setwd("C:/Users/Angelica Elena/Desktop/Estadistica Computacional/dataset")
df_Angie <- read.csv("swimming_pools.csv", stringsAsFactors = TRUE)
str(df_Angie)## 'data.frame': 20 obs. of 4 variables:
## $ Name : Factor w/ 20 levels "Acacia Ridge Leisure Centre",..: 1 2 3 4 5 6 19 7 8 9 ...
## $ Address : Factor w/ 20 levels "1 Fairlead Crescent, Manly",..: 5 20 18 10 9 11 6 15 12 17 ...
## $ Latitude : num -27.6 -27.6 -27.6 -27.5 -27.4 ...
## $ Longitude: num 153 153 153 153 153 ...summary(df_Angie)## Name Address
## Acacia Ridge Leisure Centre: 1 1 Fairlead Crescent, Manly : 1
## Bellbowrie Pool : 1 100 Edmonstone Street, South Brisbane: 1
## Carole Park : 1 11 Yallambee Road, Jindalee : 1
## Centenary Pool (inner City): 1 131 Caxton Street, Paddington : 1
## Chermside Pool : 1 1391 Beaudesert Road, Acacia Ridge : 1
## Colmslie Pool (Morningside): 1 14 Torrington Street, Springhill : 1
## (Other) :14 (Other) :14
## Latitude Longitude
## Min. :-27.61 Min. :152.9
## 1st Qu.:-27.55 1st Qu.:153.0
## Median :-27.49 Median :153.0
## Mean :-27.49 Mean :153.0
## 3rd Qu.:-27.45 3rd Qu.:153.1
## Max. :-27.31 Max. :153.2
## print(df_Angie)## Name
## 1 Acacia Ridge Leisure Centre
## 2 Bellbowrie Pool
## 3 Carole Park
## 4 Centenary Pool (inner City)
## 5 Chermside Pool
## 6 Colmslie Pool (Morningside)
## 7 Spring Hill Baths (inner City)
## 8 Dunlop Park Pool (Corinda)
## 9 Fortitude Valley Pool
## 10 Hibiscus Sports Complex (upper MtGravatt)
## 11 Ithaca Pool ( Paddington)
## 12 Jindalee Pool
## 13 Manly Pool
## 14 Mt Gravatt East Aquatic Centre
## 15 Musgrave Park Pool (South Brisbane)
## 16 Newmarket Pool
## 17 Runcorn Pool
## 18 Sandgate Pool
## 19 Langlands Parks Pool (Stones Corner)
## 20 Yeronga Park Pool
## Address Latitude Longitude
## 1 1391 Beaudesert Road, Acacia Ridge -27.58616 153.0264
## 2 Sugarwood Street, Bellbowrie -27.56547 152.8911
## 3 Cnr Boundary Road and Waterford Road Wacol -27.60744 152.9315
## 4 400 Gregory Terrace, Spring Hill -27.45537 153.0251
## 5 375 Hamilton Road, Chermside -27.38583 153.0351
## 6 400 Lytton Road, Morningside -27.45516 153.0789
## 7 14 Torrington Street, Springhill -27.45960 153.0215
## 8 794 Oxley Road, Corinda -27.54652 152.9806
## 9 432 Wickham Street, Fortitude Valley -27.45390 153.0368
## 10 90 Klumpp Road, Upper Mount Gravatt -27.55183 153.0735
## 11 131 Caxton Street, Paddington -27.46226 153.0103
## 12 11 Yallambee Road, Jindalee -27.53236 152.9427
## 13 1 Fairlead Crescent, Manly -27.45228 153.1874
## 14 Cnr wecker Road and Newnham Road, Mansfield -27.53214 153.0943
## 15 100 Edmonstone Street, South Brisbane -27.47978 153.0168
## 16 71 Alderson Stret, Newmarket -27.42968 153.0062
## 17 37 Bonemill Road, Runcorn -27.59156 153.0764
## 18 231 Flinders Parade, Sandgate -27.31196 153.0691
## 19 5 Panitya Street, Stones Corner -27.49769 153.0487
## 20 81 School Road, Yeronga -27.52053 153.0185El dataset swimming_pools.csv contiene información relevante sobre piscinas. Se identificó la estructura de las variables y un resumen estadístico que será clave para identificar valores atípicos y patrones relevantes en el análisis.
##Ejercicio 2. Hotdogs -------------------------------------------------------------
# Importar hotdogs.txt
setwd("C:/Users/Angelica Elena/Desktop/Estadistica Computacional/dataset")
df_hotdogs_txt=read.delim("hotdogs.txt",sep="",stringsAsFactors = FALSE)
str(df_hotdogs_txt)## 'data.frame': 53 obs. of 3 variables:
## $ Beef: chr "Beef" "Beef" "Beef" "Beef" ...
## $ X186: int 181 176 149 184 190 158 139 175 148 152 ...
## $ X495: int 477 425 322 482 587 370 322 479 375 330 ...summary(df_hotdogs_txt)## Beef X186 X495
## Length:53 Min. : 86.0 Min. :144.0
## Class :character 1st Qu.:132.0 1st Qu.:360.0
## Mode :character Median :144.0 Median :405.0
## Mean :144.7 Mean :423.5
## 3rd Qu.:172.0 3rd Qu.:506.0
## Max. :195.0 Max. :645.0# Resumen hotdogs
summary(df_hotdogs_txt)## Beef X186 X495
## Length:53 Min. : 86.0 Min. :144.0
## Class :character 1st Qu.:132.0 1st Qu.:360.0
## Mode :character Median :144.0 Median :405.0
## Mean :144.7 Mean :423.5
## 3rd Qu.:172.0 3rd Qu.:506.0
## Max. :195.0 Max. :645.0print(df_hotdogs_txt)## Beef X186 X495
## 1 Beef 181 477
## 2 Beef 176 425
## 3 Beef 149 322
## 4 Beef 184 482
## 5 Beef 190 587
## 6 Beef 158 370
## 7 Beef 139 322
## 8 Beef 175 479
## 9 Beef 148 375
## 10 Beef 152 330
## 11 Beef 111 300
## 12 Beef 141 386
## 13 Beef 153 401
## 14 Beef 190 645
## 15 Beef 157 440
## 16 Beef 131 317
## 17 Beef 149 319
## 18 Beef 135 298
## 19 Beef 132 253
## 20 Meat 173 458
## 21 Meat 191 506
## 22 Meat 182 473
## 23 Meat 190 545
## 24 Meat 172 496
## 25 Meat 147 360
## 26 Meat 146 387
## 27 Meat 139 386
## 28 Meat 175 507
## 29 Meat 136 393
## 30 Meat 179 405
## 31 Meat 153 372
## 32 Meat 107 144
## 33 Meat 195 511
## 34 Meat 135 405
## 35 Meat 140 428
## 36 Meat 138 339
## 37 Poultry 129 430
## 38 Poultry 132 375
## 39 Poultry 102 396
## 40 Poultry 106 383
## 41 Poultry 94 387
## 42 Poultry 102 542
## 43 Poultry 87 359
## 44 Poultry 99 357
## 45 Poultry 107 528
## 46 Poultry 113 513
## 47 Poultry 135 426
## 48 Poultry 142 513
## 49 Poultry 86 358
## 50 Poultry 143 581
## 51 Poultry 152 588
## 52 Poultry 146 522
## 53 Poultry 144 545El dataset contiene información sobre diferentes tipos de hotdogs, incluyendo calorías y contenido de sodio. Esta estructura es útil para análisis nutricionales y comparaciones entre categorías.
setwd("C:/Users/Angelica Elena/Desktop/Estadistica Computacional/dataset")
##Ejercicio 3. hotdogs con enunciados-------------------------------------------------
#Importe hotdogs.txt file con read.table
df_Hotdogs_TABLE=read.table("hotdogs.txt",header=TRUE,sep="",stringsAsFactors = TRUE)
str(df_Hotdogs_TABLE)## 'data.frame': 53 obs. of 3 variables:
## $ Beef: Factor w/ 3 levels "Beef","Meat",..: 1 1 1 1 1 1 1 1 1 1 ...
## $ X186: int 181 176 149 184 190 158 139 175 148 152 ...
## $ X495: int 477 425 322 482 587 370 322 479 375 330 ...#coloque los titulos a las columnas (type,calories,sodium)usaremosla funcion setNames:
df_Hotdogs_TABLE= setNames(df_Hotdogs_TABLE,c("type", "calories", "sodium"))
summary(df_Hotdogs_TABLE)## type calories sodium
## Beef :19 Min. : 86.0 Min. :144.0
## Meat :17 1st Qu.:132.0 1st Qu.:360.0
## Poultry:17 Median :144.0 Median :405.0
## Mean :144.7 Mean :423.5
## 3rd Qu.:172.0 3rd Qu.:506.0
## Max. :195.0 Max. :645.0#Muestre 7 filas de hotdogs
df_Hotdogs_TABLE[1:7, c("type", "calories","sodium")]## type calories sodium
## 1 Beef 181 477
## 2 Beef 176 425
## 3 Beef 149 322
## 4 Beef 184 482
## 5 Beef 190 587
## 6 Beef 158 370
## 7 Beef 139 322#Selecciona el perro caliente con mas calorías: Tom
max_calories= -Inf
max_index=1
for (i in 1:nrow(df_Hotdogs_TABLE)) {
if (df_Hotdogs_TABLE[i, "calories"] > max_calories) {
max_calories=df_Hotdogs_TABLE[i, "calories"]
max_index =i
}
}
Tom=df_Hotdogs_TABLE[max_index, c("type", "calories","sodium")]# Extrae el tipo y calorías
print(Tom)## type calories sodium
## 33 Meat 195 511print(paste("Levels:", paste(levels(df_Hotdogs_TABLE$type), collapse = " ")))## [1] "Levels: Beef Meat Poultry"# Selecciona el perro caliente con menos calorías :Lili
min_calories= Inf
min_index=1
for (i in 1:nrow(df_Hotdogs_TABLE)) {
if (df_Hotdogs_TABLE[i, "calories"] < min_calories) {
min_calories=df_Hotdogs_TABLE[i, "calories"]
min_index =i
}
}Lili=df_Hotdogs_TABLE[min_index, c("type", "calories","sodium" )]# Extrae el tipo y calorías
print(Lili)## type calories sodium
## 49 Poultry 86 358print(paste("Levels:", paste(levels(df_Hotdogs_TABLE$type), collapse = " ")))## [1] "Levels: Beef Meat Poultry"Se renombraron las columnas para mejorar la legibilidad y se visualizaron las primeras 7 filas. Ahora es más fácil interpretar la información nutricional de los hotdogs. Adicionalmente Se identificó el hotdog con más calorías, lo que permite clasificar productos según su impacto en la dieta.
El análisis identifica los extremos nutricionales en el dataset:
Tom: Hotdog más calórico, ideal para estudios de consumo alto en calorías. Lili: Hotdog menos calórico, relevante para opciones más saludables. El uso de niveles (type) categoriza los hotdogs, facilitando análisis por tipo.
##Ejercicio 4. Urban Pop --------------------------------------------------------------
# imprime los nombres de todos los sheets de los datos urbanpop.xlsx
library(readxl)
setwd("C:/Users/Angelica Elena/Desktop/Estadistica Computacional/dataset")
sheets=excel_sheets("urbanpop.xlsx")
# carga todos los sheet, 1 por 1 y ponlos en una lista: pop_list
df_1960_1996= read_excel("urbanpop.xlsx",sheet = "1960-1966")
df_1967_1974= read_excel("urbanpop.xlsx",sheet = "1967-1974")
df_1975_2011= read_excel("urbanpop.xlsx",sheet = "1975-2011")
pop_list = list(
"1960-1966" = df_1960_1996,
"1967-1974" = df_1967_1974,
"1975-2011" = df_1975_2011
)
# realiza los anterior con la funcion lapply
pop_list=lapply(sheets, read_excel, path = "urbanpop.xlsx")
# muestra la estructura de pop_list
str(pop_list)## List of 3
## $ : tibble [209 × 8] (S3: tbl_df/tbl/data.frame)
## ..$ country: chr [1:209] "Afghanistan" "Albania" "Algeria" "American Samoa" ...
## ..$ 1960 : num [1:209] 769308 494443 3293999 NA NA ...
## ..$ 1961 : num [1:209] 814923 511803 3515148 13660 8724 ...
## ..$ 1962 : num [1:209] 858522 529439 3739963 14166 9700 ...
## ..$ 1963 : num [1:209] 903914 547377 3973289 14759 10748 ...
## ..$ 1964 : num [1:209] 951226 565572 4220987 15396 11866 ...
## ..$ 1965 : num [1:209] 1000582 583983 4488176 16045 13053 ...
## ..$ 1966 : num [1:209] 1058743 602512 4649105 16693 14217 ...
## $ : tibble [209 × 9] (S3: tbl_df/tbl/data.frame)
## ..$ country: chr [1:209] "Afghanistan" "Albania" "Algeria" "American Samoa" ...
## ..$ 1967 : num [1:209] 1119067 621180 4826104 17349 15440 ...
## ..$ 1968 : num [1:209] 1182159 639964 5017299 17996 16727 ...
## ..$ 1969 : num [1:209] 1248901 658853 5219332 18619 18088 ...
## ..$ 1970 : num [1:209] 1319849 677839 5429743 19206 19529 ...
## ..$ 1971 : num [1:209] 1409001 698932 5619042 19752 20929 ...
## ..$ 1972 : num [1:209] 1502402 720207 5815734 20263 22406 ...
## ..$ 1973 : num [1:209] 1598835 741681 6020647 20742 23937 ...
## ..$ 1974 : num [1:209] 1696445 763385 6235114 21194 25482 ...
## $ : tibble [209 × 38] (S3: tbl_df/tbl/data.frame)
## ..$ country: chr [1:209] "Afghanistan" "Albania" "Algeria" "American Samoa" ...
## ..$ 1975 : num [1:209] 1793266 785350 6460138 21632 27019 ...
## ..$ 1976 : num [1:209] 1905033 807990 6774099 22047 28366 ...
## ..$ 1977 : num [1:209] 2021308 830959 7102902 22452 29677 ...
## ..$ 1978 : num [1:209] 2142248 854262 7447728 22899 31037 ...
## ..$ 1979 : num [1:209] 2268015 877898 7810073 23457 32572 ...
## ..$ 1980 : num [1:209] 2398775 901884 8190772 24177 34366 ...
## ..$ 1981 : num [1:209] 2493265 927224 8637724 25173 36356 ...
## ..$ 1982 : num [1:209] 2590846 952447 9105820 26342 38618 ...
## ..$ 1983 : num [1:209] 2691612 978476 9591900 27655 40983 ...
## ..$ 1984 : num [1:209] 2795656 1006613 10091289 29062 43207 ...
## ..$ 1985 : num [1:209] 2903078 1037541 10600112 30524 45119 ...
## ..$ 1986 : num [1:209] 3006983 1072365 11101757 32014 46254 ...
## ..$ 1987 : num [1:209] 3113957 1109954 11609104 33548 47019 ...
## ..$ 1988 : num [1:209] 3224082 1146633 12122941 35095 47669 ...
## ..$ 1989 : num [1:209] 3337444 1177286 12645263 36618 48577 ...
## ..$ 1990 : num [1:209] 3454129 1198293 13177079 38088 49982 ...
## ..$ 1991 : num [1:209] 3617842 1215445 13708813 39600 51972 ...
## ..$ 1992 : num [1:209] 3788685 1222544 14248297 41049 54469 ...
## ..$ 1993 : num [1:209] 3966956 1222812 14789176 42443 57079 ...
## ..$ 1994 : num [1:209] 4152960 1221364 15322651 43798 59243 ...
## ..$ 1995 : num [1:209] 4347018 1222234 15842442 45129 60598 ...
## ..$ 1996 : num [1:209] 4531285 1228760 16395553 46343 60927 ...
## ..$ 1997 : num [1:209] 4722603 1238090 16935451 47527 60462 ...
## ..$ 1998 : num [1:209] 4921227 1250366 17469200 48705 59685 ...
## ..$ 1999 : num [1:209] 5127421 1265195 18007937 49906 59281 ...
## ..$ 2000 : num [1:209] 5341456 1282223 18560597 51151 59719 ...
## ..$ 2001 : num [1:209] 5564492 1315690 19198872 52341 61062 ...
## ..$ 2002 : num [1:209] 5795940 1352278 19854835 53583 63212 ...
## ..$ 2003 : num [1:209] 6036100 1391143 20529356 54864 65802 ...
## ..$ 2004 : num [1:209] 6285281 1430918 21222198 56166 68301 ...
## ..$ 2005 : num [1:209] 6543804 1470488 21932978 57474 70329 ...
## ..$ 2006 : num [1:209] 6812538 1512255 22625052 58679 71726 ...
## ..$ 2007 : num [1:209] 7091245 1553491 23335543 59894 72684 ...
## ..$ 2008 : num [1:209] 7380272 1594351 24061749 61118 73335 ...
## ..$ 2009 : num [1:209] 7679982 1635262 24799591 62357 73897 ...
## ..$ 2010 : num [1:209] 7990746 1676545 25545622 63616 74525 ...
## ..$ 2011 : num [1:209] 8316976 1716842 26216968 64817 75207 ...# Importe la segunda hoja de "urbanpop.xlsx", pero omita las primeras 21 filas.
read_excel("urbanpop.xlsx", sheet = "1967-1974", skip = 21)## # A tibble: 188 × 9
## Benin `382022.12157999998` `411859.45118400001` `443013.10755199997`
## <chr> <dbl> <dbl> <dbl>
## 1 Bermuda 52000 53000 54000
## 2 Bhutan 14379. 15617. 16946.
## 3 Bolivia 1527065. 1575177. 1625173.
## 4 Bosnia and He… 851692. 890270. 929450.
## 5 Botswana 34320. 40576. 47222.
## 6 Brazil 47193517. 49316879. 51489096.
## 7 Brunei 61289. 66222. 71503.
## 8 Bulgaria 4019906. 4158186. 4300669.
## 9 Burkina Faso 296824. 308661. 320961.
## 10 Burundi 76166. 78816. 81356.
## # ℹ 178 more rows
## # ℹ 5 more variables: `475611.38027999998` <dbl>, `515819.52856800001` <dbl>,
## # `557937.59942999994` <dbl>, `602093.16211999999` <dbl>,
## # `648409.65390599996` <dbl>Los datos de población urbana fueron extraídos de un archivo Excel, organizados en listas para facilitar su manipulación. Se omiten filas innecesarias para optimizar el análisis.
##Ejercicio 5. Densidad --------------------------------------------------------------
library(tidyverse)## Warning: package 'tidyverse' was built under R version 4.4.2## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr 1.1.4 ✔ readr 2.1.5
## ✔ forcats 1.0.0 ✔ stringr 1.5.1
## ✔ ggplot2 3.5.1 ✔ tibble 3.2.1
## ✔ lubridate 1.9.3 ✔ tidyr 1.3.1
## ✔ 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 errorscounties <- readRDS(file="C:/Users/Angelica Elena/Desktop/Estadistica Computacional/2. Manipulación/dataset/counties.rds")
counties$state <- factor(counties$state)
counties %>%
select(state, county, population, land_area) %>%
group_by(state) %>%
summarize(totalpol = sum(population), totalar = sum(land_area)) %>%
mutate(density = totalpol / totalar) %>%
count(state, wt = density, sort = TRUE)## # A tibble: 50 × 2
## state n
## <fct> <dbl>
## 1 New Jersey 1211.
## 2 Rhode Island 1019.
## 3 Massachusetts 860.
## 4 Connecticut 742.
## 5 Maryland 611.
## 6 Delaware 475.
## 7 New York 417.
## 8 Florida 366.
## 9 Pennsylvania 286.
## 10 Ohio 283.
## # ℹ 40 more rowsSe calculó la densidad poblacional por estado, proporcionando una métrica clave para el análisis de la distribución de la población.
##Ejercicio 6. Trabajadores que Caminan--------------------------------------------
counties %>%
select(region, state, county, metro, population, walk) %>%
group_by(region) %>%
top_n(1, walk)## # A tibble: 4 × 6
## # Groups: region [4]
## region state county metro population walk
## <chr> <fct> <chr> <chr> <dbl> <dbl>
## 1 West Alaska Aleutians East Borough Nonmetro 3304 71.2
## 2 Northeast New York New York Metro 1629507 20.7
## 3 North Central North Dakota McIntosh Nonmetro 2759 17.5
## 4 South Virginia Lexington city Nonmetro 7071 31.7Se identificaron las regiones con mayor número de personas que caminan al trabajo, lo cual es clave para la planificación de infraestructura urbana.
##Ejercicio 7. Ingreso mas Alto---------------------------------------------------
counties %>%
# selecciona las columnas (region, state, county, metro, population, walk)
select(region, state, county, metro, population, walk, income) %>%
# realiza grupos por region y estado
group_by(region,state) %>%
# Calcula el promedio income
summarize(prom_income = mean(income))%>%
# Encuentre el ingreso mas alto por estado en cada region
top_n(1,prom_income)## `summarise()` has grouped output by 'region'. You can override using the
## `.groups` argument.## # A tibble: 4 × 3
## # Groups: region [4]
## region state prom_income
## <chr> <fct> <dbl>
## 1 North Central North Dakota 55575.
## 2 Northeast New Jersey 73014.
## 3 South Maryland 69200.
## 4 West Alaska 65125.Se analizaron los ingresos promedio por región y estado, identificando las zonas con mayor poder adquisitivo.
##Ejercicio 8. Personas en areas Metrop y No Metrop--------------------------------------
counties %>%
# selecciona las columnas (state, county, population, land_area)
select(state, county, population, metro, land_area) %>%
# Encuentre la poblacion total por la cada estado y metro
group_by(state, metro) %>%
mutate(total_population = sum(population)) %>%
# Extrae la fila con mas poblaci?n por estado
top_n(1,total_population)%>%
# # Cuenta los estados con mas personas en areas metropolitanas o no metropolitanas
count(metro, wt = total_population, sort = TRUE)## # A tibble: 97 × 3
## # Groups: state, metro [97]
## state metro n
## <fct> <chr> <dbl>
## 1 Texas Metro 1927875760
## 2 California Metro 1390734873
## 3 Florida Metro 833440124
## 4 New York Metro 694157932
## 5 Georgia Metro 609307564
## 6 Virginia Metro 575628240
## 7 Texas Nonmetro 517756707
## 8 Illinois Metro 454745880
## 9 Pennsylvania Metro 417545888
## 10 North Carolina Metro 351439632
## # ℹ 87 more rowsSe comparó la población en áreas metropolitanas y rurales, proporcionando insights sobre la urbanización.
##Ejercicio 9. Personaldel trabajo Publico--------------------------------------------
counties %>%
# Selecciona el estado, el condado, la población y los que terminan en "trabajo
select(state, county, population, ends_with("work")) %>%
# Filtrar los condados que tienen al menos el 50% de la población dedicada al trabajo público
filter(public_work>=50)## # A tibble: 7 × 6
## state county population private_work public_work family_work
## <fct> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 Alaska Lake and Peninsu… 1474 42.2 51.6 0.2
## 2 Alaska Yukon-Koyukuk Ce… 5644 33.3 61.7 0
## 3 California Lassen 32645 42.6 50.5 0.1
## 4 Hawaii Kalawao 85 25 64.1 0
## 5 North Dakota Sioux 4380 32.9 56.8 0.1
## 6 South Dakota Todd 9942 34.4 55 0.8
## 7 Wisconsin Menominee 4451 36.8 59.1 0.4Se identificaron los condados con alta dependencia del sector público, lo cual es relevante para estudios de empleo.
##Ejercicio 10. Renombre de Columna n-------------------------------------------------
counties %>%
# Cuente el número de condados de cada estado
select(state, county) %>% group_by(state) %>% count(state) %>%
# renombrar la columna n por num_counties
rename(num_counties = n)## # A tibble: 50 × 2
## # Groups: state [50]
## state num_counties
## <fct> <int>
## 1 Alabama 67
## 2 Alaska 28
## 3 Arizona 15
## 4 Arkansas 75
## 5 California 58
## 6 Colorado 64
## 7 Connecticut 8
## 8 Delaware 3
## 9 Florida 67
## 10 Georgia 159
## # ℹ 40 more rowsSe renombró la columna n para mejorar la interpretación del número de condados por estado.
##Ejercicio 11. Densidad Ordenada------------------------------------------------------
counties %>%
# Mantenga las columnas de state, state, county, y population,
# y agregue la columna density (poblacion por metro cuadrado (land_area))
transmute(state, county, population, density = population/land_area) %>%
# Filtrar por county con una población superior a un millón
filter(population>1000000) %>%
# Ordena la densidad en orden ascendente
arrange(density)## # A tibble: 41 × 4
## state county population density
## <fct> <chr> <dbl> <dbl>
## 1 California San Bernardino 2094769 104.
## 2 Nevada Clark 2035572 258.
## 3 California Riverside 2298032 319.
## 4 Arizona Maricopa 4018143 437.
## 5 Florida Palm Beach 1378806 700.
## 6 California San Diego 3223096 766.
## 7 Washington King 2045756 967.
## 8 Texas Travis 1121645 1133.
## 9 Florida Hillsborough 1302884 1277.
## 10 Florida Orange 1229039 1360.
## # ℹ 31 more rowsSe calcularon y ordenaron los condados más densamente poblados con más de 1 millón de habitantes, lo cual es útil para analizar áreas con alta presión demográfica.