Problema con los datos

La visualización de los datos en Kaggle de la tabla principal dailyActivity_merged y otras, muestra al campo TotalDistance (y otros campos) como un valor continuo , por ejemplo 0.259999990463257. La importación de esos datos (desde CVS) a Excel (via Power Query) o Google Sheet los muestra como 259.999.990.463.257.En algunas columnas los importa correctamente y en otras no. Libre Office (Calc) lo importa corretamente.
El problema es de codificación interna (encoding). Power Query lo pre-visualiza con el encode Unicode-Windows y Libre Office lo pre-visualiza como UTF-8. Desde Power Query selecciono UTF-8 y sigue importandolos con el error. Desde Rstudio se importa correctamente.

En Rstudio se importa directamente sin problemas. Por este motivo y otros (algunas tablas tienen mas filas que las soportadas por hojas de cálculo), para el análisis decido utilizar el lenguaje R a través de RStudio. También porque es más rápida la transición codificación – representación visual que hacer el análisis con SQL. 

Los traductores automáticos

Los traductores automáticos son geniales salvo cuando traducen lo que no queremos que traduzcan. En RStudio, al importar la tablas necesarias desde los archivos CVS de Kaggle, traduce al español los nombres de las tablas y los  títulos de las columnas. Podría pensar que una solución es trabajar con todo el entorno en inglés pero el separador decimal pasaría a ser el punto (.) . Prefiero que cambie los encabezados de cada tabla a español porque voy a presentar el trabajo en castellano.  Por lo que de aquí en adelante se veran todos los encabezados (y sus referencias) de las columnas en español.

Instalando paquetes

Instalo los paquetes que utilizare para el análisis. :

• tidyverse
• here
• skimr
• janitor
• lubridate

Importando tablas 

Importo las tablas que utilizare en el análisis.

• Daily_activity
• Daily_sleep
• Hourly_steps

Eliminación de duplicados

Quitando duplicados
Calculos cuantos duplicados hay por tabla.

sum(duplicated(daily_activity))

sum(duplicated(daily_sleep))

sum(duplicated(hourly_steps))

Borro los duplicados

daily_activity <- daily_activity %>%   distinct() %>%   drop_na()

daily_sleep <- daily_sleep %>%   distinct() %>%   drop_na()

hourly_steps <- hourly_steps %>%   distinct() %>%   drop_na()

Se analizaran:

• Tiempo dedicado a cada tipo de actividad.
• Tipo de actividad física según la cantidad de pasos diarios.
• Cual es la distancia recorrida mas frecuentemente.
• Total de horas dormidas.
• Total de horas en la cama sin dormir.

 

Tiempo dedicado a cada tipo de actividad

En la tabla Daily_activity (en adelante ActividadDiaria) tenemos 4 tipos de actividad: very, fairly, ligthly y sedentary. De los cuales, la actividad física corresponde a los 3 primeros.
Si en un solo registro sumamos los valores de las 4 variables da como resultado un tiempo aproximado a las 24 horas. De las cuales sedentary corresponde a un interrvalo de tiempo que va de 5 a 8 horas, por lo que sedentario corresponde al tiempo de descanso nocturno.  

Genero una tabla llamada TypeActive, extrayendo información de la tabla tipos_actividad, Agrupo por ID, por lo que los siguientes datos corresponderán a cada persona. Quito los valores nulos.

TypeActive <- tipos_actividad %>% drop_na() %>% group_by(Id) %>% summarize(MuyActivos= sum(VeryActiveMinutes), BastanteActivos = sum(FairlyActiveMinutes), PocoActivos = sum(LightlyActiveMinutes))

 

La tabla la creo con las columnas:

MuyActivos que corresponde a la suma de todos los minutos VeryActiveMinutes.
BastanteActivos que corresponde a la suma de todos los minutos FairlyActiveMinutes.
PocoActivos que corresponde a la suma de todos los minutos LightlyActiveMinutes

Calculo el total de tiempo dedicado a cada tipo de actividad .

Creo las variables TotalMuyActivos, TotalBastanteActivos y TotalPocoActivos.

De la tabla TypeActive sumo la columna MuyActivos y el resultado lo asigno a la variable TotalMuyActivos.

 

TotalMuyActivos <- TypeActive %>% summarize(sum(MuyActivos))

 

Hago lo mismo con las otras columnas.

TotalBastanteActivos <- TypeActive %>% summarize(sum(BastanteActivos))

TotalPocoActivos <- TypeActive %>% summarize(Poco activos= sum(PocoActivos))

 

Obtengo 3 valores :

TotalMuyActivos , TotalBastanteActivos, TotalPocoActivos

Hago una tabla llamada Actividad con estos valores.

Actividad <- c("ActividadTotal")

MinsTotales <- c(TotalMuyActivos, TotalBastanteActivos, TotalPocoActivos)

Total_Mins_Actividad <- data.frame(Actividad, MinsTotales)

Corrigo los encabezados de las columnas:

TotalMuyActivos <- TypeActive %>% summarize("Muy activos" = sum(MuyActivos))

TotalBastanteActivos <- TypeActive %>% summarize("Bastante activos" = sum(BastanteActivos))

TotalPocoActivos <- TypeActive %>% summarize("Poco activos" = sum(PocoActivos))

Creo nuevamente la tabla

MinsTotales <- c(TotalMuyActivos, TotalBastanteActivos, TotalPocoActivos)

Total_Mins_Actividad <- data.frame(Actividad, MinsTotales)

 

 

Hago gráfico de sectores:

Tiempo en minutos.

 

Cada usuario tiene tres comportamientos durante el día : muy activo, bastante activo y poco activo. Si sumamos los comportamientos nos da como resultado que el comportamiento mas común a todos los usuarios es el de poco activos .

 

Tipo de actividad física según la cantidad de pasos diarios dados

 

La cantidad de pasos diarios es un factor fundamental para determinar el grado de actividad física de una persona común.

Pero no es el único por ejemplo , una persona puede dar muy pocos pasos diarios e ir a nadar y hacer 20 piletas o ir al gimnasio, etc . No debe ser el único factor a considerar ya que introduciría un sesgo de exclusión de otros tipos de actividad física. En este análisis el dispositivo analizado solo puede medir los pasos dados y la distancia recorrida.

Creo una tabla donde agrupo por persona (Id), y sumo el total de pasos.

PasosDiarios <- actividad_diaria %>% drop_na() %>% group_by(Id) %>% summarize(TotalPasosDiarios = sum(TotalSteps)) %>% print(n = 24)

24 usuarios reportaron la información de pasos diarios.

Vista en ventana grafica y en consola dentro de RStudio:

 

 

Creo una nueva columna PasosPorDia:

mutate(PasosDiarios, PasosPorDia = TotalPasosDiarios / 24)

Divido por 24 porque fue el mayor numero de días que los usuarios reportaron datos.

Si no asigno la orden mutate a la propia tabla solo vere el resultado en la consola pero el mismo no quedará almacenado. Comportamiento de R, que agrega una columna en memoria para ver una nueva columna sin almacenarla.

Corrijo!

PasosDiarios <- mutate(PasosDiarios, PasosPorDia = TotalPasosDiarios / 27)

 

Grafico el total de pasos diarios dados por cada persona. Cada punto de color representa a una persona. Son 24 personas las que han reportado datos.

ggplot(data = PasosDiarios) + geom_point( mapping = aes(x = Id, y= PasosPorDia, color= Id))

 

Agrego una columna para simplificar los Ids que aparecen como potencias de e.

PasosDiarios$ID = c(1:33)

Grafico con el nuevo ID:

ggplot(data = PasosDiarios) + geom_point( mapping = aes(x = ID, y= PasosPorDia, color= ID))

 

Búsqueda de tendencia:

ggplot(data = PasosDiarios) + geom_smooth(mapping = aes(x = ID, y= PasosPorDia)) + geom_point(mapping = aes(x = ID, y= PasosPorDia, color= ID))

La línea de tendencia indica que la mayoría de usuarios se encuentra en la categoría de algo activos.

 

Tipos de usuarios según la cantidad de pasos dados 

En los datos suministrados no hay información demográfica para conocer información detallada como edad, peso, sexo, etc.

Podemos clasificar a los usuarios considerando las cantidad de pasos diarios lo cual es un procedimiento utilizado ampliamente de la siguiente manera: :

• Sedentario o inactivo: realiza menos de 5.000 pasos/día.
• Algo activo pero no alcanza las recomendaciones de actividad física saludable: realiza entre 5.000 y 9.999 pasos/día.
• Activo: cumple las recomendaciones de actividad física saludable: realiza entre 10.000 y 12.499 pasos/día.
• Muy activo: realiza 12.500 pasos al día o más.

Fuente: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6985624/

Según esta clasificación en la muestra hay:

Sedentarios: 7

Algo activos: 17

Activos: 5

Muy activos: 3

Genero tabla:

 

Genero gráfico:

 

Cual es la distancia recorrida más frecuentemente

Creo una tabla fecha_distancia seleccionando Id, Fecha de actividad y la distancia total recorrida.

fecha_distancia <- actividad_diaria %>% select(Id, ActivityDate, TotalDistance) %>% drop_na()

 

 

Agrego una columna para mostrar el día de la semana

fecha_distancia <- mutate(fecha_distancia, Dia_Semana = format(as.Date(ActivityDate),"%A"))

Grafico con un gráfico de dispersión la distancia recorrida en función del día de la semana para cada participante. Cada punto de un color representa la distancia recorrida por un mismo participante cada día de la semana durante todo el periodo. Por cada día hbrán aprox. 8 puntos del mismo color.

ggplot(data = fecha_distancia) + geom_point(mapping = aes(x = format(as.Date(ActivityDate),"%A"), y= TotalDistance , color= Id))

 

El limite promedio de distancia máxima recorrido por día fue de 10 km . La distancia más recorrida con frecuencia es de 4 a 6 km. Los días mas activos son los sábados y los miércoles. El día menos activo es el domingo.

 

Total de horas dormidas

De la tabla dormir agrupo por ID y resumo el promedio del total de horas dormidas.

dormir %>% drop_na() %>% group_by(Id) %>% summarize(mean(TotalHorasDormidas)) %>% print(n = 24)

 

 

De la tabla dormir, grafico el total de horas dormidas en función de fecha registrada (SleepDay) y del Id.

ggplot(data = dormir) + geom_point(mapping = aes(x = SleepDay, y= TotalHorasDormidas, color=Id))

 

Total de horas dormidas

ggplot(data = HorasPromDormidas) + geom_point(mapping = aes(x = ID, y= TotalHsDormidas))

 

Tendencia de total de horas dormidas

 

ggplot(data = HorasPromDormidas) + geom_smooth(mapping = aes(x = ID, y= TotalHsDormidas))+geom_point(mapping = aes(x = ID, y= TotalHsDormidas))

Tendencia: Los usuarios tienden a dormir entre 6 y 7 horas.

 

Horas en la cama sin dormir

Agrego una columna para simplificar los Ids.

HorasPromDormidas$ID = c(1:24)

 

Grafico fecha de registro y horas en la cama sin dormir.

 

ggplot(data = HorasSinDormir) + geom_point( mapping = aes(x = ID, y= HsSinDormir, color= ID))

Tendencia de horas sin dormir

ggplot(data = HorasSinDormir) + geom_smooth(mapping = aes(x = ID, y= HsSinDormir))+geom_point(mapping = aes(x = ID, y= HsSinDormir))

Tendencia: Los usuarios estan de 30 a 60 minutos despiertos antes de dormirse.

 

 

 

• Dada que la distancia más activa es de 4 a 6 km (sean realizados estos corriendo o caminando), se sugiere inluir en la aplicación planes de entrenamiento para carreras o caminatas de 5 km ya que la carga aerobica permite entrenar para esa distancia.
• Dado que los usuarios están despiertos hasta una hora antes de dormirse se sugiere incluir en la app. consejos y herramientas que permitan lograr dormirse mas rápidamente si estar despierto se debiera a no conciliar el sueño.
• Dado que tenemos un 84% de comportamiento poco activo en algún momento de la vigilia: Se deben incluir en la app consejos y aplicaciones con incentivos para utilizar ese espacio de tiempo en actividades más activas..
• Para el tipo de usuario sedentario. Pueden ser personas que utilizan este tipo de dispositivos solo para monitorear el sueño y "parecen" ignorar los datos que muestran sobre la poca actividad física que realizan. Si esa poca actvidad física persiste se podrían activar advertencias o alarmas, siempres que el usuario lo autorice.