solution.Rmd

---
title: 'Applied R Munich: "A Grammar of Data Manipulation" -- Eine Einführung in das
  Paket dplyr <br> __Solution__'
author: "Philipp J. Rösch"
date: "26.10.2015"
output: html_document
---
<br>

Die Fragen stammen größtenteils aus Hadley Wickhams [dplyr-Tutorial](https://www.dropbox.com/sh/i8qnluwmuieicxc/AAAgt9tIKoIm7WZKIyK25lh6a) von der useR! 2014. Danke hierfür!

```{r}
suppressMessages(library(dplyr))
library(hflights)
flights <- tbl_df(hflights)
```

#### 1. Welcher Flug hat am meisten Verspätung aufgeholt? Verwende `FlightNum`, `DepDelay` und `ArrDelay`.


```{r}
flights %>%
  select(FlightNum, DepDelay, ArrDelay) %>%
  mutate(caught_up = desc(DepDelay - ArrDelay)) %>%
  arrange(caught_up)
```


#### 2. Berechne die Geschwindigkeit in mph mit `AirTime` (in Minuten) und `Distance` (in miles). Erstelle außerdem die Variable Geschwindigkeit in km/h. Welche Flugzeuge (`FlightNum`) sind am schnellsten?

```{r}
flights2 <- flights %>%
  select(UniqueCarrier, FlightNum, AirTime, Distance) %>%
  mutate(mph = Distance / AirTime * 60) %>%
  mutate(kmh = mph * 1.60934) %>%
  arrange(desc(kmh)) %>%
  print
```

Zusatzfrage: Erstelle eine Häufigkeitstabelle der Airlines für die 20 schnellsten Flüge.

```{r}
flights2 %>%
  filter(min_rank(desc(kmh)) <=20) %>%
  select(UniqueCarrier) %>%
  table()
```
oder:
```{r}
flights2 %>%
  top_n(20) %>%
  select(UniqueCarrier) %>%
  table()
```


#### 3. Welche Airline ist im Durchschnitt am schnellsten?

```{r}
flights2 %>%
  group_by(UniqueCarrier) %>%
  summarise(carrier_avg_speed = mean(kmh, na.rm = TRUE)) %>%
  arrange(desc(carrier_avg_speed))
```
oder:
```{r}
flights2 %>%
  filter(!is.na(kmh)) %>%
  group_by(UniqueCarrier) %>%
  summarise(carrier_avg_speed = mean(kmh)) %>%
  arrange(desc(carrier_avg_speed))
```

#### 4. Schreibe den unten stehenden Code in die Chaining-Syntax um.

```{r eval=FALSE}
flights4 <- flights %>%
  mutate(hour = DepTime %/% 100, date = sprintf("%04s-%02s-%02s", Year, Month, DayofMonth)) 

hourly_delay <- filter(
  summarise(
    group_by(
      filter(
        flights4, !is.na(DepDelay)
      ),
      date, hour
    ),
    avg_delay = mean(DepDelay),
    n = n()
  ), 
  n > 10
)
```

```{r}
flights %>% 
  mutate(hour = DepTime %/% 100, date = sprintf("%04s-%02s-%02s", Year, Month, DayofMonth)) %>%
  filter(!is.na(DepDelay)) %>%
  group_by(date, hour) %>%
  summarise(delay = mean(DepDelay), n = n()) %>%
  filter(n > 10)
```

#### 5. Um wie viel Uhr starten jeweils täglich die ersten Flieger vom George Bush Intercontinental Airport (IAH)? `DepTime` ist hier ein Integer. 

```{r}
flights %>%
  filter(Origin == "IAH") %>%
  select(Month, DayofMonth, UniqueCarrier, DepTime) %>%
  group_by(Month, DayofMonth) %>%
  summarise(first_flight = min(DepTime, na.rm = TRUE))
```


#### 6. Gebe für jedes Flugzeug die zwei Flüge mit der meisten Verspätung aus. Was ist hier der Unterschied zwischen `min_rank`, `row_number` und `dense_rank`?

```{r}
x <- c(1, 1, 2, 3, 5)
min_rank(x)
row_number(x)
dense_rank(x)
```

```{r}
# with min_rank
flights %>%
  select(ArrDelay, FlightNum) %>%
  filter(!is.na(ArrDelay)) %>%
  group_by(FlightNum) %>%
  filter(min_rank(desc(ArrDelay)) <=2) %>% 
  arrange(FlightNum) %>%
  print() %>%
  summarise(n = n()) %>%
  group_by(n) %>%
  summarise(N = n())

# use top_n
flights %>%
  select(FlightNum, ArrDelay) %>%
  filter(!is.na(ArrDelay)) %>%
  group_by(FlightNum) %>%
  top_n(2) %>% 
  arrange(FlightNum)

# with row_number
flights %>%
  select(ArrDelay, FlightNum) %>%
  filter(!is.na(ArrDelay)) %>%
  group_by(FlightNum) %>%
  filter(row_number(desc(ArrDelay)) <=2) %>% 
  arrange(FlightNum) %>%
  print() %>%
  summarise(n = n()) %>%
  group_by(n) %>%
  summarise(N = n())
```

Zusatzaufgabe: Welche Flüge gab es bloß einmal in 2011?

```{r}
flights %>% 
  group_by(FlightNum) %>%
  summarise(n = n()) %>%
  filter(n == 1)
```