Evidencia 1 Analítica descriptiva (Extracción y Manipulación de datos) y Evidencia 2 - Analítica descriptiva (Integración de datos a través de modelo entidad-relación) y el compromiso ético y ciudadano

Contexto

El paquete nycflights13 contiene información sobre todos los vuelos que partieron desde Nueva York (EWR, JFK y LGA) a destinos en los Estados Unidos en 2013. Fueron 336,776 vuelos en total. Para ayudar a comprender las causas de los retrasos, también incluye otros conjuntos de datos útiles.

Este paquete incluye las siguientes tablas:

• flights = todos los vuelos que salieron de Nueva York en 2013
  
• weather = datos meteorológicos por hora de cada aeropuerto
  
• planes = información de construcción de cada avión
  
• airports = nombres y ubicaciones de aeropuertos
  
• airlines = relación entre nombre y códigos de las aerolíneas

Fuente:
Origen de los datos

Instalar paquetes y llamar librerías

Guardar bases de datos

library(nycflights13)
flights <- flights
weather <- weather
planes <- planes
airports <- airports
airlines <- airlines

Análisis

En este segmento pudimos utilizar las funciones más comúnes del análisis exploratorio, el cuál es el primer paso para cualquier trabajo de manipulación de datos.

Parte 1

Consulta la estructura de flights

¿Cuáles son los campos y sus tipos de datos?. Identifica los diferentes tipos de datos y explica en qué consiste cada uno de ellos y cuál es la diferencia entre uno y otro, incluyendo los siguientes tipos de datos: int, dbl, chr, 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" ...

En los datos del df Flights podemos observar datos de tipo:

int = números enteros

num = números con decimales y negativos

chr = datos alfabéticos

POSIXct = formato de fecha hora (YYYY-MM-DD HH:mm:ss)

Otros tipos de datos no incluidos en la tabla pueden ser:

dbl = dobles, o números reales

dttm = fechas y horas (una fecha + una hora)

Relación entre bases de datos

1. Cargar en memoria la tabla “flights” y mostrar su contenido

# La carga 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>

2. Consulta la estructura de “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" ...

#POSIXct: Formato fecha y hora
#Date:fecha(En R es Año, Mes y Día)

3. ¿Cuál es la clase de flights? y ¿Qué significa?

class(flights)

## [1] "tbl_df"     "tbl"        "data.frame"

Es un dataframe, contiene variables ordenadas en diferentes columnas y renglones.

4. ¿Cuántas columnas tiene flights?

ncol(flights)

## [1] 19

5. ¿Cuántos renglones tiene flights?

nrow(flights)

## [1] 336776

6. ¿Cuál es la dimensión de flights?

dim(flights)

## [1] 336776     19

7. Consulta la tabla flights

view(flights)

8. Genera un output de la tabla flights. Utiliza las funciones head y tail, ¿Cuántos renglones muestran por defecto cada función?

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>

Se muestran los 6 primeros o 6 últimos renglones de flights

9. Ahora muestra los primeros 50 registros y los últimos 20, ¿Cómo lo harías?

head(flights,50)

## # A tibble: 50 × 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 40 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>

tail(flights,20)

## # A tibble: 20 × 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     2150           2159        -9     2250           2306
##  2  2013     9    30     2159           1845       194     2344           2030
##  3  2013     9    30     2203           2205        -2     2339           2331
##  4  2013     9    30     2207           2140        27     2257           2250
##  5  2013     9    30     2211           2059        72     2339           2242
##  6  2013     9    30     2231           2245       -14     2335           2356
##  7  2013     9    30     2233           2113        80      112             30
##  8  2013     9    30     2235           2001       154       59           2249
##  9  2013     9    30     2237           2245        -8     2345           2353
## 10  2013     9    30     2240           2245        -5     2334           2351
## 11  2013     9    30     2240           2250       -10     2347              7
## 12  2013     9    30     2241           2246        -5     2345              1
## 13  2013     9    30     2307           2255        12     2359           2358
## 14  2013     9    30     2349           2359       -10      325            350
## 15  2013     9    30       NA           1842        NA       NA           2019
## 16  2013     9    30       NA           1455        NA       NA           1634
## 17  2013     9    30       NA           2200        NA       NA           2312
## 18  2013     9    30       NA           1210        NA       NA           1330
## 19  2013     9    30       NA           1159        NA       NA           1344
## 20  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>

10. Encuentra los resultados descriptivos de las variables en la base de datos. Ejemplo: promedio, moda, mínimo, máximo, etc.

Función: summary.

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  
## 

Parte 2

Se nos ha consultado encontrar las aerolíneas con mayor número de distancia recorrida y promedio de distancia por viaje.

Instrucciones:

Librerías requeridas: • Paquetes requeridos para la práctica: tidyverse, nyflights13 El paquete tidyverse incluye varias librerías entre ellas ggplot2, dplyr, tidyverse El paquete nyflights13 incluye varias bases de datos entre ellas flights • Librerías que deben estar instaladas: ggplot2, dplyr, tidyverse

library(nycflights13)
library(tidyverse)
library(dplyr)
data("flights")

1. Mostrar la base de datos flights para que conozcas su contenido

view(flights)

2. Encuentra los datos descriptivos del data frame flights. Identifica la media de las distancias recorridas en 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  
## 

3. Aerolíneas con millas recorridas superiores a la media, ordenadas en forma descendente.

#selecciona las variables carrier, distance, origin, dest de la tabla
res01 <- select(flights, carrier, distance, origin, dest)

#se filtra las aerolineas con millas recorridas superiores a la media - 1040 
res02 <- filter(res01, distance >1040) 

#ordena en forma descendente por distancia recorrida 
res03 <- arrange(res02, desc(distance))
res03

## # 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

Esta tabla muestra los mayores vuelos por distancia, por vuelo, este es el vuelo más largo del aeropuerto JFK a HNL (Nueva York a Honolulú).

Pero si en realidad queremos saber las aerolíneas con más millas recorridas, mostramos la siguiente tabla pero sin la posibilidad de mostrar las columnas origin y dest.

res01 <- select(flights, carrier, distance, origin, dest)

# Se filtra las aerolíneas con millas recorridas superiores a la media - 1040
res02 <- filter(res01, distance > 1040)

# Agrupa por carrier
res031 <- group_by(res02, carrier)

# Opcionalmente, si deseas sumarizar la distancia total por aerolínea podrías añadir:
res031_summary <- summarise(res031, total_distance = sum(distance))

# Visualiza el resultado
res031_summary <- res031_summary %>% arrange(desc(total_distance))
res031_summary

## # A tibble: 13 × 2
##    carrier total_distance
##    <chr>            <dbl>
##  1 UA            76256278
##  2 B6            40261280
##  3 DL            38759882
##  4 AA            37261176
##  5 VX            12902327
##  6 WN             5963462
##  7 US             4866023
##  8 EV             4574275
##  9 AS             1715028
## 10 HA             1704186
## 11 9E             1686158
## 12 F9             1109700
## 13 MQ              853368

Obtenemos el dato que UA (United Airlines) es la aerolínea con la mayor distancia recorrida en total.

4. Suma y la media de las distancias recorridas por carrier, eliminando los NA’s e interpretando qué significa la suma y la media de las distancias recorridas.

res04 <- res031 %>% group_by(carrier) %>%  
  summarize(sumdistance=sum(distance, na.rm=TRUE), meandistance=mean(distance, na.rm=TRUE)) 
res04 %>% arrange(desc(sumdistance))

## # A tibble: 13 × 3
##    carrier sumdistance meandistance
##    <chr>         <dbl>        <dbl>
##  1 UA         76256278        1941.
##  2 B6         40261280        1648.
##  3 DL         38759882        1791.
##  4 AA         37261176        1607.
##  5 VX         12902327        2499.
##  6 WN          5963462        1556.
##  7 US          4866023        2143.
##  8 EV          4574275        1146.
##  9 AS          1715028        2402 
## 10 HA          1704186        4983 
## 11 9E          1686158        1225.
## 12 F9          1109700        1620 
## 13 MQ           853368        1147

En esta tabla obtenemos sumdistance que representa la suma de las distancias recorridas por aerolínea en vuelos que salen de Nueva York, para meandistance obtenemos el promedio de distancia por aerolínea.

Ordenamos la suma de distancias y obtenemos el mismo dato que la tabla anterior, UA es la aerolínea con más distancia recorrida.

res051 <- res03 %>% group_by(carrier) %>%  
  summarize(sumdistance=sum(distance, na.rm=TRUE), meandistance=mean(distance, na.rm=TRUE)) 
res051 %>% arrange(desc(meandistance))

## # A tibble: 13 × 3
##    carrier sumdistance meandistance
##    <chr>         <dbl>        <dbl>
##  1 HA          1704186        4983 
##  2 VX         12902327        2499.
##  3 AS          1715028        2402 
##  4 US          4866023        2143.
##  5 UA         76256278        1941.
##  6 DL         38759882        1791.
##  7 B6         40261280        1648.
##  8 F9          1109700        1620 
##  9 AA         37261176        1607.
## 10 WN          5963462        1556.
## 11 9E          1686158        1225.
## 12 MQ           853368        1147 
## 13 EV          4574275        1146.

Ordenando de manera descendiente por el promedio de distancia recorrida, obtenemos que HA (Hawaian Airlines) es la aerolínea con el promedio más grande de distancia recorrida por viaje, esto debido a que sus vuelos llevan a Honolulú, el vuelo más largo realizado desde los aeropuertos en Nueva York. La distancia promedio de un vuelo de HA fue de 4983 millas.

A pesar de tener los vuelos más largos, no contienen la mayor distancia recorrida en total.

5. Ordenar en forma descendente por distancia recorrida

res041 <- res031 %>% group_by(carrier) %>%  
  summarize(sumdistance=sum(distance, na.rm=TRUE), meandistance=mean(distance, na.rm=TRUE)) 
res041 %>% arrange(desc(sumdistance))

## # A tibble: 13 × 3
##    carrier sumdistance meandistance
##    <chr>         <dbl>        <dbl>
##  1 UA         76256278        1941.
##  2 B6         40261280        1648.
##  3 DL         38759882        1791.
##  4 AA         37261176        1607.
##  5 VX         12902327        2499.
##  6 WN          5963462        1556.
##  7 US          4866023        2143.
##  8 EV          4574275        1146.
##  9 AS          1715028        2402 
## 10 HA          1704186        4983 
## 11 9E          1686158        1225.
## 12 F9          1109700        1620 
## 13 MQ           853368        1147

6. Identificar si las aerolíneas líderes son las mismas en los tres aeropuertos cuyo origen es Nueva York ( John F. Kennedy (JFK), La Guardia (LGA) and Newark Liberty (EWR) ).

Genera un data frame para cada aeropuerto. Funciones: filter(), arrange()

Primero creamos los DataFrames para cada aeropuerto

res04 <- res03 %>% group_by(carrier,origin,dest) %>%  
  summarize(sumdistance=sum(distance, na.rm=TRUE), meandistance=mean(distance, na.rm=TRUE)) 

## `summarise()` has grouped output by 'carrier', 'origin'. You can override using
## the `.groups` argument.

res05 <- arrange(res04,carrier,sumdistance)
JFK = res05 %>%  
  filter(origin == "JFK")  %>%
  arrange(carrier, desc(sumdistance))
LGA = res05 %>%  
  filter(origin == "LGA")  %>%
  arrange(carrier, desc(sumdistance))
EWR = res05 %>%  
  filter(origin == "EWR")  %>%
  arrange(carrier, desc(sumdistance))

Ahora obtenemos la suma de las distancias obtenidas y las ordenamos de manera descendiente para cada aeropuerto.

JFK_grouped <- JFK %>%
  group_by(carrier) %>%
  summarise(total_sumdistance = sum(sumdistance)) %>%
  arrange(desc(total_sumdistance))
JFK_grouped

## # A tibble: 8 × 2
##   carrier total_sumdistance
##   <chr>               <dbl>
## 1 B6               34655295
## 2 DL               31056240
## 3 AA               21347674
## 4 UA               11496375
## 5 VX                8972450
## 6 US                2366147
## 7 HA                1704186
## 8 9E                1417408

LGA_grouped <- LGA %>%
  group_by(carrier) %>%
  summarise(total_sumdistance = sum(sumdistance)) %>%
  arrange(desc(total_sumdistance))
LGA_grouped

## # A tibble: 9 × 2
##   carrier total_sumdistance
##   <chr>               <dbl>
## 1 AA               11040924
## 2 DL                7006616
## 3 UA                6812736
## 4 B6                3130643
## 5 WN                1765200
## 6 F9                1109700
## 7 MQ                 853368
## 8 EV                 384263
## 9 9E                 268750

EWR_grouped <- EWR %>%
  group_by(carrier) %>%
  summarise(total_sumdistance = sum(sumdistance)) %>%
  arrange(desc(total_sumdistance))
EWR_grouped

## # A tibble: 9 × 2
##   carrier total_sumdistance
##   <chr>               <dbl>
## 1 UA               57947167
## 2 AA                4872578
## 3 WN                4198262
## 4 EV                4190012
## 5 VX                3929877
## 6 US                2499876
## 7 B6                2475342
## 8 AS                1715028
## 9 DL                 697026

Obteniendo las aerolíneas con mayor distancia recorrida separadas por los aeropuertos de Nueva York, nos damos cuenta que sólo en el aeropuerto EWR la aerolínea United Airlines sigue siendo líder en distancia total, mientras qué en LGA es American Airlines y en JFK es JetBlue.

Retrasos en vuelos con origen en Nueva York

Primero creamos las bases de datos que nos ayudarán a obtener esta información

bdgrande <- merge(flights,airlines, by="carrier")
bdgrande2 <- left_join(bdgrande, planes, by="tailnum")
bdgrande3 <- left_join(bdgrande2,weather, by=c("origin", "time_hour"))
bdgrande3 <- mutate(bdgrande3, dist_Km = distance*1.609)
bdevidencia <- left_join(bdgrande3,weather, by=c("origin", "time_hour"))

Tenemos que conocer el tiempo promedio de retrasos de vuelos para conocer la magnitud del problema

# Calcula el promedio de arr_delay para los retrasos mayores a 20 en toda la base de datos
promedio_retraso2 <- bdevidencia %>%
  filter(arr_delay > 20) %>% # Filtra registros donde arr_delay es mayor a 20
  summarise(promedio_arr_delay = mean(arr_delay)) # Calcula el promedio de arr_delay

promedio_retraso2

##   promedio_arr_delay
## 1           71.50971

Observamos que el tiempo promedio de retrasos son 71 minutos, lo cual resulta una cifra bastante grande considerando que cada vuelo atrasado tomaría más de una hora en arrivar en su destino.

Posibles causas de retrasos y su relación con el origen y destino

Obtenemos el destino en el que más retrasos existen

conteo4 <- bdevidencia %>%
  filter(arr_delay > 20) %>%  # Filtra registros donde arr_delay es mayor a 20
  group_by(dest) %>%  # Agrupa por la columna dest
  summarise(conteo4 = n()) %>%  # Cuenta el número de registros en cada grupo
  arrange(desc(conteo4)) # Ordena de manera descendiente

conteo4

## # A tibble: 102 × 2
##    dest  conteo4
##    <chr>   <int>
##  1 ATL      3558
##  2 ORD      3389
##  3 LAX      2701
##  4 CLT      2676
##  5 FLL      2656
##  6 MCO      2574
##  7 SFO      2488
##  8 BOS      2402
##  9 DCA      1939
## 10 MIA      1767
## # ℹ 92 more rows

Vemos que Atlanta resulta ser el destino con mayores retrasos de llegada, aunque sabemos que también es uno de los destinos más cotizados, por lo que habría que revisar qué aeropuerto cuenta con el mayor porcentaje de retrasos.

Aeropuerto destino con mayor porcentaje de retrasos.

conteo1 <- bdevidencia %>%
  filter(arr_delay > 20) %>% # Filtra registros donde arr_delay es mayor a 20
  group_by(dest) %>% # Agrupa por la columna dest
  summarise(retrasos = n())  # Cuenta el número de retrasos en cada grupo

# Asumiendo que `total` es el número total de vuelos para cada destino
total <- bdevidencia %>%
  group_by(dest) %>%
  summarise(total_vuelos = n()) 

# Calcula el porcentaje de retraso
porcentaje_retraso <- left_join(conteo1, total, by = "dest") %>%
  mutate(porcentaje = (retrasos / total_vuelos) * 100) %>%
  select(dest, porcentaje) %>%
  arrange(desc(porcentaje)) # Ordena los resultados por porcentaje de mayor a menor

porcentaje_retraso

## # A tibble: 102 × 2
##    dest  porcentaje
##    <chr>      <dbl>
##  1 CAE         53.4
##  2 OKC         41.9
##  3 TUL         41.6
##  4 JAC         32  
##  5 TYS         31.7
##  6 SMF         31.7
##  7 CRW         31.2
##  8 RIC         30.2
##  9 MSN         29.9
## 10 PVD         29.5
## # ℹ 92 more rows

El “Columbia Metropolitan Airport” tiene el mayor porcentaje de llegadas tardías con un 53%. Atlanta resulta no estar ni en los primeros diez aeropuertos con más porcentaje de retrasos.

Nos enfocamos ahora con el destino de mayor atraso promedio

promedio_retraso <- bdevidencia %>%
  filter(arr_delay > 20) %>% # Filtra registros donde arr_delay es mayor a 20
  group_by(dest) %>% # Agrupa por la columna dest
  summarise(promedio_arr_delay = mean(arr_delay)) %>% # Calcula el promedio de arr_delay en cada grupo
  arrange(desc(promedio_arr_delay)) # Ordena los resultados por promedio de mayor a menor

print(promedio_retraso)

## # A tibble: 102 × 2
##    dest  promedio_arr_delay
##    <chr>              <dbl>
##  1 TVC                 89.4
##  2 TYS                 87.0
##  3 BHM                 84.7
##  4 TUL                 84.4
##  5 DSM                 84.3
##  6 CAK                 83.6
##  7 SAT                 82.6
##  8 IAD                 82.3
##  9 BWI                 82.2
## 10 MSN                 81.9
## # ℹ 92 more rows

Encontramos que el aeropuerto con la mayor cantidad de minutos promedio de retraso de llegada es Traverse City, Michigan, esto puede deberse a la gestión (o falta de gestión) del aeropuerto destino.

También sospechamos que algunos retrasos de vuelos pueden ser a causa de los vientos fuertes. Para esto, preparamos una fórmula para encontrar su relación.

primera_razon <- bdevidencia %>% filter(arr_delay>=20 & wind_speed.x>=20)

count(primera_razon)

##      n
## 1 5442

(5442/336776)*100

## [1] 1.615911

Con esto, entendemos que el viento no es un factor clave en el retraso de los vuelos. También existe la posibilidad que los aeropuertos no permitan el despegue cuando hay vientos fuertes y que esto afecte nuestros datos.

¿Es la humedad/lluvia posible causa de retrasos?

total_retrasos_20 <- bdevidencia %>% 
  filter(arr_delay > 20) %>% 
  nrow()

# Vuelos con arr_delay de más de 20 minutos Y humid.x mayor a 20
retrasos_humid_20 <- bdevidencia %>% 
  filter(arr_delay > 20 & humid.x > 20) %>% 
  nrow()

# Calcular el porcentaje
porcentaje <- (retrasos_humid_20 / total_retrasos_20) * 100

# Mostrar el resultado
porcentaje

## [1] 98.67032

La humedad o posible lluvia afecta en la llegada de los vuelos y tiene grandes implicaciones en los retrasos. Una de las posibles causas pueden ser los cambios de ruta debido a las lluvias o al funcionamiento de los motores y la aerodinámica del avión en circunstancias de humedad o lluvia.

Conclusión sobre los atrasos

En la primera parte de nuestra investigación encontramos qué el tiempo promedio de retraso en los vuelos que salen de Nueva York es de 71 minutos, comprendemos que este es un gran problema para quienes acuden a los aeropuertos de la ciudad, por esto investigamos las causas más importantes que ocasionan estos retrasos en los vuelos.

Hallazgos

1. Atlanta resultó ser el aeropuerto destino con más vuelos atrasados, aunque esto se debe a que es uno de los destinos más buscados y por eso obtiene este número.

2. A pesar de saber que Atlanta es el destino con más retrasos, encontramos que el “Columbia Metropolitan Airport” es el destino con mayor porcentaje de retrasos siendo el 53% de las veces.

3. El destino con mayor tiemmpo promedio de retraso es el de Traverse City, Michigan con 89 minutos promedio de retraso.

4. Investigamos las causas climáticas empezando por la velocidad del viento y no encontramos ninguna relación significativa.

5. Por último investigamos la humedad durante los vuelos y encontramos qué el 98 por ciento de los retrasos tenían alta húmedad, esto significa que la húmedad o lluvias juegan el papel más importante en los retrasos de los vuelos que despegan en la ciudad de “Nueva York”.

Parte 3

Se nos 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.

Datos Generales

1. Consultar las tablas planes y weather para que conozcamos su contenido.

view(planes)
view(weather)
planes

## # A tibble: 3,322 × 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…
##  7 N107US   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
##  8 N108UW   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
##  9 N109UW   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
## 10 N110UW   1999 Fixed wing multi… AIRBUS INDU… A320…       2   182    NA Turbo…
## # ℹ 3,312 more rows

weather

## # A tibble: 26,115 × 15
##    origin  year month   day  hour  temp  dewp humid wind_dir wind_speed
##    <chr>  <int> <int> <int> <int> <dbl> <dbl> <dbl>    <dbl>      <dbl>
##  1 EWR     2013     1     1     1  39.0  26.1  59.4      270      10.4 
##  2 EWR     2013     1     1     2  39.0  27.0  61.6      250       8.06
##  3 EWR     2013     1     1     3  39.0  28.0  64.4      240      11.5 
##  4 EWR     2013     1     1     4  39.9  28.0  62.2      250      12.7 
##  5 EWR     2013     1     1     5  39.0  28.0  64.4      260      12.7 
##  6 EWR     2013     1     1     6  37.9  28.0  67.2      240      11.5 
##  7 EWR     2013     1     1     7  39.0  28.0  64.4      240      15.0 
##  8 EWR     2013     1     1     8  39.9  28.0  62.2      250      10.4 
##  9 EWR     2013     1     1     9  39.9  28.0  62.2      260      15.0 
## 10 EWR     2013     1     1    10  41    28.0  59.6      260      13.8 
## # ℹ 26,105 more rows
## # ℹ 5 more variables: wind_gust <dbl>, precip <dbl>, pressure <dbl>,
## #   visib <dbl>, time_hour <dttm>

2. Se necesita saber de cada vuelo: La aerolinea, el aeropuerto de origen y el aeropuerto destino.

aerolineas <- flights %>% 
  select(carrier,origin,dest)
aerolineas

## # A tibble: 336,776 × 3
##    carrier origin dest 
##    <chr>   <chr>  <chr>
##  1 UA      EWR    IAH  
##  2 UA      LGA    IAH  
##  3 AA      JFK    MIA  
##  4 B6      JFK    BQN  
##  5 DL      LGA    ATL  
##  6 UA      EWR    ORD  
##  7 B6      EWR    FLL  
##  8 EV      LGA    IAD  
##  9 B6      JFK    MCO  
## 10 AA      LGA    ORD  
## # ℹ 336,766 more rows

3. En la consulta anterior se necesita conocer el nombre de la aerolínea.

aerolineas_nombre <- aerolineas %>%
  left_join(airlines, by = "carrier")
aerolineas_nombre

## # A tibble: 336,776 × 4
##    carrier origin dest  name                    
##    <chr>   <chr>  <chr> <chr>                   
##  1 UA      EWR    IAH   United Air Lines Inc.   
##  2 UA      LGA    IAH   United Air Lines Inc.   
##  3 AA      JFK    MIA   American Airlines Inc.  
##  4 B6      JFK    BQN   JetBlue Airways         
##  5 DL      LGA    ATL   Delta Air Lines Inc.    
##  6 UA      EWR    ORD   United Air Lines Inc.   
##  7 B6      EWR    FLL   JetBlue Airways         
##  8 EV      LGA    IAD   ExpressJet Airlines Inc.
##  9 B6      JFK    MCO   JetBlue Airways         
## 10 AA      LGA    ORD   American Airlines Inc.  
## # ℹ 336,766 more rows

4. Se necesita saber la cantidad de vuelos por cada destino para identificar cuáles son los destinos más buscados.

cant_vuelos <- flights %>% 
  select(carrier, dest) %>% 
  count(dest)
cant_vuelos <- cant_vuelos %>%
  arrange(desc(n))

cant_vuelos

## # A tibble: 105 × 2
##    dest      n
##    <chr> <int>
##  1 ORD   17283
##  2 ATL   17215
##  3 LAX   16174
##  4 BOS   15508
##  5 MCO   14082
##  6 CLT   14064
##  7 SFO   13331
##  8 FLL   12055
##  9 MIA   11728
## 10 DCA    9705
## # ℹ 95 more rows

Los destinos más buscados con origen en Nueva York en 2013 son Chicago con 17,283 vuelos, Atlanta con 17,215 vuelos y Los Angeles con 16,174 vuelos.

5. Agregar el nombre de la aerolínea a la tabla anterior.

cant_vuelos1 <- flights %>%
  select(carrier, dest) %>%
  group_by(carrier, dest) %>%
  summarise(n = n()) %>%
  ungroup() %>%
  arrange(desc(n))

## `summarise()` has grouped output by 'carrier'. You can override using the
## `.groups` argument.

cant_vuelos1

## # A tibble: 314 × 3
##    carrier dest      n
##    <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

Esta tabla ahora nos muestra las aerolíneas y destinos con mayor cantidad de vuelos. La aerolínea “Delta Airlines” tuvo la mayor cantidad de vuelos hacia Atlanta.

###6 . Se necesita conocer las aerolíneas (clave y nombre) y destinos que vuelan de: 6 a 12, 12 a 19 , 19 a 24, y 24 a 6.

carrier_horario <- flights %>%
select(carrier, dest, sched_dep_time) %>%
  left_join(airlines, by = "carrier")

clasxhora<- mutate(carrier_horario, clas_horario = ifelse(sched_dep_time %in% 600:1159,"Mañana",
                                               ifelse(sched_dep_time %in% 1200:1859,"Tarde",
                                               ifelse(sched_dep_time %in% 1900:2400,"Noche", "Madrugada"))))
clasxhora

## # A tibble: 336,776 × 5
##    carrier dest  sched_dep_time name                     clas_horario
##    <chr>   <chr>          <int> <chr>                    <chr>       
##  1 UA      IAH              515 United Air Lines Inc.    Madrugada   
##  2 UA      IAH              529 United Air Lines Inc.    Madrugada   
##  3 AA      MIA              540 American Airlines Inc.   Madrugada   
##  4 B6      BQN              545 JetBlue Airways          Madrugada   
##  5 DL      ATL              600 Delta Air Lines Inc.     Mañana      
##  6 UA      ORD              558 United Air Lines Inc.    Madrugada   
##  7 B6      FLL              600 JetBlue Airways          Mañana      
##  8 EV      IAD              600 ExpressJet Airlines Inc. Mañana      
##  9 B6      MCO              600 JetBlue Airways          Mañana      
## 10 AA      ORD              600 American Airlines Inc.   Mañana      
## # ℹ 336,766 more rows

7.Se necesita saber la cantidad de vuelos por aerolínea y destino que hay por la Mañana, Tarde, Noche y Madrugada.

cant_clasxhora <- clasxhora %>% 
             group_by(carrier, dest,clas_horario) %>% count()
cant_clasxhora

## # A tibble: 741 × 4
## # Groups:   carrier, dest, clas_horario [741]
##    carrier dest  clas_horario     n
##    <chr>   <chr> <chr>        <int>
##  1 9E      ATL   Mañana          59
##  2 9E      AUS   Tarde            2
##  3 9E      AVL   Mañana          10
##  4 9E      BGR   Noche            1
##  5 9E      BNA   Mañana           6
##  6 9E      BNA   Noche            1
##  7 9E      BNA   Tarde          467
##  8 9E      BOS   Mañana         271
##  9 9E      BOS   Noche           94
## 10 9E      BOS   Tarde          549
## # ℹ 731 more rows

Se necesita saber a qué destinos vuela la aerolínea American Airlines Inc.-AA durante la madrugada (24am-6am).

destinos_aa <- clasxhora %>% 
  select(carrier,name, dest,clas_horario) %>% 
  filter(carrier == "AA" & clas_horario == "Madrugada") %>% 
  group_by(carrier,name, dest,clas_horario)
destinos_aa

## # A tibble: 365 × 4
## # Groups:   carrier, name, dest, clas_horario [1]
##    carrier name                   dest  clas_horario
##    <chr>   <chr>                  <chr> <chr>       
##  1 AA      American Airlines Inc. MIA   Madrugada   
##  2 AA      American Airlines Inc. MIA   Madrugada   
##  3 AA      American Airlines Inc. MIA   Madrugada   
##  4 AA      American Airlines Inc. MIA   Madrugada   
##  5 AA      American Airlines Inc. MIA   Madrugada   
##  6 AA      American Airlines Inc. MIA   Madrugada   
##  7 AA      American Airlines Inc. MIA   Madrugada   
##  8 AA      American Airlines Inc. MIA   Madrugada   
##  9 AA      American Airlines Inc. MIA   Madrugada   
## 10 AA      American Airlines Inc. MIA   Madrugada   
## # ℹ 355 more rows

Encontramos que el único destino de American Airlines por la madrugada es hacia Miami.

¿Qué aviones utiliza la aerolínea AA? aerolínea, tipo, motor y número de asientos y ¿Cuántos vuelos se han realizado con cada uno? (Sin NA’s)

avion_aa <- flights %>%
  left_join(planes, by = "tailnum") %>%
  select(carrier, type, engine, seats) %>%
  filter(carrier == "AA", !is.na(type)) %>%
  group_by(carrier,type,engine,seats) %>% 
  count()
avion_aa

## # A tibble: 22 × 5
## # Groups:   carrier, type, engine, seats [22]
##    carrier type                    engine        seats     n
##    <chr>   <chr>                   <chr>         <int> <int>
##  1 AA      Fixed wing multi engine Reciprocating     6    22
##  2 AA      Fixed wing multi engine Reciprocating     8    92
##  3 AA      Fixed wing multi engine Reciprocating   102    22
##  4 AA      Fixed wing multi engine Turbo-fan         8    38
##  5 AA      Fixed wing multi engine Turbo-fan        11    19
##  6 AA      Fixed wing multi engine Turbo-fan        22    13
##  7 AA      Fixed wing multi engine Turbo-fan       172  3857
##  8 AA      Fixed wing multi engine Turbo-fan       178   501
##  9 AA      Fixed wing multi engine Turbo-fan       255  4257
## 10 AA      Fixed wing multi engine Turbo-fan       330   450
## # ℹ 12 more rows

El tipo de avión que American Airlines usa más veces es el “Fixed Wing Multi Engine”, utilizándolo en 4257 vuelos con origen de Nueva York. Esta aeronave contiene 255 asientos de pasajeros, sin incluir la tripulación.

vuelostodos <- merge(flights, planes, by="tailnum")
vuelosAA <- vuelostodos %>% filter(carrier =="AA")
AA <- vuelosAA %>% select(carrier)
vuelosAAfiltrados<- vuelosAA%>% select(origin:dest)
vuelostodos <- left_join(flights, airlines, by="carrier")

Con esas tres funciones, logramos: 1. Hacer una base de datos de nada más la fila de AA.
2. Merge todos los vuelos de la base de datos flights con la base de datos planes
3. Filtrar esa base de datos nueva para encontrar solamente los vuelos de AA.
4. De esos vuelos, seleccionar solamente las columnas de origen y destino.

countoriginfeoAA <- count(vuelosAAfiltrados,origin, name="Cantidad de vuelos")
count_originAA <- arrange(countoriginfeoAA, desc("Cantidad de vuelos"))

countoriginfeos <- count(vuelostodos,origin, name="Cantidad de vuelos")
count_origin_TODOS <- arrange(countoriginfeos, desc("Cantidad de vuelos"))
countoriginfeoAA

##   origin Cantidad de vuelos
## 1    EWR               1145
## 2    JFK               5500
## 3    LGA               3526

Con una función de count(), encontramos que los vuelos de “AA” consisten de 1145 vuelos saliendo de EWR, 5500 saliendo de JFK, y 3526 saliendo de LGA.

countdestfeoAA <- count(vuelosAAfiltrados,origin,dest, name ="Cantidad de vuelos")
count_destAA <- arrange(countdestfeoAA, desc("Cantidad de vuelos"))
count_destAA <- count_destAA %>%
  arrange(desc("Cantidad de vuelos"))
count_destAA

##    origin dest Cantidad de vuelos
## 1     EWR  DFW               1084
## 2     EWR  MIA                 61
## 3     JFK  BOS                 15
## 4     JFK  DFW                  1
## 5     JFK  EGE                 25
## 6     JFK  FLL                  1
## 7     JFK  LAS                 87
## 8     JFK  LAX               3178
## 9     JFK  MCO                 87
## 10    JFK  MIA                785
## 11    JFK  ORD                  1
## 12    JFK  SAN                 30
## 13    JFK  SFO               1209
## 14    JFK  SJU                 80
## 15    JFK  STT                  1
## 16    LGA  DFW                528
## 17    LGA  MIA                  5
## 18    LGA  ORD               2499
## 19    LGA  STL                494

countdestfeos <- count(vuelostodos,origin,dest, name ="Cantidad de vuelos")
count_dest_TODOS <- arrange(countdestfeos,desc("Cantidad de vuelos"))

Al correr la funcion count() de arriba, encontramos los destinos de los vuelos American Airlines. El destino favorito de “AA” es Los Angeles (LAX, 3178), luego Chicago O’Hare (ORD, 2499), luego Dallas Fort Worth (DFW, 1613), etc…

Conclusiones Finales

Con una base de datos tan extensa como lo es “nycflights13”, podemos extraer mucha información no solo de las aerolíneas y sus aviones, sino los vuelos que hacen, la distancia, el tiempo, el tipo de avión que utilizan, etc. Con este ejercicio, logramos definir algunos hallazgos que parecen importantes para expandir nuestro conocimiento de los vuelos y aeropuertos de Nueva York, ya sea La Guardia (LGA), John F. Kennedy (JFK), o Newark Liberty (EWR).

Hallazgos

1. Los vuelos que volaron más seguido fueron: JFK a LAX (11262 veces al año, 31 veces al día), LGA a ATL (10263 veces al año, 29 veces al día), y LGA a ORD (8857 veces al año, 24.6 veces al día)

2. Las aerolíneas con mayor distancia promedio fueron Hawaiian Airlines (4983 millas), United Airlines (2535 millas), y Virgin America (2495 millas)

3. Curiosamente, no aparecen vuelos que despeguen entre 1a.m y 5a.m, ya que los primeros datos del día, por así decirlo, empiezan a las 5a.m

4. AA utilizó 3 diferentes tipos de aviones para llevar a cabos sus traslados. Estos siendo “Fixed wing multi engine” (9318 vuelos) “Fixed wing single engine” (729) y “Rotorcraft” (124) El primero, el “Fixed wing multi engine” es el avión típico. Ya sea un Airbus, Boeing, etc. Los single engine son mucho más pequeños, pues aguantan menos carga. Finalmente, los Rotorcraft, son aquellos que parecen helicópteros

##Visualización de los Datos #Visualización de la temperatura durante los primeros 15 días de enero con una gráfica de línea:

library(ggplot2)
weather_january <- weather %>%
  filter(month == 1, day <= 15, origin == "EWR")

ggplot(weather_january, aes(x = day, y = temp)) +
  geom_line() +
  labs(title = "Temperatura durante los primeros 15 días de enero", x = "Día", y = "Temperatura (°F)")

#Interpretación de gráfica: Con esta gráfica podemos observar la temperatura durante los primeros días del mes de enero en el aeropuerto de Newark (EWR), además de notar que tiene ciertas tendencias de aumento y alteración que nos pueden estar señalando la autoridad de los sistemas climáticos temporales. Entre sus temperaturas podemos ver que se encuentran entre menos de 35°F y casi alcanzando 50°F, esto nos puede indicar que es posible que estas temperaturas lleguen a perjudicar los servicios aeroportuarios y la planeación de los vuelos a causa de el impacto en la seguridad y operatividad de las aeronaves.

##Histograma de la temperatura más frecuente en los primeros 15 días de enero

ggplot(weather_january, aes(x = temp)) +
  geom_histogram(bins = 30, fill = "blue", color = "black") +
  labs(title = "Histograma de la temperatura en Enero", x = "Temperatura (°F)", y = "Frecuencia")

#Interpretación de gráfica: En este histograma observamos una clara división en dos grupos diferentes, que nos señalan dos rangos que fueron frecuentes, lo que nos puede mostrar variaciones en las normas climáticas durante el mes. Esta gráfica nos ayuda a poder prevenir alteraciones climáticas que afecten a las necesidades operativas del aeropuerto.

##Facets para observar como varía la temperatura cada mes

weather %>% 
  ggplot(aes(x = temp)) +
  geom_histogram(bins = 30) +
  facet_wrap(~month) +
  labs(title = "Distribución de la temperatura por mes", x = "Temperatura (°F)", y = "Frecuencia")

## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_bin()`).

#Interpretación de gráfica: Aquí podemos ver cómo existe un patrón estacional referente a la temperatura en el aeropuerto de Newark, que tiene temperaturas frías y cálidas, lo que es fundamental para la administración y planeación relacionada con los aeropuertos en lo que resta del año.

##Número de vuelos que salieron de Nueva York por aerolínea en 2013 con un gráfico de barras

flights %>% 
  filter(origin %in% c("JFK", "LGA", "EWR")) %>%
  group_by(carrier) %>%
  summarise(count = n()) %>%
  ggplot(aes(x = reorder(carrier, -count), y = count)) +
  geom_bar(stat = "identity", fill = "coral") +
  labs(title = "Número de vuelos por aerolínea en 2013", x = "Aerolínea", y = "Cantidad de vuelos") +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

#Interpretación de gráfica: En este gráfico podemos ver como pocas aerolíneas son las que encabezan la cantidad de vuelos que hubo en NYC en 2013, lo que muestra una asignación desigual del tráfico aéreo y puede llegar a encaminar servicios aeroportuarios y a la planeación de infraestructura.

##Gráfica de pie para el número de vuelos por aerolínea

flights %>% 
  group_by(carrier) %>%
  summarise(count = n()) %>%
  ggplot(aes(x = "", y = count, fill = carrier)) +
  geom_bar(width = 1, stat = "identity") +
  coord_polar("y") +
  labs(title = "Distribución de vuelos por aerolínea")

#Interpretación de gráfica: En esta gráfica de pie vemos que ciertas aerolíneas son las que lideran el mercado de vuelos en la ciudad de Nueva York, lo que se evidencia en las secciones más grandes, mientras que otras presentaron una menor colaboración.

##Relacionar el dataframe flights con el dataframe airports usando el campo destino

flights_airports <- flights %>%
  left_join(airports, by = c("dest" = "faa"))

##Crear un nuevo dataframe con el punto anterior únicamente con los 5 carriers con más vuelos por destino

top_carriers <- flights %>%
  group_by(carrier) %>%
  summarise(count = n()) %>%
  arrange(desc(count)) %>%
  slice(1:5) %>%
  ungroup() %>%
  select(carrier)

flights_top_carriers <- flights_airports %>%
  filter(carrier %in% top_carriers$carrier)

##Visualización del punto anterior de las siguientes tres formas

##**Gráfico de barras para la cantidad de vuelos por aerolínea:**

# Asumiendo que flights_top_carriers contiene los datos de los vuelos de los 5 principales transportistas
ggplot(flights_top_carriers, aes(x = carrier, fill = carrier)) +
  geom_bar() +
  labs(title = "Cantidad de vuelos por aerolínea", x = "Aerolínea", y = "Cantidad de vuelos") +
  theme_minimal()

#Interpretación de Gráfica: Esta gráfica de barras nos sirve para comparar el volumen de operaciones que tiene cada aerolínea y con esto poder realizar análisis de capacidad operativa y análisis competitivos, como vemos en la gráfica la aerolínea UA va de primera, teniendo la mayor cantidad de vuelos.

##**Gráfico de barras para la cantidad de vuelos por destino**

ggplot(flights_top_carriers, aes(x = dest, fill = carrier)) +
  geom_bar() +
  labs(title = "Cantidad de vuelos por destino", x = "Destino", y = "Cantidad de vuelos") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90, hjust = 1))

#Interpretación de Gráfica: Observamos la cantidad de vuelos que hay a los diferentes destinos que son operados por las siguientes aerolíneas (AA, B6, DL, EV, UA), en este caso podemos ver como cada color va representando una aerolínea distinta y se observa que la altura de estas barras es la cantidad de vuelos a los diferentes destinos. Es posible notar como ciertos destinos presentan una gran concentración de vuelos por más de una aerolínea, en cambio otros cuentan con una menor cantidad, lo que nos muestra la popularidad de dichos destinos.

##**Gráfico de barras para la cantidad de vuelos por día del mes**

ggplot(flights_top_carriers, aes(x = factor(day), fill = carrier)) +
  geom_bar() +
  labs(title = "Cantidad de vuelos por día del mes", x = "Día del mes", y = "Cantidad de vuelos") +
  theme_minimal()

#Interpretación de Gráfica:En esta gráfica podemos observar que las barras muestran los números de vuelos diarios en un mes, para diferentes aerolíneas. Las capas de color nos indican cuál aerolínea es de la que se esta hablando y que contribución de vuelos tienen en total en un día. Ahora hablando sobre la altura combinada de estas barras, nos da a entender que el número de vuelos se mantiene constante en el mes, sin ningún tipo de cambios drásticos. Esto es bueno ya que nos señala que existe una operación regular en el aeropuerto sin grandes modificaciones en el tráfico aéreo por parte de las aerolíneas.

Conclusión final

Durante nuestra investigación sobre la base de datos de nycflights13 aprendimos a interpretar la información y tranformarla en dataframes para poder analizarla de manera más efectiva, pudimos combinar los datos más importantes para obtener nuestros análisis. Gracias a las herramientas que obtuvimos en clase pudimos analizar este caso desde una perspectiva análitica y descriptiva. Comenzamos entendiendo la base de datos descubrimos qué el df flights contiene información de los vuelos que partieron de la ciudad de Nueva York en el año 2013 y los datos más importantes.

Encontramos que la aerolínea más importante del año fue United Airlines con 76,256,278 de millas recorridas y la aerolínea con más distancia promedio recorrida fue Hawaian Airlines ya que los viajes en su mayoría eran de Nueva York a Honolulú.

Aunque United Airlines fue la aerolínea más importante durante el año, no fue la líder en todos los aeropuertos de Nueva York. En EWR la aerolínea United Airlines sí fue líder, mientras qué en LGA fue American Airlines y en JFK JetBlue.

Gracias a estos datos pudimos analizar la problemática de los retrasos, entre todas las variables que analizamos obtuvimos las más importantes. El “Columbia Metropolitan Airport” es el destino con mayor porcentaje de retrasos siendo el 53% de las veces, este aeropuerto genera atrasos en la mitad de sus vuelos, este porcentaje indica que los retrasos son responsabilidad del aeropuerto destino. El aeropuerto destino con más promedio de retraso es Traverse City, Michigan con 89 minutos promedio de retraso. Ahora considerando las variables naturales encontramos que la humedad juega el papel más importante en los retrasos de los aviones, en el 98% de ellos la humedad fue medianamente alta e influyó en el tiempo de vuelo, salida y llegada.

Concluimos que los errores humanos en la gestión de los aeropuertos son temas manejables, se puede analizar el caso y llegar a una solución acertada, mientras que los elementos metereológicos no son manejables hasta la fecha, se necesitarían motores y tecnología que no sufra pérdidas de desempeño o funcionamiento durante las lluvias o diferentes condiciones climáticas adversas.

Conclusión de gráficas

Con esto podemos llegar a la conclusión de que los patrones operativos en los aeropuertos de la ciudad de Nueva York, así como las diferentes aerolíneas, presentan una gran cantidad de cambios debido al clima, lo que puede determinar las decisiones que se tomarán en la planeación de vuelos y en la gestión aeroportuaria. Vemos cómo las aerolíneas suelen tener una distribución detallada de vuelos que indica la demanda de mercado, las diferentes estrategias operativas y las preferencias de ruta que tienen. Sin embargo, este reparto se puede ver perjudicado por los cambios en las condiciones climáticas que surgen a lo largo del año. Las ilustraciones de los datos demuestran que en enero las temperaturas experimentan alteraciones que podrían impactar en las operaciones aéreas, con un histograma de temperaturas que muestra dos modos de distribución y una trayectoria en el gráfico de líneas que demuestra un incremento en las temperaturas a lo largo de la primera quincena del mes. Además, el número de vuelos por día por parte de cada aerolínea se mantiene constante, como lo vemos en la gráfica de barras apiladas, lo que indica que cuentan con un funcionamiento habitual. Esto nos dice que, aunque las condiciones climáticas cambian frecuentemente, el nivel de operaciones aéreas se mantiene estable, lo que nos permite confiar en la planificación a corto y largo plazo.

Ética y responsabilidad en los Negocios

Dereck Iker Villafaña Romero

El uso de las bases de datos en nuestra carrera y futuras prácticas debe ser utilizado de manera muy respetuosa y responsable, tomando en cuenta que en el futuro estaré muy probablemente trabajando con bases de datos de empresas o personas, a la hora de realizar algún análisis o trabajo, debo comprender la importancia de respetar y cuidar estos datos. La información de las empresas es uno de sus más valiosos activos y estoy consciente que siempre debo actuar con integridad a la hora de trabajar con estos datos. Me comprometo a siempre respetar la privacidad de las personas involucradas en las bases de datos cuándo se involucren datos personales o datos críticos de la empresa que puedan ser utilizados en su contra por terceros.

Carolina Suárez Rodríguez

Al hablar de la integridad nos referimos al hablar de transparencia, es decir ser éticos y responsables con las acciones que tomamos al tomar una decisión, cabe recalcar que siempre debemos utilizar esta transparencia a la hora de trabajar en una empresa y con sus informaciones clasificadas. Es de suma importancia conservar siempre tu integridad para así lograr formar lazos de confianza con tus mismos clientes, para así poder garantizar un éxito duradero.

Federico Zorrilla Jasso

Somos muy afortunados que como institución muchas empresas nos comparten sus bases de datos. En el bloque de Indicadores y Riesgos con Visión Estratégica, trabajamos con los datos de Arca Continental, una empresa muy grande que valúa sus datos. En un futuro, idealmente trabajaré con las bases de datos de diversas empresas, y es necesario tener en cuenta que esos datos son oro. Una empresa te confía con ellos, y la competencia haría lo que sea para conseguirlos. Han habido miles de millones de casos que algún extorsionador “breachea” los datos de una empresa, y amenaza con publicarlos. Ahora imagina lo fácil que es si este hacker hubiera decidido hackearme a mí. Seguramente es más fácil que hackear a una empresa, y ahora yo estoy ligado al problema. Por esta razón y muchas más, es crítico cuidar de los datos que nos comparten las empresas con las que trabajamos.