# Transformace dat ------------------------------------------------------
library(tidyverse)
library(nycflights13)
library(janitor)

# Pracujte s datasetem flights
flights

# Zjistěte, který přepravce (carrier) mívá největší průměrné zpoždění při 
# příletu (arr_delay)
# Tj. rozdělte dataset podle přepravce, vypočtěte průměrné zpoždění pro 
# každého přepravce zvlášť a průměry seřaďte sestupně.


# Pomocí vhodné funkce slice_ vyberte z každého letiště odletu (origin)
# let z největším zpožděním (dep_delay)


# Proměnná hour udává plánovanou denní hodinu odletu
# Rozdělte dataset podle této proměnné
# a vypočtěte průměrné zpoždění při odletu (dep_delay) pro každou denní
# hodinu

# Dobrovolná, obtížnější úloha:
# Zkuste výsledek předchozího kroku poslat do funkce ggplot() a 
# Znázornit průměry pomocí sloupcového grafu



# Pomocí funkce count() zjistěte, který přepravce měl nejvíce letů
# (argumentem sort nastavte, ať jsou četnosti seřazeny sestupně).
# Výsledek pak pošlete do funkce mutate a přidejte nový sloupec p 
# s relativními četnostmi.

# Import dat ------------------------------------------------------------

# Importujte soubor hotdogs_1.txt do R jako nový objekt (hotdogs)
# Jako oddělovače jsou v něm použity tabulátory.
# Chtěli bychom zároveň, ať se první sloupce importuje jako proměnný
# typu faktor a zbylé dva sloupce jako proměnné typu integer


# Importujte soubor swimming_pools.csv do R jako nový objekt (pools)
# Oddělovačem jsou zde čárky.
# Pomocí funkce clean_names() z balíčku janitor nastavte vhodnější názvy 
# sloupců
# Sloupec postcode převeďte na proměnnou typu integer
# a sloupec state na proměnnou typu faktor (můžete to udělat už při importu
# nebo dodatečně pomocí funkce mutate)