Entregable 2.4 - Delivery Performance

Jimena Miguel | Vanessa Elizondo | Ricardo Galicia | José Luis Elizondo | Daniela Cárdenas

Importar base de datos

#file.choose()
base_de_datos<-read.csv("/Users/ricardogc/Desktop/Entregable 2.4 Reto/Formdeliveryfinal3.csv" )

Instalacion de paquetes

library(foreign)
library(dplyr)        # data manipulation

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization 
library(janitor)      # data exploration and cleaning

## 
## Attaching package: 'janitor'

## The following objects are masked from 'package:stats':
## 
##     chisq.test, fisher.test

#install.packages("Hmisc")
#library(Hmisc)        # several useful functions for data analysis 
#install.packages("psych")
#library(psych)        # functions for multivariate analysis 
#install.packages("naniar")
#library(naniar)       # summaries and visualization of missing values NAs
#install.packages("dlookr")
#library(dlookr)  # summaries and visualization of missing values NAs
#install.packages("corrplot")
#library(corrplot)     # correlation plots
#install.packages("jtools")
#library(jtools)       # presentation of regression analysis 
#install.packages("lmtest")
#library(lmtest)       # diagnostic checks - linear regression analysis 
#install.packages("car")
#library(car)          # diagnostic checks - linear regression analysis
#install.packages("olsrr")
#library(olsrr)        # diagnostic checks - linear regression analysis 
#install.packages("kableExtra")
#library(kableExtra)   # HTML table attributes
library(tidyverse)

## ── Attaching packages
## ───────────────────────────────────────
## tidyverse 1.3.2 ──

## ✔ tibble  3.1.8     ✔ purrr   0.3.4
## ✔ tidyr   1.2.0     ✔ stringr 1.4.1
## ✔ readr   2.1.3     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()

Entender mi base de datos

¿Cuántas variables y cuantos registros tiene la base de datos? Se muestran 8 variables y 1440 registros dentro de la base de datos.

bd<-base_de_datos
summary(bd)

##      Target      Cliente       Vueltas      Plan.arrival     Real.arrival   
##  Min.   :1   MAGNA   :180   Min.   :1.00   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.:1   MAHLE   :540   1st Qu.:1.00   1st Qu.: 0.000   1st Qu.: 0.000  
##  Median :1   PRINTEL :180   Median :1.50   Median : 4.000   Median : 0.000  
##  Mean   :1   VARROC  :540   Mean   :1.75   Mean   : 6.625   Mean   : 3.823  
##  3rd Qu.:1                  3rd Qu.:2.25   3rd Qu.:10.750   3rd Qu.: 8.000  
##  Max.   :1                  Max.   :3.00   Max.   :20.000   Max.   :23.500  
##                                                                             
##  Real.departure     Diference             Fecha     
##  Min.   : 0.000   Min.   :-14.3500   01/02/22:   8  
##  1st Qu.: 0.000   1st Qu.:  0.0000   01/03/22:   8  
##  Median : 0.000   Median :  0.0000   01/04/22:   8  
##  Mean   : 4.142   Mean   :  0.3155   01/05/22:   8  
##  3rd Qu.: 9.000   3rd Qu.:  0.8000   01/06/22:   8  
##  Max.   :24.500   Max.   : 20.0000   01/07/22:   8  
##                                      (Other) :1392

str(bd)

## 'data.frame':    1440 obs. of  8 variables:
##  $ Target        : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ Cliente       : Factor w/ 4 levels "MAGNA","MAHLE",..: 3 2 2 2 1 4 4 4 3 2 ...
##  $ Vueltas       : int  1 1 2 3 1 1 2 3 1 1 ...
##  $ Plan.arrival  : int  16 8 9 20 0 0 0 0 16 8 ...
##  $ Real.arrival  : num  16 8 9 20 0 0 0 0 16 8 ...
##  $ Real.departure: num  19.3 8.55 10 21 0 0 0 0 18.1 9 ...
##  $ Diference     : num  3.3 0.55 1 1 0 0 0 0 2.1 1 ...
##  $ Fecha         : Factor w/ 180 levels "01/02/22","01/03/22",..: 7 7 7 7 7 7 7 7 13 13 ...

Count de Variables y Escalas

Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa continua.

Variable<-c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
Type<-c("quantiative (discrete)", "quantiative (continous)", "quantitative (continous)", "quantitative (continous)")
table<-data.frame(Variable,Type)
knitr::kable(table)

Variable	Type
`Target`	quantiative (discrete)
`Cliente`	quantiative (continous)
`Vueltas`	quantitative (continous)
`Plan.arrival`	quantitative (continous)
`Real.arrival`	quantiative (discrete)
`Real.departure`	quantiative (continous)
`Diference`	quantitative (continous)
`Fecha`	quantitative (continous)

Elige la escala de medición de cada variable.

variables <- c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
tipos <- c("cuantitativo (discreto)  ", "cualitativo  ", "cuantitativo (discreto)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cualitativo  ")
escalas <- c("intervalo", "nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)

variables	tipos	escalas
`Target`	cuantitativo (discreto)	intervalo
`Cliente`	cualitativo	nominal
`Vueltas`	cuantitativo (discreto)	razon
`Plan.arrival`	cuantitativo (continuo)	razon
`Real.arrival`	cuantitativo (continuo)	razon
`Real.departure`	cuantitativo (continuo)	razon
`Diference`	cuantitativo (continuo)	razon
`Fecha`	cualitativo	ordinal

Limpieza de bases de datos

Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas brevemente, ¿por qué realizaste esas técnicas?

Las técnicas elegidas en nuestra limpia de datos se eligieron por las necesidades que presentaba la base y la utilidad o no que tenían nuestras variables

CONVERSION DE CARACTER A FECHA (TECNICA DE CONVERSION DE DATOS)

bd1<-bd
bd1$Fecha<- as.Date(bd1$Fecha, format= "%d/%m/%y")
summary(bd1)

##      Target      Cliente       Vueltas      Plan.arrival     Real.arrival   
##  Min.   :1   MAGNA   :180   Min.   :1.00   Min.   : 0.000   Min.   : 0.000  
##  1st Qu.:1   MAHLE   :540   1st Qu.:1.00   1st Qu.: 0.000   1st Qu.: 0.000  
##  Median :1   PRINTEL :180   Median :1.50   Median : 4.000   Median : 0.000  
##  Mean   :1   VARROC  :540   Mean   :1.75   Mean   : 6.625   Mean   : 3.823  
##  3rd Qu.:1                  3rd Qu.:2.25   3rd Qu.:10.750   3rd Qu.: 8.000  
##  Max.   :1                  Max.   :3.00   Max.   :20.000   Max.   :23.500  
##  Real.departure     Diference            Fecha           
##  Min.   : 0.000   Min.   :-14.3500   Min.   :2022-01-02  
##  1st Qu.: 0.000   1st Qu.:  0.0000   1st Qu.:2022-02-23  
##  Median : 0.000   Median :  0.0000   Median :2022-04-17  
##  Mean   : 4.142   Mean   :  0.3155   Mean   :2022-04-16  
##  3rd Qu.: 9.000   3rd Qu.:  0.8000   3rd Qu.:2022-06-08  
##  Max.   :24.500   Max.   : 20.0000   Max.   :2022-07-23

tibble(bd1)

## # A tibble: 1,440 × 8
##    Target Cliente    Vueltas Plan.arrival Real.arri…¹ Real.…² Difer…³ Fecha     
##     <int> <fct>        <int>        <int>       <dbl>   <dbl>   <dbl> <date>    
##  1      1 "PRINTEL "       1           16          16   19.3     3.3  2022-01-02
##  2      1 "MAHLE"          1            8           8    8.55    0.55 2022-01-02
##  3      1 "MAHLE"          2            9           9   10       1    2022-01-02
##  4      1 "MAHLE"          3           20          20   21       1    2022-01-02
##  5      1 "MAGNA"          1            0           0    0       0    2022-01-02
##  6      1 "VARROC"         1            0           0    0       0    2022-01-02
##  7      1 "VARROC"         2            0           0    0       0    2022-01-02
##  8      1 "VARROC"         3            0           0    0       0    2022-01-02
##  9      1 "PRINTEL "       1           16          16   18.1     2.1  2022-01-03
## 10      1 "MAHLE"          1            8           8    9       1    2022-01-03
## # … with 1,430 more rows, and abbreviated variable names ¹Real.arrival,
## #   ²Real.departure, ³Diference

¿Cuantos N/A tengo en mi base de datos?

sum(is.na(bd1))

## [1] 0

Eliminar columnas

bd2<-bd1
bd2 <- subset(bd2, select =-c (Target))

Nota:

Se elimina el target ya que no nos muestra una información detallada al darnos datos nulos de tener un 1 en todos lados.

LIMPIEZA POR METODO ESTADISTICO

bd3<-bd2
boxplot(bd3$Plan.arrival, horizontal=TRUE)

boxplot(bd3$Real.arrival, horizontal=TRUE)

boxplot(bd3$Real.departure, horizontal=TRUE)

boxplot(bd3$Diference, horizontal=TRUE)

Agregar columna de promedio

bd3$Promedio_real_arrival<- mean(bd3$Real.arrival)

Convertir varaibles de caracter a numerico.

bd3$Vueltas<-as.numeric(bd3$Vueltas)     ### missing values are converted to NA's
bd3$Plan.arrival<-as.numeric(bd3$Plan.arrival)  
bd3$Real.arrival<-as.numeric(bd3$Real.arrival)  
bd3$Real.departure<-as.numeric(bd3$Real.departure)  
bd3$Diference<-as.numeric(bd3$Diference)  
bd3$Promedio_real_arrival<-as.numeric(bd3$Promedio_real_arrival) 

bd3<-as.data.frame(bd3) 
bd3$Fecha<-as.Date(bd3$Fecha,format="%m/%d/%Y") 
bd3$Cliente<-as.factor(bd3$Cliente) 

tibble(bd3)

## # A tibble: 1,440 × 8
##    Cliente    Vueltas Plan.arrival Real.arr…¹ Real.…² Difer…³ Fecha      Prome…⁴
##    <fct>        <dbl>        <dbl>      <dbl>   <dbl>   <dbl> <date>       <dbl>
##  1 "PRINTEL "       1           16         16   19.3     3.3  2022-01-02    3.82
##  2 "MAHLE"          1            8          8    8.55    0.55 2022-01-02    3.82
##  3 "MAHLE"          2            9          9   10       1    2022-01-02    3.82
##  4 "MAHLE"          3           20         20   21       1    2022-01-02    3.82
##  5 "MAGNA"          1            0          0    0       0    2022-01-02    3.82
##  6 "VARROC"         1            0          0    0       0    2022-01-02    3.82
##  7 "VARROC"         2            0          0    0       0    2022-01-02    3.82
##  8 "VARROC"         3            0          0    0       0    2022-01-02    3.82
##  9 "PRINTEL "       1           16         16   18.1     2.1  2022-01-03    3.82
## 10 "MAHLE"          1            8          8    9       1    2022-01-03    3.82
## # … with 1,430 more rows, and abbreviated variable names ¹Real.arrival,
## #   ²Real.departure, ³Diference, ⁴Promedio_real_arrival

Notas:

Se muestra que la diferencia de nuestros arrivals no es mucha, pero habría que revisar si el promedio total nos ayudaría. se agrego una columna de promedio general de nuestros arrivals reales.

Renombrar variables cuantitativas y cualitativas

#Seleccionar variables
bd4 <- bd3 %>% select (one_of("Cliente","Vueltas","Plan.arrival","Real.arrival","Real.departure", "Diference", "Fecha","Promedio_real_arrival"))
#Renombrar variabes
colnames(bd3)<-c("Cle", "Vueltas", "P.arrival", "R.arrival", "R.dep", "Dif", "Fecha", "Prom.R.arrival")

Exportar base de datos

bd_limpia<-bd3
write.csv(bd_limpia, file="formbaselimpia.csv", row.names = FALSE)

Conclusión

Para esta actividad, pudimos limpiar la base de datos que tiene Form al modificarla al 100% para poder acomodar los requerimientos que tiene R para insertar las bases y que hagan sentido a la hora de trabajarlo.

Para esta base de datos ahora lo que nos permitirá lograr es hacer gráficas y tablas para detallar y mostrar la información importante de nuestra base.

Analisis Exploratorio de la Base de Datos

Exportar la base de datos

#file.choose()
bd_limpia<-read.csv("/Users/ricardogc/Desktop/Entregable 2.4 Reto/formbaselimpia.csv")

Tabla principales estadísticos descrptivos

bd_limpia <- bd3
summary(bd_limpia)

##        Cle         Vueltas       P.arrival        R.arrival     
##  MAGNA   :180   Min.   :1.00   Min.   : 0.000   Min.   : 0.000  
##  MAHLE   :540   1st Qu.:1.00   1st Qu.: 0.000   1st Qu.: 0.000  
##  PRINTEL :180   Median :1.50   Median : 4.000   Median : 0.000  
##  VARROC  :540   Mean   :1.75   Mean   : 6.625   Mean   : 3.823  
##                 3rd Qu.:2.25   3rd Qu.:10.750   3rd Qu.: 8.000  
##                 Max.   :3.00   Max.   :20.000   Max.   :23.500  
##      R.dep             Dif               Fecha            Prom.R.arrival 
##  Min.   : 0.000   Min.   :-14.3500   Min.   :2022-01-02   Min.   :3.823  
##  1st Qu.: 0.000   1st Qu.:  0.0000   1st Qu.:2022-02-23   1st Qu.:3.823  
##  Median : 0.000   Median :  0.0000   Median :2022-04-17   Median :3.823  
##  Mean   : 4.142   Mean   :  0.3155   Mean   :2022-04-16   Mean   :3.823  
##  3rd Qu.: 9.000   3rd Qu.:  0.8000   3rd Qu.:2022-06-08   3rd Qu.:3.823  
##  Max.   :24.500   Max.   : 20.0000   Max.   :2022-07-23   Max.   :3.823

sd(bd_limpia$Vueltas, na.rm = FALSE)

## [1] 0.8294442

sd(bd_limpia$P.arrival, na.rm = FALSE)

## [1] 7.501563

sd(bd_limpia$R.arrival, na.rm = FALSE)

## [1] 6.505902

sd(bd_limpia$R.dep, na.rm = FALSE)

## [1] 6.948665

sd(bd_limpia$Dif, na.rm = FALSE)

## [1] 0.9218758

Variable<-c("Vueltas","P.arrival", "R.arrival", "R.dep", "Dif")
Mediana<-c("1.50 ","4.000","0.000 ","0.000 ","0.0000 ")
Media <- c("1.75","6.625","3.823","4.142","4.142")
Moda <- c("1","0","0","0","0")
Desviación_estandar<-c("0.8294442"," 7.501563","6.505902","6.948665","6.948665")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)

Variable	Mediana	Media	Moda	Desviación_estandar
Vueltas	1.50	1.75	1	0.8294442
P.arrival	4.000	6.625	0	7.501563
R.arrival	0.000	3.823	0	6.505902
R.dep	0.000	4.142	0	6.948665
Dif	0.0000	4.142	0	6.948665

Notas:

Se ocupo summary para poder obtener la moda, mediana y media de las variables y posteriormente se calcula la desviación estandar con la función sd()

Tabla de Frecuencia

#install.packages('epiDisplay')
library(epiDisplay)

## Loading required package: survival

## Loading required package: MASS

## 
## Attaching package: 'MASS'

## The following object is masked from 'package:dplyr':
## 
##     select

## Loading required package: nnet

## 
## Attaching package: 'epiDisplay'

## The following object is masked from 'package:ggplot2':
## 
##     alpha

tab1(bd_limpia$Dif, sort.group = "decreasing", cum.percent = TRUE)

## bd_limpia$Dif : 
##         Frequency Percent Cum. percent
## 0            1014    70.4         70.4
## 1             192    13.3         83.8
## 1.1            20     1.4         85.1
## 1.05           17     1.2         86.3
## 1.2            16     1.1         87.4
## 0.5            14     1.0         88.4
## 1.15           11     0.8         89.2
## 0.9             8     0.6         89.7
## 0.4             8     0.6         90.3
## 1.5             7     0.5         90.8
## 0.8             7     0.5         91.2
## 0.55            7     0.5         91.7
## 2               6     0.4         92.2
## 1.8             6     0.4         92.6
## 1.3             6     0.4         93.0
## 0.3             6     0.4         93.4
## 1.4             5     0.3         93.8
## 1.25            5     0.3         94.1
## 0.95            5     0.3         94.4
## 0.2             5     0.3         94.8
## 1.45            4     0.3         95.1
## 1.35            3     0.2         95.3
## 0.45            3     0.2         95.5
## 0.35            3     0.2         95.7
## 0.1             3     0.2         95.9
## 3.1             2     0.1         96.0
## 2.6             2     0.1         96.2
## 2.38            2     0.1         96.3
## 2.15            2     0.1         96.5
## 1.6             2     0.1         96.6
## 1.03            2     0.1         96.7
## 0.85            2     0.1         96.9
## 0.7             2     0.1         97.0
## 0.6             2     0.1         97.2
## 0.15            2     0.1         97.3
## 4.4             1     0.1         97.4
## 4               1     0.1         97.4
## 3.3             1     0.1         97.5
## 3.05            1     0.1         97.6
## 20              1     0.1         97.6
## 2.85            1     0.1         97.7
## 2.52            1     0.1         97.8
## 2.5             1     0.1         97.8
## 2.4             1     0.1         97.9
## 2.35            1     0.1         98.0
## 2.3             1     0.1         98.1
## 2.27            1     0.1         98.1
## 2.2             1     0.1         98.2
## 2.1             1     0.1         98.3
## 2.05            1     0.1         98.3
## 1.95            1     0.1         98.4
## 1.9             1     0.1         98.5
## 1.88            1     0.1         98.5
## 1.85            1     0.1         98.6
## 1.74            1     0.1         98.7
## 1.73            1     0.1         98.8
## 1.7             1     0.1         98.8
## 1.66            1     0.1         98.9
## 1.65            1     0.1         99.0
## 1.55            1     0.1         99.0
## 1.14            1     0.1         99.1
## 1.13            1     0.1         99.2
## 1.07            1     0.1         99.2
## 1.04            1     0.1         99.3
## 1.01            1     0.1         99.4
## 0.99            1     0.1         99.4
## 0.98            1     0.1         99.5
## 0.75            1     0.1         99.6
## 0.47            1     0.1         99.7
## 0.43            1     0.1         99.7
## 0.34            1     0.1         99.8
## 0.25            1     0.1         99.9
## -14.35          1     0.1         99.9
## -12.15          1     0.1        100.0
##   Total      1440   100.0        100.0

tab1(bd_limpia$R.arrival, sort.group = "decreasing", cum.percent = TRUE)

## bd_limpia$R.arrival : 
##         Frequency Percent Cum. percent
## 0            1009    70.1         70.1
## 8             100     6.9         77.0
## 20             83     5.8         82.8
## 9              81     5.6         88.4
## 18             11     0.8         89.2
## 9.4            10     0.7         89.9
## 15              9     0.6         90.5
## 18.2            8     0.6         91.0
## 16              7     0.5         91.5
## 9.5             6     0.4         91.9
## 9.2             6     0.4         92.4
## 9.1             6     0.4         92.8
## 10              6     0.4         93.2
## 9.15            5     0.3         93.5
## 15.1            5     0.3         93.9
## 16.2            4     0.3         94.2
## 9.3             3     0.2         94.4
## 15.2            3     0.2         94.6
## 9.45            2     0.1         94.7
## 9.26            2     0.1         94.9
## 9.12            2     0.1         95.0
## 9.08            2     0.1         95.1
## 8.1             2     0.1         95.3
## 8.05            2     0.1         95.4
## 7.35            2     0.1         95.6
## 7.3             2     0.1         95.7
## 6               2     0.1         95.8
## 23.3            2     0.1         96.0
## 20.2            2     0.1         96.1
## 20.1            2     0.1         96.2
## 19.2            2     0.1         96.4
## 18.4            2     0.1         96.5
## 18.3            2     0.1         96.7
## 16.4            2     0.1         96.8
## 15.3            2     0.1         96.9
## 13              2     0.1         97.1
## 9.35            1     0.1         97.2
## 9.25            1     0.1         97.2
## 9.17            1     0.1         97.3
## 9.11            1     0.1         97.4
## 9.05            1     0.1         97.4
## 8.52            1     0.1         97.5
## 8.45            1     0.1         97.6
## 7.45            1     0.1         97.6
## 7.34            1     0.1         97.7
## 23.5            1     0.1         97.8
## 23.2            1     0.1         97.8
## 23.15           1     0.1         97.9
## 23              1     0.1         98.0
## 22.4            1     0.1         98.1
## 22.08           1     0.1         98.1
## 21.15           1     0.1         98.2
## 21.1            1     0.1         98.3
## 21.05           1     0.1         98.3
## 20.4            1     0.1         98.4
## 20.3            1     0.1         98.5
## 20.15           1     0.1         98.5
## 20.05           1     0.1         98.6
## 19.48           1     0.1         98.7
## 19.15           1     0.1         98.8
## 19.1            1     0.1         98.8
## 18.5            1     0.1         98.9
## 18.35           1     0.1         99.0
## 18.15           1     0.1         99.0
## 18.1            1     0.1         99.1
## 18.05           1     0.1         99.2
## 17.3            1     0.1         99.2
## 17              1     0.1         99.3
## 15.45           1     0.1         99.4
## 15.4            1     0.1         99.4
## 15.16           1     0.1         99.5
## 14              1     0.1         99.6
## 13.4            1     0.1         99.7
## 11.37           1     0.1         99.7
## 11              1     0.1         99.8
## 10.42           1     0.1         99.9
## 10.4            1     0.1         99.9
## 10.05           1     0.1        100.0
##   Total      1440   100.0        100.0

Notas:

Viendo el gráfico de distribución se pueden ver las frecuencias en las diferencias, se ve una mayor parte en el número 0, lo cual nos indica un buen desarrollo en delivery.

“Time series plots” (line plot)

#Checar que la base de datos esta estructurada y un resumen de la descripción estadistica
summary(bd_limpia)

##        Cle         Vueltas       P.arrival        R.arrival     
##  MAGNA   :180   Min.   :1.00   Min.   : 0.000   Min.   : 0.000  
##  MAHLE   :540   1st Qu.:1.00   1st Qu.: 0.000   1st Qu.: 0.000  
##  PRINTEL :180   Median :1.50   Median : 4.000   Median : 0.000  
##  VARROC  :540   Mean   :1.75   Mean   : 6.625   Mean   : 3.823  
##                 3rd Qu.:2.25   3rd Qu.:10.750   3rd Qu.: 8.000  
##                 Max.   :3.00   Max.   :20.000   Max.   :23.500  
##      R.dep             Dif               Fecha            Prom.R.arrival 
##  Min.   : 0.000   Min.   :-14.3500   Min.   :2022-01-02   Min.   :3.823  
##  1st Qu.: 0.000   1st Qu.:  0.0000   1st Qu.:2022-02-23   1st Qu.:3.823  
##  Median : 0.000   Median :  0.0000   Median :2022-04-17   Median :3.823  
##  Mean   : 4.142   Mean   :  0.3155   Mean   :2022-04-16   Mean   :3.823  
##  3rd Qu.: 9.000   3rd Qu.:  0.8000   3rd Qu.:2022-06-08   3rd Qu.:3.823  
##  Max.   :24.500   Max.   : 20.0000   Max.   :2022-07-23   Max.   :3.823

#Graficar 
ggplot(bd_limpia,aes(x=Fecha, y=Dif,color=Cle))+
  geom_line()+
  labs(x="Fecha",y="Delay in Minutes", color="Legend")+
  ggtitle("Delays in Performance by Client")

### Checar la presencia de missing values

bd_limpia1 <- bd_limpia
bd_limpia1<-bd_limpia1[-c(300,292),] # Quitar las filas 300 y 292 por que presentan datos negativos y que no sirven para el analisis.
summary(bd_limpia1) # no missing values

##        Cle         Vueltas        P.arrival        R.arrival     
##  MAGNA   :180   Min.   :1.000   Min.   : 0.000   Min.   : 0.000  
##  MAHLE   :538   1st Qu.:1.000   1st Qu.: 0.000   1st Qu.: 0.000  
##  PRINTEL :180   Median :1.000   Median : 0.000   Median : 0.000  
##  VARROC  :540   Mean   :1.748   Mean   : 6.606   Mean   : 3.796  
##                 3rd Qu.:2.000   3rd Qu.: 9.000   3rd Qu.: 8.000  
##                 Max.   :3.000   Max.   :20.000   Max.   :23.500  
##      R.dep             Dif              Fecha            Prom.R.arrival 
##  Min.   : 0.000   Min.   : 0.0000   Min.   :2022-01-02   Min.   :3.823  
##  1st Qu.: 0.000   1st Qu.: 0.0000   1st Qu.:2022-02-24   1st Qu.:3.823  
##  Median : 0.000   Median : 0.0000   Median :2022-04-18   Median :3.823  
##  Mean   : 4.134   Mean   : 0.3344   Mean   :2022-04-16   Mean   :3.823  
##  3rd Qu.: 9.000   3rd Qu.: 0.8000   3rd Qu.:2022-06-08   3rd Qu.:3.823  
##  Max.   :24.500   Max.   :20.0000   Max.   :2022-07-23   Max.   :3.823

Quitar clientes que tengan valor de 0 en la base de datos

bd_limpia1<-bd_limpia1[bd_limpia1$Cle!="MAGNA",]
bd_limpia1<-bd_limpia1[bd_limpia1$Cle!="VARROC",]
summary(bd_limpia1)

##        Cle         Vueltas        P.arrival       R.arrival     
##  MAGNA   :  0   Min.   :1.000   Min.   : 8.00   Min.   : 0.000  
##  MAHLE   :538   1st Qu.:1.000   1st Qu.: 8.25   1st Qu.: 0.000  
##  PRINTEL :180   Median :1.000   Median : 9.00   Median : 8.000  
##  VARROC  :  0   Mean   :1.747   Mean   :13.23   Mean   : 7.603  
##                 3rd Qu.:2.000   3rd Qu.:16.00   3rd Qu.:10.000  
##                 Max.   :3.000   Max.   :20.00   Max.   :23.500  
##      R.dep            Dif              Fecha            Prom.R.arrival 
##  Min.   : 0.00   Min.   : 0.0000   Min.   :2022-01-02   Min.   :3.823  
##  1st Qu.: 0.00   1st Qu.: 0.0000   1st Qu.:2022-02-24   1st Qu.:3.823  
##  Median : 9.00   Median : 0.8000   Median :2022-04-18   Median :3.823  
##  Mean   : 8.28   Mean   : 0.6697   Mean   :2022-04-16   Mean   :3.823  
##  3rd Qu.:11.50   3rd Qu.: 1.0000   3rd Qu.:2022-06-08   3rd Qu.:3.823  
##  Max.   :24.50   Max.   :20.0000   Max.   :2022-07-23   Max.   :3.823

Realizar la grafica con los 2 clientes que eliminamos

ggplot(bd_limpia1,aes(x=Fecha, y=Dif,color=Cle))+
  geom_line()+  geom_hline(yintercept=0.8000,linetype="dashed",color="black")+
  labs(x="Fecha",y="Diferencia por día", color="Legend")+
  ggtitle("Diferencia de entrega por Cliente")

### Nota (Hallazgo): Encontramos gracias a la grafica realizada de la Diferencia de tiempo en la entrega de producto por cliente, que los clientes con mayor Delay son MAHLE Y PRINTEL, al mismo tiempo encontramos que entre estos dos clientes, el que tiene mayor Delay es MAHLE, por lo que sería bueno para la empresa el tener un mayor enfoque, obvio en ambos, pero tambien un poco más en Mahle, para que tenga mejor referencia de este cliente y mayor confianza con la empresa en las entregas.

---
title: <span style="Color:chocolate"> FORM DELIVERY PERFORMANCE
author: "Ricardo Galicia Canacasco - A01653279"
date: "03/10/2022"
output: 
  html_document:
   toc: true
   toc_float: true
   code_download: true 
   
---
# **Entregable 2.4 - Delivery Performance**

#### Jimena Miguel | Vanessa Elizondo | Ricardo Galicia | José Luis Elizondo | Daniela Cárdenas

![](/Users/ricardogc/Desktop/Entregable 2.4 Reto/Delivery-performance-new-1.PNG)

# <span style="Color:orange">Importar base de datos

```{r}
#file.choose()
base_de_datos<-read.csv("/Users/ricardogc/Desktop/Entregable 2.4 Reto/Formdeliveryfinal3.csv" )
```

## Instalacion de paquetes 

```{r}

library(foreign)
library(dplyr)        # data manipulation 
library(forcats)      # to work with categorical variables
library(ggplot2)      # data visualization 
library(janitor)      # data exploration and cleaning 
#install.packages("Hmisc")
#library(Hmisc)        # several useful functions for data analysis 
#install.packages("psych")
#library(psych)        # functions for multivariate analysis 
#install.packages("naniar")
#library(naniar)       # summaries and visualization of missing values NAs
#install.packages("dlookr")
#library(dlookr)  # summaries and visualization of missing values NAs
#install.packages("corrplot")
#library(corrplot)     # correlation plots
#install.packages("jtools")
#library(jtools)       # presentation of regression analysis 
#install.packages("lmtest")
#library(lmtest)       # diagnostic checks - linear regression analysis 
#install.packages("car")
#library(car)          # diagnostic checks - linear regression analysis
#install.packages("olsrr")
#library(olsrr)        # diagnostic checks - linear regression analysis 
#install.packages("kableExtra")
#library(kableExtra)   # HTML table attributes
library(tidyverse)
```

# <span style="Color:orange">Entender mi base de datos
1) ¿Cuántas variables y cuantos registros tiene la base de datos?
Se muestran 8 variables y 1440 registros dentro de la base de datos.
```{r}

bd<-base_de_datos
summary(bd)
str(bd)
```


# <span style="Color:orange">Count de Variables y Escalas 

2) Clasifica cada variable en cualitativa, cuantitativa discreta o cuantitativa
continua.

```{r}
Variable<-c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
Type<-c("quantiative (discrete)", "quantiative (continous)", "quantitative (continous)", "quantitative (continous)")
table<-data.frame(Variable,Type)
knitr::kable(table)
```

3) Elige la escala de medición de cada variable. 

```{r}
variables <- c("`Target`","`Cliente`","`Vueltas`","`Plan.arrival`","`Real.arrival`","`Real.departure`","`Diference`","`Fecha`")
tipos <- c("cuantitativo (discreto)  ", "cualitativo  ", "cuantitativo (discreto)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cuantitativo (continuo)  ", "cualitativo  ")
escalas <- c("intervalo", "nominal", "razon", "razon", "razon", "razon", "razon", "ordinal")
table1 <- data.frame (variables, tipos, escalas)
knitr::kable(table1)
```



# <span style="Color:orange">Limpieza de bases de datos

4) Aplica al menos 2 técnicas de limpieza de bases de datos y explícalas
brevemente, ¿por qué realizaste esas técnicas? 

Las técnicas elegidas en nuestra limpia de datos se eligieron por las necesidades que presentaba la base y la utilidad o no que tenían nuestras variables 

## CONVERSION DE CARACTER A FECHA (TECNICA DE CONVERSION DE DATOS) 
```{r}
bd1<-bd
bd1$Fecha<- as.Date(bd1$Fecha, format= "%d/%m/%y")
summary(bd1)
tibble(bd1)
```


## ¿Cuantos N/A tengo en mi base de datos? 
```{r}
sum(is.na(bd1))
```


## Eliminar columnas

```{r}
bd2<-bd1
bd2 <- subset(bd2, select =-c (Target))
```
### *Nota:*
 Se elimina el target ya que no nos muestra una información detallada al darnos datos nulos de tener un 1 en todos lados.

## LIMPIEZA POR METODO ESTADISTICO
```{r}
bd3<-bd2
boxplot(bd3$Plan.arrival, horizontal=TRUE)
boxplot(bd3$Real.arrival, horizontal=TRUE)
boxplot(bd3$Real.departure, horizontal=TRUE)
boxplot(bd3$Diference, horizontal=TRUE)
```

## <span style="Color:orange">Agregar columna de promedio
```{r}
bd3$Promedio_real_arrival<- mean(bd3$Real.arrival)
```

## Convertir varaibles de caracter a numerico.
```{r}
bd3$Vueltas<-as.numeric(bd3$Vueltas)     ### missing values are converted to NA's
bd3$Plan.arrival<-as.numeric(bd3$Plan.arrival)  
bd3$Real.arrival<-as.numeric(bd3$Real.arrival)  
bd3$Real.departure<-as.numeric(bd3$Real.departure)  
bd3$Diference<-as.numeric(bd3$Diference)  
bd3$Promedio_real_arrival<-as.numeric(bd3$Promedio_real_arrival) 

bd3<-as.data.frame(bd3) 
bd3$Fecha<-as.Date(bd3$Fecha,format="%m/%d/%Y") 
bd3$Cliente<-as.factor(bd3$Cliente) 

tibble(bd3)
```


### *Notas:* 
 Se muestra que la diferencia de nuestros arrivals no es mucha, pero habría que revisar si el promedio total nos ayudaría. 
 se agrego una columna de promedio general de nuestros arrivals reales.
 
## Renombrar variables cuantitativas y cualitativas
```{r}
#Seleccionar variables
bd4 <- bd3 %>% select (one_of("Cliente","Vueltas","Plan.arrival","Real.arrival","Real.departure", "Diference", "Fecha","Promedio_real_arrival"))
#Renombrar variabes
colnames(bd3)<-c("Cle", "Vueltas", "P.arrival", "R.arrival", "R.dep", "Dif", "Fecha", "Prom.R.arrival")

```

## <span style="Color:orange">Exportar base de datos
```{r}
bd_limpia<-bd3
write.csv(bd_limpia, file="formbaselimpia.csv", row.names = FALSE)
```

# <span style="Color:orange"> *Conclusión* </span>

Para esta actividad, pudimos limpiar la base de datos que tiene Form al modificarla al 100% para poder acomodar los requerimientos que tiene R para insertar las bases y que hagan sentido a la hora de trabajarlo. 

Para esta base de datos ahora lo que nos permitirá lograr es hacer gráficas y tablas para detallar y mostrar la información **importante** de nuestra base.


# <span style="Color:orange">Analisis Exploratorio de la Base de Datos

## Exportar la base de datos
```{r}
#file.choose()
bd_limpia<-read.csv("/Users/ricardogc/Desktop/Entregable 2.4 Reto/formbaselimpia.csv")
```



## Tabla principales estadísticos descrptivos

```{r}
bd_limpia <- bd3
summary(bd_limpia)
sd(bd_limpia$Vueltas, na.rm = FALSE)
sd(bd_limpia$P.arrival, na.rm = FALSE)
sd(bd_limpia$R.arrival, na.rm = FALSE)
sd(bd_limpia$R.dep, na.rm = FALSE)
sd(bd_limpia$Dif, na.rm = FALSE)

Variable<-c("Vueltas","P.arrival", "R.arrival", "R.dep", "Dif")
Mediana<-c("1.50 ","4.000","0.000 ","0.000 ","0.0000 ")
Media <- c("1.75","6.625","3.823","4.142","4.142")
Moda <- c("1","0","0","0","0")
Desviación_estandar<-c("0.8294442"," 7.501563","6.505902","6.948665","6.948665")
table1 <- data.frame (Variable, Mediana, Media, Moda, Desviación_estandar)
knitr::kable(table1)
```
### *Notas:*
Se ocupo summary para poder obtener la moda, mediana y media de las variables y posteriormente se calcula la desviación estandar con la función sd()

## <span style="Color:orange">Tabla de Frecuencia

```{r}
#install.packages('epiDisplay')
library(epiDisplay)
tab1(bd_limpia$Dif, sort.group = "decreasing", cum.percent = TRUE) 
tab1(bd_limpia$R.arrival, sort.group = "decreasing", cum.percent = TRUE)
```
### *Notas:* 
Viendo el gráfico de distribución se pueden ver las frecuencias en las diferencias, se ve una mayor parte en el número 0, lo cual nos indica un buen desarrollo en delivery.

## <span style="Color:orange">“Time series plots” (line plot)

```{r}
#Checar que la base de datos esta estructurada y un resumen de la descripción estadistica
summary(bd_limpia)

#Graficar 
ggplot(bd_limpia,aes(x=Fecha, y=Dif,color=Cle))+
  geom_line()+
  labs(x="Fecha",y="Delay in Minutes", color="Legend")+
  ggtitle("Delays in Performance by Client")

```
### Checar la presencia de missing values
```{r}
bd_limpia1 <- bd_limpia
bd_limpia1<-bd_limpia1[-c(300,292),] # Quitar las filas 300 y 292 por que presentan datos negativos y que no sirven para el analisis.
summary(bd_limpia1) # no missing values
```


### Quitar clientes que tengan valor de 0 en la base de datos
```{r}
bd_limpia1<-bd_limpia1[bd_limpia1$Cle!="MAGNA",]
bd_limpia1<-bd_limpia1[bd_limpia1$Cle!="VARROC",]
summary(bd_limpia1)
```

### Realizar la grafica con los 2 clientes que eliminamos
```{r}
ggplot(bd_limpia1,aes(x=Fecha, y=Dif,color=Cle))+
  geom_line()+  geom_hline(yintercept=0.8000,linetype="dashed",color="black")+
  labs(x="Fecha",y="Diferencia por día", color="Legend")+
  ggtitle("Diferencia de entrega por Cliente")
```
### Nota (Hallazgo):
Encontramos gracias a la grafica realizada de la Diferencia de tiempo en la entrega de producto por cliente, que los clientes con mayor Delay son MAHLE Y PRINTEL, al mismo tiempo encontramos que entre estos dos clientes, el que tiene mayor Delay es MAHLE, por lo que sería bueno para la empresa el tener un mayor enfoque, obvio en ambos, pero tambien un poco más en Mahle, para que tenga mejor referencia de este cliente y mayor confianza con la empresa en las entregas. 





FORM DELIVERY PERFORMANCE

Ricardo Galicia Canacasco - A01653279

03/10/2022

Entregable 2.4 - Delivery Performance

Jimena Miguel | Vanessa Elizondo | Ricardo Galicia | José Luis Elizondo | Daniela Cárdenas

Importar base de datos

Instalacion de paquetes

Entender mi base de datos

Count de Variables y Escalas

Limpieza de bases de datos

CONVERSION DE CARACTER A FECHA (TECNICA DE CONVERSION DE DATOS)

¿Cuantos N/A tengo en mi base de datos?

Eliminar columnas

Nota:

LIMPIEZA POR METODO ESTADISTICO

Agregar columna de promedio

Convertir varaibles de caracter a numerico.

Notas:

Renombrar variables cuantitativas y cualitativas

Exportar base de datos

Conclusión

Analisis Exploratorio de la Base de Datos

Exportar la base de datos

Tabla principales estadísticos descrptivos

Notas:

Tabla de Frecuencia

Notas:

“Time series plots” (line plot)

Quitar clientes que tengan valor de 0 en la base de datos

Realizar la grafica con los 2 clientes que eliminamos