RStudio

Objekte erstellen

Um in R etwas (z.B. einen Datensatz, ein Ergebnis, …) zu speichern, müssen Sie es mit

<-

an ein Objekt zuweisen

Objekte erstellen

Führen Sie diese beiden Befehle aus. Welche Unterschiede sehen Sie? → probieren Sie es selbst

1+3
summe <- 1+3
summe

Objekte erstellen

Objekte können oft mehrere Werte haben:

• Vektoren sind der einfachste Typ Objekt: ein oder mehrere Objekte des gleichen Typs, verkettet durch c()
  • z.B. numerische Vektoren: vektor1 <- c(1,15,7)
    • als Spanne: vektor1 <- 1:15
  • z.B. Text (‘character’) Vektoren: vektor2 <- c("text","xx","bausteine")

Funktionen

Funktionen sind Befehle, die R ausführt - z.B. etwas drucken

print(x="Hallo!")

[1] "Hallo!"

print(summe)

[1] 4

Einige nützliche Funktionen

Ein paar besonders praktische Funktionen helfen uns in die Objekte ‘hineinzusehen’

jahreszahlen <- 1980:2010
head(jahreszahlen)

[1] 1980 1981 1982 1983 1984 1985

# head: erste n  Observationen
head(jahreszahlen,n=1) # Standard: n=6

[1] 1980

# table(): Tabelle mit Häufigkeiten
table(jahreszahlen)

jahreszahlen
1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994 1995 
   1    1    1    1    1    1    1    1    1    1    1    1    1    1    1    1 
1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 
   1    1    1    1    1    1    1    1    1    1    1    1    1    1    1 

Kommentare

Kommentare lassen sich zu R Code mit # hinzufügen - ob am Anfang der Zeile oder währenddessen

→ Text ab # wird ignoriert, hilft aber Ihrem Verständnis

print("Hallo") # druckt Hallo

[1] "Hallo"

# einzeiliger Kommentar

Kommentare

Viele nutzen Kommentare mit # auch um Ihren Code zu strukturieren

#### Daten laden ####
# Überschrift ----

Zeilen die mit #### oder ---- enden wandelt RStudio in Sektionen um

→ das macht die Navigation in langen Skripten leichter

Aufgabe

Bearbeiten Sie den ersten Teil des Übungsskripts

→ probieren Sie es selbst

Pakete

• R basiert auf sog. ‘packages’: Software-Pakete, die bestimmte Funktionen definieren und damit die Funktionalität von R erweitern
  • z.B. stats für Statistik und utils für R Kommandos - vorinstalliert
  • z.B. ggplot2 für Grafiken
  • z.B. dplyr für Datenmanipulation

Pakete

Pakete installieren

(Die meisten) R-Pakete müssen vor der ersten Nutzung aus dem Internet installiert werden, z.B.:

install.packages("tidyverse") # installiert Paket tidyverse

library(tidyverse) # läd Paket tidyverse

Pakete: tidyverse

Das tidyverse ist eine Sammlung von Paketen, die häufig genutzt werden und aufeinander aufbauen. Wir nutzen diese Pakete oft im Kurs.

install.packages("tidyverse") # installiert Paket tidyverse

Pakete

Tipp: Wenn sie nur einmalig einen Befehl aus dem Paket nutzen wollen können Sie ihn auch aus dem installierten Paket ohne laden des Pakets aufrufen:

→ hilfreich für Pakete, die wir für laden der Daten nutzen

# importiert Befehl read_dta() aus dem haven Paket
haven::read_dta("files/file.dta") 

(Wichtige) Objekttypen

Erstellen neuer Variablen

In Dataframes können wir Variablen ähnlich erstellen, wie wir bisher Objekte erstellt haben

# neue Variable ects erstellen
df$ects <- c(9,9)

# neue Variable ects erstellen
df$ects <- c(9,9,9)

Error in `$<-.data.frame`(`*tmp*`, ects, value = c(9, 9, 9)): Ersetzung hat 3 Zeilen, Daten haben 2

ifelse()

Manchmal wollen wir Variablen abhängig von anderen Variablen erstellen - z.b. um etwas umzukodieren.

→ dabei hilft uns ifelse()

jahreszahlen <- 1980:2010
generationen <- data.frame(jahr=jahreszahlen)

# ifelse(Bedingung, 
#        Wert wenn-ja,
#        Wert wenn-nein)
generationen$generation <- ifelse(generationen$jahr<2000,
                                  "millenial",
                                  "generation z")

Datensätze gruppieren

Wir können data frames auch gruppieren → das wird später noch wichtig werden

# group_by(datensatz, variable)
gen_gruppiert <- group_by(generationen, generation)

tally(gen_gruppiert)

# A tibble: 2 × 2
  generation       n
  <chr>        <int>
1 generation z    11
2 millenial       20

Daten zusammenfassen

Gruppieren hilft auch dabei bestimmte Werte - z.B. Mittelwerte - nach Gruppen zusammenzufassen

→ summarize()

# summarize(Datensatz, Zusammenfassungsfunktion)
summarize(generationen, mean=mean(jahr))

  mean
1 1995

summarize(gen_gruppiert, mean=mean(jahr))

# A tibble: 2 × 2
  generation    mean
  <chr>        <dbl>
1 generation z 2005 
2 millenial    1990.

Aufgabe: Umfrage

Bearbeiten Sie den zweiten Teil der Übungsaufgaben, inklusive der Aufgaben zu unseren Umfrage-Antworten