Tarea Datos Masivos
Marcelo Garza A01177503
26 de abril del 2024
library(readxl)
library(MASS)
library(stats)
library(psych)
library(dplyr)##
## Attaching package: 'dplyr'## The following object is masked from 'package:MASS':
##
## select## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(openxlsx)
library(ggplot2)##
## Attaching package: 'ggplot2'## The following objects are masked from 'package:psych':
##
## %+%, alphaLa siguiente tarea busca reforzar tu aprendiza de los temas cubiertos en clase, así como poner en práctica tus habilidades en el manejo de datos masivos.
Resuelve cada uno de los puntos para la base de datos trucks.xlsx No olvides cargar la libreria ´dplyr´antes de iniciar con tu programa
Pregunta 1
Almacena la información del archivo trucks.xlsx en una variable llamada mis_datos y revisa su estructura con la función head()
mis_datos = read_xlsx("trucks.xlsx")
head(mis_datos)## # A tibble: 6 × 15
## Make Model Type Origin DriveTrain MSRP Invoice EngineSize Cylinders
## <chr> <chr> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Acura MDX SUV Asia All 36945 33337 3.5 6
## 2 Acura RSX Type S 2… Sedan Asia Front 23820 21761 2 4
## 3 Acura TSX 4dr Sedan Asia Front 26990 24647 2.4 4
## 4 Acura TL 4dr Sedan Asia Front 33195 30299 3.2 6
## 5 Acura 3.5 RL 4dr Sedan Asia Front 43755 39014 3.5 6
## 6 Acura 3.5 RL w/Nav… Sedan Asia Front 46100 41100 3.5 6
## # ℹ 6 more variables: Horsepower <dbl>, MPG_City <dbl>, MPG_Highway <dbl>,
## # Weight <dbl>, Wheelbase <dbl>, Length <dbl>Como puedes ver, la base de datos cuenta con 428 observaciones y 15 variables. Las variables incluidas son: - Make = La marca del fabricante del automóvil - Model = El modelo del automóvil - Type = El tipo de automóvil - Origin = En dónde fue fabricado - DriveTrain = Indica el tipo de transmición - MSRP = Es el precio de venta en dólares sugerido por el fabricate - Invoice = Es el valor de la factura del automóvil - EngineSize = Es el tamaño del motor - Cylinders = Indica con cuántos cilindros cuenta - Horsepower = La potencia del automóvil en caballos de fuerza - MPG_City = Millas por galón de combustible en la ciudad - MPG_Highway = Millas por galón de combustible en carretera - Weight = Peso del automóvil en libras - Wheelbase = La distancia que hay entre el eje delantero y el eje trasero en pulgadas - Length = La longitud del automóvil en pulgadas
Pregunta 2
Crea una gráfica de barras de la variable Make.
mis_datos$Make <- factor(mis_datos$Make)
barplot(table(mis_datos$Make))
Pregunta 3
Utilizando algoritmos con la variable mis_datos, responde las siguientes preguntas:
¿Qué marca produce más vehículos y qué marca produce menos?
conteo_Make <- mis_datos %>%
count(Make) %>%
arrange(desc(n))
marca_mas_vehiculos <- conteo_Make[1, ]
marca_menos_vehiculos = conteo_Make[nrow(conteo_Make),]
print(paste("La marca que produce más vehículos es:", marca_mas_vehiculos$Make, "con", marca_mas_vehiculos$n, "vehículos."))## [1] "La marca que produce más vehículos es: Toyota con 28 vehículos."print(paste("La marca que produce menos vehículos es:", marca_menos_vehiculos$Make, "con", marca_menos_vehiculos$n, "vehículos."))## [1] "La marca que produce menos vehículos es: Hummer con 1 vehículos."¿Cuántos autos se producen por región de origen?
conteo_origen = table(mis_datos$Origin)
print(conteo_origen)##
## Asia Europe USA
## 158 123 147Pregunta 4
Encuentra cuál es el precio sugerido más caro, cuál es el precio sugerido más barato, las millas por galón promedio para ciudad y el Horsepower promedio, utiliza el comando “table” y/o “summarise” para mostrar la información
precios <- summarise(mis_datos,
Precio_Max = max(MSRP),
Precio_Min = min(MSRP),
MPG_City_Promedio = mean(MPG_City, na.rm = TRUE),
HP_Promedio = mean(Horsepower, na.rm = TRUE))
precios## # A tibble: 1 × 4
## Precio_Max Precio_Min MPG_City_Promedio HP_Promedio
## <dbl> <dbl> <dbl> <dbl>
## 1 192465 10280 20.1 216.Pregunta 5
Selecciona solo las variables Make, Model, Type, Origin, Cylinders, MSRP, Weight, Wheelbase y Lenght. Conserva solo las observaciones cuyo DriveTrain sea Front y almacena esta información en una variable llamada datos_nuevos.
Imprime las primeras observaciones de la variable datos_nuevos
datos_nuevos <- mis_datos %>%
select(Make, Model, Type, Origin, Cylinders, MSRP, Weight, Wheelbase, Length, DriveTrain) %>%
filter(DriveTrain == "Front")
head(datos_nuevos)## # A tibble: 6 × 10
## Make Model Type Origin Cylinders MSRP Weight Wheelbase Length DriveTrain
## <fct> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 Acura RSX Typ… Sedan Asia 4 23820 2778 101 172 Front
## 2 Acura TSX 4dr Sedan Asia 4 26990 3230 105 183 Front
## 3 Acura TL 4dr Sedan Asia 6 33195 4000 108 186 Front
## 4 Acura 3.5 RL … Sedan Asia 6 43755 3880 115 197 Front
## 5 Acura 3.5 RL … Sedan Asia 6 46100 3893 115 197 Front
## 6 Audi A4 1.8T… Sedan Europe 4 25940 3252 104 179 FrontPregunta 6
Con la información de la variable datos_nuevos, necesitamos crear 3 nuevas variables, la primera llamada Weight_kl que indique cuál es el peso del automóvil en kilos, la segunda llamada Wheelbase_cm que muestre el valor de la variable Wheelbase en centímetros, y una última variable llamada Length_cm que indique la longitud del vehículo en centímetros. Almacena toda esta información dentro de la variable mis_nuevos_datos
datos_nuevos$Weight_kg <- datos_nuevos$Weight * 0.453592
datos_nuevos$Wheelbase_cm <- datos_nuevos$Wheelbase * 2.54
datos_nuevos$Length_cm <- datos_nuevos$Length * 2.54
mis_nuevos_datos <- datos_nuevos
print(head(mis_nuevos_datos))## # A tibble: 6 × 13
## Make Model Type Origin Cylinders MSRP Weight Wheelbase Length DriveTrain
## <fct> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 Acura RSX Typ… Sedan Asia 4 23820 2778 101 172 Front
## 2 Acura TSX 4dr Sedan Asia 4 26990 3230 105 183 Front
## 3 Acura TL 4dr Sedan Asia 6 33195 4000 108 186 Front
## 4 Acura 3.5 RL … Sedan Asia 6 43755 3880 115 197 Front
## 5 Acura 3.5 RL … Sedan Asia 6 46100 3893 115 197 Front
## 6 Audi A4 1.8T… Sedan Europe 4 25940 3252 104 179 Front
## # ℹ 3 more variables: Weight_kg <dbl>, Wheelbase_cm <dbl>, Length_cm <dbl>Pregunta 7
Con la información de la variable mis_nuevos_datos, crea una nueva variable llamada opinion que esté en función del precio sugerido para la venta. Si el precio es mayor a 62,000 el valor de la variable opinion debe ser “Expensive”, si el precio está entre 62,000 y 26,000, la variable opinion debe decir “Normal”. Y si el precio es menor a 26,000 la variable opinion debe sugerir “Cheap”. Almacena la información en la variable mis_nuevos_datos
mis_nuevos_datos$opinion <- ifelse(mis_nuevos_datos$MSRP > 62000, "Expensive",
ifelse(mis_nuevos_datos$MSRP >= 26000, "Normal", "Cheap"))
print(head(mis_nuevos_datos))## # A tibble: 6 × 14
## Make Model Type Origin Cylinders MSRP Weight Wheelbase Length DriveTrain
## <fct> <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>
## 1 Acura RSX Typ… Sedan Asia 4 23820 2778 101 172 Front
## 2 Acura TSX 4dr Sedan Asia 4 26990 3230 105 183 Front
## 3 Acura TL 4dr Sedan Asia 6 33195 4000 108 186 Front
## 4 Acura 3.5 RL … Sedan Asia 6 43755 3880 115 197 Front
## 5 Acura 3.5 RL … Sedan Asia 6 46100 3893 115 197 Front
## 6 Audi A4 1.8T… Sedan Europe 4 25940 3252 104 179 Front
## # ℹ 4 more variables: Weight_kg <dbl>, Wheelbase_cm <dbl>, Length_cm <dbl>,
## # opinion <chr>Pregunta 8
¿En qué etapa o etapas de los ciclos de la ciencia de datos aplicamos todo esto? (Contesta aquí abajo)
Más que nada se utiliza para filtrar, y limpiar los datos, cuando nos entregan un archivo grande y con bastante información. Se puede jugar y sacar muchas variables de respuestas con los datos, dependiendo de los códigos que arrojemos, con tal de conseguir respuestas exactas sin necesidad de perder el tiempo buscando por el archivo. Estos códigos son los básicos para poder leer, interpretar y manipular las bases de datos que se nos otorgaron, y que probablemente se nos presenten en la vida cotidiana, entonces con esto ya sabremos la manera de encontrar los datos clave que nos solicitan, o que quisieramos encontrar.