1 Praktische Datenanalyse mit dplyr

Das R-Paket dplyr ist ein Stargast auf der R-Showbühne; häufig diskutiert in einschlägigen Foren. Mit dyplr kann man Daten “verhackstücken” - umformen und aufbereiten (“to wrangle” auf Englisch); “praktische Datenanalyse” ist vielleicht eine gute Bezeichnung. Es finden sich online viele Einführungen, z.B. hier oder hier.

Dieser Text ist nicht als Einführung oder Erläuterung gedacht, sondern als Übung, um (neu erworbenen Fähigkeiten) in der praktischen Datenanalyse im Rahmen einer Fallstudie auszuprobieren.

Stellen Sie sich folgendes Szenario zur Fallstudie vor: Sie sind Unternehmensberäter bei einer (nach eigenen Angaben) namhaften Gesellschaft. Ihr erster Auftrag führt Sie direkt nach New York City (normal). Ihr Chef hat irgendwie den Eindruck, dass Sie Zahlen- und Computer-affin sind… “Sag mal, schon mal von R gehört?”, fragt er mal eines Abends (22h, noch voll bei der Arbeit). “Eine Programmiersprache zur Datenanalyse und -visualisierung”, antworten Sie wie aus der Pistole geschossen. Das gefällt Ihrem Chef. “Pass mal auf. Bis morgen brauche ich eine Analyse aller Flüge von NYC, Anzahl, nach Origin, nach Destination.. Du weißt schon…”. Natürlich wissen Sie.. “Reicht bis morgen früh um acht”, sagt er noch, bevor er das Büro verlässt.

Ok, also dann sollten wir keine Zeit verlieren…

2 Aufgaben (und Lösungen)

Laden wir zuerst die nötigen Pakete und Daten; denken Sie daran, dass R-Pakete zuerst installiert werden müssen (einmalig), bevor Sie sie laden können.

# install.packages("nycflights13")
library(dplyr)
library(ggplot2) # Diagramme
data(flights, package = "nycflights13")

2.1 Wie viele Flüge starteten in den NYC-Flughäfen in 2013?

flights %>%
  summarise(n_flights = n())
## # A tibble: 1 x 1
##   n_flights
##       <int>
## 1    336776

Ah, eine Menge :-).

2.2 Welche Flughäfen gibt es in NYC? Wie viele Flüge starteten von dort jeweils?

flights %>%
  group_by(origin) %>% 
  summarise(Anzahl = n()) 
## # A tibble: 3 x 2
##   origin Anzahl
##    <chr>  <int>
## 1    EWR 120835
## 2    JFK 111279
## 3    LGA 104662

Das könnten wir auch plotten. Allerdings… 3 Zahlen, das kann man auch ohne Diagramm gut erkennen…

Die internationalen Codes von Flughäfen können z.B. hier nachgelesen werden.

2.3 Wie viele Flughäfen starteten pro Monat aus NYC?

Das ist praktische die gleiche Frage in grün…

flights %>%
  group_by(month) %>% 
  summarise(Anzahl = n()) 
## # A tibble: 12 x 2
##    month Anzahl
##    <int>  <int>
## 1      1  27004
## 2      2  24951
## 3      3  28834
## 4      4  28330
## 5      5  28796
## 6      6  28243
## 7      7  29425
## 8      8  29327
## 9      9  27574
## 10    10  28889
## 11    11  27268
## 12    12  28135

Das lohnt sich schon eher als Diagramm:

flights %>%
  group_by(month) %>% 
  summarise(Anzahl = n()) %>% 
  ggplot(aes(x = month, y = Anzahl)) + geom_point(color = "firebrick") +
  geom_line()

2.4 Welche Ziele wurden angeflogen? Wurden MUC und FRA angeflogen?

flights %>%
  group_by(dest) %>% 
  summarise(Anzahl = n()) %>% 
  select(dest) %>% print(n = 200)
## # A tibble: 105 x 1
##      dest
##     <chr>
## 1     ABQ
## 2     ACK
## 3     ALB
## 4     ANC
## 5     ATL
## 6     AUS
## 7     AVL
## 8     BDL
## 9     BGR
## 10    BHM
## 11    BNA
## 12    BOS
## 13    BQN
## 14    BTV
## 15    BUF
## 16    BUR
## 17    BWI
## 18    BZN
## 19    CAE
## 20    CAK
## 21    CHO
## 22    CHS
## 23    CLE
## 24    CLT
## 25    CMH
## 26    CRW
## 27    CVG
## 28    DAY
## 29    DCA
## 30    DEN
## 31    DFW
## 32    DSM
## 33    DTW
## 34    EGE
## 35    EYW
## 36    FLL
## 37    GRR
## 38    GSO
## 39    GSP
## 40    HDN
## 41    HNL
## 42    HOU
## 43    IAD
## 44    IAH
## 45    ILM
## 46    IND
## 47    JAC
## 48    JAX
## 49    LAS
## 50    LAX
## 51    LEX
## 52    LGA
## 53    LGB
## 54    MCI
## 55    MCO
## 56    MDW
## 57    MEM
## 58    MHT
## 59    MIA
## 60    MKE
## 61    MSN
## 62    MSP
## 63    MSY
## 64    MTJ
## 65    MVY
## 66    MYR
## 67    OAK
## 68    OKC
## 69    OMA
## 70    ORD
## 71    ORF
## 72    PBI
## 73    PDX
## 74    PHL
## 75    PHX
## 76    PIT
## 77    PSE
## 78    PSP
## 79    PVD
## 80    PWM
## 81    RDU
## 82    RIC
## 83    ROC
## 84    RSW
## 85    SAN
## 86    SAT
## 87    SAV
## 88    SBN
## 89    SDF
## 90    SEA
## 91    SFO
## 92    SJC
## 93    SJU
## 94    SLC
## 95    SMF
## 96    SNA
## 97    SRQ
## 98    STL
## 99    STT
## 100   SYR
## 101   TPA
## 102   TUL
## 103   TVC
## 104   TYS
## 105   XNA

Eine lange Liste… wäre vielleicht übersichtlicher, die nicht abzubilden ;)

Schauen wir mal, ob MUC (München) oder FRA (Frankfurt) dabei waren.

flights %>%
  filter(dest == "MUC" | dest == "FRA")
## # A tibble: 0 x 19
## # ... with 19 variables: year <int>, month <int>, day <int>,
## #   dep_time <int>, sched_dep_time <int>, dep_delay <dbl>, arr_time <int>,
## #   sched_arr_time <int>, arr_delay <dbl>, carrier <chr>, flight <int>,
## #   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>,
## #   distance <dbl>, hour <dbl>, minute <dbl>, time_hour <time>

Die resultierende Tabelle (“tibble”) hat 0 Zeilen. Diese Ziele wurden also nicht angeflogen.

Das Zeichen “|” bedeutet “oder” (im logischen Sinne). Demnach kann man die die ganze “Pfeife” so lesen: Nimm flights Filter Zeilen mit Ziel gleich MUC oder Zeilen mit Ziel gleich FRA.

2.5 Welche Ziele am häufigsten angeflogen?

flights %>%
  group_by(dest) %>%
  summarise(n_per_dest = n()) %>%
  arrange(desc(n_per_dest))
## # A tibble: 105 x 2
##     dest n_per_dest
##    <chr>      <int>
## 1    ORD      17283
## 2    ATL      17215
## 3    LAX      16174
## 4    BOS      15508
## 5    MCO      14082
## 6    CLT      14064
## 7    SFO      13331
## 8    FLL      12055
## 9    MIA      11728
## 10   DCA       9705
## # ... with 95 more rows

Das könnte man auch wieder “plotten”, aber lieber nur die Top-10.

flights %>%
  group_by(dest) %>%
  summarise(n_per_dest = n()) %>%
  arrange(desc(n_per_dest)) %>% 
  filter(min_rank(n_per_dest) < 11) %>% 
  ggplot(aes(x = dest, y = n_per_dest)) + geom_bar(stat = "identity")

Der Befehl min_rank(n_per_dest) < 11 liefert die 10 kleinsten Rangplätze der Variablen n_per_dest zurück.

Beim Plotten brauchen wir beim Geom bar (Balken) den Zusatz stat = "identity", weil das Geom bar standardgemäß zählen möchte, wie viele Zeilen z.B. “LGA” enthalten. Wir haben aber das Zählen der Zeilen schon vorher mit n() gemacht, so dass der Befehl einfach den Wert, so wie er in unserem Dataframe steht (daher identity) nehmen soll.

2.6 Welche Ziele werden mehr als 10000 Mal pro Jahr angeflogen?

flights %>%
  group_by(dest) %>%
  summarise(n_dest = n()) %>%
  filter(n_dest > 10000)
## # A tibble: 9 x 2
##    dest n_dest
##   <chr>  <int>
## 1   ATL  17215
## 2   BOS  15508
## 3   CLT  14064
## 4   FLL  12055
## 5   LAX  16174
## 6   MCO  14082
## 7   MIA  11728
## 8   ORD  17283
## 9   SFO  13331

2.7 Welche Flüge gingen von JFK nach PWM (Portland) im Januar zwischen Mitternach und 5 Uhr?

library(knitr)
filter(flights, origin == "JFK" & month == 1, dest == "PWM", dep_time < 500) %>% 
  kable
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest air_time distance hour minute time_hour
2013 1 4 106 2245 141 201 2356 125 B6 608 N192JB JFK PWM 44 273 22 45 2013-01-04 22:00:00
2013 1 31 54 2250 124 152 2359 113 B6 608 N281JB JFK PWM 41 273 22 50 2013-01-31 22:00:00

Der Befehl knitr::kable erstellt eine (einigermaßen) schöne Tabelle (man muss aber das Paket knitr vorher geladen haben.)

Warum Ihr Chef das wissen will, weiß er nur allein…

2.8 Welche Flüge starteten von JFK, dieeine Ankunftsverspätung hatten doppelt so groß wie die Abflugverspätung, und die nach Atlanta geflogen sind?

Selten eine Aufgabe gelesen, die aus so einem langen Satz bestand …

filter(flights, origin == "JFK", arr_delay > 2 * dep_delay, month == 1, dest == "ATL") %>% 
  kable
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time arr_delay carrier flight tailnum origin dest air_time distance hour minute time_hour
2013 1 1 807 810 -3 1043 1043 0 DL 269 N308DE JFK ATL 126 760 8 10 2013-01-01 08:00:00
2013 1 1 1325 1330 -5 1606 1605 1 DL 2043 N318US JFK ATL 131 760 13 30 2013-01-01 13:00:00
2013 1 2 606 610 -4 846 845 1 DL 1743 N387DA JFK ATL 129 760 6 10 2013-01-02 06:00:00
2013 1 2 808 810 -2 1049 1045 4 DL 269 N971DL JFK ATL 124 760 8 10 2013-01-02 08:00:00
2013 1 2 1551 1548 3 1838 1830 8 DL 95 N702TW JFK ATL 119 760 15 48 2013-01-02 15:00:00
2013 1 2 2027 2030 -3 2309 2314 -5 DL 1447 N947DL JFK ATL 127 760 20 30 2013-01-02 20:00:00
2013 1 3 612 615 -3 912 850 22 DL 2057 N707TW JFK ATL 135 760 6 15 2013-01-03 06:00:00
2013 1 3 811 810 1 1053 1042 11 DL 269 N319NB JFK ATL 134 760 8 10 2013-01-03 08:00:00
2013 1 3 1847 1855 -8 2130 2142 -12 DL 951 N181DN JFK ATL 129 760 18 55 2013-01-03 18:00:00
2013 1 5 805 810 -5 1039 1041 -2 DL 269 N339NB JFK ATL 116 760 8 10 2013-01-05 08:00:00
2013 1 5 1540 1548 -8 1820 1829 -9 DL 95 N710TW JFK ATL 119 760 15 48 2013-01-05 15:00:00
2013 1 6 612 615 -3 846 848 -2 DL 2057 N397DA JFK ATL 126 760 6 15 2013-01-06 06:00:00
2013 1 6 809 810 -1 1044 1042 2 DL 269 N316NB JFK ATL 125 760 8 10 2013-01-06 08:00:00
2013 1 6 1326 1330 -4 1605 1605 0 DL 2043 N3734B JFK ATL 126 760 13 30 2013-01-06 13:00:00
2013 1 6 1545 1548 -3 1842 1830 12 DL 95 N387DA JFK ATL 139 760 15 48 2013-01-06 15:00:00
2013 1 7 803 810 -7 1029 1042 -13 DL 269 N344NB JFK ATL 105 760 8 10 2013-01-07 08:00:00
2013 1 8 612 615 -3 901 855 6 9E 3856 N153PQ JFK ATL 124 760 6 15 2013-01-08 06:00:00
2013 1 8 823 810 13 1112 1043 29 DL 269 N377NW JFK ATL 126 760 8 10 2013-01-08 08:00:00
2013 1 8 1549 1548 1 1846 1830 16 DL 95 N376DA JFK ATL 117 760 15 48 2013-01-08 15:00:00
2013 1 8 1843 1855 -12 2142 2142 0 DL 951 N1611B JFK ATL 126 760 18 55 2013-01-08 18:00:00
2013 1 9 807 810 -3 1045 1042 3 DL 269 N316NB JFK ATL 124 760 8 10 2013-01-09 08:00:00
2013 1 9 1857 1855 2 2151 2142 9 DL 951 N173DZ JFK ATL 120 760 18 55 2013-01-09 18:00:00
2013 1 10 809 810 -1 1041 1042 -1 DL 269 N361NB JFK ATL 111 760 8 10 2013-01-10 08:00:00
2013 1 11 807 810 -3 1056 1042 14 DL 269 N345NB JFK ATL 117 760 8 10 2013-01-11 08:00:00
2013 1 13 612 615 -3 853 855 -2 9E 3856 N146PQ JFK ATL 118 760 6 15 2013-01-13 06:00:00
2013 1 13 1848 1855 -7 2204 2142 22 DL 951 N1609 JFK ATL 116 760 18 55 2013-01-13 18:00:00
2013 1 15 612 615 -3 927 855 32 9E 3856 N181PQ JFK ATL 134 760 6 15 2013-01-15 06:00:00
2013 1 15 1324 1330 -6 1605 1605 0 DL 2043 N704X JFK ATL 133 760 13 30 2013-01-15 13:00:00
2013 1 16 615 615 0 905 855 10 9E 3856 N232PQ JFK ATL 131 760 6 15 2013-01-16 06:00:00
2013 1 16 1324 1330 -6 1603 1605 -2 DL 2043 N3763D JFK ATL 129 760 13 30 2013-01-16 13:00:00
2013 1 17 612 615 -3 906 855 11 9E 3856 N176PQ JFK ATL 129 760 6 15 2013-01-17 06:00:00
2013 1 17 810 810 0 1048 1042 6 DL 269 N340NB JFK ATL 127 760 8 10 2013-01-17 08:00:00
2013 1 17 1325 1330 -5 1600 1605 -5 DL 2043 N3756 JFK ATL 127 760 13 30 2013-01-17 13:00:00
2013 1 19 614 615 -1 857 855 2 9E 3856 N187PQ JFK ATL 127 760 6 15 2013-01-19 06:00:00
2013 1 19 803 810 -7 1031 1041 -10 DL 269 N320NB JFK ATL 115 760 8 10 2013-01-19 08:00:00
2013 1 20 1851 1855 -4 2135 2142 -7 DL 951 N1605 JFK ATL 114 760 18 55 2013-01-20 18:00:00
2013 1 21 1723 1730 -7 2010 2017 -7 DL 951 N175DN JFK ATL 131 760 17 30 2013-01-21 17:00:00
2013 1 22 614 615 -1 857 855 2 9E 3856 N153PQ JFK ATL 132 760 6 15 2013-01-22 06:00:00
2013 1 22 820 810 10 1107 1042 25 DL 269 N359NB JFK ATL 130 760 8 10 2013-01-22 08:00:00
2013 1 24 612 615 -3 855 855 0 9E 3856 N197PQ JFK ATL 117 760 6 15 2013-01-24 06:00:00
2013 1 25 810 810 0 1056 1042 14 DL 269 N366NB JFK ATL 123 760 8 10 2013-01-25 08:00:00
2013 1 25 1850 1855 -5 2151 2142 9 DL 951 N646DL JFK ATL 150 760 18 55 2013-01-25 18:00:00
2013 1 26 1543 1548 -5 1821 1829 -8 DL 95 N723TW JFK ATL 107 760 15 48 2013-01-26 15:00:00
2013 1 28 610 615 -5 856 855 1 9E 3856 N187PQ JFK ATL 126 760 6 15 2013-01-28 06:00:00
2013 1 28 808 810 -2 1041 1042 -1 DL 269 N327NB JFK ATL 120 760 8 10 2013-01-28 08:00:00
2013 1 28 1320 1330 -10 1547 1605 -18 DL 2043 N3748Y JFK ATL 117 760 13 30 2013-01-28 13:00:00
2013 1 28 1546 1548 -2 1835 1830 5 DL 95 N3745B JFK ATL 160 760 15 48 2013-01-28 15:00:00
2013 1 29 1325 1330 -5 1559 1605 -6 DL 2043 N712TW JFK ATL 119 760 13 30 2013-01-29 13:00:00
2013 1 30 807 810 -3 1105 1042 23 DL 269 N361NB JFK ATL 128 760 8 10 2013-01-30 08:00:00
2013 1 30 1853 1855 -2 2152 2142 10 DL 951 N686DA JFK ATL 131 760 18 55 2013-01-30 18:00:00
2013 1 31 616 615 1 905 855 10 9E 3856 N181PQ JFK ATL 126 760 6 15 2013-01-31 06:00:00
2013 1 31 810 810 0 1054 1042 12 DL 269 N355NB JFK ATL 127 760 8 10 2013-01-31 08:00:00
2013 1 31 1853 1855 -2 2149 2142 7 DL 951 N175DZ JFK ATL 129 760 18 55 2013-01-31 18:00:00

Auch diese Tabelle ist recht lang. Aber sei’s drum :)

2.9 Welche Airlines hatten die meiste “Netto-Verspätung”?

f_2 <- group_by(flights, carrier)
f_3 <- mutate(f_2, delay = dep_delay - arr_delay)
f_4 <- filter(f_3, !is.na(delay))
f_5 <- summarise(f_4, delay_mean = mean(delay))
arrange(f_5, delay_mean) 
## # A tibble: 16 x 2
##    carrier delay_mean
##      <chr>      <dbl>
## 1       F9 -1.7195301
## 2       FL -1.5099213
## 3       MQ -0.3293526
## 4       OO  0.6551724
## 5       US  1.6150976
## 6       YV  3.3419118
## 7       B6  3.5095746
## 8       EV  4.0424982
## 9       DL  7.5796089
## 10      WN  8.0125374
## 11      AA  8.2048393
## 12      UA  8.4588972
## 13      9E  9.0599052
## 14      VX 10.9921814
## 15      HA 11.8157895
## 16      AS 15.7616361

Etwas umständlich mit den ganzen Zwischenspeichern… Vielleicht besser so:

flights %>% 
  group_by(carrier) %>% 
  mutate(delay = dep_delay - arr_delay) %>% 
  filter(!is.na(delay)) %>% 
  summarise(delay_mean = mean(delay)) %>% 
  arrange(-delay_mean)
## # A tibble: 16 x 2
##    carrier delay_mean
##      <chr>      <dbl>
## 1       AS 15.7616361
## 2       HA 11.8157895
## 3       VX 10.9921814
## 4       9E  9.0599052
## 5       UA  8.4588972
## 6       AA  8.2048393
## 7       WN  8.0125374
## 8       DL  7.5796089
## 9       EV  4.0424982
## 10      B6  3.5095746
## 11      YV  3.3419118
## 12      US  1.6150976
## 13      OO  0.6551724
## 14      MQ -0.3293526
## 15      FL -1.5099213
## 16      F9 -1.7195301

Das könnten wir mal wieder visualisieren:

flights %>% 
  group_by(carrier) %>% 
  mutate(delay = dep_delay - arr_delay) %>% 
  filter(!is.na(delay)) %>% 
  summarise(delay_mean = mean(delay)) %>% 
  arrange(-delay_mean) -> f_summarised

  ggplot(f_summarised, aes(x = carrier, y = delay_mean)) + geom_point(color = "firebrick")

ggplot2 ordnet die X-Achse hier automatisch alphanumerisch. Wenn wir wollen, dass die Achse nach den Werten der Y-Achse (delay_mean) geordnet wird (was sinnvoll ist), können wir das so erreichen:

  ggplot(f_summarised, aes(x = reorder(carrier, delay_mean), y = delay_mean)) + 
    geom_point(color = "firebrick")

Der Befehl reorder(carrier, delay_mean) ordnet die Werte der Varialbne carrier anhand der Werte der Variablen delay_mean.

2.10 Berechnen Sie die mittlere Verspätung aller Flüge mit deutlicher Verspätung (> 1 Stunde)!

flights %>%
  mutate(delay = dep_delay - arr_delay) %>% 
  filter(delay > 60) %>%
  summarise(delay_mean = mean(delay),
            n = n()) %>%  # Anzahl
  arrange(delay_mean)
## # A tibble: 1 x 2
##   delay_mean     n
##        <dbl> <int>
## 1   65.18182   154

2.11 Wie sind die Verspätungen verteilt?

ggplot(f_summarised, aes(x = delay_mean)) + geom_histogram()
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

2.12 Hängen Flugzeit und Verspätung zusammen?

flights %>%
  mutate(delay = dep_delay - arr_delay) %>% 
  na.omit() %>% 
  ggplot(aes(x = distance, y = delay)) + 
  geom_point(alpha = .1) +
  geom_smooth()

Sag mal, plotten wir gerade wirklich 300.000 Punkte??? Das kann dauern…

Das alpha = .1 macht die Punkte blässlich, fast durchsichtig. Ganz praktisch, wenn viele Punkte aufeinander liegen.

2.13 Hängen Verspätung und Jahreszeit zusammen?

Auch eine ganz interessante Frage. Schauen wir mal:

cor(flights$month, flights$dep_delay, use = "complete") 
## [1] -0.02005702

Das use = complete sagt, dass wir Zeilen mit fehlenden Werten ignorieren.

Sieht also nicht nach einem Zusammenhang aus. Das sollte uns ein Diagramm auch bestätigen:

flights %>% 
  group_by(month) %>% 
  na.omit() %>%  # alle Zeilen mit fehlenden Werten löschen
  mutate(delay = dep_delay - arr_delay) %>% 
  ggplot(aes(x = month, y = delay)) + geom_boxplot()
## Warning: Continuous x aesthetic -- did you forget aes(group=...)?

Upps, das sieht ja komisch aus… Hm..ggplot schlägt vor, wir sollen irgendwie group mit reinwursten… Naja, unsere Gruppen könnten die Monate sein. Also probieren wir’s mal…

flights %>% 
  group_by(month) %>% 
  na.omit() %>%  # alle Zeilen mit fehlenden Werten löschen
  mutate(delay = dep_delay - arr_delay) %>% 
  ggplot(aes(x = month, y = delay, group = month)) + geom_boxplot()

Die X-Achse sieht noch nicht so toll aus (mit den Nachkommastellen), aber das heben wir uns für eine andere Gelegenheit auf :-)

Noch ein kleiner Bonus zum Abschluss: Interaktive Diagramme!

Dazu müssen wir erstmal ein neues Paket laden: plotly (und ggf. vorher installieren).

# install.packages("plotly")
library(plotly)

plotly kann man ein ggplot-Objekt übergeben, welches dann automatisch in ein interaktives Diagramm übersetzt wird. Macht natürlich nur Sinn, wenn man das am Computer anschaut; ausgedruckt ist es dann nicht interaktiv…

flights %>% 
  group_by(month) %>% 
  na.omit() %>%  # alle Zeilen mit fehlenden Werten löschen
  mutate(delay = dep_delay - arr_delay) %>% 
  ggplot(aes(x = month, y = delay, group = month, color = month)) + geom_boxplot() -> flights_plot

ggplotly(flights_plot)

Für heute reicht’s!