Основы статистической обработки педагогической информации. Денис Владимирович Соломатин
Чтение книги онлайн.

Читать онлайн книгу Основы статистической обработки педагогической информации - Денис Владимирович Соломатин страница 22

СКАЧАТЬ style="font-size:15px;">      неотмененные <– flights %>%

      filter(!is.na(dep_delay), !is.na(arr_delay))

      Сгруппируем получившиеся данные о неотмененных рейсах по датам и посчитаем среднюю задержку на каждую дату в отдельности:

      неотмененные %>%

      group_by(year, month, day) %>%

      summarise(средняя_задержка = mean(dep_delay))

      Всякий раз, когда осуществляется подобная агрегация, правилом хорошего тона является добавление счетчика числа учтенных значений функцией n(), либо путём подсчета используемых непустых значений командой sum(!is.na(x)). Таким способом можно удостовериться, что не делается поспешных выводов на основании выборок очень малых объемов. Например, сгруппировав рейсы по бортовому номеру, хранящемуся в переменной tailnum из таблицы неотмененных рейсов, на графике посмотрим каковы самые высокие задержки в среднем на борт:

      задержки <– неотмененные %>%

      group_by(tailnum) %>%

      summarise(

      средняя_задержка = mean(arr_delay)

      )

      ggplot(data = задержки, mapping = aes(x = средняя_задержка)) +

      geom_freqpoly(binwidth = 5)

      Неужели много самолетов со средней задержкой рейса более 5 часов (300+ минут)? На самом деле не всё так печально, как могло показаться при поверхностном ознакомлении. Можно получить более глубокое представление об опозданиях, если нарисовать диаграмму рассеяния количества рейсов относительно средней задержки:

      задержки <– неотмененные %>%

      group_by(tailnum) %>%

      summarise(

      средняя_задержка = mean(arr_delay, na.rm = TRUE),

      количество_выполненных_рейсов = n()

      )

      ggplot(data = задержки, mapping = aes(x = количество_выполненных_рейсов,

      y = средняя_задержка)) +

      geom_point(alpha = 1/15)

      Неудивительно, что на частых рейсах задержек практически не наблюдается, а в основном задерживаются те борта, чьих рейсов мало. Что характерно, и в принципе соответствует статистическому закону больших чисел: всякий раз, когда ищется среднее значение (или другая сводка) в сравнении с размером группы, приходят к выводу, что вариативность вычисленного значения уменьшается по мере увеличения объема выборки.

      Именно поэтому, когда решаете аналогичные задачи, полезно отфильтровывать группы с наименьшим количеством наблюдений, тогда можно будет увидеть общие закономерности и уменьшить выбросы значений на малых группах. На примере следующего кода будет демонстрирован удобный шаблон интеграции ggplot2 с каналами в dplyr. Немного странным может показаться смешение стилей %>% и +, дело привычки, со временем это станет естественным. Отфильтруем на предыдущем графике экспериментальные самолёты с малым количеством вылетов, не превышающим 33:

      задержки %>% filter(количество_выполненных_рейсов > 33) %>%

      ggplot(mapping = aes(x = количество_выполненных_рейсов,

      y = средняя_задержка)) +

      geom_point(alpha = 1/15)

СКАЧАТЬ