用R语言探索 nycflights13 数据集 1. 从 flights 数据中找出到达时间延误 2 小时或者更多的所有航班，并将生成的新数据 保存为 flight_arr2hr。(5 分) 2. 将生成的 flight_arr2hr 数据集根据目的地（dest）进行分组，统计出抵达每个目的地 的航班数量，筛选出抵达航班数量前十名的目的地，将结果命名为 top10_dest。(5 分) 3. 从 weather 表中挑选出以下变量：year, month, day, hour, origin, humid, wind_speed， 并将其与 flight_arr2hr 表根据共同变量进行左连接, 生成的新数据保存为 flight_weather (5 分) 4. 基于 flight_weather 数据集，根据不同出发地(origin)在平行的三个图中画出风速 wind_speed（x 轴）和出发延误时间 dep_delay（y 轴）的散点图，以及平滑曲线。 (5 分) 5. flights 中每家航空公司在 2013 年有多少班次的航班被取消了？提示：依据 dep_time 来判断某班次航班是否被取消(5 分) 6. 找出 flights 中每一家航空公司的航班最常去的目的地机场，以及 flights 中每家航空 公司飞往最常去的目的地机场的航班数量 (10 分)

好的，以下是针对nycflights13数据集的R语言代码：

1. 找出到达时间延误 2 小时或者更多的航班，并将生成的新数据保存为flight_arr2hr：

library(nycflights13)
flight_arr2hr <- filter(flights, arr_delay >= 120)

2. 将生成的flight_arr2hr数据集根据目的地（dest）进行分组，统计出抵达每个目的地的航班数量，筛选出抵达航班数量前十名的目的地，将结果命名为top10_dest：

top10_dest <- flight_arr2hr %>%
  group_by(dest) %>%
  summarize(n = n()) %>%
  arrange(desc(n)) %>%
  slice(1:10)

3. 从weather表中挑选出以下变量：year, month, day, hour, origin, humid, wind_speed， 并将其与flight_arr2hr表根据共同变量进行左连接, 生成的新数据保存为flight_weather：

flight_weather <- left_join(flight_arr2hr, select(weather, year, month, day, hour, origin, humid, wind_speed),
                            by = c("year", "month", "day", "hour", "origin"))

4. 基于flight_weather数据集，根据不同出发地(origin)在平行的三个图中画出风速wind_speed（x 轴）和出发延误时间dep_delay（y 轴）的散点图，以及平滑曲线：

library(ggplot2)
ggplot(data = flight_weather, mapping = aes(x = wind_speed, y = dep_delay)) +
  geom_point() +
  geom_smooth(method = "lm") +
  facet_wrap(~ origin, ncol = 3)

5. flights中每家航空公司在2013年有多少班次的航班被取消了？依据dep_time来判断某班次航班是否被取消：

flights_cancelled <- flights %>%
  filter(year == 2013, is.na(dep_time)) %>%
  group_by(carrier) %>%
  summarize(n = n())

6. 找出flights中每一家航空公司的航班最常去的目的地机场，以及flights中每家航空公司飞往最常去的目的地机场的航班数量：

most_common_dest <- flights %>%
  group_by(carrier, dest) %>%
  summarize(n = n()) %>%
  group_by(carrier) %>%
  filter(n == max(n)) %>%
  select(-n)