Análisis de Bicicletas

data_set<-read.csv("hour.csv") #Cargamos el data Set

1)¿Qué mes es el que tiene la mayor demanda?

Para visualizar que mes tuvo la mayor demanda, mostraremos una lista de la demanda por mes:

demanda_mes<-data_set$mnth
demanda_mes<-summary(factor(demanda_mes))
demanda_mes

   1    2    3    4    5    6    7    8    9   10   11   12 
1429 1341 1473 1437 1488 1440 1488 1475 1437 1451 1437 1483 

#barplot(demanda_mes, xlab="Mes", ylab="Demanda", main="Demanda por mes")

demanda_max<-which(demanda_mes == max(demanda_mes)) 
max_vals<-c(demanda_max)

La demanda máxima es de:

max(demanda_mes)

[1] 1488

La cual se puede observar en el mes:

max_vals[[1]]

[1] 5

Que representa el mes de Mayo.

Y en el mes:

max_vals[[2]]

[1] 7

Que representa el mes de Julio.

---

2)¿Qué rango de hora es la de mayor demanda?

Para visualizar que hora tuvo la mayor demanda, mostraremos una lista de la demanda por hora:

demanda_hora<-data_set$hr
demanda_hora<-summary(factor(demanda_hora))
demanda_hora

  0   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19 
726 724 715 697 697 717 725 727 727 727 727 727 728 729 729 729 730 730 728 728 
 20  21  22  23 
728 728 728 728 

#barplot(demanda_hora, xlab="Hora del día", ylab="Demanda", main="Demanda por Hora")

demanda_max<-which(demanda_hora == max(demanda_hora)) 
max_vals<-c(demanda_max)

La demanda máxima se registra a las

max_vals

[1] 18

Con una demanda de:

max(demanda_hora)

[1] 730

3) ¿Qué temporada es la mas alta?

Para visualizar que temporada tuvo la mayor demanda, mostraremos una lista de la demanda por temporada:

demanda_temporada<-data_set$season
demanda_temporada<-summary(factor(demanda_temporada))
demanda_temporada

   1    2    3    4 
4242 4409 4496 4232 

Con la información anterior podemos darnos cuenta que la temporada con mayor demanda fue en:

demanda_max<-which(demanda_temporada == max(demanda_temporada)) 
max_vals<-demanda_max
max_vals[[1]]

[1] 3

Que equivale a la temporada de otoño (fall).

En otoño se regustro una demanda de:

max(demanda_temporada)

[1] 4496

4)¿A que temperatura baja la demanda?

Para visualizar a que temperatura se tuvo la menor demanda, mostraremos una lista de la demanda dependiendo de la temperatura:

demanda_temp<-data_set$temp
demanda_temp<-summary(factor(demanda_temp))
demanda_temp

0.02 0.04 0.06 0.08  0.1 0.12 0.14 0.16 0.18  0.2 0.22 0.24 0.26 0.28  0.3 0.32 
  17   16   16   17   51   76  138  230  155  354  421  522  559  301  641  611 
0.34 0.36 0.38  0.4 0.42 0.44 0.46 0.48  0.5 0.52 0.54 0.56 0.58  0.6 0.62 0.64 
 645  671  372  614  548  507  559  288  531  556  569  579  305  675  726  692 
0.66 0.68  0.7 0.72 0.74 0.76 0.78  0.8 0.82 0.84 0.86 0.88  0.9 0.92 0.94 0.96 
 693  349  690  570  516  396  169  325  213  138  131   53   90   49   17   16 
0.98    1 
   1    1 

Con la información anterior podemos darnos cuenta que la demanda mas baja fue cuando la temperatura tenía un valores de:

demanda_max<-which(demanda_temp == min(demanda_temp))
names(demanda_max)

[1] "0.98" "1"   

5)¿A que humedad baja la demanda?

Para visualizar a que humerdad se tuvo la menor demanda, mostraremos una lista de la demanda dependiendo de la humedad:

demanda_hum<-data_set$hum
demanda_hum<-summary(factor(demanda_hum))
demanda_hum

   0 0.08  0.1 0.12 0.13 0.14 0.15 0.16 0.17 0.18 0.19  0.2 0.21 0.22 0.23 0.24 
  22    1    1    1    1    2    4   10   10   10   16   17   26   27   46   56 
0.25 0.26 0.27 0.28 0.29  0.3 0.31 0.32 0.33 0.34 0.35 0.36 0.37 0.38 0.39  0.4 
  59   78   71   97  106  113  118   99  162  133  163  187  224  186  209  224 
0.41 0.42 0.43 0.44 0.45 0.46 0.47 0.48 0.49  0.5 0.51 0.52 0.53 0.54 0.55 0.56 
 290  235  270  244  248  316  247  240  327  266  262  312  267  287  352  310 
0.57 0.58 0.59  0.6 0.61 0.62 0.63 0.64 0.65 0.66 0.67 0.68 0.69  0.7 0.71 0.72 
 231  258  272  267  336  325  163  219  387  388  161  172  359  430  193  191 
0.73 0.74 0.75 0.76 0.77 0.78 0.79  0.8 0.81 0.82 0.83 0.84 0.85 0.86 0.87 0.88 
 317  341  222  219  336  327  238  107  275  299  630  124    5   76  488  657 
0.89  0.9 0.91 0.92 0.93 0.94 0.96 0.97    1 
 239    7    1    2  331  560    3    1  270 

Con la información anterior podemos darnos cuenta que la demanda mas baja fue cuando la humedad tenía un valores de:

demanda_max<-which(demanda_hum == min(demanda_hum))
demanda_max

0.08  0.1 0.12 0.13 0.91 0.97 
   2    3    4    5   83   88 

6)Que condiciones serian ideales para nuestra demanda?

Luego de analizar los datos anteriores, respecto a las condiciones climáticas podríamos decir que la demanda es mejor cuando la humedad tiene las siguientes caracteristicas:

dem_x_hum<-demanda_hum>=500
dem_x_hum<-subset(dem_x_hum, dem_x_hum==1) #Clasificación por humedad.
names(dem_x_hum)

[1] "0.83" "0.88" "0.94"

Es decir que sea mayor a 0.83.

Y la temperatura tiene las siguientes caracteristicas

dem_x_temp<-demanda_temp>=500
dem_x_temp<-subset(dem_x_temp, dem_x_temp==1) #Clasificación por temperatura.
names(dem_x_temp)

 [1] "0.24" "0.26" "0.3"  "0.32" "0.34" "0.36" "0.4"  "0.42" "0.44" "0.46"
[11] "0.5"  "0.52" "0.54" "0.56" "0.6"  "0.62" "0.64" "0.66" "0.7"  "0.72"
[21] "0.74"

Es decir que sea mayor a 0.24.

En conclución la demanda es mejor cuando se tiene durante otoño, a las 18 horas con una humedad mayor a 0.83 y una temperatura mayor a 0.24.