consistente que relacione las temperaturas con los retrasos de los vuelos; los datos están bastante dispersos. Algunos puntos de temperatura específicos muestran picos de retraso notables, pero no se observa un patrón uniforme que sugiera que los retrasos aumentan o disminuyen linealmente con la temperatura.
Además, el hecho de que algunos picos de retraso sean muy altos podría indicar días específicos con condiciones extremas o eventos no recurrentes que afectaron significativamente los tiempos de retraso. Estas anomalías podrían ser el resultado de condiciones meteorológicas severas, problemas operativos singulares o una combinación de factores que no están directamente relacionados con la temperatura.
Punto de rocío
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Convertir el punto de rocío a grados Celsius y analizar el retraso medio
delay_by_dewp_celsius <- ny_delays %>%
mutate(dewp_celsius = (dewp - 32) * 5/9) %>% # Convertir F a C
group_by(dewp_celsius) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(dewp_celsius)
delay_by_dewp_celsius
## # A tibble: 146 × 2
## dewp_celsius mean_delay
## <dbl> <dbl>
## 1 -23.3 6.5
## 2 -22.8 38.8
## 3 -22.2 35.3
## 4 -21.7 33.9
## 5 -21.1 37.9
## 6 -20.6 52.4
## 7 -20 49.0
## 8 -19.4 50.2
## 9 -18.9 43.8
## 10 -18.3 38.7
## # ℹ 136 more rows
# Gráfico de los retrasos medios por punto de rocío en grados Celsius
ggplot(delay_by_dewp_celsius, aes(x = dewp_celsius, y = mean_delay)) +
geom_line(group=1) + # Agregamos group=1 para asegurar que geom_line conecte los puntos en orden
geom_point() + # Agregamos puntos para ver los datos individuales
labs(title = "Retraso medio de salida por punto de rocío",
x = "Punto de Rocío (°C)",
y = "Retraso medio (minutos)") +
theme_minimal()
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).
En esta visualización, se observa una gran dispersión en los datos, con
algunos valores de punto de rocío asociados con picos significativos en
los retrasos medios de salida. No obstante, no hay una tendencia clara
que indique que los retrasos aumentan o disminuyen de manera sistemática
con puntos de rocío más altos o más bajos. En cambio, la variabilidad de
los retrasos parece ser alta a lo largo de todo el rango de valores de
punto de rocío.
Si bien algunos picos altos en el gráfico podrían sugerir días específicos o condiciones particulares donde el punto de rocío estuvo relacionado con retrasos mayores (posiblemente debido a niebla densa o condiciones de congelación a temperaturas cercanas a 0°C), la falta de una tendencia consistente implica que el punto de rocío por sí solo no puede considerarse como una causa única y directa de los retrasos en los vuelos. Es probable que otros factores, como las condiciones de operación del aeropuerto, el tráfico aéreo, y otras variables meteorológicas, también jueguen un papel importante en los retrasos.
Humedad relativa
# Filtrar vuelos con origen en Nueva York y con retrasos positivos desde bdgrande3
ny_delays <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Analizar el retraso medio por humedad relativa
delay_by_humidity <- ny_delays %>%
group_by(humid) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(humid)
# Gráfico de los retrasos medios por humedad relativa
ggplot(delay_by_humidity, aes(x = humid, y = mean_delay)) +
geom_line(group = 1, colour = "darkgreen") + # Usamos geom_line para ver la tendencia
geom_point(colour = "forestgreen") + # Usamos geom_point para ver cada punto de datos
labs(title = "Retraso medio de salida por humedad relativa",
x = "Humedad Relativa (%)",
y = "Retraso medio (minutos)") +
theme_minimal()
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).
La gráfica muestra la relación entre la humedad relativa y el retraso
medio de salida de los vuelos. Observando la distribución de los puntos,
parece que hay una amplia variabilidad en los retrasos a lo largo de
todo el rango de humedad relativa, sin una tendencia clara que vincule
directamente los niveles de humedad con el incremento o disminución de
los retrasos.
Hay varios picos altos de retrasos a través del espectro de humedad relativa, pero no se aprecia un patrón sistemático; es decir, no se observa que los retrasos sean consistentemente mayores a niveles de humedad más altos o más bajos. Esto sugiere que la humedad por sí sola no puede ser considerada como una causa única y directa de los retrasos.
Dirección del viento.
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_wind <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Analizar el retraso medio por dirección del viento
delay_by_wind_dir <- ny_delays_wind %>%
group_by(wind_dir) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(wind_dir)
# Gráfico de los retrasos medios por dirección del viento
ggplot(delay_by_wind_dir, aes(x = wind_dir, y = mean_delay)) +
geom_point(aes(color = mean_delay), size = 3) + # Puntos de datos coloreados por el retraso medio
geom_smooth(method = "loess", color = "red", se = FALSE) + # Línea de tendencia suavizada
scale_color_viridis_c() + # Escala de color para los puntos
labs(title = "Retraso medio de salida por dirección del viento",
x = "Dirección del Viento (grados)",
y = "Retraso medio (minutos)") +
theme_minimal() +
theme(legend.position = "none") # Ocultar la leyenda para simplificar
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).
Al inicio, para direcciones de viento más bajas, los retrasos parecen
ser más altos; luego, hay un descenso de los retrasos a medida que la
dirección del viento se aproxima a los 180 grados, lo que suele
representar vientos que soplan de sur a norte. Después, la tendencia se
invierte, y los retrasos comienzan a aumentar nuevamente para
direcciones de viento superiores a 180 grados. Esto indica que ciertas
direcciones del viento están más favorablemente asociadas con
operaciones de vuelo eficientes, posiblemente debido a la orientación de
las pistas en los aeropuertos y cómo los vientos pueden facilitar o
dificultar el despegue y aterrizaje de los aviones. En muchos
aeropuertos, las pistas están diseñadas para ser utilizadas con mayor
eficiencia cuando los vientos predominantes soplan en ciertas
direcciones, lo que podría explicar por qué ciertos rangos de dirección
del viento tienen retrasos promedio menores.
Ráfagas de viento
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_gust <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Analizar el retraso medio por ráfagas de viento
delay_by_wind_gust <- ny_delays_gust %>%
group_by(wind_gust) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(wind_gust)
# Gráfico de los retrasos medios por ráfagas de viento
ggplot(delay_by_wind_gust, aes(x = wind_gust, y = mean_delay)) +
geom_line(aes(group = 1), colour = "darkred") + # Línea para conectar los puntos
geom_point(colour = "red", size = 2, alpha = 0.5) + # Puntos para cada observación
labs(title = "Retraso medio de salida por ráfagas de viento",
x = "Ráfagas de Viento (nudos)",
y = "Retraso medio (minutos)") +
theme_minimal() +
theme(legend.position = "none")
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_line()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).
Observando la tendencia general, parece haber una relación entre la
intensidad de las ráfagas de viento y los retrasos medios de salida: a
medida que las ráfagas de viento aumentan, los retrasos también tienden
a aumentar, lo que podría sugerir que condiciones de viento más intensas
dificultan las operaciones de vuelo y contribuyen a retrasos más
significativos.
Alrededor de los 50 nudos, la gráfica muestra una disminución notable en los retrasos medios de salida. Esta caída puede ser resultado de diferentes factores. En un día con ráfagas de viento de aproximadamente 50 nudos, podría haber habido menos vuelos programados, lo que a veces puede resultar en un menor promedio de retraso si unos pocos vuelos se retrasaron menos de lo normal. También es posible que las medidas de mitigación en aeropuertos estén más preparadas para lidiar con ráfagas de viento de esta intensidad, reduciendo así el impacto en los retrasos.
Presión atmosférica.
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_pressure <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Analizar el retraso medio por presión atmosférica
delay_by_pressure <- ny_delays_pressure %>%
group_by(pressure) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(pressure)
# Gráfico de los retrasos medios por presión atmosférica
ggplot(delay_by_pressure, aes(x = pressure, y = mean_delay)) +
geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) + # Puntos de datos coloreados por el retraso medio
geom_smooth(method = "loess", color = "darkblue", se = FALSE) + # Línea de tendencia suavizada
scale_color_gradient(low = "lightblue", high = "darkblue") + # Escala de color para los puntos
labs(title = "Retraso medio de salida por presión atmosférica",
x = "Presión Atmosférica (hPa)",
y = "Retraso medio (minutos)") +
theme_minimal() +
theme(legend.position = "none")
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).
En general, hay una tendencia decreciente: a medida que aumenta la presión atmosférica, los retrasos medios tienden a disminuir. Esto podría sugerir que condiciones de alta presión, que a menudo están asociadas con tiempo más estable y despejado, podrían conducir a menos retrasos en los vuelos.
Sin embargo, también hay una dispersión considerable de los puntos, especialmente en rangos medios de presión, donde los retrasos varían ampliamente. Algunos puntos con baja presión atmosférica muestran retrasos muy largos, lo cual podría estar relacionado con mal tiempo, como tormentas, que son más comunes en áreas de baja presión.
La línea curva que se ajusta a los datos sugiere una relación no lineal, lo que puede reflejar la complejidad de cómo la presión atmosférica influye en las operaciones del aeropuerto y en los retrasos de los vuelos. Las condiciones de baja presión no solo pueden traer mal tiempo, sino también desafíos en la gestión del tráfico aéreo y en la planificación de las rutas de vuelo.
Precipitación
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_precip <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Convertir la cantidad de precipitación de pulgadas a milímetros
# y analizar el retraso medio
delay_by_precip_mm <- ny_delays_precip %>%
mutate(precip_mm = precip * 25.4) %>% # Convertir precipitación a milímetros
group_by(precip_mm) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(precip_mm)
# Gráfico de los retrasos medios por cantidad de precipitación en milímetros
ggplot(delay_by_precip_mm, aes(x = precip_mm, y = mean_delay)) +
geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) + # Puntos de datos coloreados por el retraso medio
geom_smooth(method = "loess", color = "darkgreen", se = FALSE) + # Línea de tendencia suavizada
scale_color_gradient(low = "lightgreen", high = "darkgreen") + # Escala de color para los puntos
labs(title = "Retraso medio de salida por cantidad de precipitación",
x = "Precipitación (mm)",
y = "Retraso medio (minutos)") +
theme_minimal() +
theme(legend.position = "none")
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).
Observando la línea de tendencia, parece haber una relación positiva entre la cantidad de precipitación y el retraso promedio de los vuelos. Inicialmente, con poca o ninguna precipitación, los retrasos son mínimos. A medida que la precipitación aumenta hasta alrededor de 10 mm, los retrasos se mantienen relativamente estables, lo que sugiere que pequeñas cantidades de lluvia no tienen un gran impacto en los horarios de los vuelos.
Después de los 10 mm de precipitación, la línea de tendencia comienza a ascender, lo que indica que a medida que la cantidad de lluvia aumenta, también lo hace el retraso promedio en la salida de los vuelos.
Velocidad del viento.
# Filtrar vuelos con origen en Nueva York y con retrasos positivos
ny_delays_wind_speed <- bdgrande3 %>%
filter(origin %in% c("JFK", "LGA", "EWR"), dep_delay > 0)
# Convertir la velocidad del viento de nudos a km/h
# y analizar el retraso medio
delay_by_wind_speed_kmh <- ny_delays_wind_speed %>%
mutate(wind_speed_kmh = wind_speed * 1.852) %>% # Convertir velocidad del viento a km/h
group_by(wind_speed_kmh) %>%
summarise(mean_delay = mean(dep_delay, na.rm = TRUE)) %>%
arrange(wind_speed_kmh)
# Gráfico de los retrasos medios por velocidad del viento en km/h
ggplot(delay_by_wind_speed_kmh, aes(x = wind_speed_kmh, y = mean_delay)) +
geom_point(aes(color = mean_delay), size = 2, alpha = 0.6) + # Puntos de datos coloreados por el retraso medio
geom_smooth(method = "loess", color = "darkorange", se = FALSE) + # Línea de tendencia suavizada
scale_color_gradient(low = "yellow", high = "red") + # Escala de color para los puntos
labs(title = "Retraso medio de salida por velocidad del viento",
x = "Velocidad del Viento (km/h)",
y = "Retraso medio (minutos)") +
theme_minimal() +
theme(legend.position = "none")
## `geom_smooth()` using formula = 'y ~ x'
## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).
## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).
Podemos observar que cuando la velocidad del viento es baja (cercana a 0 km/h), los retrasos medios parecen estar en torno a los 40 minutos. A medida que la velocidad del viento aumenta, los retrasos se mantienen relativamente estables o aumentan ligeramente hasta cierto punto, tras el cual los retrasos aumentan de manera más notable con la velocidad del viento. Esto sugiere que hasta cierta velocidad del viento, los retrasos no son significativamente afectados, pero después de superar ese umbral, los retrasos empiezan a aumentar con velocidades de viento más altas.
La tendencia alcanza un pico alrededor de los 40-60 km/h, lo que indica que dentro de este rango de velocidades de viento es donde los retrasos de salida de vuelos son mayores. Después de este pico, la línea de tendencia disminuye, lo que podría sugerir que los retrasos disminuyen para velocidades de viento incluso más altas. Sin embargo, la presencia de pocos datos en este rango superior hace que sea menos confiable inferir una tendencia clara para altas velocidades de viento.
Los puntos en rojo que están por encima de la tendencia general podrían representar días en los que hubo condiciones excepcionales que causaron retrasos mayores a los esperados para las velocidades de viento observadas. Estos podrían ser días con otros factores agravantes, como tormentas, baja visibilidad, o problemas operativos en el aeropuerto que no están directamente relacionados con la velocidad del viento.
names(bdgrande3)
## [1] "tailnum" "carrier" "year.x" "month.x"
## [5] "day.x" "dep_time" "sched_dep_time" "dep_delay"
## [9] "arr_time" "sched_arr_time" "arr_delay" "flight"
## [13] "origin" "dest" "air_time" "distance"
## [17] "hour.x" "minute" "time_hour" "name"
## [21] "year.y" "type" "manufacturer" "model"
## [25] "engines" "seats" "speed" "engine"
## [29] "year" "month.y" "day.y" "hour.y"
## [33] "temp" "dewp" "humid" "wind_dir"
## [37] "wind_speed" "wind_gust" "precip" "pressure"
## [41] "visib"
# Calculamos el retraso promedio por aeropuerto de origen y el porcentaje de vuelos retrasados
retraso_por_aeropuerto <- bdgrande3 %>%
group_by(origin) %>%
summarise(
retraso_promedio = mean(dep_delay, na.rm = TRUE), # Calculamos el retraso promedio excluyendo NA
vuelos = n(), # Contamos el número total de vuelos para cada aeropuerto
vuelos_retrasados = sum(dep_delay > 0, na.rm = TRUE), # Contamos los vuelos retrasados
porcentaje_retrasados = vuelos_retrasados / vuelos * 100 # Calculamos el porcentaje de vuelos retrasados
) %>%
arrange(desc(retraso_promedio)) # Ordenamos por el retraso promedio descendente
# Mostramos los resultados
print(retraso_por_aeropuerto)
## # A tibble: 3 × 5
## origin retraso_promedio vuelos vuelos_retrasados porcentaje_retrasados
## <chr> <dbl> <int> <int> <dbl>
## 1 EWR 15.2 114927 50942 44.3
## 2 JFK 12.2 94142 36278 38.5
## 3 LGA 11.3 75101 25576 34.1
# Crear una gráfica que muestra tanto el retraso promedio como el porcentaje de vuelos retrasados
ggplot(retraso_por_aeropuerto, aes(x = origin)) +
geom_col(aes(y = retraso_promedio), fill = "steelblue", width = 0.4, position = position_dodge(width = 0.5)) +
geom_col(aes(y = porcentaje_retrasados), fill = "firebrick", width = 0.4, position = position_dodge(width = 0.5), alpha = 0.5) +
scale_y_continuous(sec.axis = sec_axis(~., name = "Porcentaje de Vuelos Retrasados")) +
labs(title = "Retraso Promedio y Porcentaje de Vuelos Retrasados por Aeropuerto de Origen",
x = "Aeropuerto de Origen",
y = "Retraso Promedio (minutos)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
EWR (Aeropuerto de Newark Liberty International) tiene el retraso promedio más alto con 15.2 minutos y el mayor porcentaje de vuelos retrasados con un 44.3%.
JFK (Aeropuerto Internacional John F. Kennedy) tiene un retraso promedio de 12.2 minutos y un 38.5% de sus vuelos están retrasados.
LGA (Aeropuerto LaGuardia) presenta el menor retraso promedio con 11.3 minutos y el menor porcentaje de vuelos retrasados con un 34.1%.
Esta grafica sugiere que hay una tendencia entre estos tres aeropuertos donde EWR tiende a tener retrasos más largos y una mayor proporción de vuelos retrasados en comparación con JFK y LGA.
summary_delay_month_bdgrande3 <- bdgrande3 %>%
group_by(month.x) %>%
summarise(avg_delay = mean(dep_delay, na.rm = TRUE),
total_flights = n(),
total_delayed_flights = sum(dep_delay > 0, na.rm = TRUE),
perc_delayed_flights = total_delayed_flights / total_flights * 100)
summary_delay_month_bdgrande3
## # A tibble: 12 × 5
## month.x avg_delay total_flights total_delayed_flights perc_delayed_flights
## <int> <dbl> <int> <int> <dbl>
## 1 1 10.7 22525 8415 37.4
## 2 2 11.4 20617 7910 38.4
## 3 3 14.2 24244 9955 41.1
## 4 4 14.1 23954 9260 38.7
## 5 5 13.2 24370 9922 40.7
## 6 6 21.5 23792 11120 46.7
## 7 7 22.6 24795 12216 49.3
## 8 8 13.2 24876 10340 41.6
## 9 9 6.93 23361 6721 28.8
## 10 10 6.71 24651 7702 31.2
## 11 11 5.81 23300 7292 31.3
## 12 12 17.3 23685 11943 50.4
ggplot(bdgrande3, aes(x = month.x, y = dep_delay, fill = origin)) +
stat_summary(fun = "mean", geom = "col", position = "dodge") +
labs(x = "Mes", y = "Retraso promedio (minutos)", fill = "Aeropuerto") +
ggtitle("Retraso promedio por mes y aeropuerto") +
scale_fill_manual(values = c("green", "red", "blue")) + # Paleta de colores personalizada
theme_minimal() +
scale_x_continuous(breaks = 1:12, labels = c("Ene", "Feb", "Mar", "Abr", "May", "Jun", "Jul", "Ago", "Sep", "Oct", "Nov", "Dic")) + # Etiquetas de meses actualizadas
theme(plot.title = element_text(hjust = 0.5))
## Warning: Removed 4199 rows containing non-finite outside the scale range
## (`stat_summary()`).
Meses con mayores retrasos: En el gráfico, los meses (Junio, Julio y, en menor medida, Diciembre) tienen los retrasos promedio más altos. Esto también se refleja en la tabla, con Junio y Julio teniendo los retrasos promedio más altos (21.5 y 22.6 minutos, respectivamente). El mes de Diciembre muestra un aumento significativo en el retraso promedio.
Meses con menores retrasos: Septiembre , Octubre y noviembre son los meses con los retrasos promedio más bajos, lo que es consistente con el gráfico y los datos de la tabla (6.93, 6.71 y 5.81 minutos respectivamente).
Porcentaje de vuelos retrasados: Al observar la tabla, Diciembre tiene el porcentaje más alto de vuelos retrasados (50.4%), seguido de cerca por Julio (49.3%) y junio por (46.7). Estos porcentajes coinciden con los picos más altos de retraso promedio, sugiriendo que cuando hay más vuelos retrasados, también aumenta el retraso promedio.
Comparación entre aeropuertos: El gráfico muestra que, en general, LGA tiende a tener los menores retrasos promedio, mientras que EWR muestra los mayores. JFK parece tener una tendencia intermedia entre los tres aeropuertos.
Posibles razones para el patrón de retraso: Variaciones estacionales: Los meses de verano y Diciembre pueden tener más retrasos debido a una mayor demanda de viajes durante las vacaciones de verano y las fiestas de fin de año. Las inclemencias del tiempo también pueden ser una causa común de retraso durante estos períodos.
Volumen de tráfico: Un mayor volumen de tráfico aéreo puede llevar a un aumento en los retrasos. Esto parece ser especialmente cierto en los meses de verano y Diciembre, que podrían coincidir con picos en los viajes de vacaciones.
Operaciones de los aeropuertos: Las diferencias en los retrasos entre los aeropuertos pueden deberse a varias razones, incluyendo la capacidad del aeropuerto, la gestión del tráfico aéreo y la infraestructura local. Algunos aeropuertos podrían estar más equipados para manejar grandes volúmenes de tráfico o condiciones climáticas adversas.
bdgrande3 <- bdgrande3 %>%
mutate(
hour_of_day = sched_dep_time %/% 100, # Extrae la hora del tiempo de salida programado
dep_delay = ifelse(is.na(dep_delay), 0, dep_delay) # Trata los NA en dep_delay como 0 para este análisis
)
retraso_promedio_por_hora <- bdgrande3 %>%
group_by(hour_of_day) %>%
summarise(retraso_promedio = mean(dep_delay, na.rm = TRUE)) %>%
arrange(hour_of_day)
retraso_promedio_por_hora
## # A tibble: 19 × 2
## hour_of_day retraso_promedio
## <dbl> <dbl>
## 1 5 0.692
## 2 6 2.00
## 3 7 2.11
## 4 8 4.44
## 5 9 4.65
## 6 10 6.55
## 7 11 7.22
## 8 12 9.06
## 9 13 11.7
## 10 14 14.7
## 11 15 17.7
## 12 16 19.1
## 13 17 21.1
## 14 18 21.7
## 15 19 24.9
## 16 20 24.3
## 17 21 24.9
## 18 22 18.1
## 19 23 13.7
ggplot(retraso_promedio_por_hora, aes(x = hour_of_day, y = retraso_promedio)) +
geom_line() + # Línea para conectar los puntos de retraso promedio
geom_point() + # Puntos para resaltar cada hora
labs(title = "Promedio de Retraso de Vuelo por Hora del Día",
x = "Hora del Día",
y = "Retraso Promedio (minutos)") +
theme_minimal() +
theme(plot.title = element_text(hjust = 0.5))
Puntos clave + Horas de la mañana (5-11 a.m.): Los retrasos son relativamente bajos en las primeras horas de la mañana y comienzan a incrementarse lentamente a partir de las 8 a.m.
Mediodía y primeras horas de la tarde (12-5 p.m.): Durante estas horas, se observa un aumento constante y significativo en los retrasos promedio.
Tarde (6-9 p.m.): Los retrasos alcanzan su máximo entre las 6 p.m. y las 9 p.m., lo que podría deberse al tráfico acumulado a lo largo del día y a posibles factores operacionales que se deterioran a medida que el día avanza (por ejemplo, la fatiga del personal, la acumulación de retrasos anteriores, etc.).
Noche (10 p.m. en adelante): A partir de las 10 p.m., los retrasos comienzan a disminuir, probablemente debido a que hay menos vuelos programados y más tiempo para recuperarse de cualquier retraso acumulado durante el día.
Posibles razones para estos patrones: + Acumulación de retrasos: Como los vuelos operan en una red interconectada, los retrasos a primera hora pueden tener un efecto dominó a lo largo del día, causando mayores retrasos a medida que el día avanza.
Tráfico aéreo: Las horas pico de viaje, especialmente en la tarde, pueden llevar a un mayor tráfico aéreo y, por consiguiente, a mayores retrasos.
Operaciones en tierra: El tiempo necesario para las operaciones en tierra (mantenimiento, carga de equipaje, abordaje, etc.) puede aumentar durante el día debido a la fatiga del personal o al incremento de pasajeros durante las horas pico.
bdgrande3 <- bdgrande3 %>%
filter(!is.na(year.y)) %>%
mutate(age = 2013 - year.y) %>% # Asumiendo que los datos de vuelo son de 2013
filter(age >= 0) # Asegurar que la antigüedad sea lógica
age_delay_summary_bdgrande3 <- bdgrande3 %>%
group_by(age) %>%
summarise(
avg_dep_delay = mean(dep_delay, na.rm = TRUE),
n = n()
) %>%
filter(n > 100) # Filtrar grupos con suficientes datos
age_delay_summary_bdgrande3
## # A tibble: 36 × 3
## age avg_dep_delay n
## <dbl> <dbl> <int>
## 1 0 10.6 4630
## 2 1 9.59 7252
## 3 2 11.8 6046
## 4 3 12.5 3797
## 5 4 10.9 6632
## 6 5 13.1 17878
## 7 6 13.7 15300
## 8 7 14.4 13203
## 9 8 14.5 14369
## 10 9 16.0 15706
## # ℹ 26 more rows
ggplot(age_delay_summary_bdgrande3, aes(x = age, y = avg_dep_delay)) +
geom_line(color = "blue", na.rm = TRUE) +
geom_point(color = "blue", na.rm = TRUE) + # Añadir puntos para mayor claridad
labs(title = "Retraso Promedio de Salida por Antigüedad del Avión",
x = "Antigüedad del Avión (años)",
y = "Retraso Promedio de Salida (minutos)") +
theme_minimal()
Existen picos en los retrasos promedio para ciertas edades de los aviones. Por ejemplo, los aviones de 9 años tienen un retraso promedio notablemente más alto que los de edades inmediatamente anteriores o posteriores.
Hacia el final de la gráfica, se observa un aumento general en el retraso promedio para aviones de mayor antigüedad, especialmente en el rango de 40 años.