R 数据集 nycflights13::flights 各列含义说明

最新推荐文章于 2025-10-26 01:55:52 发布

原创最新推荐文章于 2025-10-26 01:55:52 发布 · 1.2w 阅读

30 ·

CC 4.0 BY-SA版权

本文详细介绍nycflights13包中flights数据集的各项字段，包括起飞与到达时间、延误情况、航班信息及机场间距等关键数据，为理解和分析航班数据提供全面指导。

注：详细内容可以安装 nycflights13 包并加载 flights 后 ?flights 查看。

year、month、day：起飞日期
dep_time、arr_time：起飞（departure）时间和到达时间。格式：HHMM，当地时间。
sched_dep_time、sched_arr_time：计划起飞时间、计划到达时间
dep_delay、arr_delay：起飞延误、到达延误
hour、minute：计划起飞时间拆分为 hour 和 minute
carrier：承运商缩写
tailnum：飞机尾号
origin、dest：始发地、目的地
airtime：空中时间
distance：机场间距

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

理由过于天真

关注关注

6
点赞
踩
30

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

R 语言 test

Mrrunsen的博客

06-20

855

##第一题 #使用nycflights13数据集 1使用nycflights和planes数据表进行链接，其中最终结果应当保存flights中的所有观测值，并且保存planes中对应的观测值，并将结果数据框命名为flight planes，并展示数据狂。 2选取flightplanes中tailnum中结尾是字母w的观测值，将engine和seats两个变量排序到所有变量最前面（即第一列和第二列，最后将结果数据框保存为flightsplanes1，并展示数据框。 3分别找出flights表中的目的地（des

一道和nycflights13相关的例题

m0_69739438的博客

06-08

203

首先，参照 planes 数据，保留 flights 数据中生产年份在 1990 年及之后的飞机所对应。接着，针对每一个起飞机场，计算他们每一周周六的平均起飞延误，比较是否高于该周的其。利用 flights 与 planes 中的数据回答下列问题。其次，计算出每一行数据的时间所对应的星期几以及一年中的第几周。filter(week_day == "星期六") %>%有传言称，机场周六的工作效率较低，我们希望对该问题展开讨论。的数据，因为过于老旧的飞机可能需要额外的保养等。

参与评论您还未登录，请先登录后发表或查看评论

AI练手系列（二）—— RNN之飞机乘客预测

竹杖芒鞋轻胜马

07-16

1926

AI练手系列（二）—— RNN之飞机乘客预测。使用RNN模型；同时对比传统线性回归模型和多项式的非线性回归模型；代码翔实，结果可视。

终极指南：如何用nyc-taxi-data轻松玩转纽约出租车与网约车数据分析

最新发布

gitblog_00307的博客

10-26

453

纽约市出租车与网约车数据（nyc-taxi-data）是一个强大的开源项目，提供了自2009年以来纽约市30多亿次出租车和网约车（如出行平台）行程的完整数据集。通过PostgreSQL或ClickHouse数据库，你可以轻松导入、处理和分析这些数据，探索城市交通的奥秘！ ## ???? 项目核心价值：30亿+行程数据的宝藏 ### 数据来源与覆盖范围该项目数据全部来自纽约市出租车与豪华轿车委员会...

R语言 tidyverse 之数据处理：dplyr (下)

数据分析进阶

08-03

1519

dplyr 包中也有特定的连接函数，用来实现不同数据框之间的连接操作，类似于 SQL 中的 join。这一节我们使用 nycflights13 数据集，这个数据集中包含了纽约市 336776 次航班的信息，使用前先安装一下：install.packages(‘nycflights13’)。 library(dplyr) library(nycflights13) # flights 数据框 slice_head(flights, n = 5) # airlines 数据框 slice_head(air

航空公司数据集_Flight#2_flight_航空公司数据集_

10-01

各大航空公司数据集MEMBER_NOFFP_DATEFIRST_FLIGHT_DATEGENDERFFP_TIERWORK_CITYWORK_PROVINCEWORK_COUNTRYAGELOAD_TIMEFLIGHT_COUNTBP_SUMEP_SUM_YR_1EP_SUM_YR_2SUM_YR_1SUM_YR_2SEG_KM_SUMWEIGHTED_SEG_KMLAST_FLIGHT_DATEAVG_FLIGHT_COUNTAVG_BP_SUMBEGIN_TO_FIRSTLAST_TO_ENDAVG_INTERVALMAX_INTERVALADD_POINTS_SUM_YR_1ADD_POINTS_SUM_YR_2EXCHANGE_COUNTavg_discountP1Y_Flight_CountL1Y_Flight_CountP1Y_BP_SUML1Y_BP_SUMEP_SUMADD_Point_SUMEli_Add_Point_SumL1Y_ELi_Add_PointsPoints_SumL1Y_Points_SumRation_L1Y_Flight_CountRation_P1Y_Flight_CountRation_P1Y_BPSRation_L1Y_BPSPoint_NotFlight

flighttest-数据集

03-04

flights.csv

利用r语言帮我写一段代码，使它可以剔除数据集nycflights13：：flights中实际出发时间（dep_time）缺失的观测值

06-06

可以使用下面的代码来剔除数据集nycflights13::flights中实际出发时间（dep_time）缺失的观测值： ```R library(nycflights13) # 剔除实际出发时间（dep_time）缺失的观测值 flights (flights, cols = c("dep_time...

利用数据包 nycflights13: 1. 利用 flights 和 planes，找到平均服役时间最长前十种型号（model）的飞机

06-01

`flights` 和 `planes` 数据集，使用 `inner_join()` 函数将它们连接起来，并按照 `model` 分组，计算每个型号的平均服役时间，然后按照平均服役时间从高到低排序，并选择前十个型号，最后使用 `select()` 函数选择...

2. 本题使用数据集 nycflights13::flights （1）请首先剔除数据中实际出发时间（dep_time）缺失的观测值，然后生成一个新的变量 dep_interval，用来将数据中的实际出发时间分为上午（6:01‐ 12:00）、下午（12:01‐18:00）、晚上（18:01‐24:00）和凌晨（0:01‐6:00）四组，将每一年每一月每一天内每个dep_interval 分组（year, month, day, dep_interval），计算每一组的平均到达延误时间和到达延误的方差，以及到达的机场数量（注意：相同机场不能重复计算）（20’）（2）选取平均到达延误在 30 分钟以内同时平均到达机场数据不低于 50 个的小组，并按照平均到达延误由大到小排列（5’）

05-19

首先，我们需要加载数据集 nycflights13::flights，并剔除实际出发时间（dep_time）缺失的观测值。 ```R library(nycflights13) library(dplyr) flights <- flights %>% filter(!is.na(dep_time)) ``` 接着，...

2. 本题使用数据集 nycflights13::flights （1）请首先剔除数据中实际出发时间ሺdep_timeሻ缺失的观测值，然后生成一个新的变量 dep_interval，用来将数据中的实际出发时间分为上午ሺ6:01‐ 12:00ሻ、下午ሺ12:01‐18:00ሻ、晚上ሺ18:01‐24:00ሻ和凌晨ሺ0:01‐6:00ሻ四组，将每一年每一月每一天内每个 dep_interval 分组（year, month, day, dep_interval），计算每一组的平均到达延误时间和到达延误的方差，以及到达的机场数量（注意：相同机场不能重复计算）（20’）（2）选取平均到达延误在 30 分钟以内同时平均到达机场数据不低于 50 个的小组，并按照平均到达延误由大到小排列（5’）

06-06

1. 首先，使用R语言读取数据集 nycflights13::flights，然后剔除实际出发时间（dep_time）缺失的观测值，可以使用na.omit函数实现。 2. 接下来，可以创建一个新变量dep_interval，使用ifelse函数将实际出发时间分为...

DelayedFlights-数据集

03-15

数据有关由于各种原因导致的航班延误的信息，2008年。可用于进行延迟航班数据集的分析。 DelayedFlights.csv

航空数据-全球航班数据集

02-18

本数据集收集了2021年7月6号的全球航班数据。您可以对本数据集进行处理后建模。数据集记录了出发点国家与到达点国家，每个航班的时间，FlightCode，OriginAirportCodeIATA，Callsign等信息。具体地，您可以下载本数据集进行查看。

UK_Flight_Data Statistics_2018 英国飞行数据统计2018-数据集

03-08

将csv打开到熊猫的数据帧中，并使用Seaborn进行分析。 201801_Punctuality_Statistics_Full_Analysis.csv

Flights & Tickets 航班机票数据集.7z

07-13

该数据集包含 google 对于航班和机票关键词的排行，共 100 个目的地且每 15 天更新一次。数据集具体内容包括搜索词，排名，标题，链接，搜索结果总数等信息。

flights.csv

05-11

航班数据集flights.csv .该文件统计了从1949年到1960年的航班信息，主要是每月登机人数，文件列名分别如下year，month，passengers

R data.table NYC-flights14 数据集

mid_math_lover的博客

10-12

216

R data.table NYC-flights14 数据集

Flights

20164225的博客

06-21

288

这道题简直是很坑啦，由于自己太菜读错题缘故导致简单数学题wa了很多发。原来是t1到t2啊，一直以为就两架飞机。就是三个方程三个未知数，利用最高点坐标（-b/2*a，4*a*c-b*b/4*a）就可以解出a，b，c的值了。没什么坑点其实，理解好题目一切ok题目代码：#include<bits/stdc++.h> using namespace std; struct node { ...

flights.json

05-24

刚接触学习ECharts 的同学可能用的到，在学习 ECharts 3D路径图Flights GL的使用所需要的flights.json文件