Dataset Pokemon

En esta ocasión utilizaremos datos facilitados por el proyecto colectivo Datos de Miércoles (#DatosDeMiercoles en Twitter).

Datos de miércoles es el primo latinoamericano de #tidytuesday, un proyecto semanal de datos organizado por la comunidad de R, que busca que sus participantes desarrollen sus habilidades procesando datos para crear gráficos significativos usando ggplot2, tidyr, dplyr y otras herramientas del tidyverse. El proyecto original surgió en el marco de la comunidad de aprendizaje online R4DS y desde abril de 2019 la comunidad sudamericana de R impulsa una versión local en español.

Con la siguiente sintaxis podrán cargar el dataset desde el repositorio de la iniciativa. En caso de no contar con el paquete readr, el mismo deberá ser instalado previamente.

# install_packages("readr")
pokemon <- readr::read_csv("https://raw.githubusercontent.com/cienciadedatos/datos-de-miercoles/master/datos/2019/2019-07-10/pokemon.csv")

Ejercicios

  • Crear una nueva variable en el dataframe que se llame TRUE_FALSE, y tome valor TRUE cuando el nombre del pokemon en inglés es igual al nombre traducido, y FALSO cuando difieren. Realizar la operación sin utilizar el comando case_when().
#

  • Obtener la media de puntos totales (total) y puntos de vida (puntos_vida) para cada tipo de pokemon (tipo_1).
#

  • Calcular la media de puntos de ataque y defensa para todos los pokemon de generación 4 o superior, según si son legendarios o no. Luego, calcular la diferencia entre puntos de ataque y de defensa para los legendarios y no legendarios.
#

  • Para todos aquellos pokemon que no son missing en el nivel de evolución: calcular la media de su velocidad de acuerdo a su nivel de evolución y si son legendarios o no.
#

  • Agrupar los datos según la variable tipo_1, calcular los promedios de:
    • ataque
    • defensa
    • velocidad
    • puntos_vida
    • total
  • agrupar las variables de puntajes con gather en dos nuevas variables que se llamen: skills y valor
  • guardar el contenido en un dataframe llamado promedios
#

  • Volver la tabla promedios al formato anterior, y ordenar los datos de forma decreciente por la variable total.
#
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