dist = mean(distance, na.rm = TRUE), delay = mean(arr_delay, na.rm = TRUE) ) delay <- filter(delay, count > 20, dest != "HNL") # 看起来延误随着距离增加而加重，直到约 750 英里 # 然后开始减少。也许飞行时间越长， # 在空中弥补延误的能力就越强？ ggplot(data = delay, mapping = aes(x = dist, y = delay)) + geom_point(aes(size = count), alpha = 1/3) + geom_smooth(se = FALSE) #> geom\_smooth() 使用 method = 'loess'

准备这些数据有三个步骤：

• 1. 按目的地对航班进行分组。
• 2. 汇总以计算距离、平均延误和航班数量。
• 3. 过滤以去除噪声点和檀香山机场，该机场的距离几乎是第二近机场的两倍。

这段代码写起来有点令人沮丧，因为我们必须给每个中间数据框起一个名字，即使我们并不关心它。命名是很难的，所以这会拖慢我们的分析。

还有一种方法可以用管道 %>% 来解决同样的问题：

delays <- flights %>% group_by(dest) %>% summarize( count = n(),