R: Limpieza de un dataset con dplyr

library(dplyr)

actividad <- read.csv('actividad.csv')

# Selecciono las columnas que me interesan 
act_data <- actividad %>% select(h, Dia, Mes, Year, Distancia, Calorias, 
                                 Tiempo, FCMedia, Longitud.media.de.zancada, Ascenso.total, Velocidad.media.kmh)

# Renombro para acortar nombres
act_data <- rename(act_data, 
                   Zancada = Longitud.media.de.zancada,
                   Velocidad = Velocidad.media.kmh,
                   Ascenso = Ascenso.total,
                   Hora = h)

str(act_data)

kable(summary(act_data))

# Elimino las que tienen FCMedia menos de 100, las cuales no me interesan
act_data <- act_data %>% filter(FCMedia> 100)

# Quito alguna actividad que se ha colado de senderismo
act_data <- act_data %>% filter(Velocidad > 6)

# Paso a numérica la columna de Ascenso
act_data$Ascenso <- as.double(act_data$Ascenso)

# Hay 3 registro sin ascenso, las cuales paso a 0, llano absoluto 
act_data <- act_data %>% mutate(Ascenso = ifelse(!is.na(Ascenso), Ascenso, 0))

# Me quedo con las carreras del al menos 1 Km
act_data <- act_data %>% filter(Distancia >= 1)


# Elimino las 4 lineas con NA de Calorias
act_data <- act_data %>% filter(!is.na(Calorias))

# Multiplico por 1000 los registros de Calorias menores de 2, ya que es un error del volcado de la app
act_data %>% filter(Calorias < 2)

act_data <- act_data %>% mutate(Calorias = ifelse(Calorias > 2 , Calorias, Calorias*1000))

#Hasta el momento
kable(summary(act_data))

# Me quedo temporalmente con las filas que la FCMedia no es nula
act_data_wo_na <- act_data %>% filter(!is.na(FCMedia))

# Tras pruebas y valorando el p-value que me dan distintos modelos se puede valorar, 
# me quedo con Distancia, Calorias y velocidad media como significativas
lm_act_data_wo_na <- lm(data = act_data_wo_na, FCMedia~Distancia+Velocidad+Calorias)

# Por lo que puedo calcular la FCMedia con los valores de la variable independiente
# y las que me aportan la distancia y la velocidad media:

coef_fc <- summary(lm_act_data_wo_na)$coefficients

act_data <- act_data %>% 
  mutate(FCMedia = ifelse(!is.na(FCMedia), FCMedia, coef_fc[1,1] + 
                            coef_fc[2,1]*Distancia + 
                            coef_fc[3,1]*Velocidad))

act_data_wo_0 <- act_data %>% filter(Zancada > 0)
lm_act_data_wo_0 <- lm(data= act_data_wo_0, Zancada~Distancia+Velocidad+Calorias)
coef_lon <- summary(lm_act_data_wo_0)$coefficients

act_data <- act_data %>%
  mutate(Zancada = ifelse(Zancada != 0, Zancada, coef_lon[1,1]+
                                              coef_lon[2,1]*Distancia+
                                              coef_lon[3,1]*Velocidad+
                                              coef_lon[4,1]*Calorias))

# Las dimensiones del dataset (registros x columnas)
dim(act_data)

# El resumen estadístico del dataset
kable(summary(act_data))