航班航行距離與延誤時間有什麼關係？

在進行航班航行距離與延誤時間有什麼關係之前，先來研究一下如何來編寫函數。

一、如何編寫函數

首先是自定義函數，簡單說就是自己定義一個函數，包括功能、輸入、輸出。

例如下圖：

圖中，add是功能，xy是輸入，z是輸出。

接著是控制語句，包括循環語句和條件語句。例如：

上圖是循環語句，使用了for和while循環，使用循環語句需要注意提供一個循環停止的條件，不然會一直循環下去。

上圖是條件語句，也就是說滿足定義的條件，輸出一個結果。

最後，是將「自定義函數+控制語句」結合起來：

（1）練習：每天吃3頓飯，一頓飯5元，飯卡有1000元，判斷是否需要去銀行取錢。

（2）下面這道題，是參考社群的小夥伴修改的代碼進行練習。

（3）然後我根據小夥伴修改的代碼，再想想如果我想知道哪天需要充卡，可以怎麼弄呢？

至此，對於自定義函數和控制語句有了更進一步的認識了。

現在開始進行本文的主題內容，航班航行距離與延誤時間有什麼關係？

二、數據處理

在進行數據處理之前，我們需要捋一捋數據分析的步驟：

1、理解數據

2、數據導入

3、數據預處理

4、數據計算

5、數據顯示。

2.1理解數據：航班數據

航班數據主要有飛行的年月日、起飛延誤時間、到達延誤時間、航行里程數、目的地等等。

2.2數據導入

R中有航班數據，我們需要安裝nycflights13包導入數據，同時需要安裝dplyr包做數據預處理使用。

從圖中可以看出一共有336776行、19列數據。

2.3數據預處理步驟

2.3.1選擇子集

在這裡我們的分析目標是航班航行距離與延誤時間的關係，所以只需要選擇year（年）、month（月）、day（日）、dep_delay（起飛延誤時間）、arr_delay（到達延誤時間）、distance（航行里程）、dest（目的地）等數據。

選擇子集可以用select()函數。

有三種方法可以使用：

方法一：直接寫需要的列名：

方法二：連續的列如何選擇？

方法三：如何去掉不需要的列？

方法四：模糊查詢

1)starts_with("abc")

2)ends_with("xyz")

3)contains("ijk")

4)matches("(.)\1")

2.3.2列名重命名

因為dest這個名稱不能直觀表達出它的含義，所以將dest的列名換成destination。

2.3.3刪除缺失數據

dplyr包查找數據，使用filter()函數完成查找。

原來的數據是336766行數據，刪除缺失數據後變成327336行數據行數據。

2.3.4數據排序

dplyr包數據排序，使用arrange()函數完成查找，默認是升序，若為降序，標註desc。

2.3.5數據計算

數據處理模式有Split+Apply+Combine，其中：

Split（數據分組）：可以指定目標變數，將數據進行分組。由於本次分析的目標是找出航行距離與到達延誤時間的關係，所以我們得根據到達目的地對數據進行分組，從而計算出不同目的地的平行航行距離以及平均延誤時間；

Apply（應用函數）：對不同組的數據，應用相應函數獲取所需統計指標。

Combine（組合結果）：將計算後的統計指標值與第一步當中對應的分組進行組合。

對於使用dplyr包進行數據計算，分組函數group_by()和組合函數summarise()，其中分組函數group_by()對應數據處理模式中的Split，組合函數summarise()對應數據處理模式中的Apply+Combine。

1）數據分組，使用group_by()函數。

根據目的地共分成了104組，也就是有104個目的地。

2）進行應用函數和組合結果步驟，使用summarise()函數。

計算同一目的地的航班數量、平均航行距離、平均延誤時間。

為了保證分析結果的準確性，我們需要進行噪音數據的移除，在這裡將航班數量少於20個的數據移除，使用filter()函數進行移除噪音數據。

補充一個管道知識：%>%。

管道：%>%是最常用的一個操作符，就是把左側的數據或表達式，傳遞給右側的函數調用或表達式進行運行，可以連續操作就像一個鏈條一樣。

使用管道，上面的代碼可以更改為：

代碼清爽很多。

2.3.6數據顯示

使用ggplot2函數繪製圖表，使用前需要安裝ggplot2包。繪圖模板：

ggplot(data = <DATA>)+<GEOM_FUNCTION>(mapping = aes(<MAPPINGS>)

前半部分是創建畫板，後面部分是添加圖層，其中「+」不可以省略。

到這裡，數據分析就結束了，從圖可以看出，航班延誤時間和航班距離不是線性關係，也就是說兩者不存在關係。
推薦閱讀：