Curso R para Logistica
Magali Eisik
6/12/2022
Este documento forma parte del curso: “Fundamentos de R para Logistica” de la academia Hub Logistico.
Ejercicio 1
La empresa argentina “ABC” productora de cervezas posee 6 centros de distribucion ubicados en las siguientes localidades y se presenta la informacion del volumen que transporta y costo del transporte:
Localidades: Cordoba, CABA, Salta, Chubut, Jujuy, Misiones
Volumen transportado (litros) : 80, 120, 159, 171, 69, 72
Costo transporte ($/km): 500, 1200, 200, 650, 550, 720
- Crear los vectores: localidades, volumen, costo_transporte
localidades<- c("Cordoba", "CABA", "Salta", "Chubut", "Jujuy", "Misiones")
volumen <- c(80, 120, 159, 171, 69, 72)
costo_transporte <- c(500, 1200, 200, 650, 550, 720)
localidades## [1] "Cordoba" "CABA" "Salta" "Chubut" "Jujuy" "Misiones"volumen## [1] 80 120 159 171 69 72costo_transporte## [1] 500 1200 200 650 550 720- Construir una matriz llamada abc, uniendo volumen y costo_transporte, por columna
abc<- cbind (volumen, costo_transporte)
abc## volumen costo_transporte
## [1,] 80 500
## [2,] 120 1200
## [3,] 159 200
## [4,] 171 650
## [5,] 69 550
## [6,] 72 7203)construir un data frame llamado empresa_abc utilizando los vectores localidades, volumen y costo_transporte
empresa_abc<- data.frame(localidades,volumen,costo_transporte)
empresa_abc## localidades volumen costo_transporte
## 1 Cordoba 80 500
## 2 CABA 120 1200
## 3 Salta 159 200
## 4 Chubut 171 650
## 5 Jujuy 69 550
## 6 Misiones 72 720Ejercicio 2
La empresa USPS brinda el servicio postal en USA. A continuacion se presentan los datos de:
Servicio (m: mail, p: package): Global, Priority_p, Priority_m, First_Class_p, First_Class_m
Precio: 67.80 , 47.95, 29.60, 14.85, 2.75
Tiempo de entrega (dias): 2,4,8,5,7
1)Crear los vectores: servicio, precio, tiempo_entrega.
servicio<- c("Global", "Priority_p", "Priority_m", "First_Class_p", "First_Class_m")
precio <- c(67.80 , 47.95, 29.60, 14.85, 2.75)
tiempo_entrega <- c(2,4,8,5,7)
servicio## [1] "Global" "Priority_p" "Priority_m" "First_Class_p"
## [5] "First_Class_m"precio## [1] 67.80 47.95 29.60 14.85 2.75tiempo_entrega## [1] 2 4 8 5 72)Construir un data frame denominado usps con los vectores creados anteriormente.
usps <- data.frame(servicio,precio,tiempo_entrega)
usps## servicio precio tiempo_entrega
## 1 Global 67.80 2
## 2 Priority_p 47.95 4
## 3 Priority_m 29.60 8
## 4 First_Class_p 14.85 5
## 5 First_Class_m 2.75 7- Mostrar la variable servicio del data frame usps
usps$servicio## [1] "Global" "Priority_p" "Priority_m" "First_Class_p"
## [5] "First_Class_m"4)Cual es el minimo y la posicion del mismo, de la variable precio?
min(usps$precio)## [1] 2.75which.min(usps$precio)## [1] 5Para aplicar las funciones a variables de data frame: nombre data frame$ nombre de variable
Ejercicio 3
La base de datos que vamos a utilizar a continuacion fue extraida de https://brunel.figshare.com/articles/dataset/Supply_Chain_Logistics_Problem_Dataset/7558679 (los datos fueron tomados por Brunel University of London) Importamos la base de datos y la nombramos sp
library(readxl)
sp<- read_excel("sp.xlsx")Service level: nivel de servicio
DTD (Door to Door), puerta a puerta
DTP (Door to Port), puerta a puerto
CRF (Customer Referred Freight), flete recomendado por clientes
Describir la estructura de la base de datos
str(sp)## tibble [139 x 11] (S3: tbl_df/tbl/data.frame)
## $ ID : num [1:139] 1.45e+09 1.45e+09 1.45e+09 1.45e+09 1.45e+09 ...
## $ Origin_port : chr [1:139] "PORT09" "PORT09" "PORT09" "PORT09" ...
## $ Carrier : chr [1:139] "V44_3" "V44_3" "V44_3" "V44_3" ...
## $ Service_level : chr [1:139] "CRF" "CRF" "CRF" "CRF" ...
## $ Ship ahead day count: num [1:139] 3 3 3 3 3 3 3 3 3 3 ...
## $ Ship Late Day count : num [1:139] 0 0 0 0 0 0 0 0 0 0 ...
## $ Product ID : num [1:139] 1700106 1700106 1700106 1700106 1700106 ...
## $ Plant Code : chr [1:139] "PLANT16" "PLANT16" "PLANT16" "PLANT16" ...
## $ Destination_port : chr [1:139] "PORT09" "PORT09" "PORT09" "PORT09" ...
## $ Unit_quantity : num [1:139] 808 3188 2331 847 2163 ...
## $ Weight : chr [1:139] "14.3" "87.94" "61.2" "16.16" ...La variable weight debe pasarse a una variable numerica:
sp$Weight<- as.numeric(sp$Weight)Calcular la media de las variables weight y unit quantity
mean(sp$Weight)## [1] 198.6671mean(sp$Unit_quantity)## [1] 1673.964Calcular la mediana de las variables weight y unit quantity
median(sp$Weight)## [1] 92.8median(sp$Unit_quantity)## [1] 1294Realizar el grafico adecuado para la variable weight
hist(sp$Weight,xlab = "Peso",ylab = "Frecuencia", main="Histograma de la variable peso", col="coral")
Como la variable weight es cuantitativa continua, se debe realizar un HISTOGRAMA.
Ordenar de forma ascendente la variable weight
sort(sp$Weight)## [1] 1.54 2.86 6.16 6.18 7.70 7.70 7.80 9.27 13.36 14.30
## [11] 14.30 14.40 14.40 15.40 15.45 16.16 16.40 16.40 16.40 16.45
## [21] 19.08 19.54 23.10 24.72 26.60 27.81 27.90 31.26 32.80 32.90
## [31] 33.90 37.68 38.04 42.20 42.20 43.17 43.20 43.26 46.35 46.35
## [41] 46.90 48.20 50.68 52.34 52.70 54.52 56.52 58.50 59.50 60.52
## [51] 60.80 61.20 61.80 62.20 65.80 66.60 66.80 73.90 74.10 74.25
## [61] 75.50 77.25 78.34 80.43 83.36 83.40 84.70 87.94 89.70 92.80
## [71] 101.70 106.88 107.88 112.60 112.60 113.04 121.04 129.14 132.56 134.88
## [81] 136.88 144.88 148.88 164.56 171.22 176.72 181.70 184.56 195.56 216.57
## [91] 227.20 245.08 257.76 265.10 267.10 271.10 292.36 293.44 302.60 308.36
## [101] 331.12 333.12 335.12 337.12 341.12 341.44 344.12 345.12 345.12 346.12
## [111] 348.12 353.12 368.12 369.12 384.12 397.60 404.80 417.92 434.64 457.16
## [121] 484.68 498.68 504.68 508.68 521.68 524.16 525.68 540.68 567.68 608.88
## [131] 619.88 641.04 644.24 676.88 704.88 717.24 777.24 813.28 820.44Otra forma: sort(sp$Weight,decreasing = FALSE)
Analisis de datos faltantes
Importar la base de datos supply_chain(na) y la nombramos datos (esta en hoja2)
datos <- read_excel("sp.xlsx", sheet = "Hoja2")Vemos que la variable peso la leyo como caracter, hay que pasarla a variable numerica
datos$Peso<- as.numeric(datos$Peso)Calculamos la media de la variable peso
mean(datos$Peso)## [1] NAPodemos observar que arrojo un NA. Se debe especificar en la funcion mean, que se deben omitir los NA:
mean(datos$Peso,na.rm = TRUE)## [1] 206.0652Queremos saber cuantos datos faltantes tenemos en nuestra base de datos:
sum(is.na(datos))## [1] 19Podemos visualizar los datos faltantes, se pueden utilizar distintos paquetes, entre ellos: -Mice -Visdat
Se debe instalar primero cada paquete y luego cargar en la library en memoria para poder utilizarla
library(visdat)
vis_miss(datos, sort=TRUE)
vis_miss(datos, cluster = TRUE)
vis_dat(datos)
colSums(is.na(datos))## Unidades Peso Servicio
## 8 6 5Utilizando tidyverse:
Previamente instale el paquete tidyverse
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.5 v dplyr 1.0.7
## v tidyr 1.1.4 v stringr 1.4.0
## v readr 2.0.2 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()En R disponemos de muchos data set que podemos utilizar, algunos ejemplos: https://stat.ethz.ch/R-manual/R-devel/library/datasets/html/00Index.html Vamos a trabajar con el data set mtcars, se puede buscar en help mtcars y ahi disponemos de toda la informacion del data set.
mtcars## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
## Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
## Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
## Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
## Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
## Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
## Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
## Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
## Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
## Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
## Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
## Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
## Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
## Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
## Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
## Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
## Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
## AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
## Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
## Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
## Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
## Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
## Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
## Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
## Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2Los datos se extrajeron de la revista estadounidense Motor Trend de 1974 y comprenden el consumo de combustible y 10 aspectos del diseño y rendimiento del automóvil para 32 automóviles (modelos 1973–74).
A data frame with 32 observations on 11 (numeric) variables.
mpg Miles/(US) gallon, millas por galon
cyl Number of cylinders, numero de cilindros
disp Displacement (cu.in.), desplazamiento
hp Gross horsepower, caballos de fuerza
drat Rear axle ratio, relacion de eje
wt Weight (1000 lbs), peso
qsec 1/4 mile time, tiempo de 1/4 de mila
Engine (0 = V-shaped, 1 = straight) ingenieria del motor (0 = en forma de V, 1 = recto)
Transmission (0 = automatic, 1 = manual) , transmision
gear Number of forward gears, #numero de marchas
carb Number of carburetors, numero de carburadores
Guardemos el paquete mtcars en un objeto llamado “datos_autos”
datos_autos <- data.frame(mtcars)Cuantas filas y columnas tiene nuestro data frame ?
nrow(datos_autos)## [1] 32ncol(datos_autos)## [1] 11Queremos ver las primeras 3 filas del data frame
head(datos_autos,3)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1Queremos ver las ultimas 5 filas del data frame
tail(datos_autos,5)## mpg cyl disp hp drat wt qsec vs am gear carb
## Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.9 1 1 5 2
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.5 0 1 5 4
## Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.5 0 1 5 6
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.6 0 1 5 8
## Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.6 1 1 4 2Si queremos alguna columna del data frame, nombramos al data frame +$ + nombre de columna: datos_autos$mpg
Cual es la longitud de mpg?
length(datos_autos$mpg)## [1] 32Cual sera el valor promedio de millas por galon?
mean(datos_autos$mpg)## [1] 20.09062Cual es la longitud de la variable mpg?
length(datos_autos$mpg)## [1] 32Realizar un histograma de la variable mpg
hist(mtcars$mpg,xlab = "Millas por galon",ylab = "Frecuencia",main = "Histograma", col = "green",border = "chocolate")
Algunas medidas de resumen…
summary(mtcars$mpg)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 10.40 15.43 19.20 20.09 22.80 33.90var(mtcars$mpg)## [1] 36.3241sd(mtcars$mpg)## [1] 6.026948Otra forma para calcular los estadisticos en un solo codigo:
mifuncion<-function(x) {c(media=mean(x),
mediana=median(x),
min=min(x),
max=max(x),
varianza=var(x),rango=range(x),cuartiles=quantile(x))}
mifuncion(mtcars$mpg)## media mediana min max varianza
## 20.09062 19.20000 10.40000 33.90000 36.32410
## rango1 rango2 cuartiles.0% cuartiles.25% cuartiles.50%
## 10.40000 33.90000 10.40000 15.42500 19.20000
## cuartiles.75% cuartiles.100%
## 22.80000 33.90000Ejercicio 4
Importamos la base sp (hoja 1)
library(readxl)
sp<- read_excel("sp.xlsx")- Seleccionar las columnas weight y unit_quantity, y guardarlas como un data frame llamado d_sp
d_sp<- sp %>% select(Unit_quantity,Weight)
dim(d_sp)## [1] 139 2str(d_sp)## tibble [139 x 2] (S3: tbl_df/tbl/data.frame)
## $ Unit_quantity: num [1:139] 808 3188 2331 847 2163 ...
## $ Weight : chr [1:139] "14.3" "87.94" "61.2" "16.16" ...Como observamos, ahora tenemos un data frame con 2 columnas y 139 filas La variable Weight debe ser convertida a variable numerica:
d_sp$Weight<- as.numeric(d_sp$Weight)
str(d_sp)## tibble [139 x 2] (S3: tbl_df/tbl/data.frame)
## $ Unit_quantity: num [1:139] 808 3188 2331 847 2163 ...
## $ Weight : num [1:139] 14.3 87.9 61.2 16.2 52.3 ...- Seleccionar las filas con un Weight mayor a 60
d_sp %>% subset(Weight > 60)## # A tibble: 90 x 2
## Unit_quantity Weight
## <dbl> <dbl>
## 1 3188 87.9
## 2 2331 61.2
## 3 3332 92.8
## 4 2294 62.2
## 5 2766 75.5
## 6 739 73.9
## 7 1151 182.
## 8 1404 227.
## 9 662 74.1
## 10 836 80.4
## # ... with 80 more rows- Ordenar la variable Weight de forma ascendente y arrojar las primeras 20 filas del data set
d_sp %>% arrange(Weight) %>%
head (10)## # A tibble: 10 x 2
## Unit_quantity Weight
## <dbl> <dbl>
## 1 339 1.54
## 2 427 2.86
## 3 696 6.16
## 4 347 6.18
## 5 735 7.7
## 6 781 7.7
## 7 280 7.8
## 8 304 9.27
## 9 328 13.4
## 10 808 14.3- Ordenar la variable Weight de forma ascendente y arrojar las ultimas 20 filas del data set
d_sp %>% arrange(Weight) %>%
tail (10)## # A tibble: 10 x 2
## Unit_quantity Weight
## <dbl> <dbl>
## 1 3927 609.
## 2 3927 620.
## 3 4090 641.
## 4 3914 644.
## 5 3845 677.
## 6 3851 705.
## 7 3876 717.
## 8 3931 777.
## 9 4464 813.
## 10 4377 820.- Generar la media (Media) y mediana (Mediana) de la variable Unit_quantity
d_sp %>% summarise(Media = mean(Unit_quantity ),Mediana=median(Unit_quantity))## # A tibble: 1 x 2
## Media Mediana
## <dbl> <dbl>
## 1 1674. 1294- Generar el rango (Rango) y el desvio estandar (SD) de la variable weight
d_sp %>% summarise(Rango=range(Weight),SD=sd(Weight))## # A tibble: 2 x 2
## Rango SD
## <dbl> <dbl>
## 1 1.54 209.
## 2 820. 209.- Renombrar las variables Weight en Peso y Unit_quantity en Unidades
d_sp %>% rename("Peso"= "Weight", "Unidades"="Unit_quantity")## # A tibble: 139 x 2
## Unidades Peso
## <dbl> <dbl>
## 1 808 14.3
## 2 3188 87.9
## 3 2331 61.2
## 4 847 16.2
## 5 2163 52.3
## 6 3332 92.8
## 7 1782 46.9
## 8 427 2.86
## 9 1291 26.6
## 10 2294 62.2
## # ... with 129 more rowsVolvemos a trabajar con el data set sp
sp$Weight<- as.numeric(sp$Weight)
sp$Service_level<- as.factor(sp$Service_level)- Realizar un diagrama de dispersion entre Weight (y) y Unit_quantity (x). Utilizar el paquete ggplot2
library(ggplot2)
ggplot(sp, aes(Unit_quantity,Weight)) + geom_point(col="coral", shape=17)+
labs(
x = "Unidades",
y = "Peso")+ ggtitle("Peso en funcion de unidades")
#Si queremos agregar una regresion lineal al grafico:
ggplot(sp, aes(Unit_quantity,Weight)) + geom_point(col="coral", shape=17)+
labs(
x = "Unidades",
y = "Peso")+ ggtitle("Peso en funcion de unidades") +geom_smooth(method = "lm")## `geom_smooth()` using formula 'y ~ x'
9) Subdividir el grafico por tipo de Servicio (Service_level)
ggplot(sp, aes(Unit_quantity,Weight)) + geom_point(col="coral", shape=17)+
labs(
x = "Unidades",
y = "Peso")+ ggtitle("Peso en funcion de unidades") + facet_wrap(~Service_level)
- Realizar un grafico de densidad para la variable Weight. Por que?
Como la VA es cuantitativa continua se puede realizar un Histograma/Grafico de Densidad
ggplot(sp, aes(Weight,fill="blue"),binwidth=30) + geom_density()+ xlab("Peso") +
ylab("Frecuencia") + ggtitle("Grafico de la variable Peso")
- Realizar un boxplot para la variable Unit_quantity segun el tipo de Servicio
ggplot(sp, aes(x = Service_level, y = Unit_quantity)) +
geom_boxplot(color="violet", fill="coral", alpha = 0.7) +
geom_jitter(aes(color = Unit_quantity), size = 1, alpha = 0.7)+
xlab("Tipo de servicio") +
ylab("Unidades") +
ggtitle("Boxplot") +
theme_minimal() +
scale_fill_brewer(palette="BuPu")
## Ultimo ejercicio!
Para un nuevo lanzamiento de una butaca de autos para niños, se estudió la base de datos Carseats. Para analizar dichos datos ejecute:
library(tidyverse)
require(ISLR)## Loading required package: ISLRdata("Carseats")La base de datos Carseats contiene las siguientes variables: Sales: Ventas unitarias (en miles) en cada ubicación CompPrice: Precio cobrado por la competencia en cada ubicación Income: Nivel de ingresos de la comunidad (en miles de dólares) Advertising: Presupuesto de publicidad local para la empresa en cada ubicación (en miles de dólares) Population: Tamaño de la población en la región (en miles) Price: Precio que cobra la empresa por los asientos de seguridad en cada sitio ShelveLoc: Un factor con niveles Malo, Bueno y Medio que indica la calidad de la ubicación de las estanterías para los asientos de seguridad en cada sitio. Age: Edad media de la población local Education: Nivel de educación en cada ubicación Urban: Un factor con niveles No y Sí para indicar si la tienda se encuentra en una ubicación urbana o rural. US: corresponde a un factor con niveles No y Sí para indicar si la tienda está en EE. UU o no.
- Guardar el data set carseats en un objeto llamado autos
autos<- data.frame(Carseats)- Calcule el valor promedio del precio de asientos de seguridad (price)
mean(autos$Price)## [1] 115.795- Seleccione las variables Sales, Price e Income del data frame
autos %>% select(Sales,Price,Income)## Sales Price Income
## 1 9.50 120 73
## 2 11.22 83 48
## 3 10.06 80 35
## 4 7.40 97 100
## 5 4.15 128 64
## 6 10.81 72 113
## 7 6.63 108 105
## 8 11.85 120 81
## 9 6.54 124 110
## 10 4.69 124 113
## 11 9.01 100 78
## 12 11.96 94 94
## 13 3.98 136 35
## 14 10.96 86 28
## 15 11.17 118 117
## 16 8.71 144 95
## 17 7.58 110 32
## 18 12.29 131 74
## 19 13.91 68 110
## 20 8.73 121 76
## 21 6.41 131 90
## 22 12.13 109 29
## 23 5.08 138 46
## 24 5.87 109 31
## 25 10.14 113 119
## 26 14.90 82 32
## 27 8.33 131 115
## 28 5.27 107 118
## 29 2.99 97 74
## 30 7.81 102 99
## 31 13.55 89 94
## 32 8.25 131 58
## 33 6.20 137 32
## 34 8.77 128 38
## 35 2.67 128 54
## 36 11.07 96 84
## 37 8.89 100 76
## 38 4.95 110 41
## 39 6.59 102 73
## 40 3.24 138 60
## 41 2.07 126 98
## 42 7.96 124 53
## 43 10.43 24 69
## 44 4.12 134 42
## 45 4.16 95 79
## 46 4.56 135 63
## 47 12.44 70 90
## 48 4.38 108 98
## 49 3.91 98 52
## 50 10.61 149 93
## 51 1.42 108 32
## 52 4.42 108 90
## 53 7.91 129 40
## 54 6.92 119 64
## 55 4.90 144 103
## 56 6.85 154 81
## 57 11.91 84 82
## 58 0.91 117 91
## 59 5.42 103 93
## 60 5.21 114 71
## 61 8.32 123 102
## 62 7.32 107 32
## 63 1.82 133 45
## 64 8.47 101 88
## 65 7.80 104 67
## 66 4.90 128 26
## 67 8.85 91 92
## 68 9.01 115 61
## 69 13.39 134 69
## 70 7.99 99 59
## 71 9.46 99 81
## 72 6.50 150 51
## 73 5.52 116 45
## 74 12.61 104 90
## 75 6.20 136 68
## 76 8.55 92 111
## 77 10.64 70 87
## 78 7.70 89 71
## 79 4.43 145 48
## 80 9.14 90 67
## 81 8.01 79 100
## 82 7.52 128 72
## 83 11.62 139 83
## 84 4.42 94 36
## 85 2.23 121 25
## 86 8.47 112 103
## 87 8.70 134 84
## 88 11.70 126 67
## 89 6.56 111 42
## 90 7.95 119 66
## 91 5.33 103 22
## 92 4.81 107 46
## 93 4.53 125 113
## 94 8.86 104 30
## 95 8.39 84 97
## 96 5.58 148 25
## 97 9.48 132 42
## 98 7.45 129 82
## 99 12.49 127 77
## 100 4.88 107 47
## 101 4.11 106 69
## 102 6.20 118 93
## 103 5.30 97 22
## 104 5.07 96 91
## 105 4.62 138 96
## 106 5.55 97 100
## 107 0.16 139 33
## 108 8.55 108 107
## 109 3.47 103 79
## 110 8.98 90 65
## 111 9.00 116 62
## 112 6.62 151 118
## 113 6.67 125 99
## 114 6.01 127 29
## 115 9.31 106 87
## 116 8.54 129 35
## 117 5.08 128 75
## 118 8.80 119 53
## 119 7.57 99 88
## 120 7.37 128 94
## 121 6.87 131 105
## 122 11.67 87 89
## 123 6.88 108 100
## 124 8.19 155 103
## 125 8.87 120 113
## 126 9.34 49 78
## 127 11.27 133 68
## 128 6.52 116 48
## 129 4.96 126 100
## 130 4.47 147 120
## 131 8.41 77 84
## 132 6.50 94 69
## 133 9.54 136 87
## 134 7.62 97 98
## 135 3.67 131 31
## 136 6.44 120 94
## 137 5.17 120 75
## 138 6.52 118 42
## 139 10.27 109 103
## 140 12.30 94 62
## 141 6.03 129 60
## 142 6.53 131 42
## 143 7.44 104 84
## 144 0.53 159 88
## 145 9.09 123 68
## 146 8.77 117 63
## 147 3.90 131 83
## 148 10.51 119 54
## 149 7.56 97 119
## 150 11.48 87 120
## 151 10.49 114 84
## 152 10.77 103 58
## 153 7.64 128 78
## 154 5.93 150 36
## 155 6.89 110 69
## 156 7.71 69 72
## 157 7.49 157 34
## 158 10.21 90 58
## 159 12.53 112 90
## 160 9.32 70 60
## 161 4.67 111 28
## 162 2.93 160 21
## 163 3.63 149 74
## 164 5.68 106 64
## 165 8.22 141 64
## 166 0.37 191 58
## 167 6.71 137 67
## 168 6.71 93 73
## 169 7.30 117 89
## 170 11.48 77 41
## 171 8.01 118 39
## 172 12.49 55 106
## 173 9.03 110 102
## 174 6.38 128 91
## 175 0.00 185 24
## 176 7.54 122 89
## 177 5.61 154 107
## 178 10.48 94 72
## 179 10.66 81 71
## 180 7.78 116 25
## 181 4.94 149 112
## 182 7.43 91 83
## 183 4.74 140 60
## 184 5.32 102 74
## 185 9.95 97 33
## 186 10.07 107 100
## 187 8.68 86 51
## 188 6.03 96 32
## 189 8.07 90 37
## 190 12.11 104 117
## 191 8.79 101 37
## 192 6.67 173 42
## 193 7.56 93 26
## 194 13.28 96 70
## 195 7.23 128 98
## 196 4.19 112 93
## 197 4.10 133 28
## 198 2.52 138 61
## 199 3.62 128 80
## 200 6.42 126 88
## 201 5.56 146 92
## 202 5.94 134 83
## 203 4.10 130 78
## 204 2.05 157 82
## 205 8.74 124 80
## 206 5.68 132 22
## 207 4.97 160 67
## 208 8.19 97 105
## 209 7.78 64 54
## 210 3.02 90 21
## 211 4.36 123 41
## 212 9.39 120 118
## 213 12.04 105 69
## 214 8.23 139 84
## 215 4.83 107 115
## 216 2.34 144 83
## 217 5.73 144 33
## 218 4.34 111 44
## 219 9.70 120 61
## 220 10.62 116 79
## 221 10.59 124 120
## 222 6.43 107 44
## 223 7.49 145 119
## 224 3.45 125 45
## 225 4.10 141 82
## 226 6.68 82 25
## 227 7.80 122 33
## 228 8.69 101 64
## 229 5.40 163 73
## 230 11.19 72 104
## 231 5.16 114 60
## 232 8.09 122 69
## 233 13.14 105 80
## 234 8.65 120 76
## 235 9.43 129 62
## 236 5.53 132 32
## 237 9.32 108 34
## 238 9.62 135 28
## 239 7.36 133 24
## 240 3.89 118 105
## 241 10.31 121 80
## 242 12.01 94 63
## 243 4.68 135 46
## 244 7.82 110 25
## 245 8.78 100 30
## 246 10.00 88 43
## 247 6.90 90 56
## 248 5.04 151 114
## 249 5.36 101 52
## 250 5.05 117 67
## 251 9.16 156 105
## 252 3.72 132 111
## 253 8.31 117 97
## 254 5.64 122 24
## 255 9.58 129 104
## 256 7.71 81 81
## 257 4.20 144 40
## 258 8.67 112 62
## 259 3.47 81 38
## 260 5.12 100 36
## 261 7.67 101 117
## 262 5.71 118 42
## 263 6.37 132 77
## 264 7.77 115 26
## 265 6.95 159 29
## 266 5.31 129 35
## 267 9.10 112 93
## 268 5.83 112 82
## 269 6.53 105 57
## 270 5.01 166 69
## 271 11.99 89 26
## 272 4.55 110 56
## 273 12.98 63 33
## 274 10.04 86 106
## 275 7.22 119 93
## 276 6.67 132 119
## 277 6.93 130 69
## 278 7.80 125 48
## 279 7.22 151 113
## 280 3.42 158 57
## 281 2.86 145 86
## 282 11.19 105 69
## 283 7.74 154 96
## 284 5.36 117 110
## 285 6.97 96 46
## 286 7.60 131 26
## 287 7.53 113 118
## 288 6.88 72 44
## 289 6.98 97 40
## 290 8.75 156 77
## 291 9.49 103 111
## 292 6.64 89 70
## 293 11.82 74 66
## 294 11.28 89 84
## 295 12.66 99 76
## 296 4.21 137 35
## 297 8.21 123 44
## 298 3.07 104 83
## 299 10.98 130 63
## 300 9.40 96 40
## 301 8.57 99 78
## 302 7.41 87 93
## 303 5.28 110 77
## 304 10.01 99 52
## 305 11.93 134 98
## 306 8.03 132 29
## 307 4.78 133 32
## 308 5.90 120 92
## 309 9.24 126 80
## 310 11.18 80 111
## 311 9.53 166 65
## 312 6.15 132 68
## 313 6.80 135 117
## 314 9.33 54 81
## 315 7.72 129 33
## 316 6.39 171 21
## 317 15.63 72 36
## 318 6.41 136 30
## 319 10.08 130 72
## 320 6.97 129 45
## 321 5.86 152 70
## 322 7.52 98 39
## 323 9.16 139 50
## 324 10.36 103 105
## 325 2.66 150 65
## 326 11.70 104 69
## 327 4.69 122 30
## 328 6.23 104 38
## 329 3.15 111 66
## 330 11.27 89 54
## 331 4.99 112 59
## 332 10.10 134 63
## 333 5.74 104 33
## 334 5.87 147 60
## 335 7.63 83 117
## 336 6.18 110 70
## 337 5.17 143 35
## 338 8.61 102 38
## 339 5.97 101 24
## 340 11.54 126 44
## 341 7.50 91 29
## 342 7.38 93 120
## 343 7.81 118 102
## 344 5.99 121 42
## 345 8.43 126 80
## 346 4.81 149 68
## 347 8.97 125 107
## 348 6.88 112 39
## 349 12.57 107 102
## 350 9.32 96 27
## 351 8.64 91 101
## 352 10.44 105 115
## 353 13.44 122 103
## 354 9.45 92 67
## 355 5.30 145 31
## 356 7.02 146 100
## 357 3.58 164 109
## 358 13.36 72 73
## 359 4.17 118 96
## 360 3.13 130 62
## 361 8.77 114 86
## 362 8.68 104 25
## 363 5.25 110 55
## 364 10.26 108 75
## 365 10.50 131 21
## 366 6.53 162 30
## 367 5.98 134 56
## 368 14.37 53 106
## 369 10.71 79 22
## 370 10.26 122 100
## 371 7.68 119 41
## 372 9.08 126 81
## 373 7.80 98 50
## 374 5.58 116 71
## 375 9.44 118 47
## 376 7.90 124 46
## 377 16.27 92 60
## 378 6.81 125 61
## 379 6.11 119 88
## 380 5.81 107 111
## 381 9.64 89 64
## 382 3.90 151 65
## 383 4.95 121 28
## 384 9.35 68 117
## 385 12.85 112 37
## 386 5.87 132 73
## 387 5.32 160 116
## 388 8.67 115 73
## 389 8.14 78 89
## 390 8.44 107 42
## 391 5.47 111 75
## 392 6.10 124 63
## 393 4.53 130 42
## 394 5.57 120 51
## 395 5.35 139 58
## 396 12.57 128 108
## 397 6.14 120 23
## 398 7.41 159 26
## 399 5.94 95 79
## 400 9.71 120 37autos %>% select(1,3,6)## Sales Income Price
## 1 9.50 73 120
## 2 11.22 48 83
## 3 10.06 35 80
## 4 7.40 100 97
## 5 4.15 64 128
## 6 10.81 113 72
## 7 6.63 105 108
## 8 11.85 81 120
## 9 6.54 110 124
## 10 4.69 113 124
## 11 9.01 78 100
## 12 11.96 94 94
## 13 3.98 35 136
## 14 10.96 28 86
## 15 11.17 117 118
## 16 8.71 95 144
## 17 7.58 32 110
## 18 12.29 74 131
## 19 13.91 110 68
## 20 8.73 76 121
## 21 6.41 90 131
## 22 12.13 29 109
## 23 5.08 46 138
## 24 5.87 31 109
## 25 10.14 119 113
## 26 14.90 32 82
## 27 8.33 115 131
## 28 5.27 118 107
## 29 2.99 74 97
## 30 7.81 99 102
## 31 13.55 94 89
## 32 8.25 58 131
## 33 6.20 32 137
## 34 8.77 38 128
## 35 2.67 54 128
## 36 11.07 84 96
## 37 8.89 76 100
## 38 4.95 41 110
## 39 6.59 73 102
## 40 3.24 60 138
## 41 2.07 98 126
## 42 7.96 53 124
## 43 10.43 69 24
## 44 4.12 42 134
## 45 4.16 79 95
## 46 4.56 63 135
## 47 12.44 90 70
## 48 4.38 98 108
## 49 3.91 52 98
## 50 10.61 93 149
## 51 1.42 32 108
## 52 4.42 90 108
## 53 7.91 40 129
## 54 6.92 64 119
## 55 4.90 103 144
## 56 6.85 81 154
## 57 11.91 82 84
## 58 0.91 91 117
## 59 5.42 93 103
## 60 5.21 71 114
## 61 8.32 102 123
## 62 7.32 32 107
## 63 1.82 45 133
## 64 8.47 88 101
## 65 7.80 67 104
## 66 4.90 26 128
## 67 8.85 92 91
## 68 9.01 61 115
## 69 13.39 69 134
## 70 7.99 59 99
## 71 9.46 81 99
## 72 6.50 51 150
## 73 5.52 45 116
## 74 12.61 90 104
## 75 6.20 68 136
## 76 8.55 111 92
## 77 10.64 87 70
## 78 7.70 71 89
## 79 4.43 48 145
## 80 9.14 67 90
## 81 8.01 100 79
## 82 7.52 72 128
## 83 11.62 83 139
## 84 4.42 36 94
## 85 2.23 25 121
## 86 8.47 103 112
## 87 8.70 84 134
## 88 11.70 67 126
## 89 6.56 42 111
## 90 7.95 66 119
## 91 5.33 22 103
## 92 4.81 46 107
## 93 4.53 113 125
## 94 8.86 30 104
## 95 8.39 97 84
## 96 5.58 25 148
## 97 9.48 42 132
## 98 7.45 82 129
## 99 12.49 77 127
## 100 4.88 47 107
## 101 4.11 69 106
## 102 6.20 93 118
## 103 5.30 22 97
## 104 5.07 91 96
## 105 4.62 96 138
## 106 5.55 100 97
## 107 0.16 33 139
## 108 8.55 107 108
## 109 3.47 79 103
## 110 8.98 65 90
## 111 9.00 62 116
## 112 6.62 118 151
## 113 6.67 99 125
## 114 6.01 29 127
## 115 9.31 87 106
## 116 8.54 35 129
## 117 5.08 75 128
## 118 8.80 53 119
## 119 7.57 88 99
## 120 7.37 94 128
## 121 6.87 105 131
## 122 11.67 89 87
## 123 6.88 100 108
## 124 8.19 103 155
## 125 8.87 113 120
## 126 9.34 78 49
## 127 11.27 68 133
## 128 6.52 48 116
## 129 4.96 100 126
## 130 4.47 120 147
## 131 8.41 84 77
## 132 6.50 69 94
## 133 9.54 87 136
## 134 7.62 98 97
## 135 3.67 31 131
## 136 6.44 94 120
## 137 5.17 75 120
## 138 6.52 42 118
## 139 10.27 103 109
## 140 12.30 62 94
## 141 6.03 60 129
## 142 6.53 42 131
## 143 7.44 84 104
## 144 0.53 88 159
## 145 9.09 68 123
## 146 8.77 63 117
## 147 3.90 83 131
## 148 10.51 54 119
## 149 7.56 119 97
## 150 11.48 120 87
## 151 10.49 84 114
## 152 10.77 58 103
## 153 7.64 78 128
## 154 5.93 36 150
## 155 6.89 69 110
## 156 7.71 72 69
## 157 7.49 34 157
## 158 10.21 58 90
## 159 12.53 90 112
## 160 9.32 60 70
## 161 4.67 28 111
## 162 2.93 21 160
## 163 3.63 74 149
## 164 5.68 64 106
## 165 8.22 64 141
## 166 0.37 58 191
## 167 6.71 67 137
## 168 6.71 73 93
## 169 7.30 89 117
## 170 11.48 41 77
## 171 8.01 39 118
## 172 12.49 106 55
## 173 9.03 102 110
## 174 6.38 91 128
## 175 0.00 24 185
## 176 7.54 89 122
## 177 5.61 107 154
## 178 10.48 72 94
## 179 10.66 71 81
## 180 7.78 25 116
## 181 4.94 112 149
## 182 7.43 83 91
## 183 4.74 60 140
## 184 5.32 74 102
## 185 9.95 33 97
## 186 10.07 100 107
## 187 8.68 51 86
## 188 6.03 32 96
## 189 8.07 37 90
## 190 12.11 117 104
## 191 8.79 37 101
## 192 6.67 42 173
## 193 7.56 26 93
## 194 13.28 70 96
## 195 7.23 98 128
## 196 4.19 93 112
## 197 4.10 28 133
## 198 2.52 61 138
## 199 3.62 80 128
## 200 6.42 88 126
## 201 5.56 92 146
## 202 5.94 83 134
## 203 4.10 78 130
## 204 2.05 82 157
## 205 8.74 80 124
## 206 5.68 22 132
## 207 4.97 67 160
## 208 8.19 105 97
## 209 7.78 54 64
## 210 3.02 21 90
## 211 4.36 41 123
## 212 9.39 118 120
## 213 12.04 69 105
## 214 8.23 84 139
## 215 4.83 115 107
## 216 2.34 83 144
## 217 5.73 33 144
## 218 4.34 44 111
## 219 9.70 61 120
## 220 10.62 79 116
## 221 10.59 120 124
## 222 6.43 44 107
## 223 7.49 119 145
## 224 3.45 45 125
## 225 4.10 82 141
## 226 6.68 25 82
## 227 7.80 33 122
## 228 8.69 64 101
## 229 5.40 73 163
## 230 11.19 104 72
## 231 5.16 60 114
## 232 8.09 69 122
## 233 13.14 80 105
## 234 8.65 76 120
## 235 9.43 62 129
## 236 5.53 32 132
## 237 9.32 34 108
## 238 9.62 28 135
## 239 7.36 24 133
## 240 3.89 105 118
## 241 10.31 80 121
## 242 12.01 63 94
## 243 4.68 46 135
## 244 7.82 25 110
## 245 8.78 30 100
## 246 10.00 43 88
## 247 6.90 56 90
## 248 5.04 114 151
## 249 5.36 52 101
## 250 5.05 67 117
## 251 9.16 105 156
## 252 3.72 111 132
## 253 8.31 97 117
## 254 5.64 24 122
## 255 9.58 104 129
## 256 7.71 81 81
## 257 4.20 40 144
## 258 8.67 62 112
## 259 3.47 38 81
## 260 5.12 36 100
## 261 7.67 117 101
## 262 5.71 42 118
## 263 6.37 77 132
## 264 7.77 26 115
## 265 6.95 29 159
## 266 5.31 35 129
## 267 9.10 93 112
## 268 5.83 82 112
## 269 6.53 57 105
## 270 5.01 69 166
## 271 11.99 26 89
## 272 4.55 56 110
## 273 12.98 33 63
## 274 10.04 106 86
## 275 7.22 93 119
## 276 6.67 119 132
## 277 6.93 69 130
## 278 7.80 48 125
## 279 7.22 113 151
## 280 3.42 57 158
## 281 2.86 86 145
## 282 11.19 69 105
## 283 7.74 96 154
## 284 5.36 110 117
## 285 6.97 46 96
## 286 7.60 26 131
## 287 7.53 118 113
## 288 6.88 44 72
## 289 6.98 40 97
## 290 8.75 77 156
## 291 9.49 111 103
## 292 6.64 70 89
## 293 11.82 66 74
## 294 11.28 84 89
## 295 12.66 76 99
## 296 4.21 35 137
## 297 8.21 44 123
## 298 3.07 83 104
## 299 10.98 63 130
## 300 9.40 40 96
## 301 8.57 78 99
## 302 7.41 93 87
## 303 5.28 77 110
## 304 10.01 52 99
## 305 11.93 98 134
## 306 8.03 29 132
## 307 4.78 32 133
## 308 5.90 92 120
## 309 9.24 80 126
## 310 11.18 111 80
## 311 9.53 65 166
## 312 6.15 68 132
## 313 6.80 117 135
## 314 9.33 81 54
## 315 7.72 33 129
## 316 6.39 21 171
## 317 15.63 36 72
## 318 6.41 30 136
## 319 10.08 72 130
## 320 6.97 45 129
## 321 5.86 70 152
## 322 7.52 39 98
## 323 9.16 50 139
## 324 10.36 105 103
## 325 2.66 65 150
## 326 11.70 69 104
## 327 4.69 30 122
## 328 6.23 38 104
## 329 3.15 66 111
## 330 11.27 54 89
## 331 4.99 59 112
## 332 10.10 63 134
## 333 5.74 33 104
## 334 5.87 60 147
## 335 7.63 117 83
## 336 6.18 70 110
## 337 5.17 35 143
## 338 8.61 38 102
## 339 5.97 24 101
## 340 11.54 44 126
## 341 7.50 29 91
## 342 7.38 120 93
## 343 7.81 102 118
## 344 5.99 42 121
## 345 8.43 80 126
## 346 4.81 68 149
## 347 8.97 107 125
## 348 6.88 39 112
## 349 12.57 102 107
## 350 9.32 27 96
## 351 8.64 101 91
## 352 10.44 115 105
## 353 13.44 103 122
## 354 9.45 67 92
## 355 5.30 31 145
## 356 7.02 100 146
## 357 3.58 109 164
## 358 13.36 73 72
## 359 4.17 96 118
## 360 3.13 62 130
## 361 8.77 86 114
## 362 8.68 25 104
## 363 5.25 55 110
## 364 10.26 75 108
## 365 10.50 21 131
## 366 6.53 30 162
## 367 5.98 56 134
## 368 14.37 106 53
## 369 10.71 22 79
## 370 10.26 100 122
## 371 7.68 41 119
## 372 9.08 81 126
## 373 7.80 50 98
## 374 5.58 71 116
## 375 9.44 47 118
## 376 7.90 46 124
## 377 16.27 60 92
## 378 6.81 61 125
## 379 6.11 88 119
## 380 5.81 111 107
## 381 9.64 64 89
## 382 3.90 65 151
## 383 4.95 28 121
## 384 9.35 117 68
## 385 12.85 37 112
## 386 5.87 73 132
## 387 5.32 116 160
## 388 8.67 73 115
## 389 8.14 89 78
## 390 8.44 42 107
## 391 5.47 75 111
## 392 6.10 63 124
## 393 4.53 42 130
## 394 5.57 51 120
## 395 5.35 58 139
## 396 12.57 108 128
## 397 6.14 23 120
## 398 7.41 26 159
## 399 5.94 79 95
## 400 9.71 37 120- Seleccione las variables Age y Education, mostrando las ultimas 5 filas
autos %>% select(Age,Education)%>%tail(5)## Age Education
## 396 33 14
## 397 55 11
## 398 40 18
## 399 50 12
## 400 49 16autos %>% select(8,9)%>%tail(5)## Age Education
## 396 33 14
## 397 55 11
## 398 40 18
## 399 50 12
## 400 49 16- Seleccione aquellas filas que corresponden a tiendas de US (US=TIENDAS DE USA, YES /NO)
autos %>% filter(US=="Yes")## Sales CompPrice Income Advertising Population Price ShelveLoc Age Education
## 1 9.50 138 73 11 276 120 Bad 42 17
## 2 11.22 111 48 16 260 83 Good 65 10
## 3 10.06 113 35 10 269 80 Medium 59 12
## 4 7.40 117 100 4 466 97 Medium 55 14
## 6 10.81 124 113 13 501 72 Bad 78 16
## 8 11.85 136 81 15 425 120 Good 67 10
## 10 4.69 132 113 0 131 124 Medium 76 17
## 11 9.01 121 78 9 150 100 Bad 26 10
## 12 11.96 117 94 4 503 94 Good 50 13
## 14 10.96 115 28 11 29 86 Good 53 18
## 15 11.17 107 117 11 148 118 Good 52 18
## 18 12.29 147 74 13 251 131 Good 52 10
## 19 13.91 110 110 0 408 68 Good 46 17
## 20 8.73 129 76 16 58 121 Medium 69 12
## 21 6.41 125 90 2 367 131 Medium 35 18
## 22 12.13 134 29 12 239 109 Good 62 18
## 25 10.14 145 119 16 294 113 Bad 42 12
## 27 8.33 107 115 11 496 131 Good 50 11
## 29 2.99 103 74 0 359 97 Bad 55 11
## 30 7.81 104 99 15 226 102 Bad 58 17
## 32 8.25 136 58 16 241 131 Medium 44 18
## 33 6.20 107 32 12 236 137 Good 64 10
## 34 8.77 114 38 13 317 128 Good 50 16
## 35 2.67 115 54 0 406 128 Medium 42 17
## 36 11.07 131 84 11 29 96 Medium 44 17
## 38 4.95 121 41 5 412 110 Medium 54 10
## 44 4.12 123 42 11 16 134 Medium 59 13
## 45 4.16 85 79 6 325 95 Medium 69 13
## 46 4.56 141 63 0 168 135 Bad 44 12
## 47 12.44 127 90 14 16 70 Medium 48 15
## 51 1.42 99 32 18 341 108 Bad 80 16
## 53 7.91 153 40 3 112 129 Bad 39 18
## 54 6.92 109 64 13 39 119 Medium 61 17
## 55 4.90 134 103 13 25 144 Medium 76 17
## 56 6.85 143 81 5 60 154 Medium 61 18
## 59 5.42 103 93 15 188 103 Bad 74 16
## 61 8.32 122 102 19 469 123 Bad 29 13
## 63 1.82 139 45 0 146 133 Bad 77 17
## 64 8.47 119 88 10 170 101 Medium 61 13
## 65 7.80 100 67 12 184 104 Medium 32 16
## 68 9.01 126 61 14 152 115 Medium 47 16
## 69 13.39 149 69 20 366 134 Good 60 13
## 71 9.46 89 81 15 237 99 Good 74 12
## 72 6.50 148 51 16 148 150 Medium 58 17
## 74 12.61 118 90 10 54 104 Good 31 11
## 75 6.20 150 68 5 125 136 Medium 64 13
## 76 8.55 88 111 23 480 92 Bad 36 16
## 77 10.64 102 87 10 346 70 Medium 64 15
## 78 7.70 118 71 12 44 89 Medium 67 18
## 79 4.43 134 48 1 139 145 Medium 65 12
## 81 8.01 113 100 16 353 79 Bad 68 11
## 83 11.62 151 83 4 325 139 Good 28 17
## 84 4.42 109 36 7 468 94 Bad 56 11
## 88 11.70 131 67 7 272 126 Good 54 16
## 89 6.56 117 42 7 144 111 Medium 62 10
## 92 4.81 97 46 11 267 107 Medium 80 15
## 95 8.39 115 97 5 134 84 Bad 55 11
## 96 5.58 134 25 10 237 148 Medium 59 13
## 97 9.48 147 42 10 407 132 Good 73 16
## 98 7.45 161 82 5 287 129 Bad 33 16
## 99 12.49 122 77 24 382 127 Good 36 16
## 100 4.88 121 47 3 220 107 Bad 56 16
## 101 4.11 113 69 11 94 106 Medium 76 12
## 104 5.07 123 91 0 334 96 Bad 78 17
## 106 5.55 104 100 8 398 97 Medium 61 11
## 111 9.00 128 62 7 125 116 Medium 43 14
## 112 6.62 132 118 12 272 151 Medium 43 14
## 113 6.67 116 99 5 298 125 Good 62 12
## 114 6.01 131 29 11 335 127 Bad 33 12
## 115 9.31 122 87 9 17 106 Medium 65 13
## 119 7.57 112 88 2 243 99 Medium 62 11
## 120 7.37 130 94 8 137 128 Medium 64 12
## 121 6.87 128 105 11 249 131 Medium 63 13
## 122 11.67 125 89 10 380 87 Bad 28 10
## 123 6.88 119 100 5 45 108 Medium 75 10
## 124 8.19 127 103 0 125 155 Good 29 15
## 127 11.27 153 68 2 60 133 Good 59 16
## 128 6.52 125 48 3 192 116 Medium 51 14
## 129 4.96 133 100 3 350 126 Bad 55 13
## 130 4.47 143 120 7 279 147 Bad 40 10
## 131 8.41 94 84 13 497 77 Medium 51 12
## 133 9.54 125 87 9 232 136 Good 72 10
## 134 7.62 132 98 2 265 97 Bad 62 12
## 136 6.44 96 94 14 384 120 Medium 36 18
## 139 10.27 125 103 12 371 109 Medium 44 10
## 140 12.30 146 62 10 310 94 Medium 30 13
## 141 6.03 133 60 10 277 129 Medium 45 18
## 144 0.53 122 88 7 36 159 Bad 28 17
## 146 8.77 144 63 11 27 117 Medium 47 17
## 148 10.51 140 54 9 402 119 Good 41 16
## 149 7.56 110 119 0 384 97 Medium 72 14
## 150 11.48 121 120 13 140 87 Medium 56 11
## 151 10.49 122 84 8 176 114 Good 57 10
## 152 10.77 111 58 17 407 103 Good 75 17
## 154 5.93 150 36 7 488 150 Medium 25 17
## 155 6.89 129 69 10 289 110 Medium 50 16
## 158 10.21 121 58 8 249 90 Medium 48 13
## 159 12.53 142 90 1 189 112 Good 39 10
## 162 2.93 143 21 5 81 160 Medium 67 12
## 165 8.22 148 64 0 58 141 Medium 27 13
## 166 0.37 147 58 7 100 191 Bad 27 15
## 167 6.71 119 67 17 151 137 Medium 55 11
## 170 11.48 104 41 15 492 77 Good 73 18
## 171 8.01 128 39 12 356 118 Medium 71 10
## 172 12.49 93 106 12 416 55 Medium 75 15
## 173 9.03 104 102 13 123 110 Good 35 16
## 174 6.38 135 91 5 207 128 Medium 66 18
## 177 5.61 138 107 9 480 154 Medium 47 11
## 178 10.48 138 72 0 148 94 Medium 27 17
## 179 10.66 104 71 14 89 81 Medium 25 14
## 180 7.78 144 25 3 70 116 Medium 77 18
## 181 4.94 137 112 15 434 149 Bad 66 13
## 184 5.32 118 74 6 426 102 Medium 80 18
## 185 9.95 132 33 7 35 97 Medium 60 11
## 186 10.07 130 100 11 449 107 Medium 64 10
## 190 12.11 118 117 18 509 104 Medium 26 15
## 191 8.79 130 37 13 297 101 Medium 37 13
## 192 6.67 156 42 13 170 173 Good 74 14
## 194 13.28 139 70 7 71 96 Good 61 10
## 195 7.23 112 98 18 481 128 Medium 45 11
## 196 4.19 117 93 4 420 112 Bad 66 11
## 197 4.10 130 28 6 410 133 Bad 72 16
## 199 3.62 112 80 5 500 128 Medium 69 10
## 200 6.42 122 88 5 335 126 Medium 64 14
## 203 4.10 121 78 4 413 130 Bad 46 10
## 207 4.97 162 67 0 27 160 Medium 77 17
## 210 3.02 98 21 11 326 90 Bad 76 11
## 211 4.36 125 41 2 357 123 Bad 47 14
## 212 9.39 117 118 14 445 120 Medium 32 15
## 213 12.04 145 69 19 501 105 Medium 45 11
## 214 8.23 149 84 5 220 139 Medium 33 10
## 215 4.83 115 115 3 48 107 Medium 73 18
## 216 2.34 116 83 15 170 144 Bad 71 11
## 219 9.70 138 61 12 156 120 Medium 25 14
## 220 10.62 116 79 19 359 116 Good 58 17
## 221 10.59 131 120 15 262 124 Medium 30 10
## 223 7.49 136 119 6 178 145 Medium 35 13
## 224 3.45 110 45 9 276 125 Medium 62 14
## 228 8.69 113 64 10 68 101 Medium 57 16
## 229 5.40 149 73 13 381 163 Bad 26 11
## 233 13.14 137 80 10 24 105 Good 61 15
## 234 8.65 123 76 18 218 120 Medium 29 14
## 235 9.43 115 62 11 289 129 Good 56 16
## 236 5.53 126 32 8 95 132 Medium 50 17
## 237 9.32 141 34 16 361 108 Medium 69 10
## 238 9.62 151 28 8 499 135 Medium 48 10
## 240 3.89 123 105 0 149 118 Bad 62 16
## 244 7.82 124 25 13 87 110 Medium 57 10
## 246 10.00 114 43 0 199 88 Good 57 10
## 247 6.90 120 56 20 266 90 Bad 78 18
## 249 5.36 111 52 0 12 101 Medium 61 11
## 251 9.16 137 105 10 435 156 Good 72 14
## 252 3.72 139 111 5 310 132 Bad 62 13
## 254 5.64 124 24 5 288 122 Medium 57 12
## 255 9.58 108 104 23 353 129 Good 37 17
## 256 7.71 123 81 8 198 81 Bad 80 15
## 258 8.67 125 62 14 477 112 Medium 80 13
## 260 5.12 123 36 10 467 100 Bad 74 11
## 261 7.67 129 117 8 400 101 Bad 36 10
## 262 5.71 121 42 4 188 118 Medium 54 15
## 263 6.37 120 77 15 86 132 Medium 48 18
## 264 7.77 116 26 6 434 115 Medium 25 17
## 265 6.95 128 29 5 324 159 Good 31 15
## 266 5.31 130 35 10 402 129 Bad 39 17
## 267 9.10 128 93 12 343 112 Good 73 17
## 268 5.83 134 82 7 473 112 Bad 51 12
## 274 10.04 116 106 8 244 86 Medium 58 12
## 275 7.22 135 93 2 67 119 Medium 34 11
## 276 6.67 107 119 11 210 132 Medium 53 11
## 277 6.93 135 69 14 296 130 Medium 73 15
## 278 7.80 136 48 12 326 125 Medium 36 16
## 279 7.22 114 113 2 129 151 Good 40 15
## 280 3.42 141 57 13 376 158 Medium 64 18
## 281 2.86 121 86 10 496 145 Bad 51 10
## 282 11.19 122 69 7 303 105 Good 45 16
## 286 7.60 146 26 11 261 131 Medium 39 10
## 287 7.53 117 118 11 429 113 Medium 67 18
## 288 6.88 95 44 4 208 72 Bad 44 17
## 290 8.75 143 77 25 448 156 Medium 43 17
## 291 9.49 107 111 14 400 103 Medium 41 11
## 293 11.82 113 66 16 322 74 Good 76 15
## 295 12.66 148 76 3 126 99 Good 60 11
## 296 4.21 118 35 14 502 137 Medium 79 10
## 297 8.21 127 44 13 160 123 Good 63 18
## 298 3.07 118 83 13 276 104 Bad 75 10
## 300 9.40 135 40 17 497 96 Medium 54 17
## 301 8.57 116 78 1 158 99 Medium 45 11
## 302 7.41 99 93 0 198 87 Medium 57 16
## 303 5.28 108 77 13 388 110 Bad 74 14
## 304 10.01 133 52 16 290 99 Medium 43 11
## 305 11.93 123 98 12 408 134 Good 29 10
## 306 8.03 115 29 26 394 132 Medium 33 13
## 307 4.78 131 32 1 85 133 Medium 48 12
## 309 9.24 126 80 19 436 126 Medium 52 10
## 310 11.18 131 111 13 33 80 Bad 68 18
## 311 9.53 175 65 29 419 166 Medium 53 12
## 312 6.15 146 68 12 328 132 Bad 51 14
## 313 6.80 137 117 5 337 135 Bad 38 10
## 315 7.72 133 33 10 333 129 Good 71 14
## 316 6.39 131 21 8 220 171 Good 29 14
## 317 15.63 122 36 5 369 72 Good 35 10
## 319 10.08 116 72 10 456 130 Good 41 14
## 320 6.97 127 45 19 459 129 Medium 57 11
## 321 5.86 136 70 12 171 152 Medium 44 18
## 323 9.16 140 50 10 300 139 Good 60 15
## 324 10.36 107 105 18 428 103 Medium 34 12
## 325 2.66 136 65 4 133 150 Bad 53 13
## 326 11.70 144 69 11 131 104 Medium 47 11
## 328 6.23 112 38 17 316 104 Medium 80 16
## 329 3.15 117 66 1 65 111 Bad 55 11
## 330 11.27 100 54 9 433 89 Good 45 12
## 332 10.10 135 63 15 213 134 Medium 32 10
## 333 5.74 106 33 20 354 104 Medium 61 12
## 334 5.87 136 60 7 303 147 Medium 41 10
## 335 7.63 93 117 9 489 83 Bad 42 13
## 336 6.18 120 70 15 464 110 Medium 72 15
## 340 11.54 134 44 4 219 126 Good 44 15
## 343 7.81 137 102 13 422 118 Medium 71 10
## 344 5.99 117 42 10 371 121 Bad 26 14
## 345 8.43 138 80 0 108 126 Good 70 13
## 349 12.57 132 102 20 459 107 Good 49 11
## 350 9.32 134 27 18 467 96 Medium 49 14
## 351 8.64 111 101 17 266 91 Medium 63 17
## 352 10.44 124 115 16 458 105 Medium 62 16
## 353 13.44 133 103 14 288 122 Good 61 17
## 354 9.45 107 67 12 430 92 Medium 35 12
## 355 5.30 133 31 1 80 145 Medium 42 18
## 358 13.36 103 73 3 276 72 Medium 34 15
## 359 4.17 123 96 10 71 118 Bad 69 11
## 360 3.13 130 62 11 396 130 Bad 66 14
## 361 8.77 118 86 7 265 114 Good 52 15
## 362 8.68 131 25 10 183 104 Medium 56 15
## 363 5.25 131 55 0 26 110 Bad 79 12
## 365 10.50 122 21 16 488 131 Good 30 14
## 367 5.98 124 56 11 447 134 Medium 53 12
## 369 10.71 109 22 10 348 79 Good 74 14
## 370 10.26 135 100 22 463 122 Medium 36 14
## 371 7.68 126 41 22 403 119 Bad 42 12
## 375 9.44 131 47 7 90 118 Medium 47 12
## 377 16.27 141 60 19 319 92 Good 44 11
## 379 6.11 133 88 3 105 119 Medium 79 12
## 381 9.64 106 64 10 17 89 Medium 68 17
## 382 3.90 124 65 21 496 151 Bad 77 13
## 383 4.95 121 28 19 315 121 Medium 66 14
## 385 12.85 123 37 15 348 112 Good 28 12
## 386 5.87 131 73 13 455 132 Medium 62 17
## 388 8.67 142 73 14 238 115 Medium 73 14
## 389 8.14 135 89 11 245 78 Bad 79 16
## 390 8.44 128 42 8 328 107 Medium 35 12
## 391 5.47 108 75 9 61 111 Medium 67 12
## 393 4.53 129 42 13 315 130 Bad 34 13
## 394 5.57 109 51 10 26 120 Medium 30 17
## 395 5.35 130 58 19 366 139 Bad 33 16
## 396 12.57 138 108 17 203 128 Good 33 14
## 397 6.14 139 23 3 37 120 Medium 55 11
## 398 7.41 162 26 12 368 159 Medium 40 18
## 399 5.94 100 79 7 284 95 Bad 50 12
## 400 9.71 134 37 0 27 120 Good 49 16
## Urban US
## 1 Yes Yes
## 2 Yes Yes
## 3 Yes Yes
## 4 Yes Yes
## 6 No Yes
## 8 Yes Yes
## 10 No Yes
## 11 No Yes
## 12 Yes Yes
## 14 Yes Yes
## 15 Yes Yes
## 18 Yes Yes
## 19 No Yes
## 20 Yes Yes
## 21 Yes Yes
## 22 No Yes
## 25 Yes Yes
## 27 No Yes
## 29 Yes Yes
## 30 Yes Yes
## 32 Yes Yes
## 33 No Yes
## 34 Yes Yes
## 35 Yes Yes
## 36 No Yes
## 38 Yes Yes
## 44 Yes Yes
## 45 Yes Yes
## 46 Yes Yes
## 47 No Yes
## 51 Yes Yes
## 53 Yes Yes
## 54 Yes Yes
## 55 No Yes
## 56 Yes Yes
## 59 Yes Yes
## 61 Yes Yes
## 63 Yes Yes
## 64 Yes Yes
## 65 No Yes
## 68 Yes Yes
## 69 Yes Yes
## 71 Yes Yes
## 72 No Yes
## 74 No Yes
## 75 No Yes
## 76 No Yes
## 77 Yes Yes
## 78 No Yes
## 79 Yes Yes
## 81 Yes Yes
## 83 Yes Yes
## 84 Yes Yes
## 88 No Yes
## 89 Yes Yes
## 92 Yes Yes
## 95 Yes Yes
## 96 Yes Yes
## 97 No Yes
## 98 Yes Yes
## 99 No Yes
## 100 No Yes
## 101 No Yes
## 104 Yes Yes
## 106 Yes Yes
## 111 Yes Yes
## 112 Yes Yes
## 113 Yes Yes
## 114 Yes Yes
## 115 Yes Yes
## 119 Yes Yes
## 120 Yes Yes
## 121 Yes Yes
## 122 Yes Yes
## 123 Yes Yes
## 124 No Yes
## 127 Yes Yes
## 128 Yes Yes
## 129 Yes Yes
## 130 No Yes
## 131 Yes Yes
## 133 Yes Yes
## 134 Yes Yes
## 136 No Yes
## 139 Yes Yes
## 140 No Yes
## 141 Yes Yes
## 144 Yes Yes
## 146 Yes Yes
## 148 No Yes
## 149 No Yes
## 150 Yes Yes
## 151 No Yes
## 152 No Yes
## 154 No Yes
## 155 No Yes
## 158 No Yes
## 159 No Yes
## 162 No Yes
## 165 No Yes
## 166 Yes Yes
## 167 Yes Yes
## 170 Yes Yes
## 171 Yes Yes
## 172 Yes Yes
## 173 Yes Yes
## 174 Yes Yes
## 177 No Yes
## 178 Yes Yes
## 179 No Yes
## 180 Yes Yes
## 181 Yes Yes
## 184 Yes Yes
## 185 No Yes
## 186 Yes Yes
## 190 No Yes
## 191 No Yes
## 192 Yes Yes
## 194 Yes Yes
## 195 Yes Yes
## 196 Yes Yes
## 197 Yes Yes
## 199 Yes Yes
## 200 Yes Yes
## 203 No Yes
## 207 Yes Yes
## 210 No Yes
## 211 No Yes
## 212 Yes Yes
## 213 Yes Yes
## 214 Yes Yes
## 215 Yes Yes
## 216 Yes Yes
## 219 Yes Yes
## 220 Yes Yes
## 221 Yes Yes
## 223 Yes Yes
## 224 Yes Yes
## 228 Yes Yes
## 229 No Yes
## 233 Yes Yes
## 234 No Yes
## 235 No Yes
## 236 Yes Yes
## 237 Yes Yes
## 238 Yes Yes
## 240 Yes Yes
## 244 Yes Yes
## 246 No Yes
## 247 Yes Yes
## 249 Yes Yes
## 251 Yes Yes
## 252 Yes Yes
## 254 No Yes
## 255 Yes Yes
## 256 Yes Yes
## 258 Yes Yes
## 260 No Yes
## 261 Yes Yes
## 262 Yes Yes
## 263 Yes Yes
## 264 Yes Yes
## 265 Yes Yes
## 266 Yes Yes
## 267 No Yes
## 268 No Yes
## 274 Yes Yes
## 275 Yes Yes
## 276 Yes Yes
## 277 Yes Yes
## 278 Yes Yes
## 279 No Yes
## 280 Yes Yes
## 281 Yes Yes
## 282 No Yes
## 286 Yes Yes
## 287 No Yes
## 288 Yes Yes
## 290 Yes Yes
## 291 No Yes
## 293 Yes Yes
## 295 Yes Yes
## 296 No Yes
## 297 Yes Yes
## 298 Yes Yes
## 300 No Yes
## 301 Yes Yes
## 302 Yes Yes
## 303 Yes Yes
## 304 Yes Yes
## 305 Yes Yes
## 306 Yes Yes
## 307 Yes Yes
## 309 Yes Yes
## 310 Yes Yes
## 311 Yes Yes
## 312 Yes Yes
## 313 Yes Yes
## 315 Yes Yes
## 316 Yes Yes
## 317 Yes Yes
## 319 No Yes
## 320 No Yes
## 321 Yes Yes
## 323 Yes Yes
## 324 Yes Yes
## 325 Yes Yes
## 326 Yes Yes
## 328 Yes Yes
## 329 Yes Yes
## 330 Yes Yes
## 332 Yes Yes
## 333 Yes Yes
## 334 Yes Yes
## 335 Yes Yes
## 336 Yes Yes
## 340 Yes Yes
## 343 No Yes
## 344 Yes Yes
## 345 No Yes
## 349 Yes Yes
## 350 No Yes
## 351 No Yes
## 352 No Yes
## 353 Yes Yes
## 354 No Yes
## 355 Yes Yes
## 358 Yes Yes
## 359 Yes Yes
## 360 Yes Yes
## 361 No Yes
## 362 No Yes
## 363 Yes Yes
## 365 Yes Yes
## 367 No Yes
## 369 No Yes
## 370 Yes Yes
## 371 Yes Yes
## 375 Yes Yes
## 377 Yes Yes
## 379 Yes Yes
## 381 Yes Yes
## 382 Yes Yes
## 383 Yes Yes
## 385 Yes Yes
## 386 Yes Yes
## 388 No Yes
## 389 Yes Yes
## 390 Yes Yes
## 391 Yes Yes
## 393 Yes Yes
## 394 No Yes
## 395 Yes Yes
## 396 Yes Yes
## 397 No Yes
## 398 Yes Yes
## 399 Yes Yes
## 400 Yes Yes- Seleccione aquellas filas que corresponden a tiendas de US (US=TIENDAS DE USA, YES /NO) y con ingreso (income) mayor a 120
autos %>% filter(US=="Yes" & Income>=120)## Sales CompPrice Income Advertising Population Price ShelveLoc Age Education
## 130 4.47 143 120 7 279 147 Bad 40 10
## 150 11.48 121 120 13 140 87 Medium 56 11
## 221 10.59 131 120 15 262 124 Medium 30 10
## Urban US
## 130 No Yes
## 150 Yes Yes
## 221 Yes Yes- Ordene de forma ascendente la variable Age, mostrando las primeras 20 filas
autos %>% arrange(Age)%>% head(20)## Sales CompPrice Income Advertising Population Price ShelveLoc Age Education
## 73 5.52 115 45 0 432 116 Medium 25 15
## 154 5.93 150 36 7 488 150 Medium 25 17
## 176 7.54 115 89 0 38 122 Medium 25 12
## 179 10.66 104 71 14 89 81 Medium 25 14
## 183 4.74 137 60 4 230 140 Bad 25 13
## 204 2.05 131 82 0 132 157 Bad 25 14
## 219 9.70 138 61 12 156 120 Medium 25 14
## 264 7.77 116 26 6 434 115 Medium 25 17
## 364 10.26 111 75 1 377 108 Good 25 12
## 11 9.01 121 78 9 150 100 Bad 26 10
## 62 7.32 105 32 0 358 107 Medium 26 13
## 190 12.11 118 117 18 509 104 Medium 26 15
## 229 5.40 149 73 13 381 163 Bad 26 11
## 241 10.31 159 80 0 362 121 Medium 26 18
## 245 8.78 130 30 0 391 100 Medium 26 18
## 271 11.99 119 26 0 284 89 Good 26 10
## 344 5.99 117 42 10 371 121 Bad 26 14
## 165 8.22 148 64 0 58 141 Medium 27 13
## 166 0.37 147 58 7 100 191 Bad 27 15
## 178 10.48 138 72 0 148 94 Medium 27 17
## Urban US
## 73 Yes No
## 154 No Yes
## 176 Yes No
## 179 No Yes
## 183 Yes No
## 204 Yes No
## 219 Yes Yes
## 264 Yes Yes
## 364 Yes No
## 11 No Yes
## 62 No No
## 190 No Yes
## 229 No Yes
## 241 Yes No
## 245 Yes No
## 271 Yes No
## 344 Yes Yes
## 165 No Yes
## 166 Yes Yes
## 178 Yes Yes- Realice un boxplot de la variable Income, segun US
ggplot(autos, aes(x = US, y = Income)) +
geom_boxplot(aes(color = US), alpha = 0.7) +
geom_jitter(aes(color = US), size = 1, alpha = 0.7)+
xlab("Tienda en US") +
ylab("Ingreso") +
ggtitle("Boxplot") +
theme_minimal() 
- Realizar el grafico de densidad de la variables Sales
ggplot(autos, aes(Sales,fill="blue"),binwidth=30) + geom_density()+ xlab("Ventas") +
ylab("Frecuencia") + ggtitle("Ventas") +
theme_minimal()
- Colocar los dos graficos anteriores en una misma hoja
library(gridExtra)##
## Attaching package: 'gridExtra'## The following object is masked from 'package:dplyr':
##
## combinelibrary(dplyr)
g1<- ggplot(autos, aes(x = US, y = Income)) +
geom_boxplot(aes(color = US), alpha = 0.7) +
geom_jitter(aes(color = US), size = 1, alpha = 0.7)+
xlab("Tienda en US") +
ylab("Ingreso") +
ggtitle("Boxplot") +
theme_minimal()
g2 <- ggplot(autos, aes(Sales,fill="blue"),binwidth=30) + geom_density()+ xlab("Ventas") +
ylab("Frecuencia") + ggtitle("Ventas") +
theme_minimal()
grid.arrange(g1, g2,nrow=1)
grid.arrange(g1, g2)
- Realizar un diagrama de dispersion entre Sales (y) y Price (x)
ggplot(autos, aes(
Price, Sales)) +
geom_point(col="violet") +geom_smooth(method = "lm")+xlab("Precio de asientos ") +
ylab("Ventas") +
ggtitle("Ventas vs precio") +
theme_minimal() ## `geom_smooth()` using formula 'y ~ x'
- Realice un barplot para la variables Urban (yes= se encuentra en zona urbana)
ggplot(autos, aes(Urban)) +
geom_bar(col="darkslategray", fill="cyan3")+ xlab("Tienda urbana") +
ylab("Frecuencia") +
ggtitle("Tipos de tiendas") +
theme_minimal()