Cyclistics

Preparación de Datos

Paso 1. Instalación y carga del paquete Tidyverse

if (!requireNamespace("tidyverse", quietly = TRUE)) 
  install.packages("tidyverse") 
library(tidyverse) 

Paso 2. Función para construir rutas.

construir_ruta <- function(...){
  return(file.path(getwd(), ...))
} 

Paso 3. Obtener las rutas de datos y datos de origen (data-meses)

ruta_datos <- construir_ruta("data") 
ruta_datos_de_origen <- construir_ruta("data", "data-meses")

Paso 4. Cargar y mostrar la lista de archivos csv correspondiente a los datos mensuales del proyecto.

archivos_csv <- list.files(path = ruta_datos_de_origen, pattern = "\\.csv$", full.names = FALSE, recursive = TRUE)
print(archivos_csv)

Paso 5. Iterar sobre los archivos csv para visualizar las columnas.

for (archivo in archivos_csv) { 
  tryCatch({
    datos <- read.csv(file.path(ruta_datos_de_origen, archivo)) 
    print(paste('NOMBRE ARCHIVO: ', archivo))
    print(colnames(datos))
    str(datos)
    cat("\n")
  }, error = function(e) {
    message("Error leyendo archivo: ", archivo, "\n", e)
  })
}

Paso 6. Leer y combinar todos los archivos en un único dataframe.

dataframe_combinado <- archivos_csv %>%
  map_df(~ read_csv(file.path(ruta_datos_de_origen, .))) # Combina automáticamente todos los datos
str(dataframe_combinado)
head(dataframe_combinado)

Paso 7. Exportar el dataframe a csv.

write.csv(dataframe_combinado, file.path(ruta_datos, "2024-tripdata.csv"), row.names = FALSE)

---

Limpieza de Datos

Paso 1. Instalar y cargar paquete Lubridate

install.packages('lubridate')
library(lubridate)

Paso 2. Importar nuevas data y visualizar resumen de datos

data <- read_csv(file.path(ruta_datos, '2024-tripdata.csv'))
head(data)
summary(data)
str(data)
glimpse(data)

Paso 3. Eliminar columnas innecesarias

data <- data %>% 
  select(-c('start_lat', 'start_lng', 'end_lat', 'end_lng'))
glimpse(data)

Paso 4. Renombrar las columnas

tripdata_rename <- rename(data, 
                          id_recorrido = ride_id,
                          tipo_bicicleta = rideable_type,
                          inicio_recorrido = started_at,
                          final_recorrido = ended_at,
                          estacion_inicial = start_station_name,
                          estacion_final = end_station_name,
                          id_estacion_inicial = start_station_id,
                          id_estacion_final = end_station_id,
                          tipo_cliente = member_casual)
glimpse(tripdata_rename)

Paso 5. Eliminar registros duplicados

tripdata_rename <- tripdata_rename %>%  distinct() 

Paso 6. Identificar tipo de usuarios y tipos de bicicletas

tripdata_rename %>% 
  group_by(tipo_bicicleta,tipo_cliente) %>%
  summarize(n())

Paso 7. Mutar la dataframe:

• Crear nuevas columnas: mes y dia_semana.

• Renombrar los timpos de clientes y tipos de bicicletas.

• Mostrar resultado.

tripdata_new <- tripdata_rename %>% 
  mutate(tiempo_recorrido = as.numeric(difftime(final_recorrido, inicio_recorrido, units = 'mins')),
         mes = format(as.Date(inicio_recorrido), "%B"),
         dia_semana = weekdays(as.Date(inicio_recorrido)),
         tipo_cliente = recode(tipo_cliente,
                               "member" = 'suscriptor',
                               "casual" = 'cliente'),
         tipo_bicicleta = recode(tipo_bicicleta,
                                 'classic_bike' = 'bicicleta clasica',
                                 'electric_bike' = 'bicicleta electrica',
                                 'electric_scooter' = 'scooter electrico'))
glimpse(tripdata_new)
head(tripdata_new)

Paso 8. Contar valores inferiores a cero en la columna tiempo_recorrido

valores_negativos <- sum(tripdata_new$tiempo_recorrido < 0, na.rm = TRUE)
print(paste("Valores menores a 0 en tiempo_recorrido:", valores_negativos))

Paso 9. Fitrar recorrido con valores superiores a cero.

tripdata_new <- tripdata_new %>% 
  filter(tiempo_recorrido > 0)

Paso 10. Tratar valores nulos

1. Mostrar valores nulos, cantidad y porcentaje por columnas.

    colSums(is.na(tripdata_new))
    porcentaje_nulos <- sapply(tripdata_new[, c("id_estacion_inicial", "estacion_inicial", "id_estacion_final", "estacion_final")], function(x) mean(is.na(x)) * 100)
    print(porcentaje_nulos)

2. Reemplazar valores nulos.

    tripdata_new <- tripdata_new %>%
      replace_na(list(
        estacion_inicial = "Desconocido",
        id_estacion_inicial = "Desconocido",
        estacion_final = "Desconocido",
        id_estacion_final = "Desconocido"
      ))

Paso 11. Formatear columnas tipo caracter

tripdata_new <- tripdata_new %>%
  mutate(
    across(where(is.character), ~ str_trim(.)),       # Eliminar espacios en blanco
    estacion_inicial = str_to_title(estacion_inicial),  # Inicial mayúscula
    estacion_final = str_to_title(estacion_final)     # Igual para final
  )
head(tripdata_new)

Paso 12. Manejo de columnas en conflicto

1. Agrupar las columnas con datos en conflicto por incosistencia de datos y contar las ocurrencias.

    datos_conflictos_inicial <- tripdata_new %>%
      group_by(id_estacion_inicial, estacion_inicial) %>%
      summarize(conteo = n(), .groups = "drop") %>%
      ungroup() %>% group_by(id_estacion_inicial) %>%
      filter(n() > 1) 
    print(datos_conflictos_inicial)

2. Eliminar columnas para evitar inconsistencia de datos y sesgo.

tripdata_new <- tripdata_new %>% 
  select(-c('id_estacion_inicial','estacion_inicial','id_estacion_final','estacion_final'))
glimpse(tripdata_new)

Paso 13. Exportar dataframe limpio a csv.

write.csv(tripdata_new, file.path(ruta_datos, "2024-tripdata-clean.csv"), row.names = FALSE)

---

Análisis y Visualización de Datos

Paso 1. Cargar los paquetes necesarios.

install.packages('scales')
library(scales)
library(ggplot2)

Paso 2. Importar datos limpios.

data_clean <- read_csv(file.path(ruta_datos, '2024-tripdata-clean.csv'))
glimpse(data_clean)
head(data_clean)

Paso 3. Análisis descriptivos de tiempo de recorrido

summary(data_clean$tiempo_recorrido)

Paso 4. Análisis comparativo entre clientes y suscriptores

aggregate(data_clean$tiempo_recorrido ~ data_clean$tipo_cliente, FUN = mean)
aggregate(data_clean$tiempo_recorrido ~ data_clean$tipo_cliente, FUN = median)
aggregate(data_clean$tiempo_recorrido ~ data_clean$tipo_cliente, FUN = max)
aggregate(data_clean$tiempo_recorrido ~ data_clean$tipo_cliente, FUN = min)

Paso 5. Definir días de la semana y meses del año

data_clean$mes <- ordered(data_clean$mes, levels=c('enero','febrero','marzo','abril','mayo','junio','julio','agosto','septiembre','octubre','noviembre','diciembre'))
data_clean$dia_semana <- ordered(data_clean$dia_semana, levels=c("lunes", "martes", "miércoles", "jueves", "viernes", "sábado","domingo"))

Paso 6. Vectores ordenados

1. Días de la semana ordenados de lunes a domingo

  dias_semana_ordenados <- c("lunes", "martes", "miércoles", "jueves", "viernes", "sábado", "domingo")

2. Meses del año, ordenados de enero a diciembre.

  meses_ordenados <- c("enero", "febrero", "marzo", "abril", "mayo", "junio", 
                         "julio", "agosto", "septiembre", "octubre", "noviembre", "diciembre")

Paso 7. Definir una paleta de colores específica para cada tipo de cliente

colores_clientes <- c("suscriptor" = "#1b9e77", "cliente" = "#5F02D9")

Paso 8. Visualizar tiempo promedio diario entre clientes y suscriptores

aggregate(data_clean$tiempo_recorrido ~ data_clean$tipo_cliente + data_clean$dia_semana, FUN = mean)

Paso 9. Visualizaciones Periodo Mensual

1. Resumen: cantidad de recorridos y tiempo promedio de recorridos agrupados por tipo de cliente y mes

# Verificar los valores únicos en la columna 'tipo_cliente'
unique(data_clean$tipo_cliente)
# Resumir datos por mes
data_resumen_mes <- data_clean %>%
  mutate(mes = factor(mes, levels = meses_ordenados)) %>%
  group_by(tipo_cliente, mes) %>%
  summarise(
    cantidad_recorridos = n(),
    tiempo_promedio = mean(tiempo_recorrido, na.rm = TRUE),
    .groups = "drop"
  )

2. Visualización: Tendencia de recorridos mensuales por tipo de cliente

# Visualización: Gráfico de área por tendencias mensuales de recorridos
ggplot(data_resumen_mes,aes(x = mes, y = cantidad_recorridos, group = tipo_cliente, fill = tipo_cliente)) +
  geom_area(position = "stack") +
  scale_fill_manual(values = colores_clientes) + # Aplicar la paleta de colores específica
  scale_y_continuous(labels = comma) + # Cambia el formato del eje Y
  labs(title = "Tendencias Mensuales de Recorridos por Tipo de Cliente",
       subtitle = "Cyclistics, Chicago 2024", # Subtítulo
       x = "Meses",
       y = "Cantidad de Recorridos") +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5),  # Alinea el título a la derecha
    plot.subtitle = element_text(hjust = 0.5), # Alinea el subtítulo a la derecha
    axis.text.x = element_text(margin = margin(t = 30, b=5)), # Añadir margen superior a las etiquetas del eje X 
    axis.text.y = element_text(margin = margin(r = 30, l=5)), # Añadir margen derecho a las etiquetas del eje Y
    plot.margin = margin(t = 20, b = 20, l = 20, r = 20) # Añadir margen superior para subir el título y subtítulo
  ) +
  annotate("text", x = Inf, y = -Inf, label = "Fuente: Cyclistic", hjust = 1.1, vjust = -0.5, size = 3)

3. Visualización: Tiempo medio recorrido mensual por tipo de cliente

ggplot(data_resumen_mes,aes(x = mes, y = tiempo_promedio, group = tipo_cliente, fill = tipo_cliente)) +
  geom_area(position = "stack") +
  scale_fill_manual(values = colores_clientes) + # Aplicar la paleta de colores específica
  scale_y_continuous(labels = comma) + # Cambia el formato del eje Y
  labs(title = "Tiempo Promedio Mensual Recorrido por Tipo de Cliente",
       subtitle = "Cyclistics, Chicago 2024", # Subtítulo
       x = "Meses",
       y = "Tiempo promedio (min)") +
  theme_minimal() +
  theme(
    plot.title = element_text(hjust = 0.5),  # Alinea el título a la derecha
    plot.subtitle = element_text(hjust = 0.5), # Alinea el subtítulo a la derecha
    axis.text.x = element_text(margin = margin(t = 30, b=5)), # Añadir margen superior a las etiquetas del eje X 
    axis.text.y = element_text(margin = margin(r = 30, l=5)), # Añadir margen derecho a las etiquetas del eje Y
    plot.margin = margin(t = 20, b = 20, l = 20, r = 20) # Añadir margen superior para subir el título y subtítulo
  ) +
  annotate("text", x = Inf, y = -Inf, label = "Fuente: Cyclistic", hjust = 1.1, vjust = -0.5, size = 3)

Paso 10. Visualizaciones Periodo Diario

1. Resumen: cantidad de recorridos y tiempo medio agrupados por tipo de cliente y dia de la semana.

  # Resumir datos para dias de la semana
  data_resumen_semana <- data_clean %>%
    mutate(dia_semana = factor(dia_semana, levels = dias_semana_ordenados),
           hora_inicio = hour(inicio_recorrido),
           hora_final = hour(final_recorrido)) %>%
    group_by(tipo_cliente, dia_semana) %>%
    summarise(
      cantidad_recorridos = n(),
      tiempo_promedio = mean(tiempo_recorrido, na.rm = TRUE),
      .groups = "drop"
    ) 

2. Visualización: “Total de Recorridos Diarios por Tipo de Cliente”

# Visualización: Número de recorridos
ggplot(data_resumen_semana, aes(x = dia_semana, y = cantidad_recorridos, fill = tipo_cliente)) +
  geom_col(position = "dodge") +
  scale_fill_manual(values = colores_clientes) + # Aplicar la paleta de colores específica
  scale_y_continuous(labels = comma) + # Cambia el formato del eje Y
  labs(
    title = "Total de Recorridos Diarios por Tipo de Cliente",
    subtitle = "Cyclistics, Chicago 2024",
    x = "Día de la Semana", y = "Número de Recorridos"
  ) +
  theme_minimal() +
  theme( 
    plot.title = element_text(hjust = 0.5), # Centra el título 
    plot.subtitle = element_text(hjust = 0.5), # Centra el subtítulo
    axis.text.x = element_text(margin = margin(t = 30, b=5)), # Añadir margen superior a las etiquetas del eje X 
    axis.text.y = element_text(margin = margin(r = 30, l=5)), # Añadir margen derecho a las etiquetas del eje Y
    plot.margin = margin(t = 20, b = 20, l = 20, r = 20) # Añadir margen superior para subir el título y subtítulo
    ) +
  annotate("text", x = Inf, y = -Inf, label = "Fuente: Cyclistic", hjust = 1.1, vjust = -0.5, size = 3)

3. Visualización: ” Tiempo Medio Diario por Tipo de Cliente”

# Visualización: Tiempo promedio  de recorridos por tipo de cliente en dias de la semana
ggplot(data_resumen_semana, aes(x = dia_semana, y = tiempo_promedio, fill = tipo_cliente)) +
  geom_col(position = "dodge") +
  scale_fill_manual(values = colores_clientes) + # Aplicar la paleta de colores específica
  scale_y_continuous(labels = comma) + # Cambia el formato del eje Y
  labs(
    title = "Tiempo Promedio de Recorridos Durante la Semana por Tipo de Cliente",
    subtitle = "Cyclistics, Chicago 2024",
    x = "Día de la Semana", y = "Tiempo Promedio (min)"
  ) +
  theme_minimal() +
  theme( 
    plot.title = element_text(hjust = 0.5), # Centra el título 
    plot.subtitle = element_text(hjust = 0.5), # Centra el subtítulo
    axis.text.x = element_text(margin = margin(t = 30, b=5)), # Añadir margen superior a las etiquetas del eje X 
    axis.text.y = element_text(margin = margin(r = 30, l=5)), # Añadir margen derecho a las etiquetas del eje Y
  ) +
  annotate("text", x = Inf, y = -Inf, label = "Fuente: Cyclistic", hjust = 1.1, vjust = -0.5, size = 3)