Caso 1

A continuación, se observan una serie de preguntas e instrucciones.

Deberás contestar todas por medio de código en un script de R llamado caso_1_XY.R (XY son tus iniciales) y enviarlas a mario.heredia@lasquinceletras.com.mx antes del 2021-07-18.

Recuerda que siempre habrá más de una manera correcta de resolver un problema. No te preocupes mucho por cuál elegir si se te ocurre más de una, lo importante es que llegues al resultado correcto o puedas contestar puntualmente las preguntas.

Nivel 1

• ¿Cuáles son los valores máximo y minimo de la columna price?

• ¿Cuáles son los valores máximo y mínimo de la columna carat?

• Crea una columna llamada ppk que indique el precio por kilate, calculado como \(ppk = \frac {price}{carat}\)

• Crea una columna llamada volumen que aproxime el volumen total del diamante (asumiendo que el diamante es cúbico), dado por \(x*y*z\)

• Conserva los renglones en los cuales cut es mejor que Fair, color es mejor o igual que F y el precio no es mayor a $400

• Selecciona todas las variables cuyo nombre empieza con la letra “c”.

• Agrega una columna que permita identificar a cada diamante por un número único.

• ¿Qué categorías de color están presentes en los diamantes con precio mayor a 18700? (Muestralos en orden)

• ¿Qué categorías de clarity están presentes en los diamantes con precio menor a 337? (Muestralos en orden)

Nivel 2

A partir de este nivel, se muestra la respuesta a la cual debes llegar.

• ¿Cúal es el promedio de kilates (carat) de los 20 diamantes más costosos?

## # A tibble: 1 x 1
##   mean_carat
##        <dbl>
## 1       2.02

• ¿Cúal es el promedio de kilates (carat) de los 20 diamantes de menor precio?

## # A tibble: 1 x 1
##   mean_carat
##        <dbl>
## 1      0.262

• ¿Cuál es el promedio de precio de los diamantes de cut Premium?

## # A tibble: 1 x 1
##   mean_price
##        <dbl>
## 1      4584.

• Selecciona las variables x, y, z y pasalas a formato long.

## # A tibble: 161,820 x 2
##    eje   valor
##    <chr> <dbl>
##  1 x      3.95
##  2 y      3.98
##  3 z      2.43
##  4 x      3.89
##  5 y      3.84
##  6 z      2.31
##  7 x      4.05
##  8 y      4.07
##  9 z      2.31
## 10 x      4.2 
## # ... with 161,810 more rows

• Con la misma idea del ejercicio anterior, pero primero crea una columna id_diamante que nos permita identificar cada diamanante cuando esté en formato long.

## # A tibble: 161,820 x 3
##    id_diamante eje   valor
##          <int> <chr> <dbl>
##  1           1 x      3.95
##  2           1 y      3.98
##  3           1 z      2.43
##  4           2 x      3.89
##  5           2 y      3.84
##  6           2 z      2.31
##  7           3 x      4.05
##  8           3 y      4.07
##  9           3 z      2.31
## 10           4 x      4.2 
## # ... with 161,810 more rows

Nivel 3

• Obtener el valor promedio de cada eje, es decir de las columnas x, y, z y presenta los resultados en formato long. (Parte del resultado del ejercicio anterior)

## # A tibble: 3 x 2
##   eje    prom
##   <chr> <dbl>
## 1 x      5.73
## 2 y      5.73
## 3 z      3.54

• Obtener el valor promedio de cada eje, es decir de las columnas x, y, z y presenta los resultados en formato wide. Aunque puede ser útil partir del ejercicio anterior, es más práctico empezar desde 0.

## # A tibble: 1 x 3
##       x     y     z
##   <dbl> <dbl> <dbl>
## 1  5.73  5.73  3.54

• Calcula el precio máximo, mínimo y promedio para cada nivel de cut

## # A tibble: 5 x 4
##   cut       max_price min_price mean_price
##   <ord>         <int>     <int>      <dbl>
## 1 Fair          18574       337      4359.
## 2 Good          18788       327      3929.
## 3 Very Good     18818       336      3982.
## 4 Premium       18823       326      4584.
## 5 Ideal         18806       326      3458.

• ¿Cuál es el promedio del precio por kilate (lo calculaste en uno de los primero ejercicios) de los mejores diamantes en términos de cut, color y clarity. Consulta ?diamonds para saber qué nivel de cada variable es el más alto.

## # A tibble: 1 x 1
##   mean_ppk
##      <dbl>
## 1    9034.

• ¿Cuál es el promedio del precio por kilate (lo calculaste en uno de los primeros ejercicios) de los peores diamantes en términos de cut, color y clarity. Consulta ?diamonds para saber qué nivel de cada variable es el más bajo.

## # A tibble: 1 x 1
##   mean_ppk
##      <dbl>
## 1    2631.

Nivel 4

Para este nivel, es posible que las notas no sean suficientes para contestar las preguntas.

Este libro, Stack Overflow, Google y la ayuda de R serán tus recursos favoritos en este proceso.

• Partiendo del ejercicio anterior. Muestra en un mismo tibble promedios de precio por kilate de los mejores y peores diamantes.

Pista: Tal vez te sean útiles los operadores lógicos &(y), |(o)

## # A tibble: 2 x 4
##   cut   color clarity mean_ppk
##   <ord> <ord> <ord>      <dbl>
## 1 Fair  J     I1         2631.
## 2 Ideal D     IF         9034.

• ¿Cuántos diamantes por tipo de color existen? Necesitarás la función n(). Escribe ?n en tu consola para acceder a la ayuda de R y obtener más información.

## # A tibble: 7 x 2
##   color     n
##   <ord> <int>
## 1 D      6775
## 2 E      9797
## 3 F      9542
## 4 G     11292
## 5 H      8304
## 6 I      5422
## 7 J      2808

• ¿Cuántos por cada combinación de color y claridad? Muestra tus resultados en formato wide para que sea más fácil visualizarlos.

## # A tibble: 8 x 8
##   clarity     D     E     F     G     H     I     J
##   <ord>   <int> <int> <int> <int> <int> <int> <int>
## 1 I1         42   102   143   150   162    92    50
## 2 SI2      1370  1713  1609  1548  1563   912   479
## 3 SI1      2083  2426  2131  1976  2275  1424   750
## 4 VS2      1697  2470  2201  2347  1643  1169   731
## 5 VS1       705  1281  1364  2148  1169   962   542
## 6 VVS2      553   991   975  1443   608   365   131
## 7 VVS1      252   656   734   999   585   355    74
## 8 IF         73   158   385   681   299   143    51

• Es útil ver el número de diamantes, pero más útil es ver el porcentaje. Siguiendo la idea del ejercicio anterior, calcula los porcentajes en lugar de las n’s . Esto es más complicado de lo parece a primera vista. Intenta realizarlo, y si te atoras, consulta la pista al final del archivo.

## # A tibble: 8 x 8
##   clarity      D     E     F     G     H     I      J
##   <ord>    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>  <dbl>
## 1 I1      0.0779 0.189 0.265 0.278 0.300 0.171 0.0927
## 2 SI2     2.54   3.18  2.98  2.87  2.90  1.69  0.888 
## 3 SI1     3.86   4.50  3.95  3.66  4.22  2.64  1.39  
## 4 VS2     3.15   4.58  4.08  4.35  3.05  2.17  1.36  
## 5 VS1     1.31   2.37  2.53  3.98  2.17  1.78  1.00  
## 6 VVS2    1.03   1.84  1.81  2.68  1.13  0.677 0.243 
## 7 VVS1    0.467  1.22  1.36  1.85  1.08  0.658 0.137 
## 8 IF      0.135  0.293 0.714 1.26  0.554 0.265 0.0945

• Similar al ejercicio anterior, calcula porcentajes, pero ahora relativos al nivel de color. Es decir, cada columna debe sumar 100%

## # A tibble: 8 x 8
##   clarity      D     E     F     G     H     I     J
##   <ord>    <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 I1       0.620  1.04  1.50  1.33  1.95  1.70  1.78
## 2 SI2     20.2   17.5  16.9  13.7  18.8  16.8  17.1 
## 3 SI1     30.7   24.8  22.3  17.5  27.4  26.3  26.7 
## 4 VS2     25.0   25.2  23.1  20.8  19.8  21.6  26.0 
## 5 VS1     10.4   13.1  14.3  19.0  14.1  17.7  19.3 
## 6 VVS2     8.16  10.1  10.2  12.8   7.32  6.73  4.67
## 7 VVS1     3.72   6.70  7.69  8.85  7.04  6.55  2.64
## 8 IF       1.08   1.61  4.03  6.03  3.60  2.64  1.82

• Similar al ejercicio anterior, calcula porcentajes, pero ahora relativos al nivel de clarity. Los valores de clarity deben ser ahora los nombres de las columnas, de manera que una vez más, las columnas sumen 100%

## # A tibble: 7 x 9
##   color    I1   SI2   SI1   VS2   VS1  VVS2  VVS1    IF
##   <ord> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 D      5.67 14.9  15.9  13.8   8.63 10.9   6.89  4.08
## 2 E     13.8  18.6  18.6  20.2  15.7  19.6  17.9   8.83
## 3 F     19.3  17.5  16.3  18.0  16.7  19.2  20.1  21.5 
## 4 G     20.2  16.8  15.1  19.1  26.3  28.5  27.3  38.0 
## 5 H     21.9  17.0  17.4  13.4  14.3  12.0  16.0  16.7 
## 6 I     12.4   9.92 10.9   9.54 11.8   7.20  9.71  7.99
## 7 J      6.75  5.21  5.74  5.96  6.63  2.59  2.02  2.85

• Calcula los percentiles 10, 20, y 90 del precio. Necesitarás usar la función quantile() dentro de summarise(). Escribe ?quantile en tu consola para ver más información de cómo usarla.

## # A tibble: 1 x 3
##    p_10  p_20  p_90
##   <dbl> <dbl> <dbl>
## 1   646   837  9821

• Percentiles 10, 20, 50 y 90 del precio, además de su promedio por cada nivel de color

## # A tibble: 7 x 6
##   color  p_10  p_20  p_50   p_90  mean
##   <ord> <dbl> <dbl> <dbl>  <dbl> <dbl>
## 1 D      666.  803  1838   7325. 3170.
## 2 E      658   805  1739   7232. 3077.
## 3 F      684.  880  2344.  9211. 3725.
## 4 G      666   840  2242   9852. 3999.
## 5 H      600   798  3460  11038. 4487.
## 6 I      572   850  3730  12985  5092.
## 7 J      642. 1210. 4234  12642. 5324.

Es importante no perder de vista que al hacer estas operaciones, estamos haciendo preguntas a nuestros datos. Es decir, en la práctica no realizarás estas operaciones como un ejercicio, sino que las utilizarás como un medio para realizar preguntas y obtener respuestas, como parte de un proceso analítico.

El ejercicio anterior muestra un comportamiento interesante. ¿Por qué si el color D es el mejor y el color J el peor, los percentiles y el promedio sugieren que mientras peor sea el color, mayor es el precio?

Nivel 5

Propón algunas operaciones que puedas realizar a tus datos para obtener una respuesta a la pregunta anterior.

Apéndice

Pistas:

El proceso aproximado para calcular porcentajes es:

• Calcular las n’s agrupando por color y clarity
• Desagrupar con ungroup()
• Calcular el porcentaje como \(100 * \frac N{sum(N)}\)
• Elimina la columna de Ns
• Usa algún pivot para mostrar los datos en formato wide