CommencezCommencez gratuitement

Augmenter les données : statistiques sommaires des trajets

Nous avons construit un jeu de données presque prêt pour la visualisation, route_hod. Ajoutons quelques variables de plus qui seront utiles comme « cognostics » en prévision d'une exploration interactive de l'affichage.

Cette activité fait partie du cours

Visualiser de grandes données avec Trelliscope en R

Voir le cours

Instructions de l’exercice

  • Pour chaque trajet, calculez le nombre total de déplacements.
  • Pour chaque trajet, calculez l'écart entre la moyenne horaire des déplacements pendant la semaine de travail et la moyenne horaire des déplacements durant la fin de semaine. Notez que la variable n est déjà agrégée en nombres par heure; par exemple, la moyenne pour la semaine de travail se calcule avec mean(n[weekday == "workweek"]).
  • Pour chaque trajet, ajoutez une variable contenant une URL pointant vers le trajet dans Google Maps, en utilisant la fonction fournie make_gmap_url et les arguments appropriés tirés des données.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

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 = ___)
Modifier et exécuter le code