Mit Text Daten arbeiten & KTZH Corporate Design mit statR

rstatsZH - Data Science mit R

Lars Schöbitz

Nov 12, 2024

Lernziele (für diese Woche)

1. Die Lernenden können die Funktion str_detect() aus dem R-Paket stringr verwenden um das Auftreten oder Fehlen bestimmter Muster in Zeichenvektoren (character Vektor) zu ermitteln.
2. Due Lernenden können str_detect() mit dplyr Funktionen wie filter() oder mutate() nutzen, um Daten über das Auftreten von Mustern in Teilmengen zu unterteilen oder darauf basierend neue Variablen zu erstellen.
3. Die Lernenden können das statR R-Paket nutzen um eine Visualisierung im Corporate Design des Kanton Zürich zu erstellen.

Arbeiten mit Strings in R

• Strings -> Zeichenkette (eine folge von Zeichen)
• Werden verwendet um Textdaten darzustellen
• Können beliebige Länge haben
• Erstellt mit einfachen oder doppelten Anführungszeichen
• Sonderzeichen können mit dem Backslash \ “ausgenommen” werden

Anführungszeichen

• Erstellt mit einfachen oder doppelten Anführungszeichen

string1 <- "Dies ist eine Zeichenkette"
string2 <- 'Wenn ich ein "Anführungszeichen" in eine Zeichenkette einfügen 
            möchte, verwende ich einfache Anführungszeichen'

Der Backslash \

Um ein einfaches oder doppeltes Anführungszeichen in einer Zeichenkette zu verwenden, kann \, um es “auszunehmen”:

double_quote <- "\"" 
single_quote <- '\''

Falls du ein wörtliches Backslash in deiner Zeichenkette verwenden möchtest, musst du es “ausnehmen”: "\\":

backslash <- "\\"

Beachte dass die gedruckte Darstellung einer Zeichenkette in der Console nicht identisch mit der Zeichenkette selbst ist:

x <- c(single_quote, double_quote, backslash)
x

[1] "'"  "\"" "\\"

Um den Rohinhalt der Zeichenkette zu sehen, verwende str_view()

str_view(x)

[1] │ '
[2] │ "
[3] │ \

Beachte dass die gedruckte Darstellung einer Zeichenkette nicht identisch mit der Zeichenkette selbst ist, da die gedruckte Darstellung die Zeichen zeigt, welche die ausgenommenen Zeichen darstellen. Um den Rohinhalt der Zeichenkette zu sehen, verwende str_view():

Vornamen Statistik

Daten: Vornamen der Bevölkerung nach Jahrgang, Schweiz, 2023

• jährlich aktualisierte Daten
• Vornamen mit weniger als 3 Nennungen werden ausgeschlossen
• Datenquelle: Bundesamt für Statistik

Frage: Wieviele einzigartige Vornamen gibt es in der Schweiz?

1. 200’000
2. 1’000
3. 1.0 mio
4. 50’000

Vornamen Statistik

Frage: Wieviele einzigartige Vornamen gibt es in der Schweiz?

vornamen

# A tibble: 976,068 × 4
   vorname  geburtsjahr  wert geschlecht
   <chr>          <dbl> <dbl> <chr>     
 1 Olivier         1915     1 m         
 2 Florian         1917     1 m         
 3 Max             1917     1 m         
 4 Albert          1918     1 m         
 5 Co              1918     1 m         
 6 Julian          1918     1 m         
 7 Victor          1918     1 m         
 8 Alfred          1919     1 m         
 9 Valentin        1919     1 m         
10 Walter          1919     1 m         
# ℹ 976,058 more rows

vornamen |> 
    distinct(vorname)

# A tibble: 65,401 × 1
   vorname 
   <chr>   
 1 Olivier 
 2 Florian 
 3 Max     
 4 Albert  
 5 Co      
 6 Julian  
 7 Victor  
 8 Alfred  
 9 Valentin
10 Walter  
# ℹ 65,391 more rows

Vornamen Statistik

Frage: Was sind die häufigsten 10 Vornamen in der Schweiz?

vornamen |> 
    count(vorname, geschlecht, 
          wt = wert, sort = TRUE) |>
    head(n = 10) 

# A tibble: 10 × 3
   vorname   geschlecht     n
   <chr>     <chr>      <dbl>
 1 Maria     w          74840
 2 Daniel    m          62884
 3 Peter     m          54007
 4 Thomas    m          52732
 5 Hans      m          44073
 6 Christian m          41702
 7 Martin    m          40627
 8 Anna      w          40387
 9 Michael   m          39922
10 Andreas   m          39583

Vornamen Statistik

Frage: Was sind die häufigsten 10 Vornamen in der Schweiz?

vornamen |> 
    count(vorname, geschlecht, 
          wt = wert, sort = TRUE) |>
    head(n = 10) |>
    # aus dem knitr R-Paket
    kable()

vorname	geschlecht	n
Maria	w	74840
Daniel	m	62884
Peter	m	54007
Thomas	m	52732
Hans	m	44073
Christian	m	41702
Martin	m	40627
Anna	w	40387
Michael	m	39922
Andreas	m	39583

Vornamen Statistik

Frage: Was sind die häufigsten 10 Vornamen in der Schweiz?

vornamen |> 
    count(vorname, geschlecht, 
          wt = wert, sort = TRUE) |>
    head(n = 10) |>
    # aus dem gt R-Paket
    gt()

vorname	geschlecht	n
Maria	w	74840
Daniel	m	62884
Peter	m	54007
Thomas	m	52732
Hans	m	44073
Christian	m	41702
Martin	m	40627
Anna	w	40387
Michael	m	39922
Andreas	m	39583

Vornamen Statistik

Frage: Was sind die häufigsten 10 Vornamen in der Schweiz?

vornamen |> 
    count(vorname, geschlecht, 
          wt = wert, sort = TRUE) |>
    head(n = 10) |>
    # nutze gt R-Package für die Darstellung
    gt() |> 
    tab_style(
        style = cell_fill(color = "#AFF0ED"),
        locations = cells_body(
            columns = everything(),
            rows = geschlecht == "m"
        )
    ) |>
    tab_style(
        style = cell_fill(color = "#FFD700"),
        locations = cells_body(
            columns = everything(),
            rows = geschlecht == "w"
        )
    )

vorname	geschlecht	n
Maria	w	74840
Daniel	m	62884
Peter	m	54007
Thomas	m	52732
Hans	m	44073
Christian	m	41702
Martin	m	40627
Anna	w	40387
Michael	m	39922
Andreas	m	39583

Vornamen Statistik

Frage: Was ist die Verteilung der Vornamenlängen in der Schweiz?

vornamen |> 
    count(vorname, wt = wert) |> 
    mutate(laenge = str_length(vorname)) |> 
    count(laenge) |> 
    print(n = 19)

# A tibble: 19 × 2
   laenge     n
    <int> <int>
 1      2   128
 2      3  1094
 3      4  5780
 4      5 13793
 5      6 16075
 6      7 12114
 7      8  7294
 8      9  3719
 9     10  2013
10     11  1155
11     12   811
12     13   559
13     14   384
14     15   233
15     16   131
16     17    75
17     18    30
18     19     9
19     20     4

Vornamen Statistik

Frage: Was ist die Verteilung der Vornamenlängen in der Schweiz?

vornamen_laenge_sum <- vornamen |> 
    count(vorname, wt = wert) |> 
    mutate(laenge = str_length(vorname)) |> 
    count(laenge)

ggplot(data = vornamen_laenge_sum, 
       mapping = aes(x = laenge, y = n)) +
    geom_col() +
    theme_minimal(base_size = 12)

Ihr seid dran: Vornamen Statistik

Frage: Welche Fragen könnten wir noch zu den Vornamen in der Schweiz stellen?

1. Macht ein paar Notizen.
2. Teilt sie im Chat.

02:00

stringr: Zeichenkettenmanipulation in R

Hauptmerkmale:

• Teil der tidyverse R-Pakete
• Konsistente Syntax mit str_-Präfix

Funktionen:

• str_length(): Stringlänge ermitteln
• str_c(): Strings verketten
• str_sub(): Teilstrings extrahieren/ersetzen
• str_detect(): Mustererkennung
• str_count(): Anzahl Vorkommen eines Musters
• …

Ich bin dran: stringr R-Paket

Zurücklehnen und Fragen stellen!

30:00

Pause machen

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

10:00

Kanton Zürich - Corporate Design

Vornamen Statistik mit statR R-Paket

statR R-Paket

• Erstellt Corporate Design Visualisierungen für den Kanton Zürich
• Enthält ein benutzerdefiniertes ggplot2-Theme
• Bietet generische Farbpaletten für Datenvisualisierungen
• Export von Datensätzen als XLSX-Dateien mit Quellinformationen und zusätzlichen Metadaten
• Stellt eine HTML-Berichtsvorlage zur Verfügung
• Offen auf GitHub verfügbar: https://github.com/statistikZH/statR

Wir sind dran: 02-statR-wir.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-08-uebungen.
4. Suche im Dateimanager im Fenster unten rechts die Datei 02-statR-wir.qmd und klicke darauf, um sie im Fenster oben links zu öffnen.

30:00

Pause machen

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

10:00

Ihr seid dran: 03-vornamen-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 Continue neben md-08-uebungen.
4. Suche im Dateimanager im Fenster unten rechts die Datei 03-vornamen-ihr.qmd und klicke darauf, um sie im Fenster oben links zu öffnen.
5. Folge den Anweisungen in der Datei.

30:00

Zeitpuffer: Modul 8

Kann ich noch etwas zum heutigen Modul erklären?

10:00

Zusatzaufgaben Modul 8

Modul 8 Dokumentation

rstatszh-k009.github.io/website/module/md-08.html

Zusatzaufgaben Abgabedatum

• Abgabedatum: Montag, 18. November
• Korrektur- und Feedbackphase bis zu: Donnerstag, 21. 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.