IniziaInizia gratis

Arricchire i dati: statistiche riassuntive delle rotte

Abbiamo costruito un insieme di dati quasi pronto per la visualizzazione, route_hod. Aggiungiamo qualche variabile in più che sarà utile come cognostics, in vista dell’esplorazione interattiva del display.

Questo esercizio fa parte del corso

Visualizzare Big Data con Trelliscope in R

Visualizza il corso

Istruzioni dell'esercizio

  • Per ogni rotta, calcola il numero totale di corse.
  • Per ogni rotta, calcola la differenza tra la media oraria delle corse nei giorni lavorativi e la media oraria delle corse nel weekend. Nota che la variabile n è già aggregata a conteggi per ora, quindi, per esempio, la media dei giorni lavorativi si calcola con mean(n[weekday == "workweek"]).
  • Per ogni rotta, aggiungi una variabile contenente un URL che punta alla rotta su Google Maps, usando la funzione fornita make_gmap_url e passando gli argomenti appropriati dai dati.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

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 = ___)
Modifica ed esegui il codice