Descripció del conjunt de dades

Subtítol

1. Introducció

Expliqueu breument:

• D’on prové el conjunt de dades.

  El conjunt de dades prové de la web oficial de l’ajuntament de Barcelona on pengen tots els estudis de dades

• Quin és l’objectiu del projecte.

  L’objectiu del projecte és estudiar la diferència de vols que va haver durant un període de temps específic (2019-2025) degut a una pandèmia mundial.

• Quina pregunta voleu respondre.

  L’any 2020 va haver una pandèmia mundial que va afectar a tota la població, empreses, companyies… Això inclou els vols d’avions. Des del 2019 fins a la actualitat genera una gràfica que mostri com ha canviat el nombre de vols a l’espai aeri espanyol durant aquest període de temps.

• Per què aquestes dades són adequades per aquesta pregunta.

  Són adeqüades perquè l’aeroport de barcelona arrastra una gran quantitat de turisme, llavors podem obtenir moltes dades durant el període de temps que volem estudiar i observar la diferència.

2. Importació de les dades

Mostreu com heu importat el fitxer i quin nom té l’objecte carregat.

# Exemple d'importació (modifiqueu segons calgui)
dades <- read_csv("Vols_ElPrat.csv")

## Rows: 56480 Columns: 6
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (3): Data_Referencia, Nom_Companyia, Nom_Zona
## dbl (3): Codi_Companyia, Codi_Zona, Nombre_Vols
## 
## 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.

Expliqueu: - Quin era el format original (CSV, XLSX, txt…) - Si heu fet cap modificació prèvia (neteja, reanomenar columnes, selecció de variables…)

3. Dimensions del dataset

summary(dades)

##  Data_Referencia    Codi_Companyia   Nom_Companyia        Codi_Zona    
##  Length:56480       Min.   :   1.0   Length:56480       Min.   :1.000  
##  Class :character   1st Qu.:   3.0   Class :character   1st Qu.:2.000  
##  Mode  :character   Median :   9.0   Mode  :character   Median :2.000  
##                     Mean   : 182.7                      Mean   :2.269  
##                     3rd Qu.:  18.0                      3rd Qu.:2.000  
##                     Max.   :9999.0                      Max.   :5.000  
##                     NA's   :1                           NA's   :1      
##    Nom_Zona          Nombre_Vols   
##  Length:56480       Min.   :  1.0  
##  Class :character   1st Qu.:  4.0  
##  Mode  :character   Median :  8.0  
##                     Mean   : 19.7  
##                     3rd Qu.: 16.0  
##                     Max.   :245.0  
##                     NA's   :1

# dim(dades)
# glimpse(dades)

Incloeu: - Nombre de files. - Nombre de columnes. - Quina és la unitat d’anàlisi (persona, empresa, producte, mesura…)

4. Diccionari de variables

Descriviu cada variable del dataset.

Variable	Tipus	Descripció	Valors possibles / rang
exemple_var	numèrica	Significat de la variable	0–100

# tibble(
#   variable = names(dades),
#   tipus = sapply(dades, class)
# )

5. Estadístiques descriptives

# summary(dades)

Comenteu: - Si hi ha valors perduts. - Si alguna variable s’hauria de transformar. - Outliers o valors estranys.

6. Visualització inicial

Incloeu una o dues gràfiques exploratòries.

# Exemple:
# ggplot(dades, aes(x = variable)) + geom_histogram()

7. Variables externes i dades addicionals

Expliqueu: - Si necessitareu dades externes per completar l’anàlisi. - On les podríeu trobar. - Si falten variables per respondre la pregunta inicial.

8. Altres comentaris

Incloeu qualsevol altre detall rellevant del procés de preparació de dades.