titanic_eda.Rmd

---
title: 'EDA Titanic'
author: "Autor: Víctor Aceña Gil"
output:
  html_document:
    highlight: default
    number_sections: yes
    theme: cosmo
    toc: yes
    toc_depth: 2
  pdf_document:
    highlight: zenburn
    toc: yes
  word_document: default
---

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

******
# Ejemplo de estudio visual con el juego de datos Titanic
******

## Procesos de limpieza del juego de datos

Primer contacto con el juego de datos, visualizamos su estructura.  

```{r echo=TRUE, message=FALSE, warning=FALSE}
# Cargamos los paquetes R que vamos a usar
library(ggplot2)
library(dplyr)
library(summarytools)

# Guardamos el juego de datos test y train en un único dataset
test <- read.csv('titanic-test.csv',stringsAsFactors = FALSE)
train <- read.csv('titanic-train.csv', stringsAsFactors = FALSE)

# Unimos los dos juetos de datos en uno solo
totalData <- bind_rows(train,test)
filas=dim(train)[1]

# Verificamos la estructura del juego de datos
str(totalData)
```

```{r}
print(dfSummary(totalData), method = 'render')
```

Trabajamos los atributos con valores vacíos.  

```{r echo=TRUE, message=FALSE, warning=FALSE}
# Estadísticas de valores vacíos
colSums(is.na(totalData))
colSums(totalData=="")

# Tomamos valor "C" para los valores vacíos de la variable "Embarked"
totalData$Embarked[totalData$Embarked==""] = "C"

# Tomamos la media para valores vacíos de la variable "Age"

totalData$Age[is.na(totalData$Age)] <- mean(totalData$Age,na.rm=T)
```


Discretizamos cuando tiene sentido y en función de cada variable. (**CAMBIO P1**: Actualizar para incluir en las columnas a discretizar "Sex" y "Embarked" - prueba para git - Probamos un merge).

Actualizar para incluir en las columnas a discretizar "Sex" y "Embarked" - prueba para git).


```{r echo=TRUE, message=FALSE, warning=FALSE}
# ¿Para qué variables tendrá sentido un proceso de discretización?
apply(totalData,2, function(x) 
  length(unique(x)))

# Discretizamos las variables con pocas clases
cols<-c("Survived","Pclass","Sex","Embarked")
for (i in cols){
  totalData[,i] <- as.factor(totalData[,i])
}
```

**CAMBIO P2**: Volvemos a mostrar el dataset para ver como se ha actualizado con los cambios.--HECHO
```{r echo=TRUE, message=FALSE, warning=FALSE}

```
print(dfSummary(totalData), method = 'render')


## Procesos de análisis del juego de datos

Nos proponemos analizar las relaciones entre las diferentes variables del juego de datos.

```{r echo=TRUE, message=FALSE, warning=FALSE}
ggplot(data=totalData[1:filas,],aes(x=Sex,fill=Survived))+geom_bar(position="fill")+geom_bar(position="fill")

```

**CAMBIO P3333333:** Repetimos la grafica anterior utilizando la columna Embarked.
```{r echo=TRUE, message=FALSE, warning=FALSE}
ggplot(data = totalData[1:filas,],aes(x=Embarked,fill=Survived))+geom_bar(position="fill")+ylab("Frecuencia")

```

Obtenemos una matriz de porcentajes de frecuencia.  
Vemos, por ejemplo que la probabilidad de sobrebivir si se embarca en "C" es de un **CAMBIO P1**: Poner probabilidad %, "Q" es de un **CAMBIO P2**: Poner probabilidad % y por último "S" es de un **CAMBIO P3**: Poner probabilidad %.

```{r echo=TRUE, message=FALSE, warning=FALSE}
t<-table(totalData[1:filas,]$Embarked,totalData[1:filas,]$Survived)
for (i in 1:dim(t)[1]){
    t[i,]<-t[i,]/sum(t[i,])*100
}
t
```

Veamos ahora como en un mismo gráfico de frecuencias podemos trabajar con 3 variables: Embarked, Survived y Pclass.  

```{r echo=TRUE, message=FALSE, warning=FALSE}
# Now, let's devide the graph of Embarked by Pclass:
ggplot(data = totalData[1:filas,],aes(x=Embarked,fill=Survived))+geom_bar(position="fill")+facet_wrap(~Pclass)
```

**CAMBIO P3**: Repetir gráfica anterior pero agrupando por sexo
```{r echo=TRUE, message=FALSE, warning=FALSE}

```

Comparemos ahora dos gráficos de frecuencias: Survived-SibSp y Survived-Parch

```{r echo=TRUE, message=FALSE, warning=FALSE}
# Survivial como función de SibSp y Parch
ggplot(data = totalData[1:filas,],aes(x=SibSp,fill=Survived))+geom_bar()
```

**CAMBIO P2**: Repetir grafica para la variable Parch
```{r echo=TRUE, message=FALSE, warning=FALSE}

```

Veamos un ejemplo de construcción de una variable nueva: Tamaño de familia

```{r echo=TRUE, message=FALSE, warning=FALSE}

# Construimos un atributo nuevo: family size.
totalData$FamilySize <- totalData$SibSp + totalData$Parch +1;
totalData1<-totalData[1:filas,]
ggplot(data = totalData1[!is.na(totalData[1:filas,]$FamilySize),],aes(x=FamilySize,fill=Survived))+geom_histogram(binwidth =1,position="fill")+ylab("Probabilidad")

# Observamos como familias de entre 2 y 6 miembros tienen más del 50% de posibilidades de supervivencia.  
```

Veamos ahora dos gráficos que nos compara los atributos Age y Survived.  
Observamos como el parámetro position="fill" nos da la proporción acumulada de un atributo dentro de otro

```{r echo=TRUE, message=FALSE, warning=FALSE}
# Survival como función de age:
ggplot(data = totalData1[!(is.na(totalData[1:filas,]$Age)),],aes(x=Age,fill=Survived))+geom_histogram(binwidth =3)
```

**CAMBIO P1**: Repetir el histograma anterior cambiando la frecuencia por la probabilidad de superviviencia (Añadir el parámetro position="fill" en geom_histogram y la etiqueta ylab("Frecuencia"))

```{r echo=TRUE, message=FALSE, warning=FALSE}
```