Entregable Individual - Ericka MartÃnez
Ericka MartÃnez - A01177017
2022-09-28
Entregable 2.4: Base de Datos Merma
LibrerÃas
library(dplyr)
library(plyr)
library(ggplot2)
library(naniar)
library(Hmisc)
library(psych)
library(tidyverse)
library(janitor)
library(knitr)Importar la base de datos
#file.choose()
bd_merma <- read.csv("/Users/ErickaMtz/Desktop/FORM - Merma.csv")
bd_scrap <- read.csv("/Users/ErickaMtz/Desktop/FORM - Scrap.csv")
bd_prod <- read.csv("/Users/ErickaMtz/Downloads/FORM - Produccion Carton Mes.csv")Analiza las bases de datos y responde lo siguiente:
1) ¿Cuántas variables y cuantos registros tiene la base de datos?
La base de datos Merma tiene 3 variables y 60 registros.
describe(bd_merma)## vars n mean sd median trimmed mad min max range skew kurtosis
## Fecha* 1 60 19.77 13.83 20.5 19.40 17.79 1 43 42 0.05 -1.34
## Mes* 2 60 6.25 4.56 5.0 5.60 4.45 1 19 18 1.05 0.44
## Kilos* 3 60 28.72 15.92 29.0 28.77 19.27 1 56 55 -0.03 -1.21
## se
## Fecha* 1.79
## Mes* 0.59
## Kilos* 2.06dim(bd_merma)## [1] 60 3La base de datos Scrap tiene 9 variables y 251 registros.
describe(bd_scrap)## vars n mean sd median trimmed mad min max
## Referencia* 1 251 126.00 72.60 126 126.00 93.40 1 251
## Fecha* 2 251 16.21 7.11 17 16.50 7.41 1 27
## Hora* 3 251 126.00 72.60 126 126.00 93.40 1 251
## Producto* 4 251 45.20 24.83 46 44.94 26.69 1 96
## Cantidad 5 251 13.34 105.90 2 3.95 1.48 0 1674
## Unidad.de.medida* 6 251 2.00 0.06 2 2.00 0.00 1 2
## Ubicación.de.origen* 7 251 3.47 0.86 4 3.60 0.00 1 4
## Ubicación.de.desecho* 8 251 2.00 0.06 2 2.00 0.00 1 2
## a* 9 251 2.00 0.06 2 2.00 0.00 1 2
## range skew kurtosis se
## Referencia* 250 0.00 -1.21 4.58
## Fecha* 26 -0.29 -0.99 0.45
## Hora* 250 0.00 -1.21 4.58
## Producto* 95 0.01 -0.80 1.57
## Cantidad 1674 15.37 237.90 6.68
## Unidad.de.medida* 1 -15.65 244.02 0.00
## Ubicación.de.origen* 3 -1.11 -0.62 0.05
## Ubicación.de.desecho* 1 -15.65 244.02 0.00
## a* 1 -15.65 244.02 0.00dim(bd_scrap)## [1] 251 9La base de datos Producción tiene
describe(bd_prod)## vars n mean sd median trimmed mad min max range skew
## X* 1 51 26.00 14.87 26 26.00 19.27 1 51 50 0.00
## X.1* 2 51 5.24 2.16 5 5.15 2.97 1 9 8 0.34
## X.2* 3 51 22.39 13.72 22 22.29 17.79 1 46 45 0.04
## X.3* 4 51 26.00 14.87 26 26.00 19.27 1 51 50 0.00
## X.4* 5 51 10.49 6.77 8 10.00 7.41 1 24 23 0.47
## X.5* 6 51 3.53 2.59 2 3.17 1.48 1 11 10 0.93
## X.6* 7 51 11.49 9.55 11 10.83 14.83 1 29 28 0.32
## X.7* 8 51 7.63 4.60 8 7.56 7.41 1 14 13 0.08
## TIEMPO.DE.MAQUINAS* 9 51 10.04 8.53 9 9.17 10.38 1 28 27 0.58
## X.8* 10 51 7.49 7.20 2 6.49 1.48 1 24 23 0.87
## X.9* 11 51 7.88 7.94 2 6.73 1.48 1 26 25 0.94
## X.10* 12 51 11.92 10.58 9 10.90 10.38 1 33 32 0.54
## X.11* 13 51 11.92 10.58 9 10.90 10.38 1 33 32 0.54
## X.12* 14 51 2.69 0.91 3 2.66 0.00 1 6 5 0.80
## X.13* 15 51 1.16 0.42 1 1.05 0.00 1 3 2 2.60
## kurtosis se
## X* -1.27 2.08
## X.1* -1.05 0.30
## X.2* -1.28 1.92
## X.3* -1.27 2.08
## X.4* -1.15 0.95
## X.5* 0.16 0.36
## X.6* -1.39 1.34
## X.7* -1.61 0.64
## TIEMPO.DE.MAQUINAS* -1.04 1.19
## X.8* -0.70 1.01
## X.9* -0.62 1.11
## X.10* -1.20 1.48
## X.11* -1.20 1.48
## X.12* 2.58 0.13
## X.13* 6.36 0.06dim(bd_prod)## [1] 51 152) y 3) Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua y escala de medición
Tipos de Variable: Merma
| Variable | Type |
|---|---|
Fecha |
Cualitativa |
Mes |
Cualitativa |
Kilos |
Cuantitativa (discreta) |
Tipos de Variable: Scrap
| Variable | Type |
|---|---|
Referencia |
Cualitativa |
Fecha |
Cualitativa |
Hora |
Cuantitativa (continua) |
Producto |
Cualitativa |
Cantidad |
Cuantitativa (discreta) |
Unidad de medidad |
Cualitativa |
Ubicación de origen |
Cualitativa |
Ubicacuón de desecho |
Cualitativa |
Estado |
Cualitativa |
Tipos de Variable: Producción
Variable<-c("`Cliente`","`ID Form`", "`Producto`","`Piezas programadas`", "`Tiempo minutos`", "`Hora fin`", "`Estacion arranque`", "`Laminas procesadas`", "`Inicio set up`", "`Fin inicio set up`", "`Inicio de proceso`", "`Fin de proceso`", "`Tiempo calidad`")
Type<-c("Cualitativa","Cualitativa", "Cualitativa","Cuantitativa (discreta)", "Cuantitativa (discreta)", "Cuantitativa (continua)", "Cualitativa", "Cuantitativa (discreta)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (continua)", "Cuantitativa (discreta)" )
table<-data.frame(Variable,Type)
knitr::kable(table)| Variable | Type |
|---|---|
Cliente |
Cualitativa |
ID Form |
Cualitativa |
Producto |
Cualitativa |
Piezas programadas |
Cuantitativa (discreta) |
Tiempo minutos |
Cuantitativa (discreta) |
Hora fin |
Cuantitativa (continua) |
Estacion arranque |
Cualitativa |
Laminas procesadas |
Cuantitativa (discreta) |
Inicio set up |
Cuantitativa (continua) |
Fin inicio set up |
Cuantitativa (continua) |
Inicio de proceso |
Cuantitativa (continua) |
Fin de proceso |
Cuantitativa (continua) |
Tiempo calidad |
Cuantitativa (discreta) |
4) Aplica al menos 2 técnicas de limpieza de bases de datos y explÃcalas brevemente, ¿por qué realizaste esas técnicas?
Limpieza de Datos: Merma
Cambio de tipo de Variable: La variable de Kilos estaba en formato de carácter y se paso a numérica.
str(bd_merma)## 'data.frame': 60 obs. of 3 variables:
## $ Fecha: chr "11/01/2022" "11/01/2022" "22/01/2022" "22/01/2022" ...
## $ Mes : chr "ENERO" "ENERO" "ENERO" "ENERO" ...
## $ Kilos: chr "5080" "3810" "2990" "2680" ...bd_merma$Kilos <- as.numeric(bd_merma$Kilos)## Warning: NAs introduced by coercionCrear base de datos que muestre total de kilos por mes solamente Se descubrió que el mes con mayor cantidad de merma fue agosto.
bd_merma1<-aggregate(Kilos ~ Mes , data = bd_merma, sum)Eliminar renglones de Total General x Mes
bd_merma2 <-bd_merma [- grep("Total", bd_merma$Mes),]Limpieza de Datos: Scrap
Eliminar columnas que no agreguen valor o que sean datos repetitivos
bd_scrap1 <- bd_scrap
bd_scrap1 <- select(bd_scrap1, Fecha, Cantidad, Ubicación.de.origen)Eliminar renglón de Unidades totales de scrap
bd_scrap1 <- bd_scrap1 [- c(1),]Limpieza de Datos: Producción
Eliminar columnas
Eliminar comluna No. de cliente
bd_prod <- select(bd_prod, -X)Eliminar columna Tipo de meteriales
bd_prod <- select(bd_prod, -X.13)Pasar primer renglón a que sea los nombres de columna
bd_prod1 <- bd_prod
colnames(bd_prod1) <- bd_prod[1,]
colnames(bd_prod1)## [1] "CLIENTE" "ID FORM" "PRODUCTO"
## [4] "PIEZAS PROG." "TMO: MIN." "HR. FIN"
## [7] "ESTACION ARRANQUE" "Laminas procesadas " "INICIO SEP UP"
## [10] "FIN INICIO DE SEP UP" "INICIO de PROCESO" "FIN de PROCESO"
## [13] "TIEMPO CALIDAD"Eliminar primer fila
bd_prod1 <- bd_prod1[-1,]Tabla de frencuencia: Merma
mes <- bd_merma %>% group_by(Mes) %>% tally()
mes## # A tibble: 19 × 2
## Mes n
## <chr> <int>
## 1 ABRIL 5
## 2 AGOSTO 11
## 3 ENERO 4
## 4 FEBRERO 6
## 5 JULIO 5
## 6 JUNIO 4
## 7 MARZO 6
## 8 MAYO 5
## 9 SEPTIEMBRE 4
## 10 Total ABRIL 1
## 11 Total AGOSTO 1
## 12 Total ENERO 1
## 13 Total FEBRERO 1
## 14 Total general 1
## 15 Total JULIO 1
## 16 Total JUNIO 1
## 17 Total MARZO 1
## 18 Total MAYO 1
## 19 Total SEPTIEMBRE 1Tabla de frencuencia: Scrap
ubicacion <- bd_scrap1 %>% group_by(Ubicación.de.origen) %>% tally()
ubicacion## # A tibble: 3 × 2
## Ubicación.de.origen n
## <chr> <int>
## 1 SAB/Calidad/Entrega de PT 58
## 2 SAB/Post-Production 13
## 3 SAB/Pre-Production 179Tabla de frencuencia: Producción
Gráfica de Dispersión: Merma
ggplot(bd_merma2 , aes(x=Mes, y=Kilos)) +
geom_point()
Gráfica de Dispersión: Scrap
ggplot(data=bd_scrap1, mapping =
aes(Cantidad, Ubicación.de.origen)) +
geom_point(aes()) + theme_bw()
Gráfica de Dispersión: Producción
ggplot(bd_prod1, aes(x=`PIEZAS PROG.`, y=CLIENTE)) +
geom_point() 
Graficos de datos cualitativos
Bar Graph de Kilos x Mes
ggplot(bd_merma2, aes(x=Mes, y=Kilos)) +
geom_bar(stat="identity", fill="purple") + scale_fill_grey() +
labs(title = "Kilos de Merma por Mes",
x = "Mes", y = "Kilos")
Bar Graph de Cantidad de Piezas por Ubicación
ggplot(bd_scrap1, aes(x=Ubicación.de.origen, y=Cantidad)) +
geom_bar(stat="identity", fill="purple") + scale_fill_grey() +
labs(title = "Unidades de Scrap por Estación",
x = "Unidades", y = "Ubicación")