Skip to content

Latest commit

 

History

History
107 lines (63 loc) · 3.54 KB

bloque4.md

File metadata and controls

107 lines (63 loc) · 3.54 KB

Actividades

dplyr avanzado

group_by

  1. ¿Qué le ocurre al data.frame starwars cuando hacemos group_by(starwars, sex)?

  2. ¿Ves alguna diferencia entre starwars y group_by(starwars, sex)?

  3. ¿Cuántos grupos se han creado?

Operaciones agrupadas

  1. Cuenta cuantos personajes (filas) hay para cada uno de los valores de la columna sex en el data.frame starwars

  2. Consulta la ayuda de la función count. Cómo podríamos reescribir el ejercicio anterior usando esta función?

Operaciones en múltiples columnas

Ejercicio 1

  1. Calcula la media, máximo y mínimo de las columnas height, mass y birth_year del dataframe starwars. ¿Por qué obtenemos NA como resultado?

  2. Consultar la ayuda de la función across para ver como se pueden pasar argumentos extra a las funciones que aplicamos en across

  3. Modificar la solución de 1) para ignorar NAs

Ejercicio 2

Dado el código que vimos en otro ejercicio para contar el número de personajes para cada uno de los valores de la columna sex:

starwars %>%
    group_by(sex) %>%
    summarize(n = n())

Modificar este código para que se calcule además la media, máximo y mínimo de las columnas height, mass y birth_year

Joins

  1. Hacer un join de los data.frames band_members y band_instruments2 por las columnas name y artist respectivamente. El resultado tiene que tener tantas filas como valores distintos de las columnas name y artist

  2. ¿Aparecen valores que son NA en el resultado? ¿Por qué?

ggplot2 avanzado

Facetas

Dado el siguiente código que importa un fichero de Excel en R visto en uno de los ejercicios anteriores:

library(readxl)

bicis <- read_excel('./data/bicis_usos_acumulado.xls',
                    sheet = "Usos mar 2020",
                    range = "A3:E34")

  1. Pivotar las columnas Usos bicis abono anual, Usos bicis abono ocasional y Usos bicis total para convertirlas en dos: Tipo_uso y Usos. Tipo_uso tendrás los valores "Usos bicis abono anual", "Usos bicis abono ocasional" y "Usos bicis total", mientras que Usos contiene los datos numéricos

  2. Sobre los datos que se han creado en el apartado 2, realizar el siguiente gráfico de barras:

    • Eje x: días
    • Eje y: número de usos
    • Color de las barras: tipo de dia
    • Un sub-gráfico para cada uno de los 3 tipos de uso

  3. ¿Que problema tiene el gráfico para usuarios ocasionales? Experimentar con distintos valores de los parámetros scale y ncol.

Ejes

Usando el dataframe bicis_long del ejercicio anterior, realizamos el siguiente gráfico:

ggplot(bicis_long, aes(x = DIA, y = Usos)) + geom_col()

Sobre el gráfico anterior:

  1. Añadir una línea vertical rayada (tipo de línea “dashed”) en el día 16 de Marzo

  2. Añadir una anotación textual en las coordenadas x = día 17 de Marzo e y = 10000, con el mensaje: "Cierre BiciMAD por estado de alarma". Justificar el texto a la izquierda

  3. Cambiar las etiquetas del eje x por “Días” y del eje y por “Número total de usos”.

Este sería el resultado final:

Bicimad

Estilos

Dado el siguiente gráfico que se genera a partir del dataframe bicis:

ggplot(bicis_long, aes(x = DIA, y = Usos, fill = `Tipo de día`)) +
  geom_col() +
  facet_wrap(~ Tipo_uso, ncol = 1, scales = "free_y")

  1. Mover la escala del Tipo de día a la parte superior

  2. Cambiar la paleta de colores por “Dark2”, disponible en la web www.colorbrewer2.org (qualitative)

Este sería el gráfico resultante:

Bicimad