Začněte nyníZačněte zdarma

Obohacení dat: souhrnné statistiky tras

Sestavili jsme dataset route_hod, který je téměř připravený k vizualizaci. Přidáme do něj ještě několik proměnných, které se budou hodit jako kognostiky při interaktivním procházení zobrazení.

Toto cvičení je součástí kurzu

Vizualizace velkých dat s Trelliscope v R

Zobrazit kurz

Pokyny k cvičení

  • Pro každou trasu vypočítej celkový počet jízd.
  • Pro každou trasu vypočítej rozdíl mezi průměrným hodinovým počtem jízd v pracovním týdnu a průměrným hodinovým počtem jízd o víkendu. Proměnná n už obsahuje počty agregované po hodinách, takže průměr pro pracovní týden se vypočítá například jako mean(n[weekday == "workweek"]).
  • Pro každou trasu přidej proměnnou s URL odkazem na danou trasu v Google Maps – využij k tomu připravenou funkci make_gmap_url() a předej jí odpovídající argumenty z dat.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

library(trelliscopejs)
library(ggplot2)
library(dplyr)

# Function to construct a Google maps URL with cycling directions
make_gmap_url <- function(start_lat, start_lon, end_lat, end_lon) {
  paste0("https://www.google.com/maps/dir/?api=1",
    "&origin=", start_lat, ",", start_lon,
    "&destination=", end_lat, ",", end_lon,
    "&travelmode=bicycling")
}

# Compute tot_rides, weekday_diff, and map_url
route_hod_updated <- route_hod %>% ungroup() %>%
  group_by(start_station_code, end_station_code) %>%
  mutate(
    tot_rides = sum(___),
    weekday_diff = mean(n[weekday == "workweek"]) - ___,
    map_url = ___)
Upravit a spustit kód