Actividad practica 1
Esteban
2024-08-13
Potabilidad del Agua
El agua potable es aquella que cumple con los estándares de calidad necesarios para ser consumida sin riesgo para la salud. Para que el agua sea considerada potable, debe estar libre de contaminantes químicos, biológicos y físicos que puedan causar enfermedades. Este tipo de agua es esencial para la vida humana y se utiliza no solo para beber, sino también para cocinar, higiene personal, y otras actividades domésticas.
se carga la base de datos
library(readr)
df <-read_csv("water_potability.csv")## Rows: 3276 Columns: 10
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## dbl (10): ph, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic_...
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.se analizan las dimesiones
dim(df)## [1] 3276 10la base de datos de agua… consta con… datos se visualiza la base de datos
str(df)## spc_tbl_ [3,276 × 10] (S3: spec_tbl_df/tbl_df/tbl/data.frame)
## $ ph : num [1:3276] NA 3.72 8.1 8.32 9.09 ...
## $ Hardness : num [1:3276] 205 129 224 214 181 ...
## $ Solids : num [1:3276] 20791 18630 19910 22018 17979 ...
## $ Chloramines : num [1:3276] 7.3 6.64 9.28 8.06 6.55 ...
## $ Sulfate : num [1:3276] 369 NA NA 357 310 ...
## $ Conductivity : num [1:3276] 564 593 419 363 398 ...
## $ Organic_carbon : num [1:3276] 10.4 15.2 16.9 18.4 11.6 ...
## $ Trihalomethanes: num [1:3276] 87 56.3 66.4 100.3 32 ...
## $ Turbidity : num [1:3276] 2.96 4.5 3.06 4.63 4.08 ...
## $ Potability : num [1:3276] 0 0 0 0 0 0 0 0 0 0 ...
## - attr(*, "spec")=
## .. cols(
## .. ph = col_double(),
## .. Hardness = col_double(),
## .. Solids = col_double(),
## .. Chloramines = col_double(),
## .. Sulfate = col_double(),
## .. Conductivity = col_double(),
## .. Organic_carbon = col_double(),
## .. Trihalomethanes = col_double(),
## .. Turbidity = col_double(),
## .. Potability = col_double()
## .. )
## - attr(*, "problems")=<externalptr>hist(sort(df$Potability),las=2)
barplot(table(df$Potability))
resum_2<-table(df$Potability)
resum_2##
## 0 1
## 1998 1278#Potable (0): Hay 1998 muestras que se consideran potables. No potable (1): Hay 1278 muestras que se consideran no potables.Esto sugiere que, de todas las muestras analizadas: El 61% (1998/3276) de las muestras son potables. El 39% (1278/3276) de las muestras no son potables. En general, esto significa que más de la mitad de las muestras son aptas para #el consumo, pero todavía hay un porcentaje significativo que no lo es
hist(sort(df$Turbidity),las=2)
boxplot(df$Turbidity)
boxplot(df$Chloramines)
library(Amelia)## Loading required package: Rcpp## ##
## ## Amelia II: Multiple Imputation
## ## (Version 1.8.2, built: 2024-04-10)
## ## Copyright (C) 2005-2024 James Honaker, Gary King and Matthew Blackwell
## ## Refer to http://gking.harvard.edu/amelia/ for more information
## ##missmap(df)## Warning: Unknown or uninitialised column: `arguments`.
## Unknown or uninitialised column: `arguments`.## Warning: Unknown or uninitialised column: `imputations`.
summary(df)# Analicemos las mediadas de tendencia## ph Hardness Solids Chloramines
## Min. : 0.000 Min. : 47.43 Min. : 320.9 Min. : 0.352
## 1st Qu.: 6.093 1st Qu.:176.85 1st Qu.:15666.7 1st Qu.: 6.127
## Median : 7.037 Median :196.97 Median :20927.8 Median : 7.130
## Mean : 7.081 Mean :196.37 Mean :22014.1 Mean : 7.122
## 3rd Qu.: 8.062 3rd Qu.:216.67 3rd Qu.:27332.8 3rd Qu.: 8.115
## Max. :14.000 Max. :323.12 Max. :61227.2 Max. :13.127
## NA's :491
## Sulfate Conductivity Organic_carbon Trihalomethanes
## Min. :129.0 Min. :181.5 Min. : 2.20 Min. : 0.738
## 1st Qu.:307.7 1st Qu.:365.7 1st Qu.:12.07 1st Qu.: 55.845
## Median :333.1 Median :421.9 Median :14.22 Median : 66.622
## Mean :333.8 Mean :426.2 Mean :14.28 Mean : 66.396
## 3rd Qu.:360.0 3rd Qu.:481.8 3rd Qu.:16.56 3rd Qu.: 77.337
## Max. :481.0 Max. :753.3 Max. :28.30 Max. :124.000
## NA's :781 NA's :162
## Turbidity Potability
## Min. :1.450 Min. :0.0000
## 1st Qu.:3.440 1st Qu.:0.0000
## Median :3.955 Median :0.0000
## Mean :3.967 Mean :0.3901
## 3rd Qu.:4.500 3rd Qu.:1.0000
## Max. :6.739 Max. :1.0000
## par(mfrow=c(1,4))
boxplot(df$Sulfate,main="Sulfate")
boxplot(df$ph,main="ph")
boxplot(df$Turbidity,main="Turbidity")
boxplot(df$Conductivity,main="Conductivity")
par(mfrow=c(1,5))
boxplot(df$Hardness,main="Hardness")
boxplot(df$Solids,main="Solids")
boxplot(df$Chloramines,main="Cloramines")
boxplot(df$Organic_carbon,main="Organic")
boxplot(df$Trihalomethanes,main="Trihalomethanes")
# Cargar los paquetes necesarios
library(ggplot2)
library(reshape2)
library(pheatmap)
library(dplyr) # Para la selección de columnas numéricas##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union# Seleccionar solo las columnas numéricas del DataFrame
numeric_df <- df %>% select_if(is.numeric)
# Calcular la matriz de correlación
cor_matrix <- cor(numeric_df, use = "complete.obs")
# Crear el mapa de calor con pheatmap
pheatmap(
mat = cor_matrix,
color = colorRampPalette(c("blue", "white", "red"))(100), # Paleta de colores
display_numbers = TRUE, # Mostrar los números en las celdas
number_format = "%.2f", # Formato de los números
main = "Correlation of Water Potability" # Título del gráfico
)
# Análisis:
# 1. Correlaciones Fuertes Positivas:
# - Se observa que la variable `Hardness` tiene una correlación positiva fuerte con `Solids`.
# Esto indica que a medida que aumentan los sólidos disueltos en el agua, también aumenta la dureza.
# Este comportamiento es esperado ya que los sólidos contribuyen a la dureza del agua.
# 2. Correlaciones Negativas:
# - `pH` muestra una correlación negativa moderada con `Chloramines`, sugiriendo que a medida que el pH aumenta,
# la concentración de cloraminas tiende a disminuir. Esta relación podría estar relacionada con la química del agua.
# 3. Correlaciones Débiles o Nulas:
# - Las correlaciones entre `Conductivity` y otras variables como `pH` y `Turbidity` son bastante débiles,
# lo que indica que no hay una relación lineal significativa entre ellas.
# 4. Relación con la Potabilidad:
# - Si analizamos la correlación de `Potability` con otras variables, vemos que no hay correlaciones lineales fuertes.#
library(ggplot2)
df$Potability <- as.factor(df$Potability)
# Crear el gráfico de distribución con facetas
ggplot(df, aes(x = ph)) +
geom_histogram(aes(y = ..density..), bins = 30, fill = "skyblue", color = "black", alpha = 0.7) +
geom_density(color = "red") +
facet_wrap(~ Potability) +
ggtitle("Distribution of pH by Potability") +
theme_minimal() +
theme(plot.title = element_text(size = 15))## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.## Warning: Removed 491 rows containing non-finite outside the scale range
## (`stat_bin()`).## Warning: Removed 491 rows containing non-finite outside the scale range
## (`stat_density()`).
# Análisis del gráfico:
# 1. Diferencias en la Distribución de pH:
# - El gráfico presenta la distribución de los valores de pH para agua potable y no potable.
# - Comparando las facetas, podemos observar si hay diferencias notables en las distribuciones de pH entre los dos grupos.
# 2. Forma de las Distribuciones:
# - La curva de densidad (en rojo) muestra la forma de la distribución del pH para cada grupo.
# - Se debe examinar si las distribuciones son más anchas o estrechas y si hay diferencias en la simetría o en las colas de las distribuciones.
# 3. Valor Central del pH:
# - Observar el valor central (pico de la distribución) para cada faceta.
# - Determinar si el agua potable tiende a tener un rango de pH diferente en comparación con el agua no potable.
# 4. Variabilidad en pH:
# - Evaluar la dispersión de los valores de pH en cada grupo.
# - Identificar si hay mayor variabilidad en uno de los grupos que podría estar relacionada con la potabilidad del agua.
# Posibles Implicaciones:
# - Si se observan diferencias significativas en las distribuciones de pH entre el agua potable y no potable, esto podría sugerir que el pH es un factor importante en la potabilidad.
# - En caso de que el agua no potable tenga una mayor variabilidad en el pH o se desvíe hacia valores extremos, controlar el pH podría ser crucial para mejorar la potabilidad del agua.# Cargar los paquetes necesarios
library(ggplot2)
library(gridExtra)##
## Attaching package: 'gridExtra'## The following object is masked from 'package:dplyr':
##
## combinelibrary(dplyr)
# Supongamos que df es tu DataFrame
# Eliminar la columna 'Potability' del DataFrame
df_without_potability <- df %>% select(-Potability)
# Crear una lista para almacenar los gráficos
plot_list <- list()
# Loop a través de cada columna en df_without_potability
for (col in colnames(df_without_potability)) {
# Crear el gráfico de histograma
p <- ggplot(df_without_potability, aes_string(x = col)) +
geom_histogram(bins = 50, fill = "skyblue", color = "black", alpha = 0.7) +
ggtitle(paste("Histogram of", col)) +
theme_minimal()
# Añadir el gráfico a la lista
plot_list[[col]] <- p
}## Warning: `aes_string()` was deprecated in ggplot2 3.0.0.
## ℹ Please use tidy evaluation idioms with `aes()`.
## ℹ See also `vignette("ggplot2-in-packages")` for more information.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.# Organizar los gráficos en una cuadrícula
grid.arrange(grobs = plot_list, ncol = 3, nrow = 3)## Warning: Removed 491 rows containing non-finite outside the scale range
## (`stat_bin()`).## Warning: Removed 781 rows containing non-finite outside the scale range
## (`stat_bin()`).## Warning: Removed 162 rows containing non-finite outside the scale range
## (`stat_bin()`).
# Cargar los paquetes necesarios
library(ggplot2)
library(dplyr)
# Asegurarse de que df es tu DataFrame
# Convertir 'Potability' en un factor si no lo es
df$Potability <- as.factor(df$Potability)
# Seleccionar las columnas numéricas
numeric_columns <- df %>% select_if(is.numeric) %>% colnames()
# Loop para crear histogramas
for (col in numeric_columns) {
p <- ggplot(df, aes_string(x = col, fill = "Potability")) +
geom_histogram(position = "stack", bins = 20, alpha = 0.6, color = "black") +
geom_density(aes(y = ..density.. * 0.1), color = "red", alpha = 0.5) +
labs(title = paste(col, "vs Potability")) +
theme_minimal() +
theme(plot.title = element_text(size = 15))
print(p) # Mostrar el gráfico
}## Warning: Removed 491 rows containing non-finite outside the scale range
## (`stat_bin()`).## Warning: Removed 491 rows containing non-finite outside the scale range
## (`stat_density()`).
## Warning: Removed 781 rows containing non-finite outside the scale range
## (`stat_bin()`).## Warning: Removed 781 rows containing non-finite outside the scale range
## (`stat_density()`).
## Warning: Removed 162 rows containing non-finite outside the scale range
## (`stat_bin()`).## Warning: Removed 162 rows containing non-finite outside the scale range
## (`stat_density()`).
combn(numeric_columns, 2, function(cols) {
p <- ggplot(df, aes_string(x = cols[1], y = cols[2], color = "Potability")) +
geom_point(alpha = 0.6) +
labs(title = paste("Dispersión de", cols[1], "vs", cols[2], "por Potability")) +
theme_minimal() +
theme(plot.title = element_text(size = 15))
print(p)
})## Warning: Removed 491 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 491 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 491 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 1160 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 491 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 491 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 627 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 491 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 781 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 162 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 781 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 162 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 781 rows containing missing values or values outside the scale range
## (`geom_point()`).