-
Notifications
You must be signed in to change notification settings - Fork 2
/
Copy pathAQ-Valencia-4.R
186 lines (120 loc) · 5.38 KB
/
AQ-Valencia-4.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
# Sol Represa
# AQ Valencia
# 10/12/2018
# Objetivo:
# Análisis de datos faltantes
library(ggplot2)
library(reshape2)
source("AQ-Valencia-3.R")
############################################################
## Analisis de datos faltantes ####
###########################################################
# 1. Visualizar % Datos Faltantes por Estaciones en todo el período ####
source("fuction/plot_missing.R")
plot_missing(pollutant, pollutant_names, 3)
plot_missing(fact, fact_names, 3)
#al armar 2 listas distintas no tengo las mismas estaciones ¡ojo!
############################################################
# 2. Limpieza de dias donde haya alta proporción de datos faltantes ####
############################################################
source("fuction/medias_diarias.R")
l <- medias_diarias(pollutant, 3)
#saveRDS(l, file = "medias_diarias_todas.Rds")
# Grafica Missing (2) ####
# grafica booleana de dónde faltan datos
tabla[,3:length(tabla)] %>%
is.na %>%
melt %>%
ggplot(data = .,
aes(x = Var2,
y = Var1)) +
geom_raster(aes(fill = value)) +
scale_fill_grey(name = "",
labels = c("Present","Missing")) +
theme_minimal() +
theme(axis.text.x = element_text(angle=45, vjust=0.5)) +
labs(x = "",
y = "Observations / Date")
############################################################
## 3. Visualizacion de datos faltantes por mes ####
############################################################
g <- list()
for(i in 1:length(l)) {
tabla <- l[[i]]
#¿cuantos datos faltan por mes?
tabla$date <- as.Date(tabla$date, tz = "GMT" )
NA_mes <- aggregate( is.na(tabla[,3:length(tabla)]) , list(format(tabla$date, "%Y-%B")), FUN = sum )
Count_mes <- aggregate( tabla[,3:length(tabla)] , list(format(tabla$date, "%Y-%B")), FUN = NROW )
tabla_na_mes <- cbind(NA_mes[1], round(NA_mes[-1]/Count_mes[-1] * 100, digits = 0))
names(tabla_na_mes)[1] <- "date"
tabla_na_mes_MELT <- melt(tabla_na_mes, by= date)
tabla_na_mes_MELT$date <- as.Date(paste(tabla_na_mes_MELT$date, "-1", sep=""), format = "%Y-%B-%d", tz= "GMT" )
tabla_na_mes_MELT$value <- 100 - tabla_na_mes_MELT$value
g[[i]] <- ggplot(data = tabla_na_mes_MELT, aes(x = variable, y = date)) +
geom_raster(aes(fill = value)) +
scale_fill_distiller(palette = "Purples" , name = "", trans="reverse") +
theme_minimal() +
theme(axis.text.x = element_text(angle=45, vjust=0.5)) +
labs(x = "",
y = "",
title = paste("% Data Medida - ", pollutant_names[i]))
png(paste("missing_", pollutant_names[i] , ".png", sep="") , width = 1150, height = 500)
print(g[[i]])
dev.off()
}
rm(g) # g guarda todos los plots con el % de data medida en cada estacion en cada mes
############################################################
## 4. Base de datos faltantes por dia ####
############################################################
g <- list()
k <- list()
for(i in 1:length(pollutant)) {
tabla <- pollutant[[i]]
#¿cuantos datos faltan por mes? en %
NA_mes <- aggregate( is.na(tabla[,3:length(tabla)]) , list(format(tabla$date, "%Y-%m")), FUN = sum )
Count_mes <- aggregate( tabla[,3:length(tabla)] , list(format(tabla$date, "%Y-%m")), FUN = NROW )
tabla_na_mes <- cbind(NA_mes[1], round(NA_mes[-1]/Count_mes[-1] * 100, digits = 0))
names(tabla_na_mes)[1] <- "date"
#¿cuantos datos faltan por dia? en %
NA_dia <- aggregate( is.na(tabla[,3:length(tabla)]) , list(format(tabla$date, "%Y-%m-%d")), FUN = sum )
NA_dia[,2:length(NA_dia)] <- round(NA_dia[,2:length(NA_dia)]/24 * 100, digits = 0)
names(NA_dia)[1] <- "date"
g[[i]] <- tabla_na_mes
k[[i]] <- NA_dia
}
saveRDS(g, file="NA_mensuales.Rds")
saveRDS(k, file="NA_diarios.Rds")
rm(g,k)
############################################################
## 5. Limpieza de meses donde haya alta proporción de datos faltantes ####
############################################################
# # CRITERIO LIMPIEZA para medias mensual # # #
# B) Faltan más del 30% del mes
# Se construye la media mensual con las medias diarias.
# # # # # # # # # # # # # # # # # # # # # # # # #
# A continuación:
# Genera medias mensuales a partir de una lista con todas las medias diarias de las concentraciones
x = l
k <- list()
for(i in 1:length(x)) {
tabla <- x[[i]]
#¿cuantos datos faltan por mes?
tabla$date <- as.Date(tabla$date, tz = "GMT" )
NA_mes <- aggregate( is.na(tabla[,3:length(tabla)]) , list(format(tabla$date, "%Y-%B")), FUN = sum )
Count_mes <- aggregate( tabla[,3:length(tabla)] , list(format(tabla$date, "%Y-%B")), FUN = NROW )
tabla_na_mes <- cbind(NA_mes[1], round(NA_mes[-1]/Count_mes[-1] * 100, digits = 0))
names(tabla_na_mes)[1] <- "date"
# codificar
tabla_na_mes[tabla_na_mes == 0] <- 1
tabla_na_mes[tabla_na_mes > 30] <- 0 #criterio = más de 30% NA al mes es removido el mes
tabla_na_mes[tabla_na_mes != 0] <- 1
names(tabla_na_mes)[1] <- "date"
# agregar en media diaria
mean_mes <- aggregate( tabla[,3:length(tabla)] , list(format(tabla$date, "%Y-%B")), FUN = mean )
names(mean_mes)[1] <- "date"
# obtener tabla con fechas que cumplan criterio
tabla_mean_mes <- mean_mes[,2:length(mean_mes)] * tabla_na_mes[,2:length(tabla_na_mes)]
tabla_mean_mes[tabla_mean_mes == 0] <- NA
k[[i]] <- data.frame( date = mean_mes[,1], tabla_mean_mes)
}
saveRDS(k, file="medias_mensuales_todas.Rds") #TODAAAAAS (no las 60!)