Daten Typen & Vektoren & For Loops

rstatsZH - Data Science mit R

Lars Schöbitz

Oct 29, 2024

Modul 5 - Zusatzaufgabe 3

ggplot(data = lernende2022_stufe_staat_sum,
       mapping = aes(x = Stufe, 
                     y = Prozent, 
                     fill = Staatsangehoerigkeit)) +
    coord_flip() +
    geom_col() +
    geom_text(aes(label = paste0(round(Prozent, 0), "%")),  
              position = position_stack(vjust = 0.5)) +
    labs(title = "Lernende im Kanton Zürich ",
         subtitle = "nach Staatsangehörigkeit und Stufe im Jahr 2022",
         fill = "Staatsangehörigkeit",
         caption = "Daten: zh.ch/daten",
         y = NULL,
         x = NULL) +
    theme_minimal() +
    theme(legend.position = "bottom", 
          panel.grid.major.y = element_blank())

Lernziele (für diese Woche)

  1. Die Lernenden können die Bedeutung von Vektoren mit Bezug auf einen Dataframe erläutern.
  2. Die Lernenden können drei verschiedene Methoden anwenden um auf einen Vektor in einem dataframe zuzugreifen.
  3. Die Lernenden können die vier wichtigsten atomaren Vektortypen in R auflisten.
  4. Die Lernenden können einen for loop verwenden, um durch die Elemente eines Vektors in einem Dataframe zu iterieren und spezifische Operationen auf jedes Element anzuwenden.

Daten Typen und Vektoren

Why care about data types? Warum sind Daten Typen wichtig?

via GIPHY

Beispiel: Recycling Umfrage in Zürich

Eine Umfrage zum Recycling-Verhalten in der Stadt Zürich:

  • job: Was ist dein Beruf?
  • price_glass: Welchen monatlichen Betrag wärst du bereit für eine Metall/Glas-Tonne vor deinem Haus zu zahlen?
id job price_glass
1 Student 0
2 Retired 0
3 Other 0
4 Employed 10
5 Employed See comment
6 Student 5-10
7 Student 0
8 Retired 0
9 Student 10
10 Employed 0
11 Employed 20 (2chf per person with 10 people in the WG)
12 Student 10
13 Student 10
14 Employed 0
15 Student 10
16 Student 0
17 Employed 5-10
18 Other 0
19 Student 0
20 Employed 10
21 Employed 0
22 Employed 5

Oh warum klappt das nicht?!

survey_data_small |> 
  summarise(mean_price_glass = mean(price_glass))
# A tibble: 1 × 1
  mean_price_glass
             <dbl>
1               NA

Oh warum klappt das immernoch nicht!!??

survey_data_small |> 
  summarise(mean_price_glass = mean(price_glass, na.rm = TRUE))
# A tibble: 1 × 1
  mean_price_glass
             <dbl>
1               NA

Atme tief durch und schau dir deine Daten an

id job price_glass
1 Student 0
2 Retired 0
3 Other 0
4 Employed 10
5 Employed See comment
6 Student 5-10
7 Student 0
8 Retired 0
9 Student 10
10 Employed 0
11 Employed 20 (2chf per person with 10 people in the WG)
12 Student 10
13 Student 10
14 Employed 0
15 Student 10
16 Student 0
17 Employed 5-10
18 Other 0
19 Student 0
20 Employed 10
21 Employed 0
22 Employed 5

Atme tief durch und schau dir deine Daten an

# A tibble: 22 × 3
      id job      price_glass
   <int> <chr>    <chr>      
 1     1 Student  0          
 2     2 Retired  0          
 3     3 Other    0          
 4     4 Employed 10         
 5     5 Employed See comment
 6     6 Student  5-10       
 7     7 Student  0          
 8     8 Retired  0          
 9     9 Student  10         
10    10 Employed 0          
# ℹ 12 more rows

Ein sehr typischer Schritt in der Datenbereinigung!

survey_data_small |> 
  mutate(price_glass_new = case_when(
    price_glass == "5-10" ~ "7.5",
    price_glass == "05-Oct" ~ "7.5",
    str_detect(price_glass, pattern = "2chf") == TRUE ~ "20",
    str_detect(price_glass, pattern = "See comment") == TRUE ~ NA_character_,
    TRUE ~ price_glass
  ))

Ein sehr typischer Schritt in der Datenbereinigung!

id job price_glass_new price_glass
1 Student 0 0
2 Retired 0 0
3 Other 0 0
4 Employed 10 10
5 Employed NA See comment
6 Student 7.5 5-10
7 Student 0 0
8 Retired 0 0
9 Student 10 10
10 Employed 0 0
11 Employed 20 20 (2chf per person with 10 people in the WG)
12 Student 10 10
13 Student 10 10
14 Employed 0 0
15 Student 10 10
16 Student 0 0
17 Employed 7.5 5-10
18 Other 0 0
19 Student 0 0
20 Employed 10 10
21 Employed 0 0
22 Employed 5 5

Summarise? Argh!!!!

survey_data_small |> 
  mutate(price_glass_new = case_when(
    price_glass == "5-10" ~ "7.5",
    price_glass == "05-Oct" ~ "7.5",
    str_detect(price_glass, pattern = "20") == TRUE ~ "20",
    str_detect(price_glass, pattern = "See comment") == TRUE ~ NA_character_,
    TRUE ~ price_glass
  )) |> 
  summarise(mean_price_glass = mean(price_glass_new, na.rm = TRUE))
# A tibble: 1 × 1
  mean_price_glass
             <dbl>
1               NA

Respektiere deine Daten Typen!

Den Durchschnitt von einem Vektor mit Typ “character” zu berechnen ist nicht möglich.

# A tibble: 22 × 4
      id job      price_glass price_glass_new
   <int> <chr>    <chr>       <chr>          
 1     1 Student  0           0              
 2     2 Retired  0           0              
 3     3 Other    0           0              
 4     4 Employed 10          10             
 5     5 Employed See comment <NA>           
 6     6 Student  5-10        7.5            
 7     7 Student  0           0              
 8     8 Retired  0           0              
 9     9 Student  10          10             
10    10 Employed 0           0              
# ℹ 12 more rows

Respektiere deine Daten Typen!

survey_data_small |> 
  mutate(price_glass_new = case_when(
    price_glass == "5-10" ~ "7.5",
    price_glass == "05-Oct" ~ "7.5",
    str_detect(price_glass, pattern = "20") == TRUE ~ "20",
    str_detect(price_glass, pattern = "See comment") == TRUE ~ NA_character_,
    TRUE ~ price_glass
  )) |> 
  mutate(price_glass_new = as.numeric(price_glass_new)) |> 
  summarise(mean_price_glass = mean(price_glass_new, na.rm = TRUE))
# A tibble: 1 × 1
  mean_price_glass
             <dbl>
1             4.76

Ich bin dran: Vektoren und Iteration mit for-Schleifen



Zurücklehnen und Fragen stellen!

30:00

Pause machen

Bitte steh auf und beweg dich. Lasst eure E-Mails in Frieden ruhen.

10:00

Bild erzeugt mit DALL-E 3 by OpenAI

Ihr seid dran: 02-vektor-typen-ihr.qmd

  1. Öffne posit.cloud in deinem Browser (verwende dein Lesezeichen).
  2. Öffne den rstatszh-k009 Arbeitsbereich (Workspace) für den Kurs.
  3. Klicke auf Start neben md-06-uebungen.
  4. Suche im Dateimanager im Fenster unten rechts die Datei 02-vektor-typen-ihr.qmd und klicke darauf, um sie im Fenster oben links zu öffnen.
  5. Folge den Anweisungen in der Datei.
30:00

Zeitpuffer: Modul 6 Uebungen

Kann ich noch etwas zu den Übungen in 02-vektor-typen-ihr.qmd sagen?

15:00

Pause machen

Bitte steh auf und beweg dich. Lasst eure E-Mails in Frieden ruhen.

05:00

Bild erzeugt mit DALL-E 3 by OpenAI

Sensitive Daten und GitHub

schützenswerte Daten dürfen nicht auf GitHub

schützenswerte Daten:

  • verletzen die Privatsphäre (z.B. Einzeldaten)
  • sind sicherheitskritisch (z.B. Passwörter)
  • unterliegen Drittrechten (z.B. Copyrights)

Mehr info: Gesetze über die Information und den Datenschutz (IDG)

Lösung: .gitignore

  • Dateien und Verzeichnisse in .gitignore eintragen
  • werden nicht auf GitHub hochgeladen

Daten teilen

Damit eine Analyse reproduzierbar ist, müssen die Daten für andere zugänglich sein. Die Dateien können auf anderen Wegen geteilt werden, z.B. per E-Mail, USB-Stick, Cloud-Dienst, etc.

Informationssicherheit

Folgender Dateipfad enthält Informationen zum Dateisystem und sollte nicht auf GitHub hochgeladen werden:

read_csv("C:/Users/Lars/Documents/projekt-umfrage/daten/umfrage_daten.csv")

Ein guter Weg dies zu vermeiden ist die Verwendung von relativen Pfaden in Kombination mit der here() Funktion aus dem gleichnamigen R-Paket here. Im RStudio Project / GitHub Repository mit dem Namen projekt-umfrage:

read_csv(here::here("daten/umfrage_daten.csv"))

Wir sind dran: 03-gitignore-wir.qmd & docs/04-dateipfade.qmd

  1. Öffne posit.cloud in deinem Browser (verwende dein Lesezeichen).
  2. Öffne den rstatszh-k009 Arbeitsbereich (Workspace) für den Kurs.
  3. Klicke auf Continue neben md-06-uebungen.
  4. Suche im Dateimanager im Fenster unten rechts die Datei 03-gitignore-wir.qmd und klicke darauf, um sie im Fenster oben links zu öffnen.
20:00

Zeitpuffer: Modul 6 Uebungen

Kann ich noch etwas zum heutigen Modul erklären?

10:00

Zusatzaufgaben Modul 6

Modul 6 Dokumentation

rstatszh-k009.github.io/website/module/md-06.html

Zusatzaufgaben Abgabedatum

  • Abgabedatum: Montag, 04. November
  • Korrektur- und Feedbackphase bis zu: Donnerstag, 07. November

Danke

Danke! 🌻

Folien erstellt mit revealjs und Quarto: https://quarto.org/docs/presentations/revealjs/ Access slides als PDF auf GitHub

Alle Materialien sind lizenziert unter Creative Commons Attribution Share Alike 4.0 International.

rstatszh-k009.github.io/website/