install.packages(dplyr)library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionView(mtcars)1. Seleccionamos las 3 primeras columnas del dataset mtcars y mostramos la cabecera
head(mtcars)## 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 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1head(select(mtcars, 1:3))## mpg cyl disp
## Mazda RX4 21.0 6 160
## Mazda RX4 Wag 21.0 6 160
## Datsun 710 22.8 4 108
## Hornet 4 Drive 21.4 6 258
## Hornet Sportabout 18.7 8 360
## Valiant 18.1 6 2252. Utiliza la ayuda ?select_helpers para que observes el resultado
?select_helpers## starting httpd help server ... done?select_helpers: Permite observar la funcion select con mas detalles en Help, en pocas palabras, nos muestra todas las herramientas de la función select.
3. Seleccionar las columnas que empiezan por d
head(select(mtcars, starts_with("d")))## disp drat
## Mazda RX4 160 3.90
## Mazda RX4 Wag 160 3.90
## Datsun 710 108 3.85
## Hornet 4 Drive 258 3.08
## Hornet Sportabout 360 3.15
## Valiant 225 2.764. Seleccionar las columnas que terminan por p
head(select(mtcars, ends_with("p")))## disp hp
## Mazda RX4 160 110
## Mazda RX4 Wag 160 110
## Datsun 710 108 93
## Hornet 4 Drive 258 110
## Hornet Sportabout 360 175
## Valiant 225 1055. head(select( mtcars, -drat, -am )) (Explica que resultado obtienes ?)
head(select(mtcars, -drat, -am))## mpg cyl disp hp wt qsec vs gear carb
## Mazda RX4 21.0 6 160 110 2.620 16.46 0 4 4
## Mazda RX4 Wag 21.0 6 160 110 2.875 17.02 0 4 4
## Datsun 710 22.8 4 108 93 2.320 18.61 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.215 19.44 1 3 1
## Hornet Sportabout 18.7 8 360 175 3.440 17.02 0 3 2
## Valiant 18.1 6 225 105 3.460 20.22 1 3 1NO SE SELECCIONAN LAS COLUMNAS -drat Y -am por que las descartan con el (-)
6. head(select( mtcars, contains( “a” ) )) (Explica que resultado obtienes ?)
head(select( mtcars, contains( "a" ) ))## drat am gear carb
## Mazda RX4 3.90 1 4 4
## Mazda RX4 Wag 3.90 1 4 4
## Datsun 710 3.85 1 4 1
## Hornet 4 Drive 3.08 0 3 1
## Hornet Sportabout 3.15 0 3 2
## Valiant 2.76 0 3 1contains, selecciona las columnas que contengan el caracter “a” y nos las muestra. Nos muestra las columnas que en su nombre contengan una letra “a”
Head(filter( mtcars, mpg > 20, gear == 4)) (Explica que resultado obtienes ?)
head(filter( mtcars, mpg > 20, gear == 4))Muestra las columnas de MPG mayores a 20
Seleccionar los sujetos con tipo de transmisión (am) 1 que, además, tienen 6 cilindros o menos
mtcars<-data.frame(mtcars)
ejer8<-mtcars[mtcars$am==1&mtcars$cyl<=6,]
ejer8Muestra solo las columnas de AM iguales a 1
Seleccionar los sujetos que bien consumen menos de 21 mpg o bien tienen menos de 3 carburantes (carb) y menos de 4 engranajes (gear)
ejer9<-mtcars[(mtcars$mpg==21 |mtcars$carb==3) & mtcars$gear<4,]
ejer9Mostró solamente las columnas de carb iguales a 3 y gear menores que 4.
datos10<-mtcars[with(mtcars, order(mtcars$cyl, mtcars$disp)), ]
datos10Mostró los datos ordenadamente de cyl y disp.
Crea una nueva columna que indique los kilogramos que pesa el coche, sabiendo que 1 libra = 0.45 kg. La variable wt indica el peso en libras.
mtcars$kg<-mtcars$wt*0.45
mtcarsEn esta parte nos mostró la multiplicacion de la columna WT multiplicada por 0.45
La función summarise() agrupa los valores en una tabla de acuerdo a la función que indiquemos. Calcula la media de disp usando la función summarise:
datos12<-mtcars%>%
summarise(mean=mean(disp))
datos12En esta parte nos refleja la media de la columna de disp
summarise(group_by(mtcars, cyl), max = max(disp)) (Explica que resultado obtienes ?)
summarise(group_by(mtcars,cyl),max=max(disp))En esta parte agrupo a las variables de cyl, ordenamente, conjuntamente selecciono las cantidades mas altas de cada categoria.
Explica que resultado obtienes ?
mtcars %>% select( mpg:disp )%>% head ## mpg cyl disp
## Mazda RX4 21.0 6 160
## Mazda RX4 Wag 21.0 6 160
## Datsun 710 22.8 4 108
## Hornet 4 Drive 21.4 6 258
## Hornet Sportabout 18.7 8 360
## Valiant 18.1 6 225EXPLICACION:“Al ejecutar el codigo se selecciona la columna del nombre mpg hasta la columna disp usando pipes”.
Explica que resultado obtienes ?
head(select(select(mtcars, contains("a")), -drat, -am))## gear carb
## Mazda RX4 4 4
## Mazda RX4 Wag 4 4
## Datsun 710 4 1
## Hornet 4 Drive 3 1
## Hornet Sportabout 3 2
## Valiant 3 1EXPLICACION:“Al ejecutar el codigo se selecciona las columnas de la base de datos mtcars que tenga la letra”a”con la excepcion de las columnas “drat” y “am”“.
Utilizando pipes ejecuta el ejercicio 15
mtcars %>% select(contains("a"), -drat, -am) %>% head## gear carb
## Mazda RX4 4 4
## Mazda RX4 Wag 4 4
## Datsun 710 4 1
## Hornet 4 Drive 3 1
## Hornet Sportabout 3 2
## Valiant 3 1Explica que resultado obtienes ?
mtcars_filtered = filter(mtcars, wt > 1.5)
mtcars_grouped = group_by(mtcars_filtered, cyl)
summarise(mtcars_grouped, mn = mean(mpg), sd = sd(mpg))## # A tibble: 3 × 3
## cyl mn sd
## <dbl> <dbl> <dbl>
## 1 4 26.7 4.51
## 2 6 19.7 1.45
## 3 8 15.1 2.56EXPLICACION:“Al ejecutar el codigo se realiza una agrupacion de los cilindrages en donde de cada una se saca la mediay la desviacion estandar”.
Utilizando pipes ejecuta el ejercicio 17
mtcars %>% filter(,wt > 1.5) %>%
group_by(cyl) %>%
summarise(mn=mean(mpg),sd=sd(mpg)) %>% head## # A tibble: 3 × 3
## cyl mn sd
## <dbl> <dbl> <dbl>
## 1 4 26.7 4.51
## 2 6 19.7 1.45
## 3 8 15.1 2.56Es obligatorio utilizar las funciones del paquete dplyr
y recomendable utilizar pipes %>% para los siguientes
ejercicios.
library("dplyr")Descarga el fichero de datos vuelos.csv situado enhttp://gauss.inf.um.es/datos/; ## en local o localiza la
url donde se encuentra
web1 <- "http://gauss.inf.um.es/datos/vuelos.csv"Descarga el archivo y Guarda los datos en una variable llamada
vuelos
vuelos <- read.csv("", header = T, sep = ",", dec = ".")
vuelosSelecciona los vuelos con destino SFO u OAK
utilizando las funciones del paquete dplyr. ¿Con cuantos vuelos nos
quedamos?
vuelos_destino1 <- filter(vuelos, dest=="SFO")
head(vuelos_destino1)Selecciona los vuelos que se han retrasado más de una hora. ¿Cuál es el destino que más se retrasa en proporción al número de vuelos?
vuelos_retrasos <- select(vuelos, arr_delay)
head(vuelos_retrasos)
vuelos_retrasos1 <- filter(vuelos_retrasos, arr_delay >1 )
head(vuelos_retrasos1)Encuentra 4 maneras diferentes de utilizar la función
select para seleccionar las variables relacionadas con los
retrasos (delay)
head(select(vuelos, dep_delay))
head(select(vuelos, arr_delay, everything()))
var <- c("dep_delay", "arr_delay")
head( select(vuelos, one_of(var)))
head( select(vuelos, matches(".d.")))Agrupa los vuelos por fecha y calcula: media, mediana y cuartil 75 de los retrasos en los vuelos por hora
head(select(vuelos, dep_delay))Utilizando pipes calcula la media de retraso en los vuelos por día y hora, la cantidad de vuelos por día y hora y luego muestra solo los casos para los cuales haya más de 10
mean(vuelos$dep_delay, na.rm = T)
mean(vuelos$arr_delay, na.rm = T)
head(filter(vuelos, dep_delay>10,arr_delay>10))Importar la base de datos realizada en MYSQL a R (Consultarlo como hacerlo)
library("RODBC")
#Importar la base de datos realizada en MYSQL a R (Consultarlo como hacerlo)
#install.packages("RODBC")
#conexvuelos <- odbcConnect("MELANY#, uid = "root", pwd = "MELANY499")
#vuelos1 <- sqlQuery(conevcuelos, "SELECT * from mely."vuelos t10"")
head(vuelos)