Análisis de datos de un csv de actividades de Running. Paso 2: Estadística descriptiva.
Carlos Peralta Parro
Continúo con el análisis, recuperando los datos del dataset limpio del anterior notebook https://rpubs.com/cperaltap/actividad_1_limpieza
Primeras observaciones
| X | Hora | Dia | Mes | Year | Distancia | Calorias | Tiempo | FCMedia | Zancada | Ascenso | Velocidad | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Min. : 1.0 | Min. : 5.0 | Min. : 2.0 | Min. : 1.000 | Min. :2015 | Min. : 1.01 | Min. : 48.0 | Min. : 4.53 | Min. :105.0 | Min. :0.7422 | Min. : 0.00 | Min. : 7.30 | |
| 1st Qu.:116.5 | 1st Qu.: 9.0 | 1st Qu.:112.0 | 1st Qu.: 4.000 | 1st Qu.:2017 | 1st Qu.: 5.63 | 1st Qu.: 349.5 | 1st Qu.: 32.87 | 1st Qu.:140.0 | 1st Qu.:0.9546 | 1st Qu.: 42.00 | 1st Qu.: 9.74 | |
| Median :232.0 | Median :10.0 | Median :212.0 | Median : 7.000 | Median :2018 | Median : 7.02 | Median : 445.0 | Median : 40.57 | Median :147.0 | Median :1.0200 | Median : 60.00 | Median :10.44 | |
| Mean :232.0 | Mean :11.6 | Mean :196.6 | Mean : 6.989 | Mean :2018 | Mean : 7.07 | Mean : 447.3 | Mean : 40.91 | Mean :146.4 | Mean :1.0226 | Mean : 65.98 | Mean :10.42 | |
| 3rd Qu.:347.5 | 3rd Qu.:15.0 | 3rd Qu.:278.0 | 3rd Qu.:10.000 | 3rd Qu.:2020 | 3rd Qu.: 8.05 | 3rd Qu.: 528.5 | 3rd Qu.: 47.31 | 3rd Qu.:154.0 | 3rd Qu.:1.0800 | 3rd Qu.: 87.00 | 3rd Qu.:11.03 | |
| Max. :463.0 | Max. :21.0 | Max. :364.0 | Max. :12.000 | Max. :2021 | Max. :21.35 | Max. :1252.0 | Max. :119.83 | Max. :186.0 | Max. :1.3586 | Max. :301.00 | Max. :13.77 |
Haciendo un summary(me apoyo en kable para hacerlo más cómodo visualmente) podemos observar los mínimos, máximos, principales cuantiles incluyendo la media y la mediana.
Datos que nos llaman la atención:
- La hora más temprana en la que corre el atleta es a partir de las 5:00.
- La mayor distancia que ha recorrido es un medio maratón, y la media de las carreras es 7km
- Además, el intercuartil (Q3-Q1) nos indica que el 50% de las carreras son entre algo más de 5.5km y 8km.
- La media de calorias quemadas por sesión es de 447, y las máximas 1252.
- La velocidad media máxima alcanzada en una sesión es de 13.77 km/h y la media 10.42 km/h.
Podemos visualizar los diagramas de cajas (boxplot) de algunas columnas intersantes para ver la distribución de los registros
Podemos usar también diferentes funciones para sacar estadísticos
## [1] 10.41991# Desviación típica y variancza de la distancia
# Si lo pongo entre paréntesis asigno a la variable y muestro
(sd_vel <- sd(act_data$Distancia))## [1] 2.353329## [1] 5.538157## [1] FALSE# Podemos sacar los diferentes cuantiles eligiéndolos en la función
# En este caso para las Calorias
quantile(act_data$Calorias, prob=c(0.25,0.5,0.75))## 25% 50% 75%
## 349.5 445.0 528.5## 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100%
## 48.0 267.2 329.0 364.0 396.0 445.0 472.0 504.4 556.6 636.4 1252.0## [1] 7.02# La moda es el valor más repetido (redondeamos a un decimal)
# Creamos una pequeña función para calcularla
moda <- function(x) {
return(as.numeric(names(which.max(table(x)))))
}
moda(round(act_data$Distancia, 1))## [1] 7Vayamos con algo de visualización
Cargo la libreria ggplot2
Histograma de las Distancias
Se observa que las mayorías de las carreras son entre 5 y 8 km. Además la distancia de 10Km también es recurrente
Diagrama de caja del Ascenso
Vemos que la mayoría de las carreras tienen un ascenso acumulado entre 40 y 90 y se ven algunos outliers por encima de 100 (a ojo, sin entrar a valorar que superen el 1.5 del valor intercuartil). Veamos esos outliers:
Ahora haremos una agrupación por años mostrando la media de la Velocidad para ver evolución
# Velocidad media por año en la que se realiza la actividad
agrupado_y_velocidad <- act_data %>% group_by(Year) %>% summarise(Velocidad_media = mean(Velocidad))
agrupado_y_velocidad# Hacemos un gráfico de lineas para visualizar la evolución
ggplot(data = agrupado_y_velocidad) +
geom_line(aes(x = Year, y = Velocidad_media), col="blue", size= 2) +
scale_x_continuous("AÑOS", labels = as.character(agrupado_y_velocidad$Year), breaks = agrupado_y_velocidad$Year)
Se puede observar que los años más veloces del atleta han sido 2017 y 2018, a partir del cual se observa como va bajando esta velocidad paulatinamente hasta 2021. Aproximadamente -1.5 Kmh respecto a esos años.
Aprovechemos el gráfico de líneas para hacer otro estudio, en este caso un acumulativo por años de la distancia recorrida por días
En este caso utilizo la libreria plotly para interactuar con el gráfico
#Añado columna de acumulador para la actividad
act_data$Acumulado <- ave(act_data$Distancia, act_data$Year, FUN=cumsum)
plot_acumulado <- ggplot(data = act_data) +
geom_line(aes(x = Dia, y = Acumulado, col = factor({Year})),
size = 1,
alpha = 2/5)
ggplotly(plot_acumulado)Tenemos información interesante, como que el año 2019 se empezó a entrenar tarde, pero finalmente la evolución en más progresiva y es el año con más distancia recorrida. El gráfico también nos muestra que en el año 2015 los registros comienzan pasada la mitad de año y el 2021 deja de tener sesiones el último trimestre (Eso es porque estamos realizando este estudioen Octubre de 2021) Veamos lo que decimos sacando la info directamente:
## [1] 218## [1] 297Vamos a ver que mes es el más activo, viendo la influencia de cada año. Además, interactivo para ver la información sobre el gráfico!
act_dist_by_month_year <- act_data %>% group_by(Mes, Year) %>% summarise(Distancia = sum(Distancia))## `summarise()` has grouped output by 'Mes'. You can override using the `.groups` argument.plot_month_year <- ggplot(act_dist_by_month_year, aes(x=Mes, y=Distancia, fill=Year)) +
geom_bar(stat="identity") +
theme_minimal() # Añadimos un tema diferente, para ser más cómodo visualmente
ggplotly(plot_month_year)Visualmente podemos observar que Octubre (mes 10) es el más activo y Junio es más inactivo. Además, si interactuamos, vemos que hay meses/años especialmente activos. Por ejemplo Marzo de 2019 o Julio de 2018.
# Verificamos ordenando por distancia el dataset de la agrupación
act_dist_by_month_year %>% arrange(desc(Distancia))