Zacznij terazZacznij za darmo

Wzbogacanie danych: statystyki podsumowujące dla tras

Przygotowaliśmy zbiór danych route_hod, który jest niemal gotowy do wizualizacji. Dodajmy do niego kilka dodatkowych zmiennych, które przydadzą się jako kognostyki podczas interaktywnego przeglądania wykresu.

To ćwiczenie jest częścią kursu

Wizualizacja dużych zbiorów danych z Trelliscope w R

Zobacz kurs

Instrukcje do ćwiczenia

  • Dla każdej trasy oblicz łączną liczbę przejazdów.
  • Dla każdej trasy oblicz różnicę między średnią liczbą przejazdów na godzinę w dni robocze a średnią liczbą przejazdów na godzinę w weekendy. Pamiętaj, że zmienna n zawiera już zagregowane liczby przejazdów na godzinę – średnia dla dni roboczych wynosi zatem na przykład mean(n[weekday == "workweek"]).
  • Dla każdej trasy dodaj zmienną zawierającą adres URL wskazujący trasę w Mapach Google – skorzystaj z dostarczonej funkcji make_gmap_url(), przekazując odpowiednie argumenty z danych.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

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 = ___)
Edytuj i uruchom kod