Exercises

library(tidyverse)

These exercises should take no longer than 1 hour to complete, barring typos or syntaxical errors!

Another common type of EDA is to examine the covariation of two variables within the data. In this exercise we will explore how the variable avg_relative_humidity covaries with the average daily temperature avg_temperature across the entire data set (not just 2021).

1.)    Using  the  filter  and  select  functions,  write  code  that  gives  a  data.frame  containing  date, avg_relative_humidity, and avg_temperature for observations in which either avg_relative_humidity or avg_temperature are missing. Provide a glimpse() of your data.frame and comment on any patterns that you see in date.

# Also  accepted:  two  separate  filters  (one  for  each  variable)  and  see          #  that  this  task  is  equivalent  to  just  filtering  for  avg_relative_humidity #  since  there  are  no  missing  avg_temperature  values

weather  <-    read.csv("weatherstats_vancouver_daily.csv")

filtered  <-  weather  %>%

select(date,  avg_relative_humidity,  avg_temperature)  %>%

filter(is.na (avg_relative_humidity)  |  is.na (avg_temperature))

glimpse(filtered)

##  Rows:  10

##  Columns:  3

##  $  date                                   <chr>  "2022-01-16",  "2022-01-05",  "2020-12-08",  "2020-~ ##  $  avg_relative_humidity  <dbl>  NA,  NA,  NA,  NA,  NA,  NA,  NA,  NA,  NA,  NA                      ##  $  avg_temperature              <dbl>  5.55,  -1.29,  8.40,  9.30,  6.65,  5.35,  5.05,  3.34,~

There are no missing average temperature readings, but there are missing average relative humidity readings for the first week in December of 2020 and a couple of days this January (Jan. 5 and 16).

2.) As noted in the lab, a graphical summary is often more helpful than a numerical summary. To this end, create and label a scatter plot of avg_relative_humidity and avg_temperature to better examine their correlation. To make a scatter plot in ggplot, we use the geom_point function. Don’t forget to include the aesthetic arguments with aes()!

ggplot(weather)+

geom_point(aes (x=avg_temperature,  y=avg_relative_humidity),

color= !blue ! ,

na.rm=T)+

labs(x= !Average  Temperature ! ,

3.) Using the plot from the previous exercise, discuss any trends or interesting observations you notice.

●  Unique Observations: Strength of association (if any), direction, trend (linear/non-linear), clustering effects, presence of outliers

●  Sample Answer: Average daily temperature and relative humidity appear to be weakly negatively associated in a linear trend (students could argue non-linear as well, it’s just perception!).

●  Interpretation: The scatterplot shows that generally, as the average daily temperature increases, the corresponding average daily relative humidity tends to decrease in a linear manner (optional estimate slope:  1.5

4.)  Summer drought and heavy rainfalls seem to be getting worse over the years.  You are interested in studying this potential trend. Briefly describe:

● What information would you extract from the weather data set to study, and what graphical comparisons would you use?

●  How your data can be extracted using the R tools (Note: You do not need to implement this in R, only describe the general approach!)

Your response should include the data and format you would select, the graphical displays you would use, and the aesthetics you would include. A sample solution using the study question from this R Lab:

●  Filtered the data by year (to year 2021)

●  Selected the daily rainfall for the year

●  Grouped daily rainfall by month and computed total daily rainfall

●  Represented the data in a histogram with month on the x-axis to observe the distribution of rainfall in 2021