Proyecto Final Módulo Ciencia de Datos
Dr. Roberto Chang López
21/6/2021
R Markdown
##Aprovecho para compartir el producto final de este ejercicio en https://rchang.shinyapps.io/rchang-app_clima_ho/
##Haga Click Aqui para ver Certificado Machine Learning MIT https://www.credential.net/4dd365ea-ea5a-46a2-a72e-539e70545c6e
##Haga Click Aqui para ver Certificado Columbia Python for Managers https://certificates.emeritus.org/0a2e1de7-add2-4710-ad49-417d1dadfb61#gs.4a92hv ##Contacto: rchang@unah.edu.hn
Algunos Dashboards elaborados son:
Para Bolsa de Valores https://rchang.shinyapps.io/rchang-stock-exchange/
Para el Estado del Clima https://rchang.shinyapps.io/rchang-app_clima_ho/
Para Machine Learning https://rchang.shinyapps.io/rchang-app/
Para Empresariales e Industriales https://rchang.shinyapps.io/rchang-app_final_emp/
Para Dashboards con log in https://rchang.shinyapps.io/clase_3-shiny-2/_w_ae4e775f/_w_f249a9a1/?page=sign_in
y para Sistemas de Información Geográfica
##Las preguntas de investigación es: ¿El gráfico de densidad del pronóstico de la temperatura de Tegucigalpa bajada de OpenWeather.org tiene un comportamiento de la curva normal?
Las preguntas operativas: ¿Como ordenar y limpiar la base de datos de pronóstico de Tegucigalpa bajada de OpenWeather.org? ¿cómo graficar en ggplot2 la base de datos de pronóstico de Tegucigalpa bajada de OpenWeather.org?
library(readxl)
Tegucigalpa<-read_excel("tegus.xlsx")
head(Tegucigalpa)## # A tibble: 6 x 20
## dt weather visibility pop dt_txt main.temp main.feels_like main.temp_min
## <dbl> <lgl> <dbl> <dbl> <chr> <dbl> <dbl> <dbl>
## 1 1.62e9 NA 10000 0.36 2021-~ 25.4 25.6 20.7
## 2 1.62e9 NA 10000 0.37 2021-~ 23.6 23.8 19.8
## 3 1.62e9 NA 10000 0.33 2021-~ 21.2 21.5 19.0
## 4 1.62e9 NA 10000 0.21 2021-~ 19.2 19.7 19.2
## 5 1.62e9 NA 10000 0.02 2021-~ 24.0 24.4 24.0
## 6 1.62e9 NA 10000 0.09 2021-~ 26.8 27.6 26.8
## # ... with 12 more variables: main.temp_max <dbl>, main.pressure <dbl>,
## # main.sea_level <dbl>, main.grnd_level <dbl>, main.humidity <dbl>,
## # main.temp_kf <dbl>, clouds.all <dbl>, wind.speed <dbl>, wind.deg <dbl>,
## # wind.gust <dbl>, sys.pod <chr>, rain.3h <dbl>###Limpieza de datos y ordenamiento de Datos
Selección de Columnas
T1<-Tegucigalpa %>% select(dt_txt, main.temp, main.feels_like, main.temp_min, main.temp_max,
main.humidity,weather)
head(T1)## # A tibble: 6 x 7
## dt_txt main.temp main.feels_like main.temp_min main.temp_max main.humidity
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2021-06-2~ 25.4 25.6 20.7 25.4 61
## 2 2021-06-2~ 23.6 23.8 19.8 23.6 71
## 3 2021-06-2~ 21.2 21.5 19.0 21.2 84
## 4 2021-06-2~ 19.2 19.7 19.2 19.2 96
## 5 2021-06-2~ 24.0 24.4 24.0 24.0 74
## 6 2021-06-2~ 26.8 27.6 26.8 26.8 56
## # ... with 1 more variable: weather <lgl>Renombrar columnas
T2<-T1 %>%rename(fecha = dt_txt, Temp = main.temp, "Sensación Térmica" = main.feels_like,
Temp_Min= main.temp_min, Temp_Max = main.temp_max, Humedad = main.humidity, Clima= weather)
head(T2)## # A tibble: 6 x 7
## fecha Temp `Sensación Térmica` Temp_Min Temp_Max Humedad Clima
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <lgl>
## 1 2021-06-22 03:00:00 25.4 25.6 20.7 25.4 61 NA
## 2 2021-06-22 06:00:00 23.6 23.8 19.8 23.6 71 NA
## 3 2021-06-22 09:00:00 21.2 21.5 19.0 21.2 84 NA
## 4 2021-06-22 12:00:00 19.2 19.7 19.2 19.2 96 NA
## 5 2021-06-22 15:00:00 24.0 24.4 24.0 24.0 74 NA
## 6 2021-06-22 18:00:00 26.8 27.6 26.8 26.8 56 NAEliminar columna Clima
T3<-T2 %>% select(fecha,Temp, "Sensación Térmica", Temp_Min, Temp_Max, Humedad)
head (T3)## # A tibble: 6 x 6
## fecha Temp `Sensación Térmica` Temp_Min Temp_Max Humedad
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 2021-06-22 03:00:00 25.4 25.6 20.7 25.4 61
## 2 2021-06-22 06:00:00 23.6 23.8 19.8 23.6 71
## 3 2021-06-22 09:00:00 21.2 21.5 19.0 21.2 84
## 4 2021-06-22 12:00:00 19.2 19.7 19.2 19.2 96
## 5 2021-06-22 15:00:00 24.0 24.4 24.0 24.0 74
## 6 2021-06-22 18:00:00 26.8 27.6 26.8 26.8 56Including Plots
You can also embed plots, for example:
library(tidyverse)
p1<-ggplot(data = T3,
mapping = aes(x = fecha, y=Temp))+
geom_line( color="grey") +
geom_point(shape=21, color="black", fill="yellow", size=5) +
labs(title = "Pronóstico de la Temperatura por día y hora",
#subtitle = "Año 2020-2021.",
x = "Fecha",
y = "Temperatura grados celcius")+
theme(axis.text.x = element_text(angle = 90, hjust = 1))+
geom_text(aes(label = round(Temp)),
vjust = -0.6)
p1## geom_path: Each group consists of only one observation. Do you need to adjust
## the group aesthetic?
p2<-ggplot(data = T3,
mapping = aes(x =Temp))+
geom_density(color="blue") +
labs(title = "Histograma de Densidad Pronóstico de la Temperatura")
p2 
##Conclusión: El grafíco de densidad para 9 observaciones indica que el comportamiento es parecido a la campana de Gauss, considerando que, <30 observaciones utilizamos una distribución de T Student, > 30 observaciones, se fundamenta en el Teorema de Limite Central.
##Finalmente, comparto la app en Shiny de este ejercicio https://rchang.shinyapps.io/rchang-app_clima_ho/
Note that the echo = FALSE parameter was added to the code chunk to prevent printing of the R code that generated the plot.