EDA - Datos de temperatura global
Diana Amado Goethe y Juan Castañeda Diaz
Agosto 2025
1. Instalación de Paquetes
Se inició usando el paquete pacman para poder gestionar mejor las librerias al momento de cargas los paquetes. Este paquete resultó ser una herramienta esencial para mantener un sistema actualizado de manera eficiente y sencilla.
if (!require("pacman")) install.packages("pacman")
pacman::p_load(
# estos son usados en la manipulación de datos
dplyr, tidyr, purrr, data.table,
# los paquetes para Visualizar los datos
ggplot2, corrplot, visdat, naniar, patchwork,
# análisis
outliers, EnvStats, moments,
# imputación
mice, VIM,
# lectura de datos
readr, httr
)2. Función para carga de Datos
Para descargar y procesar los datos de temperatura global
directamente de la NASA y asegurando una completa compatibilidad ante
posibles cambios en el formato, se definió la base de datos como una
función y utilizando el comando (tryCatch) se manejaron los
errores.
get_nasa_temp_data <- function() {
url <- "https://data.giss.nasa.gov/gistemp/tabledata_v4/T_AIRS/GLB.Ts+dSST.txt"
tryCatch({
temp_file <- tempfile()
download.file(url, temp_file, mode = "wb", quiet = TRUE)
all_lines <- readLines(temp_file)
data_lines <- all_lines[grep("^\\s*[0-9]{4}", all_lines)]
temp_data <- data.table::fread(
text = paste(data_lines, collapse = "\n"),
header = FALSE,
na.strings = c("****", "***", "NA", ""),
colClasses = list(character = 1)
)
month_names <- c("Jan", "Feb", "Mar", "Apr", "May", "Jun",
"Jul", "Aug", "Sep", "Oct", "Nov", "Dec")
if (ncol(temp_data) == 1) {
names(temp_data) <- "Year"
} else if (ncol(temp_data) <= 13) {
names(temp_data) <- c("Year", month_names[1:(ncol(temp_data)-1)])
} else {
names(temp_data) <- c("Year", month_names, paste0("V", 14:ncol(temp_data)))
}
temp_data <- as.data.frame(temp_data) %>%
select(-starts_with("V")) %>%
mutate(Year = as.integer(Year)) %>%
filter(!is.na(Year)) %>%
select(where(~!all(is.na(.))))
return(temp_data)
}, error = function(e) {
message("Error en método principal: ", e$message)
message("Intentando alternativa...")
tryCatch({
response <- httr::GET(url)
content <- httr::content(response, "text", encoding = "UTF-8")
lines <- unlist(strsplit(content, "\n"))
data_lines <- lines[grepl("^\\s*[0-9]{4}", lines)]
temp_data <- read_table(
paste(data_lines, collapse = "\n"),
col_names = FALSE,
na = c("****", "***", "NA", ""),
col_types = cols(X1 = col_integer(), .default = col_double())
)
names(temp_data) <- c("Year", month.abb[1:(ncol(temp_data)-1)])
return(temp_data)
}, error = function(e) {
message("Error en método alternativo: ", e$message)
return(data.frame(Year = integer()))
})
})
}3. Carga y verificación de datos
Se tienen que comprobar que los datos hayan cargado correctamente y que el rango y columnas sean coherentes.
- Validación de que haya registros
(nrow(temp_data) > 0)
cat("Cargando datos de la NASA")## Cargando datos de la NASAtemp_data <- get_nasa_temp_data()
if (nrow(temp_data) == 0) {
stop("No se pudieron cargar los datos. Verifique conexión o formato.")
}
cat(" Datos fueron cargados correctamente")## Datos fueron cargados correctamentecat("Periodo:", range(temp_data$Year), "\n")## Periodo: 2002 2025cat("Columnas:", names(temp_data), "\n\n")## Columnas: Year Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec4. Analisis exploratorio
4.1 Estadisticas descriptivas
El objetivo de este analisis exploratorio es obtener una visión mas generalizada de la distribución de temperaturas por mes, para esto se realizó lo siguiente:
Cálculo de media, desviación estándar, mediana, mínimo, máximo, asimetría
(skewness)y cantidad de valores faltantes (NA) por mes.Uso de
summarise(across(...))para aplicar las métricas a todas las columnas de temperatura.
desc_stats <- temp_data %>%
select(-Year) %>%
summarise(across(
everything(),
list(
Mean = ~mean(., na.rm = TRUE),
SD = ~sd(., na.rm = TRUE),
Median = ~median(., na.rm = TRUE),
Min = ~min(., na.rm = TRUE),
Max = ~max(., na.rm = TRUE),
Skew = ~moments::skewness(., na.rm = TRUE),
NAs = ~sum(is.na(.))
),
.names = "{col}_{fn}"
))
print(t(desc_stats))## [,1]
## Jan_Mean 10.2714286
## Jan_SD 21.6379440
## Jan_Median 10.0000000
## Jan_Min -43.0000000
## Jan_Max 64.0000000
## Jan_Skew -0.1099284
## Jan_NAs 2.0000000
## Feb_Mean 12.5000000
## Feb_SD 25.2367055
## Feb_Median 12.0000000
## Feb_Min -34.0000000
## Feb_Max 76.0000000
## Feb_Skew 0.3879957
## Feb_NAs 2.0000000
## Mar_Mean 11.5571429
## Mar_SD 23.9405276
## Mar_Median 9.0000000
## Mar_Min -40.0000000
## Mar_Max 60.0000000
## Mar_Skew 0.2900997
## Mar_NAs 2.0000000
## Apr_Mean 6.9714286
## Apr_SD 19.1386788
## Apr_Median 7.0000000
## Apr_Min -27.0000000
## Apr_Max 57.0000000
## Apr_Skew 0.4306791
## Apr_NAs 2.0000000
## May_Mean 3.8571429
## May_SD 17.6645766
## May_Median 5.5000000
## May_Min -45.0000000
## May_Max 43.0000000
## May_Skew -0.2055614
## May_NAs 2.0000000
## Jun_Mean 7.0857143
## Jun_SD 17.2280046
## Jun_Median 3.0000000
## Jun_Min -25.0000000
## Jun_Max 53.0000000
## Jun_Skew 0.4446120
## Jun_NAs 2.0000000
## Jul_Mean 6.8571429
## Jul_SD 19.8452606
## Jul_Median 3.0000000
## Jul_Min -40.0000000
## Jul_Max 54.0000000
## Jul_Skew 0.3169704
## Jul_NAs 2.0000000
## Aug_Mean 4.7164179
## Aug_SD 18.6870608
## Aug_Median 3.0000000
## Aug_Min -33.0000000
## Aug_Max 58.0000000
## Aug_Skew 0.5365766
## Aug_NAs 5.0000000
## Sep_Mean 5.9275362
## Sep_SD 19.4318711
## Sep_Median 2.0000000
## Sep_Min -25.0000000
## Sep_Max 76.0000000
## Sep_Skew 1.1149175
## Sep_NAs 3.0000000
## Oct_Mean 6.5507246
## Oct_SD 18.1355486
## Oct_Median 7.0000000
## Oct_Min -24.0000000
## Oct_Max 59.0000000
## Oct_Skew 0.7130196
## Oct_NAs 3.0000000
## Nov_Mean 2.0724638
## Nov_SD 20.8455940
## Nov_Median 0.0000000
## Nov_Min -58.0000000
## Nov_Max 64.0000000
## Nov_Skew 0.2054810
## Nov_NAs 3.0000000
## Dec_Mean 7.4057971
## Dec_SD 21.1467692
## Dec_Median 7.0000000
## Dec_Min -25.0000000
## Dec_Max 69.0000000
## Dec_Skew 0.6798749
## Dec_NAs 3.00000004.2 Visualización de datos faltantes
En esta sección se identifican los valores ausentes:
- Uso de
vis_miss()para generar un gráfico que muestra la distribución de NA por variable y observación.
vis_miss(temp_data) +
ggtitle("Distribución de Valores Faltantes") +
theme(plot.title = element_text(hjust = 0.5))
4.3 Distribucion por mes
Se observa la forma de distribución de anomalias de temperatura por mes:
- Gráficos de densidad
(geom_density)clasificados por mes para comparar las distribuciones.
temp_data %>%
pivot_longer(-Year, names_to = "Month", values_to = "Temp") %>%
ggplot(aes(x = Temp, fill = Month)) +
geom_density(alpha = 0.6) +
facet_wrap(~Month) +
labs(title = "Distribución de Temperaturas por Mes",
x = "Anomalía de Temperatura (°C)") +
theme_minimal() +
theme(legend.position = "none")
5. Detección de valores atípicos
En esta sección se detectan los posibles outliers o registros extremos que puedan influir en el analisis realizando:
- Creación de
detect_outliers()que:Aplica test de Grubbs para detectar un outlier extremo.
Calcula límites de Hampel para detectar valores fuera de rango (±3 MAD).
Registra el número y porcentaje de valores fuera de estos límites.
detect_outliers <- function(data) {
outliers_list <- list()
for (col in names(data)[-1]) {
x <- data[[col]]
x <- x[!is.na(x)]
grubbs_test <- tryCatch(grubbs.test(x), error = function(e) NULL)
hampel_lim <- median(x) + 3 * mad(x) * c(-1, 1)
outliers <- x < hampel_lim[1] | x > hampel_lim[2]
outliers_list[[col]] <- list(
Grubbs = grubbs_test,
Hampel_Limits = hampel_lim,
Outlier_Count = sum(outliers),
Outlier_Pct = mean(outliers) * 100
)
}
return(outliers_list)
}
outliers_analysis <- detect_outliers(temp_data)
walk(names(outliers_analysis), ~{
cat(.x, ":\n")
print(outliers_analysis[[.x]][1:3])
cat("\n")
})## Jan :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.48307, U = 0.90935, p-value = 0.3961
## alternative hypothesis: highest value 64 is an outlier
##
##
## $Hampel_Limits
## [1] -38.9258 58.9258
##
## $Outlier_Count
## [1] 3
##
##
## Feb :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.51618, U = 0.90691, p-value = 0.3578
## alternative hypothesis: highest value 76 is an outlier
##
##
## $Hampel_Limits
## [1] -61.3887 85.3887
##
## $Outlier_Count
## [1] 0
##
##
## Mar :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.15355, U = 0.93181, p-value = 1
## alternative hypothesis: lowest value -40 is an outlier
##
##
## $Hampel_Limits
## [1] -75.5082 93.5082
##
## $Outlier_Count
## [1] 0
##
##
## Apr :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.61400, U = 0.89954, p-value = 0.2628
## alternative hypothesis: highest value 57 is an outlier
##
##
## $Hampel_Limits
## [1] -59.717 73.717
##
## $Outlier_Count
## [1] 0
##
##
## May :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.76583, U = 0.88753, p-value = 0.1589
## alternative hypothesis: lowest value -45 is an outlier
##
##
## $Hampel_Limits
## [1] -52.3214 63.3214
##
## $Outlier_Count
## [1] 0
##
##
## Jun :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.66510, U = 0.89557, p-value = 0.2226
## alternative hypothesis: highest value 53 is an outlier
##
##
## $Hampel_Limits
## [1] -32.5824 38.5824
##
## $Outlier_Count
## [1] 4
##
##
## Jul :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.37552, U = 0.91703, p-value = 0.5461
## alternative hypothesis: highest value 54 is an outlier
##
##
## $Hampel_Limits
## [1] -57.0453 63.0453
##
## $Outlier_Count
## [1] 0
##
##
## Aug :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.85136, U = 0.87495, p-value = 0.1115
## alternative hypothesis: highest value 58 is an outlier
##
##
## $Hampel_Limits
## [1] -41.478 47.478
##
## $Outlier_Count
## [1] 1
##
##
## Sep :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 3.60606, U = 0.80596, p-value = 0.005242
## alternative hypothesis: highest value 76 is an outlier
##
##
## $Hampel_Limits
## [1] -51.3736 55.3736
##
## $Outlier_Count
## [1] 2
##
##
## Oct :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.89207, U = 0.87519, p-value = 0.1002
## alternative hypothesis: highest value 59 is an outlier
##
##
## $Hampel_Limits
## [1] -55.2692 69.2692
##
## $Outlier_Count
## [1] 0
##
##
## Nov :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.9708, U = 0.8683, p-value = 0.0752
## alternative hypothesis: highest value 64 is an outlier
##
##
## $Hampel_Limits
## [1] -44.478 44.478
##
## $Outlier_Count
## [1] 3
##
##
## Dec :
## $Grubbs
##
## Grubbs test for one outlier
##
## data: x
## G = 2.9127, U = 0.8734, p-value = 0.09302
## alternative hypothesis: highest value 69 is an outlier
##
##
## $Hampel_Limits
## [1] -55.2692 69.2692
##
## $Outlier_Count
## [1] 06. Imputación de Valores Faltantes
Este paso se hace para completar los datos ausentes para poder hacer un mejor analisis:
- Comprobación de si existen NA
- Aplicación de tres métodos de imputación
(pmm, norm.predict, mean)con mice. - Finalizar con una visualización de la distribución de las temperaturas imputadas en cada método.
if (sum(is.na(temp_data)) > 0) {
methods <- c("pmm", "norm.predict", "mean")
imputed_data <- map(methods, ~{
imp <- mice(temp_data, method = .x, m = 1, maxit = 5, seed = 123)
complete(imp)
})
map2(imputed_data, methods, ~{
.x %>%
pivot_longer(-Year, names_to = "Month", values_to = "Temp") %>%
ggplot(aes(x = Temp)) +
geom_histogram(bins = 30, fill = "steelblue") +
facet_wrap(~Month, scales = "free") +
ggtitle(paste("Distribución después de imputación -", .y)) +
theme_minimal()
})
}##
## iter imp variable
## 1 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 3 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 4 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 5 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
##
## iter imp variable
## 1 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 3 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 4 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 5 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
##
## iter imp variable
## 1 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 2 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 3 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 4 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
## 5 1 Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec## [[1]]
##
## [[2]]
##
## [[3]]
7. Analisis de tendencias
Analizar la evoución de la T media anual a lo largo del tiempo, con:
- Cálculo de promedio anual
(rowMeans) - Gráfico de serie de tiempo
(geom_line)con ajuste de suavizado LOESS(geom_smooth)
annual_data <- temp_data %>%
mutate(Annual = rowMeans(select(., -Year), na.rm = TRUE))
ggplot(annual_data, aes(x = Year, y = Annual)) +
geom_line(color = "red3", size = 1) +
geom_smooth(method = "loess", color = "blue", se = FALSE) +
labs(title = "Evolución de la Temperatura Global Anual",
y = "Anomalía de Temperatura (°C)",
caption = "Datos: NASA GISTEMP") +
theme_minimal()## Warning: Using `size` aesthetic for lines was deprecated in ggplot2 3.4.0.
## ℹ Please use `linewidth` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.## `geom_smooth()` using formula = 'y ~ x'
8. Matriz de correlación
Esta matriz se realizó con la finalidad de analizar la relación entre las anomalias de temperatura de diferentes meses:
Cálculo de matriz de correlaciones
(cor)ignorando valores faltantes.Visualización con corrplot mostrando coeficientes y color.
cor_matrix <- cor(temp_data[, -1], use = "complete.obs")
corrplot(cor_matrix, method = "color", type = "upper",
tl.col = "black", addCoef.col = "black",
number.cex = 0.7, title = "Correlación entre Meses")
9. Exportación de resultados
Los resultados seran exportados en un archivo “nasa_global_temps_clean.csv” de manera que puedan ser utilizados en futuros analisis.
write_csv(temp_data, "nasa_global_temps_clean.csv")
write_csv(desc_stats %>% t() %>% as.data.frame(), "nasa_temp_stats.csv")
cat("ANÁLISIS COMPLETADO")## ANÁLISIS COMPLETADO