Actividad practica
Angelito
2024-08-13
Potabilidad de agua
El agua potable es aquella que es segura para el consumo humano y para otros usos domésticos. Debe cumplir con ciertos estándares de calidad establecidos por organismos reguladores, como la Organización Mundial de la Salud (OMS) o las autoridades locales de salud. Estos estándares aseguran que el agua no contenga contaminantes dañinos, patógenos, ni niveles peligrosos de sustancias químicas. El agua potable se caracteriza por estar libre de contaminantes que puedan causar enfermedades o efectos adversos para la salud.
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 dimensiones
dim(df)## [1] 3276 10Se 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$Hardness))
hist(sort(df$Potability),las=2)
hist(sort(df$Chloramines))
library(Amelia)## Loading required package: Rcpp## ##
## ## Amelia II: Multiple Imputation
## ## (Version 1.8.2, built: 2024-04-10)
## ## Copyright (C) 2005-2024 James Honaker, Gary King and Matthew Blackwell
## ## Refer to http://gking.harvard.edu/amelia/ for more information
## ##missmap(df)## Warning: Unknown or uninitialised column: `arguments`.
## Unknown or uninitialised column: `arguments`.## Warning: Unknown or uninitialised column: `imputations`.
par(mfrow=c(1,4))
boxplot(df$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")
hist(sort(df$Turbidity),las=2)
summary(df)# Analicemos las mediadas de tendencia## ph Hardness Solids Chloramines
## Min. : 0.000 Min. : 47.43 Min. : 320.9 Min. : 0.352
## 1st Qu.: 6.093 1st Qu.:176.85 1st Qu.:15666.7 1st Qu.: 6.127
## Median : 7.037 Median :196.97 Median :20927.8 Median : 7.130
## Mean : 7.081 Mean :196.37 Mean :22014.1 Mean : 7.122
## 3rd Qu.: 8.062 3rd Qu.:216.67 3rd Qu.:27332.8 3rd Qu.: 8.115
## Max. :14.000 Max. :323.12 Max. :61227.2 Max. :13.127
## NA's :491
## Sulfate Conductivity Organic_carbon Trihalomethanes
## Min. :129.0 Min. :181.5 Min. : 2.20 Min. : 0.738
## 1st Qu.:307.7 1st Qu.:365.7 1st Qu.:12.07 1st Qu.: 55.845
## Median :333.1 Median :421.9 Median :14.22 Median : 66.622
## Mean :333.8 Mean :426.2 Mean :14.28 Mean : 66.396
## 3rd Qu.:360.0 3rd Qu.:481.8 3rd Qu.:16.56 3rd Qu.: 77.337
## Max. :481.0 Max. :753.3 Max. :28.30 Max. :124.000
## NA's :781 NA's :162
## Turbidity Potability
## Min. :1.450 Min. :0.0000
## 1st Qu.:3.440 1st Qu.:0.0000
## Median :3.955 Median :0.0000
## Mean :3.967 Mean :0.3901
## 3rd Qu.:4.500 3rd Qu.:1.0000
## Max. :6.739 Max. :1.0000
## par(mfrow=c(1,4))
boxplot(df$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("green", "white", "black"))(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.# 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 = "purple") +
geom_density(aes(y = ..density.. * 0.1), color = "pink", alpha = 0.5) +
labs(title = paste(col, "vs Potability")) +
theme_minimal() +
theme(plot.title = element_text(size = 15))
print(p) # Mostrar el gráfico
}## 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()`).
## 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()`).
df %>%
count(Potability) %>%
ggplot(aes(x = "", y = n, fill = Potability)) +
geom_bar(width = 1, stat = "identity") +
coord_polar(theta = "y") +
geom_text(aes(label = paste0(round(n/sum(n)*100, 1), "%")), position = position_stack(vjust = 0.5)) +
theme_void() +
labs(title = "Distribución de Potability (Gráfico de Donut)") +
theme(legend.position = "bottom")
#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.