Capítulo 5 Análisis de Datos

En este capítulo aplicaremos todos los conceptos, bibliotecas y funciones del capítulo anterior orientado a la aplicación. El primer paso es instalar la librería Tidyverse.

library(tidyverse)

## ── Attaching packages ─────────────────────────────────────────────────────────────────── tidyverse 1.3.0 ──

## ✓ ggplot2 3.3.2     ✓ purrr   0.3.3
## ✓ tibble  3.0.3     ✓ dplyr   1.0.1
## ✓ tidyr   1.1.1     ✓ stringr 1.4.0
## ✓ readr   1.3.1     ✓ forcats 0.5.0

## ── Conflicts ────────────────────────────────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

5.1 Importar base de datos.

Ahora demostraremos como cargar la data tanto para R-Studio de escritorio como para R-Studio Cloud (versión online).

5.1.1 Desde R-Studio de escritorio

Para importar bases de datos en formato Excel en R-Studio se ingresa en la ventana 2 en donde dice Import Dataset como se observa en la siguiente imagen.

Figura 5.1: Importar base de datos desde R-Studio.

Luego aparece una ventana en donde buscamos nuestra base de datos en nuestro computador, y una vez seleccionado el archivo aparece una segunda ventana llamada Import Dataset como se muestra en las dos siguientes imágenes. En la primera es la forma correcta de subir la base de datos como se encuentra demarcado el Heading colocamos YES esto es con el fin de que la base de datos que subamos tenga el encabezado correspondiente como se encuentra demostrado en la imagen.

Figura 5.2: Importar base de data set.

De lo contrario se puede ver en la siguiente imagen lo que sucede si ponemos “NO” en donde el encabezado se muestra como una observación más.

Figura 5.3: Importar data set, parte 2.

Una vez importada la base de datos podemos ver que aparece como Data Frame en la ventana 2, en esta también nos muestra características básicas como la cantidad de observaciones que posee el Data Frame. También se puede observar en la consola que se importó el archivo correctamente, es recomendable copiar y pegar en el script lo demarcado, así cada vez que queramos trabajar se subirá automáticamente la base de datos.

Figura 5.4: Importar data set, parte 3.

5.1.2 Desde R-Studio Cloud

En cuanto a R-Studio Cloud se suben los archivos un poco diferentes, en este nos tenemos que dirigir la ventana 4 en donde dice Upload, esto abrirá una ventana llamada Target directory presionamos donde dice elegir archivo, con esto nos abre otra ventana en donde debemos buscar el archivo que queremos importar.

Figura 5.5: Importar desde R-cloud.

Esto creara un archivo en la ventana 4 como se muestra en la siguiente imagen. Y ahora se procede a realizar la importación del archivo en la segunda ventana como se realiza en R-Studio.

Figura 5.6: Importar desde R-cloud, parte 2.

5.2 Unir o combinar data frames en R

Cuando se trabaja con grandes cantidades de datos, a veces es necesario combinar bases de datos para consolidarlo en una que contenga toda la información. En este capítulo veremos diferente forma de realizar datos relacionales, pero primero hay que tener en cuenta la siguiente recomendación:

Debes extraer los datos básicos de cada base de datos como:
La cantidad de filas y columnas por cada base de datos.
De qué tipo son las columnas, por ejemplo, si son numéricas o caracter.
Revisar cuidadosamente la visualización de la base de datos para observar si existe algún punto en común entre las bases de datos.
Debes conocer que representa cada variable de base de datos.
Luego realiza un diagrama para ver las variables en común.

Como se observa en la siguiente imagen, tenemos la columna ID esta sería la llave para unir las diferentes bases de datos.

Figura 5.7: Combinar data frames en R.

En segundo lugar, hay que tener en cuenta las tres familias de verbos diseñados para trabajar con datos relacionales:

filtering joins (Filtrado de combinaciones), que filtran las observaciones de un marco de datos en función de si coinciden o no con una observación de la otra tabla.
set operations (Establecer operaciones), que tratan las observaciones como si fueran elementos establecidos.
mutating joins (Uniones de trasformación), que agregan nuevas variables a un marco de datos a partir de observaciones coincidentes en otro.

5.2.1 Mutating joins (Uniones de trasformación)

Esta busca combinar variables a partir de dos tablas, en la que busca coincidencias de observaciones de acuerdo con su put y luego copia las variables de una tabla en la otra. Tal como mutate(), las funciones de unión agregan variables hacia la derecha, por lo que, si tienes muchas variables inicialmente, las nuevas variables no se imprimirán.

Una de las uniones más simples es a través de mage() para hacer cruces de tablas, como se muestra en la siguiente imagen.

Figura 5.8: Ejemplo principal.

Para ello crearemos 2 bases baseA y baseB con una llave o columna en común ID.

#vectores 
A <- c("x1", "x2", "x3", "x4", "x5", "x6")
ID <- c( 1, 2, 3, 4, 5, 6)
B <- c("y1", "y2", "y3", "y4", "y5", "y6")
# data frame
baseA <- data.frame(ID, A)
baseB <- data.frame(ID, B)

baseA

##   ID  A
## 1  1 x1
## 2  2 x2
## 3  3 x3
## 4  4 x4
## 5  5 x5
## 6  6 x6

baseB

##   ID  B
## 1  1 y1
## 2  2 y2
## 3  3 y3
## 4  4 y4
## 5  5 y5
## 6  6 y6

Para unir la baseA y en la baseB utilizaremos merge() para crear la base AB.

baseAB = merge(baseA, baseB, by = "ID")

baseAB

##   ID  A  B
## 1  1 x1 y1
## 2  2 x2 y2
## 3  3 x3 y3
## 4  4 x4 y4
## 5  5 x5 y5
## 6  6 x6 y6

5.2.1.1 Unión interior

La forma más simple de unión es la unión interior (del inglés inner join). Como se muestra en la siguiente imagen:

Pero primero crearemos 3 vectores ID, A y B para luego crear un baseA y baseB.

A continuación, en vez de crear un base llamada baseAB se concatena la baseA con la baseB para llamarse baseA.

baseA %>%
  inner_join(baseB, by = "ID")

##   ID  A  B
## 1  1 x1 y1
## 2  2 x2 y2
## 3  3 x3 y3
## 4  4 x4 y4
## 5  5 x5 y5
## 6  6 x6 y6

Como se observas se unieron las baseA y baseB, en una unión interior mantiene las observaciones que aparecen en ambas tablas.

5.2.1.2 Uniones exteriores

Una unión exterior mantiene las observaciones que aparecen en al menos una de las tablas. Existen tres tipos de uniones exteriores:

Una unión izquierda left_join() mantiene todas las observaciones en x.

Figura 5.9: Ejemplo, left_join .

baseA %>%
  left_join(baseB, by = "ID")

##   ID  A    B
## 1  1 x1   y1
## 2  2 x2   y2
## 3  3 x3 <NA>
## 4  4 x4   y4
## 5  5 x5   y5
## 6  6 x6   y6

Una unión derecha right_join() mantiene todas las observaciones en y.

Figura 5.10: Ejemplo, right_join .

baseA %>%
  right_join(baseB, by = "ID")

##   ID    A  B
## 1  1   x1 y1
## 2  2   x2 y2
## 3  3   x3 y3
## 4  5   x5 y5
## 5  6   x6 y6
## 6  4 <NA> y4

Una unión completa full_join() mantiene todas las observaciones en x e y. observaciones en y.

Figura 5.11: Ejemplo, full_join .

baseA %>%
  full_join(baseB, by = "ID")

##   ID    A    B
## 1  1   x1   y1
## 2  2   x2   y2
## 3  4   x4   y4
## 4  5   x5 <NA>
## 5  6   x6   y6
## 6  3 <NA>   y3

5.2.1.3 claves (llave) duplicadas.

Pero que sucede si la ID esta duplicada ¿cómo podemos unirlas? para ellos nos pondremos en dos escenarios diferentes.

El primero en tabla que tiene claves duplicadas. Esto es útil cuando quieres agregar información adicional dado que típicamente existe una relación “uno a muchos”.

Figura 5.12: Ejemplo, claves duplicadas.

baseA %>%
  left_join(baseB, by = "ID")

##   ID  A  B
## 1  1 x1 y1
## 2  2 x2 y2
## 3  1 x3 y1
## 4  2 x4 y2

Ambas tablas tienen claves duplicadas. Esto es usualmente un error debido a que en ninguna de las tablas las claves identifican de manera única una observación. Cuando unes claves duplicadas, se obtienen todas las posibles combinaciones, es decir, el producto cartesiano:

Figura 5.13: Ejemplo, claves duplicadas 2.

baseA %>%
  left_join(baseB, by = "ID")

##   ID  A  B
## 1  1 x1 y1
## 2  2 x2 y2
## 3  2 x2 y3
## 4  2 x3 y2
## 5  2 x3 y3
## 6  3 x4 y4

5.2.1.4 otras formas

con dplyr	con merge
`inner_join(base1, base2)`	`merge(base1, base2)`
`full_join(base1, base2)`	`merge(base1, base2, all.x = TRUE, all.y = TRUE)`
`right_join(base1, base2)`	`merge(base1, base2, all.y = TRUE)`
`left_join(base1, base2)`	`merge(base1, base2, all.x = TRUE)`

La ventaja de los verbos específicos de la libreria dplyr es que muestran de manera clara la intención del código: la diferencia entre las uniones es realmente importante, pero se esconde en los argumentos de merge(). Las uniones de dplyr son considerablemente más rápidas y no generan problemas con el orden de las filas.

Si las variables clave tiene diferente nombre (solo cosas en común)

merge(base1, base2, by.x="nombre variable base 1", by.y="nombre variable base 2")

Si la variable se llama igual en las dos bases (solo cosas en común)

merge(base1, base2, by="nombre variable")

Si queremos que se unan todos los casos

all=TRUE: merge(base1, base2, by="nombre variable", all=TRUE)

Si queremos unir por más de una variable: (si las variables se llaman igual en ambas bases)

merge(base1, base2, by=c("variable1", "variable2"))

Si las variables se llaman diferente en ambas bases

merge(base1, base2, by.x=c("variable1", "variable2"), by.y=c("variable1", "variable2"))

Otras formas efectivas de realizar una unión de base son los siguientes códigos.

5.2.2 Uniones de filtros

Las uniones de filtro unen observaciones de la misma forma que las uniones de transformación, pero afectan a las observaciones no a las variables. Existen dos tipos:

semi_join(x, y) mantiene todas las observaciones en x con coincidencias en y.

baseA %>%
  semi_join(baseB)

## Joining, by = "ID"

##   ID  A
## 1  1 x1
## 2  2 x2
## 3  4 x4
## 4  5 x5

anti_join(x, y) descarta todas las observaciones en x con coincidencias en y.

Figura 5.14: Ejemplo, anti_join.

baseA %>%
  anti_join(baseB)

## Joining, by = "ID"

##   ID  A
## 1  3 x3

Las semi uniones son útiles para unir tablas resumen previamente filtradas con las filas originales.

5.3 Exploración de la data

Ahora realizaremos una exploración de la base de datos, en este caso usaremos la base de datos disponibles llamado AB_NYC_2019.csv, que se encuentra disponible en el siguiente link: https://www.kaggle.com/dgomonov/new-york-city-airbnb-open-data

Pero primero necesitamos la siguientes Liberia:

library(dplyr)
library(tidyr) 
library(readxl)

Importamos la base de datos a R-Studio como se vio en capítulos anteriores.

airbnb <- read.csv("static/img/AB_NYC_2019.csv")

5.3.1 Inspección de una tabla

Luego realizamos la visualización de la data.

airbnb

## Warning: package 'DT' was built under R version 3.6.2

## Warning in instance$preRenderHook(instance): It seems your data is too big
## for client-side DataTables. You may consider server-side processing: https://
## rstudio.github.io/DT/server.html

Ahora realizaremos una breve descripción de las columnas de la data:

Variable	Descripción
id	Código de hostal
name	Nombre de Airbnb
host_id	Código de Airbnb
host_name	Nombre del anfitrión
neighbourhood_group	Distritos de new york
neighbourhood	Vecindarios de los distritos
latitude	Coordenada latitud
longitude	Coordenada de longitud
room_type	Tipo de habitación
price	Precio
minimum_nights	Cantidad mínima de noches para una reserva
number_of_reviews	Numero de revisiones por mes
last_review	Ultimas reseña
reviews_per_month	Cantidad de comentarios por mes para la propiedad
calculated_host_listings_count	Numero de anuncios
availability_365	Número de días en los que la lista está disponible para la reserva.

Para obtener más información revisamos a través de los códigos como lo siguientes:

Queremos determinar si la base de datos posee algún problema usamos función problems().

problems(airbnb)

## [1] row      col      expected actual  
## <0 rows> (or 0-length row.names)

Para ver la cantidad de observaciones usaremos la función nrow().

nrow(airbnb)

## [1] 48895

Cuantas columnas o variables poseen la data con la función ncol().

ncol(airbnb)

## [1] 16

si queremos ver las primeras observaciones usamos la función head().

head(airbnb) # primeras seis filas

##     id                                             name host_id   host_name
## 1 2539               Clean & quiet apt home by the park    2787        John
## 2 2595                            Skylit Midtown Castle    2845    Jennifer
## 3 3647              THE VILLAGE OF HARLEM....NEW YORK !    4632   Elisabeth
## 4 3831                  Cozy Entire Floor of Brownstone    4869 LisaRoxanne
## 5 5022 Entire Apt: Spacious Studio/Loft by central park    7192       Laura
## 6 5099        Large Cozy 1 BR Apartment In Midtown East    7322       Chris
##   neighbourhood_group neighbourhood latitude longitude       room_type price
## 1            Brooklyn    Kensington 40.64749 -73.97237    Private room   149
## 2           Manhattan       Midtown 40.75362 -73.98377 Entire home/apt   225
## 3           Manhattan        Harlem 40.80902 -73.94190    Private room   150
## 4            Brooklyn  Clinton Hill 40.68514 -73.95976 Entire home/apt    89
## 5           Manhattan   East Harlem 40.79851 -73.94399 Entire home/apt    80
## 6           Manhattan   Murray Hill 40.74767 -73.97500 Entire home/apt   200
##   minimum_nights number_of_reviews last_review reviews_per_month
## 1              1                 9  2018-10-19              0.21
## 2              1                45  2019-05-21              0.38
## 3              3                 0                            NA
## 4              1               270  2019-07-05              4.64
## 5             10                 9  2018-11-19              0.10
## 6              3                74  2019-06-22              0.59
##   calculated_host_listings_count availability_365
## 1                              6              365
## 2                              2              355
## 3                              1              365
## 4                              1              194
## 5                              1                0
## 6                              1              129

tail(airbnb) # últimas seis filas

##             id                                              name   host_id
## 48890 36484363                                QUIT PRIVATE HOUSE 107716952
## 48891 36484665   Charming one bedroom - newly renovated rowhouse   8232441
## 48892 36485057     Affordable room in Bushwick/East Williamsburg   6570630
## 48893 36485431           Sunny Studio at Historical Neighborhood  23492952
## 48894 36485609              43rd St. Time Square-cozy single bed  30985759
## 48895 36487245 Trendy duplex in the very heart of Hell's Kitchen  68119814
##           host_name neighbourhood_group      neighbourhood latitude longitude
## 48890       Michael              Queens            Jamaica 40.69137 -73.80844
## 48891       Sabrina            Brooklyn Bedford-Stuyvesant 40.67853 -73.94995
## 48892       Marisol            Brooklyn           Bushwick 40.70184 -73.93317
## 48893 Ilgar & Aysel           Manhattan             Harlem 40.81475 -73.94867
## 48894           Taz           Manhattan     Hell's Kitchen 40.75751 -73.99112
## 48895    Christophe           Manhattan     Hell's Kitchen 40.76404 -73.98933
##             room_type price minimum_nights number_of_reviews last_review
## 48890    Private room    65              1                 0            
## 48891    Private room    70              2                 0            
## 48892    Private room    40              4                 0            
## 48893 Entire home/apt   115             10                 0            
## 48894     Shared room    55              1                 0            
## 48895    Private room    90              7                 0            
##       reviews_per_month calculated_host_listings_count availability_365
## 48890                NA                              2              163
## 48891                NA                              2                9
## 48892                NA                              2               36
## 48893                NA                              1               27
## 48894                NA                              6                2
## 48895                NA                              1               23

Si queremos saber los nombres de las columnas o variables se usa la función colnames()

colnames(airbnb)

##  [1] "id"                             "name"                          
##  [3] "host_id"                        "host_name"                     
##  [5] "neighbourhood_group"            "neighbourhood"                 
##  [7] "latitude"                       "longitude"                     
##  [9] "room_type"                      "price"                         
## [11] "minimum_nights"                 "number_of_reviews"             
## [13] "last_review"                    "reviews_per_month"             
## [15] "calculated_host_listings_count" "availability_365"

5.3.2 Selección de filas y columnas

A veces queremos trabajar con un subconjunto de la tabla, como por ejemplo una selección de filas y/o columnas. Para este tipo de selecciones se usa el corchete [].

airbnb[1:5, ] # las 5 primeras filas

## Warning in instance$preRenderHook(instance): It seems your data is too big
## for client-side DataTables. You may consider server-side processing: https://
## rstudio.github.io/DT/server.html

airbnb[,3:4] # las 5 primeras filas

## Warning in instance$preRenderHook(instance): It seems your data is too big
## for client-side DataTables. You may consider server-side processing: https://
## rstudio.github.io/DT/server.html

Como se observó los corchetes tienen dos partes separadas por una coma la que la precede se refiere a las filas que se encuentra a las izquierdas de la coma y a la derecha las columnas. Pero no es necesario conocer índice de una determinada columna para seleccionarla, ya que los corchetes se pueden utilizar poniendo el nombre de la columna como se ve a continuación.

airbnb[1:4,"id"]

## [1] 2539 2595 3647 3831

si queremos extraer y operar sobre columnas individuales de una tabla se utiliza el signo $.

airbnb$id # las 5 primeras filas

Ahora con la función str() veremos cómo están compuestas las columnas si son numéricas o factor, como también veremos la cantidad de variables y observaciones que posee la data.

str(airbnb)

## 'data.frame':    48895 obs. of  16 variables:
##  $ id                            : int  2539 2595 3647 3831 5022 5099 5121 5178 5203 5238 ...
##  $ name                          : Factor w/ 47906 levels ""," 1 Bed Apt in Utopic Williamsburg ",..: 12573 38016 45018 15591 19219 24849 8257 24896 15486 17573 ...
##  $ host_id                       : int  2787 2845 4632 4869 7192 7322 7356 8967 7490 7549 ...
##  $ host_name                     : Factor w/ 11453 levels ""," Valéria",..: 4997 4791 2913 6210 5929 1938 3549 9649 6880 1235 ...
##  $ neighbourhood_group           : Factor w/ 5 levels "Bronx","Brooklyn",..: 2 3 3 2 3 3 2 3 3 3 ...
##  $ neighbourhood                 : Factor w/ 221 levels "Allerton","Arden Heights",..: 109 128 95 42 62 138 14 96 203 36 ...
##  $ latitude                      : num  40.6 40.8 40.8 40.7 40.8 ...
##  $ longitude                     : num  -74 -74 -73.9 -74 -73.9 ...
##  $ room_type                     : Factor w/ 3 levels "Entire home/apt",..: 2 1 2 1 1 1 2 2 2 1 ...
##  $ price                         : int  149 225 150 89 80 200 60 79 79 150 ...
##  $ minimum_nights                : int  1 1 3 1 10 3 45 2 2 1 ...
##  $ number_of_reviews             : int  9 45 0 270 9 74 49 430 118 160 ...
##  $ last_review                   : Factor w/ 1765 levels "","2011-03-28",..: 1503 1717 1 1762 1534 1749 1124 1751 1048 1736 ...
##  $ reviews_per_month             : num  0.21 0.38 NA 4.64 0.1 0.59 0.4 3.47 0.99 1.33 ...
##  $ calculated_host_listings_count: int  6 2 1 1 1 1 1 1 1 4 ...
##  $ availability_365              : int  365 355 365 194 0 129 0 220 0 188 ...

Podemos observar a grandes rasgos que las variables room_type posee 3 niveles, que existe datos vacíos NA en la variable reviews_per_month y que neighbourhood posee 221 niveles.

###Tratamiento de observaciones NA

Ahora veremos si existen datos vacíos en la data con la función sapply() y para buscar los datos vacíos en se utiliza is.na().

sapply(airbnb, function(airbnb) sum(is.na(airbnb)))

##                             id                           name 
##                              0                              0 
##                        host_id                      host_name 
##                              0                              0 
##            neighbourhood_group                  neighbourhood 
##                              0                              0 
##                       latitude                      longitude 
##                              0                              0 
##                      room_type                          price 
##                              0                              0 
##                 minimum_nights              number_of_reviews 
##                              0                              0 
##                    last_review              reviews_per_month 
##                              0                          10052 
## calculated_host_listings_count               availability_365 
##                              0                              0

Observamos que en las variables reviews_per_month posee 10052 datos vacíos y para ver los datos vacíos es lo mismo, pero con is.null().

sapply(airbnb, function(airbnb) sum(is.null(airbnb)))

##                             id                           name 
##                              0                              0 
##                        host_id                      host_name 
##                              0                              0 
##            neighbourhood_group                  neighbourhood 
##                              0                              0 
##                       latitude                      longitude 
##                              0                              0 
##                      room_type                          price 
##                              0                              0 
##                 minimum_nights              number_of_reviews 
##                              0                              0 
##                    last_review              reviews_per_month 
##                              0                              0 
## calculated_host_listings_count               availability_365 
##                              0                              0

No existe datos nulos en la data como se puede observar. Ahora para eliminar los datos vacíos observados anteriormente.

5.3.2.1 Eliminar las observaciones NA en r studio

airbnb <- airbnb[!is.na(airbnb$reviews_per_month),]

Veremos si las observaciones fueron eliminadas.

nrow(airbnb)

## [1] 38843

5.3.3 Exploración de las variables

Realizaremos la exploración de la variable ID, lo primero que veremos es si los datos de esta variable son datos únicos, para ello crearemos la data ID y usaremos la función select() que nos ayudara seleccionar la base y las variables que deseamos observar, y además utilizaremos la función unique() para ver si son únicas en su valor.

id <- select(airbnb, id) %>% unique
nrow(id)

## [1] 38843

La data tiene 48895 datos y la columna ID igual por lo que no existen datos repetidos. Con la variable name veremos si existen datos vacíos en la data y cual es ID de estos datos vacíos.

airbnb%>% 
  select(id, name)%>% 
  filter (is.na (name))

## [1] id   name
## <0 rows> (or 0-length row.names)

No existe datos vacíos. Ahora siguiéremos saber el nombre especifico de un ID, usaremos el mismo código anterior, pero en la función filter() colocamos ID == que representa el igual y el ID que deseamos buscar en este caso es el 2232600.

airbnb%>% 
  select(id, name)%>% 
  filter (id == "2232600")

##        id name
## 1 2232600

5.3.3.1 Remplazar observaciones

Como observamos no existe nombre, esto demuestra que a veces es bueno realizar más de una revisión. Para solucionar estos problemas remplazaremos los datos en blanco por No .

airbnb$name[airbnb$name == ""] <- "No"

## Warning in `[<-.factor`(`*tmp*`, airbnb$name == "", value =
## structure(c(12573L, : invalid factor level, NA generated

airbnb%>% 
  select(id, name)%>%
  filter(is.na (name))

##         id name
## 1  2232600 <NA>
## 2  4209595 <NA>
## 3  4370230 <NA>
## 4  9325951 <NA>
## 5 10052289 <NA>
## 6 22275821 <NA>

Antes de eliminarlo tenemos que ver si estos datos son relevantes para nuestro estudio y si esas variables la utilizaremos más adelante.

airbnb$host_name[airbnb$host_name == ""] <- "No"

## Warning in `[<-.factor`(`*tmp*`, airbnb$host_name == "", value =
## structure(c(4997L, : invalid factor level, NA generated

Ahora veremos la variable neighbourhood_group y cuales son los niveles de esta variable.

neighbourhood_group <- select(airbnb, neighbourhood_group) %>% unique 
neighbourhood_group

##     neighbourhood_group
## 1              Brooklyn
## 2             Manhattan
## 47               Queens
## 170       Staten Island
## 172               Bronx

Con la variable price veremos el promedio, máximo, varianza y mínimo.

summarise(airbnb, mean = mean(price), variance = var(price), min = min(price), max = max(price))

##       mean variance min   max
## 1 142.3179 38787.58   0 10000

El mínimo es 0 por que existen hospedaje con “precio 0” esto es ilógico para una empresa por lo que se busca identificar cuáles son estos datos.

airbnb%>% 
  select(id, price)%>% 
  filter (price == "0")

##          id price
## 1  18750597     0
## 2  20333471     0
## 3  20523843     0
## 4  20608117     0
## 5  20624541     0
## 6  20639628     0
## 7  20639792     0
## 8  20639914     0
## 9  21291569     0
## 10 21304320     0

Son 10 datos y como los ID son datos únicos se entiende que estos datos no se repitieran. esta columna es relevante por lo que se elimina los 11 datos nulos.

airbnb <-airbnb [airbnb$price!="0",] #elimina los 0
summarise(airbnb, mean = mean(price), variance = var(price), min = min(price), max = max(price))

##       mean variance min   max
## 1 142.3546 38792.35  10 10000

Con la variable minimum_nights.

summarise(airbnb, mean = mean(minimum_nights), variance = var(minimum_nights), min = min(minimum_nights), max = max(minimum_nights))

##       mean variance min  max
## 1 5.867561 302.2754   1 1250

Existen máximos con más de 365 días por lo que se determina que no es coherente en consecuencia se eliminan las celdas mayores a 365.

nrow(filter(airbnb, minimum_nights>=366))

## [1] 6

cuando queremos eliminar observaciones especificas utilizamos el siguiente código.

airbnb<-airbnb[!(airbnb$minimum_nights %in% c("999","370","1000","1250","500","480","500","999","500","366","999","400","990","500")),]

Se eliminan para no afectar la data y verificamos.

summarise(airbnb, mean = mean(minimum_nights), variance = var(minimum_nights), min = min(minimum_nights), max = max(minimum_nights))

##      mean variance min max
## 1 5.74953 195.6422   1 365

Ahora veremos la variable number_of_reviews.

summarise(airbnb, mean = mean(number_of_reviews), variance = var(number_of_reviews), min = min(number_of_reviews), max = max(number_of_reviews))

##       mean variance min max
## 1 29.29801 2322.392   1 629