Capítulo 5 Análisis de datos
Ejemplificaremos con datos de alojamientos de Airbnb en la ciudad de Barcelona, España, disponibles en Inside Airbnb. La elección de los datos no responde a hacerle publicidad a esta empresa, simplemente los elegí porque contiene variables interesantes.
Trabajaremos con los datos de alojamientos en Barcelona de Airbnb al 10 de enero de 2020. Son datos abiertos disponibles en http://insideairbnb.com/get-the-data.html. Son datos abiertos con licencia Creative Commons CC0 1.0 Universal "Public Domain Dedication.
| Archivos | Descripción |
|---|---|
| listings.csv | listado de alojamientos disponibles |
| reviews.csv | evaluaciones de personas alojadas |
| neighbourhoods.csv | listado de barrios |
| neighbourhoods.geojson | información geográfica de los barrios |
¿Cómo funciona Airbnb?
Quienes se hospedan pueden elegir entre casas/apartamentos enteros, solo cuartos privados o cuartos compartidos (room_type). Luego de la estadía deben dejar una evaluación (review). Los alojamientos varían en precio, mínimo de días de estadía, los días disponible, etc.
Figure 5.1: Lisboa
Accedemos a los datos desde la url o de manera local si ya los descargamos en la computadora. Está disponible el listado de alojamientos con sus características en un archivo csv y la información geográfica de los barrios en un formato geojson. Primero trabajaremos con el listado de alojamientos.
Pero si previamente los bajamos, podemos importarlos desde la carpeta data del proyecto
5.1 Explorar datos
Lo primero que conviene hacer, sobre todo si no hemos trabajado antes con estos datos, es explorarlos. Las funciones básicas que dispone R para esto son las siguientes:
- head(): muestra los primeros casos. Por defecto, los primeros 6.
- tail(): muestra los últimos 6 casos. Por defecto, los últimos 6.
- View(): para mirar la base, como si abriéramos el archivo. Si es muy grande no se mostrarán todas filas ni todas las variables.
- summary(): brinda un resumen estadístico de cada variable cuando se aplica a un data.frame o de la variable en particular indicada. Si la variable es numérica se muestra el mínimo, máximo y los cuartiles. En caso de una variable de texto se muestra una tabla de los valores que toma.
- names(): brinda el listado de nombres de variables.
# primeros casos
head(datos)
# ver los datos
View(datos)
# resumen estadistico
summary(datos)
# nombres de variables
names(datos)Acá puedes ver la descripción de las variables que contiene la base.
Tabla de variables
| Variable | Tipo | Descripción |
|---|---|---|
| id | identificador del alojamiento | numérica |
| name | nombre del alojamiento | texto |
| host_id | identificador de la persona anfitriona | numérica |
| host_name | nombre de la persona anfitriona | texto |
| neighbourhood_group | nombre del barrio agrupado | texto |
| neighbourhood | nombre del barrio | texto |
| latitude | latitud | numérica |
| longitud | longuitud | numérica |
| room_type | tipo de habitación | texto |
| price | precio | numérica |
| minimum_nights | cantidad mínima de noches | numérica |
| number_of_reviews | cantidad de evaluaciones | numérica |
| last_review | última evaluación | fecha |
| reviews_per_month | evaluaciones por mes | numérica |
| calculated_host_listings_count | ||
| availability_365 | disponibilidad en el año | numérica |
Exploremos una variable character como lo es room_type y una numeric como price.
Visualizar los datos
Las funciones dim(), names() y str() admiten un data frame como argumento.
dim(listado) # cantidad de filas y columnas
nrow(listado) # cantidad de filas
ncol(listado) # cantidad de columnasLa función summary() admite un data frame como argumento pero también una variable.
Variables numéricas
Para acceder a una variable de un data frame es necesario escribir <objeto>$<variable>