R_Actividad_6_Joins
Daniel Alban
22/2/2020
Ejercicios
Ejercicio 1
Cargar la librería nycflights13 y tidyverse
Del conjunto de datos flights encuentra
- Todos los vuelos que tuvieron 2 o más horas de retraso
- Todos los vuelos con destino a Miami ( MIA)
- Todos los vuelos con destino a Miami con 2 o más horas de retraso
- De todos los vuelos con 2 o más horas de retraso calcula el retraso medio por aeropuerto de destino, la distancia media y el número de vuelos. 5. Guarda el resultado en un nuevo data.frame
- Utiliza ggplot sobre el resultado del punto 5 para ver la relación entre el retraso medio y la distancia media, representa en el mismo gráfico el número de vuelos por aeropuerto de destino (recuerda el aesthetic size)
library(nycflights13)
library(dplyr)
glimpse(flights)## Observations: 336,776
## Variables: 19
## $ year <int> 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013...
## $ month <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1...
## $ day <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1...
## $ dep_time <int> 517, 533, 542, 544, 554, 554, 555, 557, 557, 558, 55...
## $ sched_dep_time <int> 515, 529, 540, 545, 600, 558, 600, 600, 600, 600, 60...
## $ dep_delay <dbl> 2, 4, 2, -1, -6, -4, -5, -3, -3, -2, -2, -2, -2, -2,...
## $ arr_time <int> 830, 850, 923, 1004, 812, 740, 913, 709, 838, 753, 8...
## $ sched_arr_time <int> 819, 830, 850, 1022, 837, 728, 854, 723, 846, 745, 8...
## $ arr_delay <dbl> 11, 20, 33, -18, -25, 12, 19, -14, -8, 8, -2, -3, 7,...
## $ carrier <chr> "UA", "UA", "AA", "B6", "DL", "UA", "B6", "EV", "B6"...
## $ flight <int> 1545, 1714, 1141, 725, 461, 1696, 507, 5708, 79, 301...
## $ tailnum <chr> "N14228", "N24211", "N619AA", "N804JB", "N668DN", "N...
## $ origin <chr> "EWR", "LGA", "JFK", "JFK", "LGA", "EWR", "EWR", "LG...
## $ dest <chr> "IAH", "IAH", "MIA", "BQN", "ATL", "ORD", "FLL", "IA...
## $ air_time <dbl> 227, 227, 160, 183, 116, 150, 158, 53, 140, 138, 149...
## $ distance <dbl> 1400, 1416, 1089, 1576, 762, 719, 1065, 229, 944, 73...
## $ hour <dbl> 5, 5, 5, 5, 6, 5, 6, 6, 6, 6, 6, 6, 6, 6, 6, 5, 6, 6...
## $ minute <dbl> 15, 29, 40, 45, 0, 58, 0, 0, 0, 0, 0, 0, 0, 0, 0, 59...
## $ time_hour <dttm> 2013-01-01 05:00:00, 2013-01-01 05:00:00, 2013-01-0...- Todos los vuelos que tuvieron 2 o más horas de retraso
data("flights")
flights<- flights
vuelos_retraso<- filter(flights,arr_delay >= 120)
head(vuelos_retraso,10)## # A tibble: 10 x 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 811 630 101 1047 830
## 2 2013 1 1 848 1835 853 1001 1950
## 3 2013 1 1 957 733 144 1056 853
## 4 2013 1 1 1114 900 134 1447 1222
## 5 2013 1 1 1505 1310 115 1638 1431
## 6 2013 1 1 1525 1340 105 1831 1626
## 7 2013 1 1 1549 1445 64 1912 1656
## 8 2013 1 1 1558 1359 119 1718 1515
## 9 2013 1 1 1732 1630 62 2028 1825
## 10 2013 1 1 1803 1620 103 2008 1750
## # ... with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>cantidad_vuelos_retraso<-count(vuelos_retraso)
cantidad_vuelos_retraso## # A tibble: 1 x 1
## n
## <int>
## 1 10200Se identifica un total de 10.200 vuelos con retraso en su lugar de destino de todos los vuelos registrados 336.776
- Todos los vuelos con destino a Miami ( MIA)
destino_miami<- filter(flights,dest == "MIA")
head(destino_miami,10)## # A tibble: 10 x 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 542 540 2 923 850
## 2 2013 1 1 606 610 -4 858 910
## 3 2013 1 1 607 607 0 858 915
## 4 2013 1 1 623 610 13 920 915
## 5 2013 1 1 655 700 -5 1002 1020
## 6 2013 1 1 659 700 -1 1008 1015
## 7 2013 1 1 753 755 -2 1056 1110
## 8 2013 1 1 759 800 -1 1057 1127
## 9 2013 1 1 826 715 71 1136 1045
## 10 2013 1 1 856 900 -4 1222 1232
## # ... with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>cantidad_destino_miami<- count(destino_miami)
cantidad_destino_miami## # A tibble: 1 x 1
## n
## <int>
## 1 11728Existen un total de 11.728 vuelos con destino a Miami.
- Todos los vuelos con destino a Miami con 2 o más horas de retraso
destino_miami_delay<- filter(flights,dest == "MIA", arr_delay >=120)
head(destino_miami,10)## # A tibble: 10 x 19
## year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
## <int> <int> <int> <int> <int> <dbl> <int> <int>
## 1 2013 1 1 542 540 2 923 850
## 2 2013 1 1 606 610 -4 858 910
## 3 2013 1 1 607 607 0 858 915
## 4 2013 1 1 623 610 13 920 915
## 5 2013 1 1 655 700 -5 1002 1020
## 6 2013 1 1 659 700 -1 1008 1015
## 7 2013 1 1 753 755 -2 1056 1110
## 8 2013 1 1 759 800 -1 1057 1127
## 9 2013 1 1 826 715 71 1136 1045
## 10 2013 1 1 856 900 -4 1222 1232
## # ... with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
## # tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
## # hour <dbl>, minute <dbl>, time_hour <dttm>cantidad_miami_delay<- count(destino_miami_delay)
cantidad_miami_delay## # A tibble: 1 x 1
## n
## <int>
## 1 218Existen un total de 2.18 vuelos con destino a Miami con un retraso de 2 horas o más.
- De todos los vuelos con 2 o más horas de retraso calcula el retraso medio por aeropuerto de destino, la distancia media y el número de vuelos.
resumen_x_destino <- vuelos_retraso %>%
group_by(dest) %>%
summarise(
media_retraso = mean(arr_delay, na.rm = TRUE), # necesario si hay valores perdidos
distancia_media = mean(distance),
numero_vuelos = n(),
)
resumen_x_destino## # A tibble: 97 x 4
## dest media_retraso distancia_media numero_vuelos
## <chr> <dbl> <dbl> <int>
## 1 ABQ 140. 1826 6
## 2 ACK 156. 199 4
## 3 ALB 180. 143 19
## 4 ATL 196. 757. 582
## 5 AUS 176. 1517. 73
## 6 AVL 173. 583 4
## 7 BDL 168. 116 12
## 8 BGR 170. 378 13
## 9 BHM 167. 866 19
## 10 BNA 184. 758. 259
## # ... with 87 more rows- Guarda el resultado en un nuevo data.frame
nuevo_frame<- data.frame(resumen_x_destino)- Utiliza ggplot sobre el resultado del punto 5 para ver la relación entre el retraso medio y la distancia media, representa en el mismo gráfico el número de vuelos por aeropuerto de destino (recuerda el aesthetic size)
library(ggplot2)
nuevo_frame %>%
ggplot(aes(x = distancia_media , y = media_retraso)) +
geom_point(aes(color = dest, size = desc(numero_vuelos)), alpha = 0.5) +
geom_smooth() ## `geom_smooth()` using method = 'loess' and formula 'y ~ x'
Ejercicio 2
Utilizando los datasets vistos en clase, flights, weather, planes , etc. Responde a las siguientes cuestiones:
- Del conjunto de datos flights filtra los vuelos con aviones que al menos hayan tenido 100 vuelos. Pista: Join de flights con planes (ver esquema de relaciones para ver cómo se unen ambas tablas)
library(nycflights13)
data("planes")
planes <- planesflights2 <- flights %>%
group_by(tailnum) %>%
summarise(numero_vuelos = n() ) %>%
filter(numero_vuelos>=100)
head(flights2,10)## # A tibble: 10 x 2
## tailnum numero_vuelos
## <chr> <int>
## 1 N0EGMQ 371
## 2 N10156 153
## 3 N10575 289
## 4 N11106 129
## 5 N11107 148
## 6 N11109 148
## 7 N11113 138
## 8 N11119 148
## 9 N11121 154
## 10 N11127 124df<-merge(x=flights2,y=planes,by="tailnum",all.x=TRUE)
head(df,10)## tailnum numero_vuelos year type manufacturer model
## 1 N0EGMQ 371 NA <NA> <NA> <NA>
## 2 N10156 153 2004 Fixed wing multi engine EMBRAER EMB-145XR
## 3 N10575 289 2002 Fixed wing multi engine EMBRAER EMB-145LR
## 4 N11106 129 2002 Fixed wing multi engine EMBRAER EMB-145XR
## 5 N11107 148 2002 Fixed wing multi engine EMBRAER EMB-145XR
## 6 N11109 148 2002 Fixed wing multi engine EMBRAER EMB-145XR
## 7 N11113 138 2002 Fixed wing multi engine EMBRAER EMB-145XR
## 8 N11119 148 2002 Fixed wing multi engine EMBRAER EMB-145XR
## 9 N11121 154 2003 Fixed wing multi engine EMBRAER EMB-145XR
## 10 N11127 124 2003 Fixed wing multi engine EMBRAER EMB-145XR
## engines seats speed engine
## 1 NA NA NA <NA>
## 2 2 55 NA Turbo-fan
## 3 2 55 NA Turbo-fan
## 4 2 55 NA Turbo-fan
## 5 2 55 NA Turbo-fan
## 6 2 55 NA Turbo-fan
## 7 2 55 NA Turbo-fan
## 8 2 55 NA Turbo-fan
## 9 2 55 NA Turbo-fan
## 10 2 55 NA Turbo-fan- En flights haciendo group by por: (origin, year, month, day, hour) calcula la media de dep_delay y guarda el resultado en un data.frame. Esto nos ha dado para cada aeropuerto de origen el retraso medio de salida, en minutos de todos los vuelos que han salido en cada hora de cada día del año. Pero nos queremos quedar con los 30 con mayor retraso medio , para eso hay que utilizarr la función arrange(desc(variable_a_ordenar)) y luego hacer un slice.
Ojo : antes de hacer arrange es importante hacer ungroup() (repasar apuntes dónde viene)
flights3 <- flights %>%
group_by(origin,year,month,day,hour) %>%
summarise(retraso_medio = mean(dep_delay))%>%
ungroup(30)%>%
arrange(desc(retraso_medio))
head(flights3,30)## # A tibble: 30 x 6
## origin year month day hour retraso_medio
## <chr> <int> <int> <int> <dbl> <dbl>
## 1 LGA 2013 3 18 22 155
## 2 LGA 2013 6 13 22 149
## 3 JFK 2013 7 10 22 148.
## 4 JFK 2013 3 18 21 143.
## 5 JFK 2013 8 8 22 143.
## 6 JFK 2013 9 12 21 142.
## 7 LGA 2013 3 11 5 142
## 8 LGA 2013 6 16 22 140
## 9 LGA 2013 5 19 22 139
## 10 LGA 2013 5 20 22 135
## # ... with 20 more rows3.Una vez tenga el dataset resultante, cruzar con weather utilizando semi_join, para quedarte solo con los registros en weather que cruzan con el dataset de flights filtrado. Una vez tengas el resultado grafica en la x la variable precip , en la y wind_speed y como color de los puntos usa temp.
data("weather")
weather<- weatherdw<-semi_join(x=weather,y=flights3,by="origin",all.x=TRUE)
head(dw,10)## # A tibble: 10 x 15
## origin year month day hour temp dewp humid wind_dir wind_speed
## <chr> <int> <int> <int> <int> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 EWR 2013 1 1 1 39.0 26.1 59.4 270 10.4
## 2 EWR 2013 1 1 2 39.0 27.0 61.6 250 8.06
## 3 EWR 2013 1 1 3 39.0 28.0 64.4 240 11.5
## 4 EWR 2013 1 1 4 39.9 28.0 62.2 250 12.7
## 5 EWR 2013 1 1 5 39.0 28.0 64.4 260 12.7
## 6 EWR 2013 1 1 6 37.9 28.0 67.2 240 11.5
## 7 EWR 2013 1 1 7 39.0 28.0 64.4 240 15.0
## 8 EWR 2013 1 1 8 39.9 28.0 62.2 250 10.4
## 9 EWR 2013 1 1 9 39.9 28.0 62.2 260 15.0
## 10 EWR 2013 1 1 10 41 28.0 59.6 260 13.8
## # ... with 5 more variables: wind_gust <dbl>, precip <dbl>, pressure <dbl>,
## # visib <dbl>, time_hour <dttm>library(ggplot2)
dw %>%
ggplot(aes(x = precip , y = wind_speed)) +
geom_point(aes(color = temp, alpha = 0.5))## Warning: Removed 4 rows containing missing values (geom_point).