# adjuntar los paquetes `dplyr` y `readr` # use `read_csv()` para importar el conjunto de datos y asignar los datos a `Titanic_2` # obtener una descripción general de los datos y soltar `Name` # cambiar los nombres de las columnas # adjuntar el paquete `corrplot` # comprobar correlaciones usando `corrplot()` # adjuntar los paquetes `dplyr` y `readr` library(readr) library(dplyr) # use `read_csv()` para importar el conjunto de datos y asignar los datos a `Titanic_2` Titanic_2 <- read_csv("https://stanford.io/2O9RUCF") # obtener una descripción general de los datos y soltar `Name` summary(Titanic_2) # o str(Titanic_2) # o head(Titanic_2) Titanic_2 <- Titanic_2[, -3] # cambiar los nombres de las columnas colnames(Titanic_2) <- c("Survived", "Class", "Sex", "Age", "Siblings", "Parents", "Fare") # adjuntar el paquete `corrplot` library(corrplot) # comprobar correlaciones usando `corrplot()` corrplot(cor(select_if(Titanic_2, is.numeric))) # (la correlación más alta es entre `fare` y `class` de pasajero) test_object("Titanic_2") test_or({ test_function("summary", args = "object") },{ test_function("head", args = "x") },{ test_function("str", args = "object") }) test_function("library") test_function("corrplot", args = "corr") success_msg("Correcto. Como era de esperar, la correlación más alta (-0.55) se encuentra entre Fare y Class, por lo que la colinealidad no es un problema aquí.")