9844-respostas-lubridate.Rmd

```{r, include=FALSE}
knitr::opts_chunk$set(
  collapse = TRUE,
  fig.align = "center"
)
```

## O pacote lubridate

```{r, message = FALSE, warning = FALSE}
library(dplyr)
library(lubridate)
library(ggplot2)

lakers <- tibble::as_tibble(lakers)
```


**1.** Repare que a coluna `date` no data.frame é um vetor de inteiros. Transforme essa coluna em um vetor de valores com classe `date`.

```{r}
lakers %>% 
  mutate(date = ymd(date))
```

Repare que `as_date()` não funciona neste caso.

```{r}
lakers %>%
  mutate(date = as_date(date))
```

Para entender porque a função devolveu um dia do ano 56949, rode os códigos abaixo.

```{r}
as_date(0)
as_date(-3:3)
as_date(20081027:20081029)
```

---

**2.** Crie uma coluna que junte as informações de data e hora (colunas `date` e `time`) em objetos da classe `date`.

```{r}
lakers %>% 
  mutate(date_time = paste0(date, " 00:", time) %>% ymd_hms) %>% 
  select(date_time)
```

---

**3.** Crie as colunas `dia`, `mes` e `ano` com as respectivas informações sobre a data do jogo.

```{r}
lakers %>%
  mutate(
    date = ymd(date),
    dia = day(date),
    mes = month(date),
    ano = year(date)
  ) %>% 
  select(date, dia, mes, ano)
```

---

**4.** Em média, quanto tempo o Lakers demora para arremessar a primeira bola no primeiro período?

**Dicas**: arremessos são representados pela categoria `shot` da coluna `etype` e cada período tem 12 minutos.


```{r}
lakers %>% 
  dplyr::filter(etype == "shot", period == 1, team == "LAL") %>% 
  dplyr::mutate(
    time = hms(paste0("00:", time)),
    cronometro = 12*60 - minute(time)*60 - second(time)
  ) %>% 
  dplyr::group_by(date) %>% 
  dplyr::filter(cronometro == min(cronometro)) %>% 
  dplyr::ungroup() %>% 
  dplyr::summarise(media = mean(cronometro))
```

O que foi feito:

- Primeiro filtramos a base para arremessos, `etype == "shot"`, do primeiro período, `period == `, que fossem do Lakers, `team == "LAL"`. 

- Em seguida, mudamos a classe da coluna `time`, de `character` para `period`, e criamos a coluna `cronometro`, que contém o tempo passado (em segundos) até o instante do evento.

- Então agrupamos a base pelo dia e a filtramos apenas para o primeiro evento de cada dia, isto é, o evento que tem o menor valor na coluna `cronometro`. Assim, a coluna `cronometro` da base resultante terá o tempo do primeiro arremesso de cada jogo.

- Por fim, desagrupamos a base e calculamos a média da coluna `cronometro`.

---

**5.** Em média, quanto tempo demora para sair a primeira cesta de três pontos em cada um dos quatro períodos? Considere toda a base, e cestas de ambos os times.

```{r}
lakers %>% 
  dplyr::filter(etype == "shot", period %in% 1:4, points == "3") %>% 
  dplyr::mutate(time = hms(paste0("00:", time)),
                cronometro = 12*60 - minute(time)*60 - second(time)) %>% 
  dplyr::group_by(date, period) %>% 
  dplyr::filter(cronometro == min(cronometro)) %>% 
  dplyr::ungroup() %>%
  dplyr::group_by(period) %>% 
  dplyr::summarise(media = mean(cronometro))
```

A resolução desse exercício é análoga ao anterior, só mudamos o filtro inicial e o agrupamento. Se você ficou com dúvidas, consulte o passo a passo na resolução do exercício 4.

Repare que não precisarímos filtrar por `etype == "shot"`, já que o único evento que gera 3 pontos é a cesta de 3 pontos.

---

**6.** Construa boxplots do tempo entre pontos consecutivos para cada períodos. Considere toda a base de dados e apenas pontos do Lakers.

```{r}
lakers %>% 
  filter(points > 0, team == "LAL") %>% 
    dplyr::mutate(
      time = hms(paste0("00:", time)),
      tempo_segundos = 60 * minute(time) + second(time),
      dif = tempo_segundos - lead(tempo_segundos),
      period = as.character(period)
    ) %>% 
  filter(dif >= 0) %>% 
  ggplot(aes(x = period, y = dif)) +
  geom_boxplot()
```

---

**7.** Qual foi o dia e mês do jogo que o Lakers demorou mais tempo para fazer uma cesta? Quanto tempo foi?

```{r}
cesta_demorada <- lakers %>% 
  filter(points > 0, team == "LAL", period == 1) %>% 
    dplyr::mutate(
      time = hms(paste0("00:", time)),
      time = 60 * minute(time) + second(time),
      date = ymd(date),
      dia = day(date),
      mes = month(date),
    ) %>% 
  group_by(date) %>% 
  filter(time == max(time)) %>%
  ungroup() %>% 
  slice_min(time)

cesta_demorada %>% 
  select(date, opponent, dia, mes)

tempo_seg <- 12*60 - cesta_demorada$time
seconds_to_period(tempo_seg)
```