mutate( dep_time = make_datetime_100(year, month, day, dep_time), arr_time = make_datetime_100(year, month, day, arr_time), sched_dep_time = make_datetime_100( year, month, day, sched_dep_time ), sched_arr_time = make_datetime_100( year, month, day, sched_arr_time ) ) %>% select(origin, dest, ends_with("delay"), ends_with("time"))

flights_dt

#> # 一个 tibble：328,063 × 9 #> origin dest dep_delay arr_delay dep_time #> #> 1 EWR IAH 2 11 2013-01-01 05:17:00 #> 2 LGA IAH 4 20 2013-01-01 05:33:00 #> 3 JFK MIA 2 33 2013-01-01 05:42:00 #> 4 JFK BQN -1 -18 2013-01-01 05:44:00 #> 5 LGA ATL -6 -25 2013-01-01 05:54:00 #> 6 EWR ORD -4 12 2013-01-01 05:54:00 #> # ... 还有 3.281e+05 行，以及 4 个更多变量： #> # sched_dep_time , arr_time , #> # sched_arr_time , air_time

有了这些数据，我可以将全年出发时间的分布可视化：

flights_dt %>% ggplot(aes(dep_time)) + geom_freqpoly(binwidth = 86400) # 86400 秒 = 1 天