Capítulo18 Datos Relacionados

Fecha de la ultima revisión

## [1] "2024-11-07"

---

El tema proviene de los siguientes sitios.

English: https://r4ds.had.co.nz/relational-data.html

Español: https://es.r4ds.hadley.nz/13-relational-data.html

---

library(tidyverse)
library(datos)

vuelos # data set #1

## # A tibble: 336,776 × 19
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013     1     1            517               515             2
##  2  2013     1     1            533               529             4
##  3  2013     1     1            542               540             2
##  4  2013     1     1            544               545            -1
##  5  2013     1     1            554               600            -6
##  6  2013     1     1            554               558            -4
##  7  2013     1     1            555               600            -5
##  8  2013     1     1            557               600            -3
##  9  2013     1     1            557               600            -3
## 10  2013     1     1            558               600            -2
## # ℹ 336,766 more rows
## # ℹ 13 more variables: horario_llegada <int>, llegada_programada <int>,
## #   atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## #   origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## #   hora <dbl>, minuto <dbl>, fecha_hora <dttm>

names(vuelos)

##  [1] "anio"               "mes"                "dia"               
##  [4] "horario_salida"     "salida_programada"  "atraso_salida"     
##  [7] "horario_llegada"    "llegada_programada" "atraso_llegada"    
## [10] "aerolinea"          "vuelo"              "codigo_cola"       
## [13] "origen"             "destino"            "tiempo_vuelo"      
## [16] "distancia"          "hora"               "minuto"            
## [19] "fecha_hora"

aerolineas # data set #2

## # A tibble: 16 × 2
##    aerolinea nombre                     
##    <chr>     <chr>                      
##  1 9E        Endeavor Air Inc.          
##  2 AA        American Airlines Inc.     
##  3 AS        Alaska Airlines Inc.       
##  4 B6        JetBlue Airways            
##  5 DL        Delta Air Lines Inc.       
##  6 EV        ExpressJet Airlines Inc.   
##  7 F9        Frontier Airlines Inc.     
##  8 FL        AirTran Airways Corporation
##  9 HA        Hawaiian Airlines Inc.     
## 10 MQ        Envoy Air                  
## 11 OO        SkyWest Airlines Inc.      
## 12 UA        United Air Lines Inc.      
## 13 US        US Airways Inc.            
## 14 VX        Virgin America             
## 15 WN        Southwest Airlines Co.     
## 16 YV        Mesa Airlines Inc.

names(aerolineas)

## [1] "aerolinea" "nombre"

aeropuertos

## # A tibble: 1,458 × 8
##    codigo_aeropuerto nombre  latitud longitud altura zona_horaria horario_verano
##    <chr>             <chr>     <dbl>    <dbl>  <dbl>        <dbl> <chr>         
##  1 04G               Lansdo…    41.1    -80.6   1044           -5 A             
##  2 06A               Moton …    32.5    -85.7    264           -6 A             
##  3 06C               Schaum…    42.0    -88.1    801           -6 A             
##  4 06N               Randal…    41.4    -74.4    523           -5 A             
##  5 09J               Jekyll…    31.1    -81.4     11           -5 A             
##  6 0A9               Elizab…    36.4    -82.2   1593           -5 A             
##  7 0G6               Willia…    41.5    -84.5    730           -5 A             
##  8 0G7               Finger…    42.9    -76.8    492           -5 A             
##  9 0P2               Shoest…    39.8    -76.6   1000           -5 U             
## 10 0S9               Jeffer…    48.1   -123.     108           -8 A             
## # ℹ 1,448 more rows
## # ℹ 1 more variable: zona_horaria_iana <chr>

names(aeropuertos)

## [1] "codigo_aeropuerto" "nombre"            "latitud"          
## [4] "longitud"          "altura"            "zona_horaria"     
## [7] "horario_verano"    "zona_horaria_iana"

aviones

## # A tibble: 3,322 × 9
##    codigo_cola  anio tipo           fabricante modelo motores asientos velocidad
##    <chr>       <int> <chr>          <chr>      <chr>    <int>    <int>     <int>
##  1 N10156       2004 Ala fija mult… EMBRAER    EMB-1…       2       55        NA
##  2 N102UW       1998 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  3 N103US       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  4 N104UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  5 N10575       2002 Ala fija mult… EMBRAER    EMB-1…       2       55        NA
##  6 N105UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  7 N107US       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  8 N108UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  9 N109UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
## 10 N110UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
## # ℹ 3,312 more rows
## # ℹ 1 more variable: tipo_motor <chr>

clima

## # A tibble: 26,115 × 15
##    origen  anio   mes   dia  hora temperatura punto_rocio humedad
##    <chr>  <int> <int> <int> <int>       <dbl>       <dbl>   <dbl>
##  1 EWR     2013     1     1     1        39.0        26.1    59.4
##  2 EWR     2013     1     1     2        39.0        27.0    61.6
##  3 EWR     2013     1     1     3        39.0        28.0    64.4
##  4 EWR     2013     1     1     4        39.9        28.0    62.2
##  5 EWR     2013     1     1     5        39.0        28.0    64.4
##  6 EWR     2013     1     1     6        37.9        28.0    67.2
##  7 EWR     2013     1     1     7        39.0        28.0    64.4
##  8 EWR     2013     1     1     8        39.9        28.0    62.2
##  9 EWR     2013     1     1     9        39.9        28.0    62.2
## 10 EWR     2013     1     1    10        41          28.0    59.6
## # ℹ 26,105 more rows
## # ℹ 7 more variables: direccion_viento <dbl>, velocidad_viento <dbl>,
## #   velocidad_rafaga <dbl>, precipitacion <dbl>, presion <dbl>,
## #   visibilidad <dbl>, fecha_hora <dttm>

vuelos

## # A tibble: 336,776 × 19
##     anio   mes   dia horario_salida salida_programada atraso_salida
##    <int> <int> <int>          <int>             <int>         <dbl>
##  1  2013     1     1            517               515             2
##  2  2013     1     1            533               529             4
##  3  2013     1     1            542               540             2
##  4  2013     1     1            544               545            -1
##  5  2013     1     1            554               600            -6
##  6  2013     1     1            554               558            -4
##  7  2013     1     1            555               600            -5
##  8  2013     1     1            557               600            -3
##  9  2013     1     1            557               600            -3
## 10  2013     1     1            558               600            -2
## # ℹ 336,766 more rows
## # ℹ 13 more variables: horario_llegada <int>, llegada_programada <int>,
## #   atraso_llegada <dbl>, aerolinea <chr>, vuelo <int>, codigo_cola <chr>,
## #   origen <chr>, destino <chr>, tiempo_vuelo <dbl>, distancia <dbl>,
## #   hora <dbl>, minuto <dbl>, fecha_hora <dttm>

aviones

## # A tibble: 3,322 × 9
##    codigo_cola  anio tipo           fabricante modelo motores asientos velocidad
##    <chr>       <int> <chr>          <chr>      <chr>    <int>    <int>     <int>
##  1 N10156       2004 Ala fija mult… EMBRAER    EMB-1…       2       55        NA
##  2 N102UW       1998 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  3 N103US       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  4 N104UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  5 N10575       2002 Ala fija mult… EMBRAER    EMB-1…       2       55        NA
##  6 N105UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  7 N107US       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  8 N108UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
##  9 N109UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
## 10 N110UW       1999 Ala fija mult… AIRBUS IN… A320-…       2      182        NA
## # ℹ 3,312 more rows
## # ℹ 1 more variable: tipo_motor <chr>

aviones %>%
  count(codigo_cola) %>%
  filter(n > 1)

## # A tibble: 0 × 2
## # ℹ 2 variables: codigo_cola <chr>, n <int>

18.1 Temas: Datos Relacionados

• mutating joins
• filtering joins
• operations

18.1.1 Los datos de vuelos

1. Ejercicios:

Hacer los ejercicios en la sección 13.2.1 del libro en español

---

18.2 Claves

2. Ejercicios:

Hacer los ejercicios en la sección 13.3.1 del libro en español

Identify the keys in the following datasets

Lahman::Batting, babynames::babynames nasaweather::atmos fueleconomy::vehicles ggplot2::diamonds

head(Lahman::Batting)

##    playerID yearID stint teamID lgID  G AB R H X2B X3B HR RBI SB CS BB SO IBB
## 1 aardsda01   2004     1    SFN   NL 11  0 0 0   0   0  0   0  0  0  0  0   0
## 2 aardsda01   2006     1    CHN   NL 45  2 0 0   0   0  0   0  0  0  0  0   0
## 3 aardsda01   2007     1    CHA   AL 25  0 0 0   0   0  0   0  0  0  0  0   0
## 4 aardsda01   2008     1    BOS   AL 47  1 0 0   0   0  0   0  0  0  0  1   0
## 5 aardsda01   2009     1    SEA   AL 73  0 0 0   0   0  0   0  0  0  0  0   0
## 6 aardsda01   2010     1    SEA   AL 53  0 0 0   0   0  0   0  0  0  0  0   0
##   HBP SH SF GIDP
## 1   0  0  0    0
## 2   0  1  0    0
## 3   0  0  0    0
## 4   0  0  0    0
## 5   0  0  0    0
## 6   0  0  0    0

head(datos::bateadores)

##   id_jugador id_anio orden_equipos id_equipo id_liga juegos al_bate carreras
## 1  aardsda01    2004             1       SFN      NL     11       0        0
## 2  aardsda01    2006             1       CHN      NL     45       2        0
## 3  aardsda01    2007             1       CHA      AL     25       0        0
## 4  aardsda01    2008             1       BOS      AL     47       1        0
## 5  aardsda01    2009             1       SEA      AL     73       0        0
## 6  aardsda01    2010             1       SEA      AL     53       0        0
##   golpes dobles triples cuadrangulares carreras_empujadas bases_robadas
## 1      0      0       0              0                  0             0
## 2      0      0       0              0                  0             0
## 3      0      0       0              0                  0             0
## 4      0      0       0              0                  0             0
## 5      0      0       0              0                  0             0
## 6      0      0       0              0                  0             0
##   atrapado_robando base_bolas ponches base_intencional golpeado
## 1                0          0       0                0        0
## 2                0          0       0                0        0
## 3                0          0       0                0        0
## 4                0          0       1                0        0
## 5                0          0       0                0        0
## 6                0          0       0                0        0
##   toque_sacrificio elavado_sacrificio doble_matanza
## 1                0                  0             0
## 2                1                  0             0
## 3                0                  0             0
## 4                0                  0             0
## 5                0                  0             0
## 6                0                  0             0

Lahman::Batting %>% 
  count(playerID) %>% 
  filter(n>1) |> 
  head()

##    playerID  n
## 1 aardsda01  9
## 2 aaronha01 23
## 3 aaronto01  7
## 4  aasedo01 13
## 5  abadan01  3
## 6  abadfe01 12

bateadores %>%
count(id_jugador,id_anio,orden_equipos) %>%
filter(n > 1) |> 
  head()

## [1] id_jugador    id_anio       orden_equipos n            
## <0 rows> (or 0-length row.names)

Lahman::Batting %>% 
  count(playerID, yearID, stint) %>% 
  filter(n>1) |> 
  head()

## [1] playerID yearID   stint    n       
## <0 rows> (or 0-length row.names)

#babynames::babynames

babynames::babynames %>% 
  count(year, name, sex) %>% 
  filter(n>1)

## # A tibble: 0 × 4
## # ℹ 4 variables: year <dbl>, name <chr>, sex <chr>, n <int>

Cual fue el primer año que su nombre aparece en la base de datos

babynames::babynames %>% 
filter(name =="Abimelys")

## # A tibble: 0 × 5
## # ℹ 5 variables: year <dbl>, sex <chr>, name <chr>, n <int>, prop <dbl>

max(babynames::babynames$year)

## [1] 2017

nasaweather::atmos

## # A tibble: 41,472 × 11
##      lat  long  year month surftemp  temp pressure ozone cloudlow cloudmid
##    <dbl> <dbl> <int> <int>    <dbl> <dbl>    <dbl> <dbl>    <dbl>    <dbl>
##  1  36.2 -114.  1995     1     273.  272.      835   304      7.5     34.5
##  2  33.7 -114.  1995     1     280.  282.      940   304     11.5     32.5
##  3  31.2 -114.  1995     1     285.  285.      960   298     16.5     26  
##  4  28.7 -114.  1995     1     289.  291.      990   276     20.5     14.5
##  5  26.2 -114.  1995     1     292.  293.     1000   274     26       10.5
##  6  23.7 -114.  1995     1     294.  294.     1000   264     30        9.5
##  7  21.2 -114.  1995     1     295   295.     1000   258     29.5     11  
##  8  18.7 -114.  1995     1     298.  297.     1000   252     26.5     17.5
##  9  16.2 -114.  1995     1     300.  298.     1000   250     27.5     18.5
## 10  13.7 -114.  1995     1     300.  299.     1000   250     26       16.5
## # ℹ 41,462 more rows
## # ℹ 1 more variable: cloudhigh <dbl>

nasaweather::atmos %>% 
  count(lat, long, year, month) %>% 
  filter(n>1)

## # A tibble: 0 × 5
## # ℹ 5 variables: lat <dbl>, long <dbl>, year <int>, month <int>, n <int>

fueleconomy::vehicles

## # A tibble: 33,442 × 12
##       id make  model        year class trans drive   cyl displ fuel    hwy   cty
##    <dbl> <chr> <chr>       <dbl> <chr> <chr> <chr> <dbl> <dbl> <chr> <dbl> <dbl>
##  1 13309 Acura 2.2CL/3.0CL  1997 Subc… Auto… Fron…     4   2.2 Regu…    26    20
##  2 13310 Acura 2.2CL/3.0CL  1997 Subc… Manu… Fron…     4   2.2 Regu…    28    22
##  3 13311 Acura 2.2CL/3.0CL  1997 Subc… Auto… Fron…     6   3   Regu…    26    18
##  4 14038 Acura 2.3CL/3.0CL  1998 Subc… Auto… Fron…     4   2.3 Regu…    27    19
##  5 14039 Acura 2.3CL/3.0CL  1998 Subc… Manu… Fron…     4   2.3 Regu…    29    21
##  6 14040 Acura 2.3CL/3.0CL  1998 Subc… Auto… Fron…     6   3   Regu…    26    17
##  7 14834 Acura 2.3CL/3.0CL  1999 Subc… Auto… Fron…     4   2.3 Regu…    27    20
##  8 14835 Acura 2.3CL/3.0CL  1999 Subc… Manu… Fron…     4   2.3 Regu…    29    21
##  9 14836 Acura 2.3CL/3.0CL  1999 Subc… Auto… Fron…     6   3   Regu…    26    17
## 10 11789 Acura 2.5TL        1995 Comp… Auto… Fron…     5   2.5 Prem…    23    18
## # ℹ 33,432 more rows

fueleconomy::vehicles %>% 
    count(id) %>% 
  filter(n>1)

## # A tibble: 0 × 2
## # ℹ 2 variables: id <dbl>, n <int>

ggplot2::diamonds

## # A tibble: 53,940 × 10
##    carat cut       color clarity depth table price     x     y     z
##    <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
##  1  0.23 Ideal     E     SI2      61.5    55   326  3.95  3.98  2.43
##  2  0.21 Premium   E     SI1      59.8    61   326  3.89  3.84  2.31
##  3  0.23 Good      E     VS1      56.9    65   327  4.05  4.07  2.31
##  4  0.29 Premium   I     VS2      62.4    58   334  4.2   4.23  2.63
##  5  0.31 Good      J     SI2      63.3    58   335  4.34  4.35  2.75
##  6  0.24 Very Good J     VVS2     62.8    57   336  3.94  3.96  2.48
##  7  0.24 Very Good I     VVS1     62.3    57   336  3.95  3.98  2.47
##  8  0.26 Very Good H     SI1      61.9    55   337  4.07  4.11  2.53
##  9  0.22 Fair      E     VS2      65.1    61   337  3.87  3.78  2.49
## 10  0.23 Very Good H     VS1      59.4    61   338  4     4.05  2.39
## # ℹ 53,930 more rows

ggplot2::diamonds %>% 
      count(carat, cut, color, clarity, depth, price, x, y, z) %>% 
  filter(n>1)

## # A tibble: 283 × 10
##    carat cut       color clarity depth price     x     y     z     n
##    <dbl> <ord>     <ord> <ord>   <dbl> <int> <dbl> <dbl> <dbl> <int>
##  1  0.23 Very Good E     VVS2     60.9   530  3.96  3.99  2.42     2
##  2  0.24 Very Good E     VVS1     61.7   485  3.95  3.99  2.45     2
##  3  0.24 Very Good G     VVS2     62     449  4     4.03  2.49     2
##  4  0.26 Ideal     G     SI1      62     394  4.08  4.11  2.54     2
##  5  0.3  Good      J     VS1      63.4   394  4.23  4.26  2.69     2
##  6  0.3  Very Good D     SI1      62.5   552  4.26  4.28  2.67     2
##  7  0.3  Very Good E     SI1      62.9   526  4.25  4.3   2.69     2
##  8  0.3  Very Good E     VVS2     61.4   789  4.25  4.28  2.62     2
##  9  0.3  Very Good G     VS2      63     526  4.29  4.31  2.71     2
## 10  0.3  Very Good H     SI1      62.9   421  4.28  4.31  2.7      2
## # ℹ 273 more rows

Draw a diagram illustrating the connections between the Batting, People, and Salaries tables in the Lahman package. Draw another diagram that shows the relationship between People, Managers, AwardsManagers.

Dibuja un diagrama que ilustre las conexiones entre las tablas bateadores, personas y salarios incluidas en el paquete datos. Dibuja otro diagrama que muestre la relación entre personas, dirigentes y premios_dirigentes.

names(Lahman::Batting)

##  [1] "playerID" "yearID"   "stint"    "teamID"   "lgID"     "G"       
##  [7] "AB"       "R"        "H"        "X2B"      "X3B"      "HR"      
## [13] "RBI"      "SB"       "CS"       "BB"       "SO"       "IBB"     
## [19] "HBP"      "SH"       "SF"       "GIDP"

names(Lahman::Salaries)

## [1] "yearID"   "teamID"   "lgID"     "playerID" "salary"

names(Lahman::People)

##  [1] "playerID"     "birthYear"    "birthMonth"   "birthDay"     "birthCity"   
##  [6] "birthCountry" "birthState"   "deathYear"    "deathMonth"   "deathDay"    
## [11] "deathCountry" "deathState"   "deathCity"    "nameFirst"    "nameLast"    
## [16] "nameGiven"    "weight"       "height"       "bats"         "throws"      
## [21] "debut"        "bbrefID"      "finalGame"    "retroID"      "deathDate"   
## [26] "birthDate"

---

18.3 Uniones de transformaciones

• mutating join

vuelos2 <- vuelos %>%
  dplyr::select(anio, dia, hora, origen, destino, codigo_cola, aerolinea)
vuelos2

## # A tibble: 336,776 × 7
##     anio   dia  hora origen destino codigo_cola aerolinea
##    <int> <int> <dbl> <chr>  <chr>   <chr>       <chr>    
##  1  2013     1     5 EWR    IAH     N14228      UA       
##  2  2013     1     5 LGA    IAH     N24211      UA       
##  3  2013     1     5 JFK    MIA     N619AA      AA       
##  4  2013     1     5 JFK    BQN     N804JB      B6       
##  5  2013     1     6 LGA    ATL     N668DN      DL       
##  6  2013     1     5 EWR    ORD     N39463      UA       
##  7  2013     1     6 EWR    FLL     N516JB      B6       
##  8  2013     1     6 LGA    IAD     N829AS      EV       
##  9  2013     1     6 JFK    MCO     N593JB      B6       
## 10  2013     1     6 LGA    ORD     N3ALAA      AA       
## # ℹ 336,766 more rows

names(aerolineas)

## [1] "aerolinea" "nombre"

aerolineas

## # A tibble: 16 × 2
##    aerolinea nombre                     
##    <chr>     <chr>                      
##  1 9E        Endeavor Air Inc.          
##  2 AA        American Airlines Inc.     
##  3 AS        Alaska Airlines Inc.       
##  4 B6        JetBlue Airways            
##  5 DL        Delta Air Lines Inc.       
##  6 EV        ExpressJet Airlines Inc.   
##  7 F9        Frontier Airlines Inc.     
##  8 FL        AirTran Airways Corporation
##  9 HA        Hawaiian Airlines Inc.     
## 10 MQ        Envoy Air                  
## 11 OO        SkyWest Airlines Inc.      
## 12 UA        United Air Lines Inc.      
## 13 US        US Airways Inc.            
## 14 VX        Virgin America             
## 15 WN        Southwest Airlines Co.     
## 16 YV        Mesa Airlines Inc.

vuelos2 %>%
  dplyr::select(-origen, -destino) %>%
  left_join(aerolineas, by = "aerolinea")

## # A tibble: 336,776 × 6
##     anio   dia  hora codigo_cola aerolinea nombre                  
##    <int> <int> <dbl> <chr>       <chr>     <chr>                   
##  1  2013     1     5 N14228      UA        United Air Lines Inc.   
##  2  2013     1     5 N24211      UA        United Air Lines Inc.   
##  3  2013     1     5 N619AA      AA        American Airlines Inc.  
##  4  2013     1     5 N804JB      B6        JetBlue Airways         
##  5  2013     1     6 N668DN      DL        Delta Air Lines Inc.    
##  6  2013     1     5 N39463      UA        United Air Lines Inc.   
##  7  2013     1     6 N516JB      B6        JetBlue Airways         
##  8  2013     1     6 N829AS      EV        ExpressJet Airlines Inc.
##  9  2013     1     6 N593JB      B6        JetBlue Airways         
## 10  2013     1     6 N3ALAA      AA        American Airlines Inc.  
## # ℹ 336,766 more rows

x <- tribble(
  ~key, ~val_x,
  1, "x1",
  2, "x2",
  3, "x3"
)
y <- tribble(
  ~key, ~val_y,
  1, "y1",
  2, "y2",
  4, "y3"
)

x

## # A tibble: 3 × 2
##     key val_x
##   <dbl> <chr>
## 1     1 x1   
## 2     2 x2   
## 3     3 x3

y

## # A tibble: 3 × 2
##     key val_y
##   <dbl> <chr>
## 1     1 y1   
## 2     2 y2   
## 3     4 y3

x %>% 
  inner_join(y, by="key")

## # A tibble: 2 × 3
##     key val_x val_y
##   <dbl> <chr> <chr>
## 1     1 x1    y1   
## 2     2 x2    y2

#left_join

x %>% 
  left_join(y, by="key")

## # A tibble: 3 × 3
##     key val_x val_y
##   <dbl> <chr> <chr>
## 1     1 x1    y1   
## 2     2 x2    y2   
## 3     3 x3    <NA>

#right_join

x %>% 
  right_join(y, by="key")

## # A tibble: 3 × 3
##     key val_x val_y
##   <dbl> <chr> <chr>
## 1     1 x1    y1   
## 2     2 x2    y2   
## 3     4 <NA>  y3

#full_join

x %>% 
  full_join(y, by="key")

## # A tibble: 4 × 3
##     key val_x val_y
##   <dbl> <chr> <chr>
## 1     1 x1    y1   
## 2     2 x2    y2   
## 3     3 x3    <NA> 
## 4     4 <NA>  y3

left_join

x <- tribble(
  ~key, ~nombre_x,
  1, "Juan",
  2, "Maria",
  3, "Orlando"
)
y <- tribble(
  ~key, ~edad_y,
  1, 20,
  2, 21,
  4, 22
)

x

## # A tibble: 3 × 2
##     key nombre_x
##   <dbl> <chr>   
## 1     1 Juan    
## 2     2 Maria   
## 3     3 Orlando

y

## # A tibble: 3 × 2
##     key edad_y
##   <dbl>  <dbl>
## 1     1     20
## 2     2     21
## 3     4     22

x %>% 
  full_join(y, by="key")

## # A tibble: 4 × 3
##     key nombre_x edad_y
##   <dbl> <chr>     <dbl>
## 1     1 Juan         20
## 2     2 Maria        21
## 3     3 Orlando      NA
## 4     4 <NA>         22

x %>% 
  inner_join(y, by="key")

## # A tibble: 2 × 3
##     key nombre_x edad_y
##   <dbl> <chr>     <dbl>
## 1     1 Juan         20
## 2     2 Maria        21

x %>% 
  left_join(y, by="key")

## # A tibble: 3 × 3
##     key nombre_x edad_y
##   <dbl> <chr>     <dbl>
## 1     1 Juan         20
## 2     2 Maria        21
## 3     3 Orlando      NA

x %>% 
  right_join(y, by="key")

## # A tibble: 3 × 3
##     key nombre_x edad_y
##   <dbl> <chr>     <dbl>
## 1     1 Juan         20
## 2     2 Maria        21
## 3     4 <NA>         22

x %>% 
  full_join(y, by="key")

## # A tibble: 4 × 3
##     key nombre_x edad_y
##   <dbl> <chr>     <dbl>
## 1     1 Juan         20
## 2     2 Maria        21
## 3     3 Orlando      NA
## 4     4 <NA>         22

x %>% 
  inner_join(y, by="key")

## # A tibble: 2 × 3
##     key nombre_x edad_y
##   <dbl> <chr>     <dbl>
## 1     1 Juan         20
## 2     2 Maria        21

START HERE!!!!

vuelos2 %>%
  dplyr::select(-origen, -destino) %>%
  left_join(aerolineas, by = "aerolinea")

## # A tibble: 336,776 × 6
##     anio   dia  hora codigo_cola aerolinea nombre                  
##    <int> <int> <dbl> <chr>       <chr>     <chr>                   
##  1  2013     1     5 N14228      UA        United Air Lines Inc.   
##  2  2013     1     5 N24211      UA        United Air Lines Inc.   
##  3  2013     1     5 N619AA      AA        American Airlines Inc.  
##  4  2013     1     5 N804JB      B6        JetBlue Airways         
##  5  2013     1     6 N668DN      DL        Delta Air Lines Inc.    
##  6  2013     1     5 N39463      UA        United Air Lines Inc.   
##  7  2013     1     6 N516JB      B6        JetBlue Airways         
##  8  2013     1     6 N829AS      EV        ExpressJet Airlines Inc.
##  9  2013     1     6 N593JB      B6        JetBlue Airways         
## 10  2013     1     6 N3ALAA      AA        American Airlines Inc.  
## # ℹ 336,766 more rows

names(vuelos2)

## [1] "anio"        "dia"         "hora"        "origen"      "destino"    
## [6] "codigo_cola" "aerolinea"

names(clima)

##  [1] "origen"           "anio"             "mes"              "dia"             
##  [5] "hora"             "temperatura"      "punto_rocio"      "humedad"         
##  [9] "direccion_viento" "velocidad_viento" "velocidad_rafaga" "precipitacion"   
## [13] "presion"          "visibilidad"      "fecha_hora"

vuelos2 %>%
left_join(clima)

## # A tibble: 3,974,448 × 18
##     anio   dia  hora origen destino codigo_cola aerolinea   mes temperatura
##    <int> <int> <dbl> <chr>  <chr>   <chr>       <chr>     <int>       <dbl>
##  1  2013     1     5 EWR    IAH     N14228      UA            1        39.0
##  2  2013     1     5 EWR    IAH     N14228      UA            2        28.0
##  3  2013     1     5 EWR    IAH     N14228      UA            3        35.1
##  4  2013     1     5 EWR    IAH     N14228      UA            4        45.0
##  5  2013     1     5 EWR    IAH     N14228      UA            5        44.1
##  6  2013     1     5 EWR    IAH     N14228      UA            6        72.0
##  7  2013     1     5 EWR    IAH     N14228      UA            7        75.0
##  8  2013     1     5 EWR    IAH     N14228      UA            8        72.0
##  9  2013     1     5 EWR    IAH     N14228      UA            9        73.9
## 10  2013     1     5 EWR    IAH     N14228      UA           10        53.1
## # ℹ 3,974,438 more rows
## # ℹ 9 more variables: punto_rocio <dbl>, humedad <dbl>, direccion_viento <dbl>,
## #   velocidad_viento <dbl>, velocidad_rafaga <dbl>, precipitacion <dbl>,
## #   presion <dbl>, visibilidad <dbl>, fecha_hora <dttm>

#> Joining, by = c("anio", "mes", "dia", "hora", "origen")
vuelos2 %>%
left_join(clima, by = c("anio", "dia", "hora", "origen"))

## # A tibble: 3,974,448 × 18
##     anio   dia  hora origen destino codigo_cola aerolinea   mes temperatura
##    <int> <int> <dbl> <chr>  <chr>   <chr>       <chr>     <int>       <dbl>
##  1  2013     1     5 EWR    IAH     N14228      UA            1        39.0
##  2  2013     1     5 EWR    IAH     N14228      UA            2        28.0
##  3  2013     1     5 EWR    IAH     N14228      UA            3        35.1
##  4  2013     1     5 EWR    IAH     N14228      UA            4        45.0
##  5  2013     1     5 EWR    IAH     N14228      UA            5        44.1
##  6  2013     1     5 EWR    IAH     N14228      UA            6        72.0
##  7  2013     1     5 EWR    IAH     N14228      UA            7        75.0
##  8  2013     1     5 EWR    IAH     N14228      UA            8        72.0
##  9  2013     1     5 EWR    IAH     N14228      UA            9        73.9
## 10  2013     1     5 EWR    IAH     N14228      UA           10        53.1
## # ℹ 3,974,438 more rows
## # ℹ 9 more variables: punto_rocio <dbl>, humedad <dbl>, direccion_viento <dbl>,
## #   velocidad_viento <dbl>, velocidad_rafaga <dbl>, precipitacion <dbl>,
## #   presion <dbl>, visibilidad <dbl>, fecha_hora <dttm>

names(vuelos2)

## [1] "anio"        "dia"         "hora"        "origen"      "destino"    
## [6] "codigo_cola" "aerolinea"

names(aeropuertos)

## [1] "codigo_aeropuerto" "nombre"            "latitud"          
## [4] "longitud"          "altura"            "zona_horaria"     
## [7] "horario_verano"    "zona_horaria_iana"

head(vuelos2, n=3)

## # A tibble: 3 × 7
##    anio   dia  hora origen destino codigo_cola aerolinea
##   <int> <int> <dbl> <chr>  <chr>   <chr>       <chr>    
## 1  2013     1     5 EWR    IAH     N14228      UA       
## 2  2013     1     5 LGA    IAH     N24211      UA       
## 3  2013     1     5 JFK    MIA     N619AA      AA

aeropuertos

## # A tibble: 1,458 × 8
##    codigo_aeropuerto nombre  latitud longitud altura zona_horaria horario_verano
##    <chr>             <chr>     <dbl>    <dbl>  <dbl>        <dbl> <chr>         
##  1 04G               Lansdo…    41.1    -80.6   1044           -5 A             
##  2 06A               Moton …    32.5    -85.7    264           -6 A             
##  3 06C               Schaum…    42.0    -88.1    801           -6 A             
##  4 06N               Randal…    41.4    -74.4    523           -5 A             
##  5 09J               Jekyll…    31.1    -81.4     11           -5 A             
##  6 0A9               Elizab…    36.4    -82.2   1593           -5 A             
##  7 0G6               Willia…    41.5    -84.5    730           -5 A             
##  8 0G7               Finger…    42.9    -76.8    492           -5 A             
##  9 0P2               Shoest…    39.8    -76.6   1000           -5 U             
## 10 0S9               Jeffer…    48.1   -123.     108           -8 A             
## # ℹ 1,448 more rows
## # ℹ 1 more variable: zona_horaria_iana <chr>

vuelos2 %>%
 right_join(aeropuertos, c("origen" = "codigo_aeropuerto"))

## # A tibble: 338,231 × 14
##     anio   dia  hora origen destino codigo_cola aerolinea nombre         latitud
##    <int> <int> <dbl> <chr>  <chr>   <chr>       <chr>     <chr>            <dbl>
##  1  2013     1     5 EWR    IAH     N14228      UA        Newark Libert…    40.7
##  2  2013     1     5 LGA    IAH     N24211      UA        La Guardia        40.8
##  3  2013     1     5 JFK    MIA     N619AA      AA        John F Kenned…    40.6
##  4  2013     1     5 JFK    BQN     N804JB      B6        John F Kenned…    40.6
##  5  2013     1     6 LGA    ATL     N668DN      DL        La Guardia        40.8
##  6  2013     1     5 EWR    ORD     N39463      UA        Newark Libert…    40.7
##  7  2013     1     6 EWR    FLL     N516JB      B6        Newark Libert…    40.7
##  8  2013     1     6 LGA    IAD     N829AS      EV        La Guardia        40.8
##  9  2013     1     6 JFK    MCO     N593JB      B6        John F Kenned…    40.6
## 10  2013     1     6 LGA    ORD     N3ALAA      AA        La Guardia        40.8
## # ℹ 338,221 more rows
## # ℹ 5 more variables: longitud <dbl>, altura <dbl>, zona_horaria <dbl>,
## #   horario_verano <chr>, zona_horaria_iana <chr>

library(maps)

aeropuertos %>%
semi_join(vuelos, c("codigo_aeropuerto" = "destino")) %>%
ggplot(aes(longitud, latitud)) +
borders("state") +
geom_point() +
coord_quickmap()

• mutate()
• select()
• left_join()
• match()

---

18.4 Entendiendo las uniones

---

18.4.1 Unión interiores

18.4.2 Unión exteriores

18.4.3 Claves duplicadas

---

18.5 Definiendo las columnas clave

3. Ejercicios:

Hacer los ejercicios en la sección 13.4.6 del libro en español

---

18.6 Otras implementaciones

• merge()

---

18.7 Uniones de filtro

• semi_join()
• anti_join()

4. Ejercicios:

Hacer los ejercicios en la sección 13.5.1 del libro en español

---

18.8 Problemas con las uniones

---