Ein Einzelhändler registriert für einen Exklusivartikel im Verlauf von \(30\) Verkaufstagen folgende Verkaufszahlen:
| Tag | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 |
|---|---|---|---|---|---|---|---|---|---|---|
| Anzahl | 5 | 2 | 3 | 0 | 0 | 1 | 3 | 6 | 0 | 2 |
| Tag | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 |
| Anzahl | 1 | 0 | 1 | 0 | 2 | 3 | 5 | 1 | 0 | 0 |
| Tag | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 |
| Anzahl | 3 | 5 | 3 | 1 | 0 | 0 | 0 | 6 | 3 | 1 |
Lösung
| \(j\) | 1 | 2 | 3 | 4 | 5 | 6 |
|---|---|---|---|---|---|---|
| \(a_j\) | 0 | 1 | 2 | 3 | 5 | 6 |
| \(h_j\) | 10 | 6 | 3 | 6 | 3 | 2 |
| \(H_j\) | 10 | 16 | 19 | 25 | 28 | 30 |
| \(f_j\) | \({10}/{30}\) | \({6}/{30}\) | \({3}/{30}\) | \({6}/{30}\) | \({3}/{30}\) | \({2}/{30}\) |
| \(F_j\) | \({10}/{30}\) | \({16}/{30}\) | \({19}/{30}\) | \({25}/{30}\) | \({28}/{30}\) | 1 |
\[h(4) = 0, \qquad f(4) = 0, \qquad H(4) = 25, \qquad F(4) = {25}/{30}\]
library(tidyverse)
Anzahl <- c(5, 2, 3, 0, 0, 1, 3, 6, 0, 2, 1, 0, 1, 0, 2,
3, 5, 1, 0, 0, 3, 5, 3, 1, 0, 0, 0, 6, 3, 1)
Anzahl |> tibble() |>
ggplot(aes(x=Anzahl)) +
geom_histogram(alpha = 0.8, binwidth = 1) +
labs(x = "Anzahl Verkäufe", y = "Häufigkeiten") 
Bemerkungen:
Für diese Aufgabe benötigen Sie den Datensatz flights aus dem Paket nycflights23, das Sie entweder über RStudio oder mit Hilfe des Pakets pacman und der Funktion p_load() installieren müssen.
Nutzen Sie konsequent den Pipe-Operator!
Wie viele Flüge enthält der Datensatz insgesamt?
An welchem Tag gab es die größte Verspätung beim Abflug?
Sind mehr Flüge zu früh abgeflogen und zu spät angekommen oder zu spät abgeflogen und zu früh angekommen?
Wie viele der Flüge sind exakt pünktlich abgeflogen und angekommen? Wieviel Prozent aller Flüge entspricht das?
Lösung
library(pacman)
p_load(tidyverse, nycflights23)
#
flights# A tibble: 435,352 × 19
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
<int> <int> <int> <int> <int> <dbl> <int> <int>
1 2023 1 1 1 2038 203 328 3
2 2023 1 1 18 2300 78 228 135
3 2023 1 1 31 2344 47 500 426
4 2023 1 1 33 2140 173 238 2352
5 2023 1 1 36 2048 228 223 2252
6 2023 1 1 503 500 3 808 815
7 2023 1 1 520 510 10 948 949
8 2023 1 1 524 530 -6 645 710
9 2023 1 1 537 520 17 926 818
10 2023 1 1 547 545 2 845 852
# ℹ 435,342 more rows
# ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
# tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
# hour <dbl>, minute <dbl>, time_hour <dttm>flights |> summarize(n = n()) # 435.352# A tibble: 1 × 1
n
<int>
1 435352#
flights |> arrange(desc(dep_delay)) # A tibble: 435,352 × 19
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
<int> <int> <int> <int> <int> <dbl> <int> <int>
1 2023 12 17 1953 1340 1813 2155 1543
2 2023 10 1 1240 659 1781 1407 835
3 2023 4 25 1201 659 1742 1315 818
4 2023 2 7 2045 1700 1665 2352 2025
5 2023 4 20 926 619 1627 1135 822
6 2023 10 29 856 600 1616 1050 805
7 2023 4 30 1818 1617 1561 2001 1820
8 2023 3 17 2027 1830 1557 2346 2139
9 2023 3 29 633 525 1508 820 700
10 2023 3 19 1154 1201 1433 1321 1335
# ℹ 435,342 more rows
# ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
# tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
# hour <dbl>, minute <dbl>, time_hour <dttm>#
flights |> filter(dep_delay < 0, arr_delay >0) # 33.053# A tibble: 33,053 × 19
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
<int> <int> <int> <int> <int> <dbl> <int> <int>
1 2023 1 1 549 559 -10 905 901
2 2023 1 1 619 620 -1 751 745
3 2023 1 1 656 659 -3 1031 1020
4 2023 1 1 657 659 -2 1001 946
5 2023 1 1 701 705 -4 1011 953
6 2023 1 1 726 730 -4 1054 1052
7 2023 1 1 750 755 -5 1114 1109
8 2023 1 1 757 800 -3 1013 1011
9 2023 1 1 832 835 -3 1141 1115
10 2023 1 1 851 859 -8 1111 1108
# ℹ 33,043 more rows
# ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
# tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
# hour <dbl>, minute <dbl>, time_hour <dttm>flights |> filter(dep_delay > 0, arr_delay < 0) # 45.028# A tibble: 45,028 × 19
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
<int> <int> <int> <int> <int> <dbl> <int> <int>
1 2023 1 1 503 500 3 808 815
2 2023 1 1 520 510 10 948 949
3 2023 1 1 547 545 2 845 852
4 2023 1 1 613 600 13 834 836
5 2023 1 1 626 620 6 928 941
6 2023 1 1 636 630 6 926 935
7 2023 1 1 653 650 3 811 818
8 2023 1 1 702 656 6 951 957
9 2023 1 1 704 700 4 1005 1018
10 2023 1 1 705 700 5 944 1000
# ℹ 45,018 more rows
# ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
# tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
# hour <dbl>, minute <dbl>, time_hour <dttm># oder:
# flights |> filter(dep_delay < 0 & arr_delay > 0)
#
flights |> filter(dep_delay == 0, arr_delay == 0) # 283# A tibble: 283 × 19
year month day dep_time sched_dep_time dep_delay arr_time sched_arr_time
<int> <int> <int> <int> <int> <dbl> <int> <int>
1 2023 1 2 700 700 0 850 850
2 2023 1 3 2100 2100 0 38 38
3 2023 1 4 1100 1100 0 1256 1256
4 2023 1 5 535 535 0 659 659
5 2023 1 9 1715 1715 0 2044 2044
6 2023 1 10 1715 1715 0 2037 2037
7 2023 1 11 1730 1730 0 1956 1956
8 2023 1 13 1217 1217 0 1339 1339
9 2023 1 14 1115 1115 0 1433 1433
10 2023 1 15 1455 1455 0 1625 1625
# ℹ 273 more rows
# ℹ 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
# tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
# hour <dbl>, minute <dbl>, time_hour <dttm>283 / 435352 * 100 # 0,065 %[1] 0.06500487In der Datei umfrage2024.csv finden Sie Daten zu einer (fiktive) Umfrage. Ziel der Aufgabe ist es die Merkmale aufzuarbeiten, das heißt Einträge der Merkmale mit Hilfe der Funktion mutate() zu ändern. Nutzen Sie bitte konsequent die Pipe, die Funktion across() sowie die tidyselect-Funktionen.
umfrage2024.csv mit Hilfe von Import Dataset >> From Text (readr) ein und verschaffen Sie sich einen Überblick über die Daten. Achten Sie beim Einlesen auf den Merkmalsnamen und den Separator.NA haben, sowie alle Beobachtungen bei denen das Alter kleiner als 18 oder größer als 30 ist.TRUE und FALSE zu ja und nein ab.1, 2, 3, 4, 5. Ändern Sie diese so, dass die Ausprägungen von 0 bis 4 gehen, indem überall die Ausprägung um 1 erniedrigt wird.invers gekennzeichneten Merkmale sollen nun so von Ihnen verändert werden, dass die Numerierung umgekehrt wird, also 0 zu 4, 1 zu 3, 2 zu 2, 3 zu 1 und 4 zu 0. Überlegen Sie sich zuerst welche mathematische Funktion man dafür benötigt.0 zu weiblich, 1 zu maennlich und 2 zu divers wird. Tipp: Nutzen Sie die Funktion case_when().summary() um die Unterschiede des Datensatzes vom Anfang und zum Ende der Analyse zu sehen. Welchen Vorteil haben die Faktoren?Lösung
library(pacman)
p_load(tidyverse)
# Einlesen erzeugt den Code:
umfrage2024 <- read_delim("umfrage2024.csv",
delim = ";",
escape_double = FALSE,
trim_ws = TRUE)
# wobei statt "umfrage2024.csv" da auch der Pfad zu der Datei stehen kann.Bemerkung: Bei den folgenden Aufgabenteilen stehen die runden Klammern um den Ausdruck, damit nicht nur eine Zuweisung erfolgt, sondern das entehende Objekt auch ausgegeben wird.
(umfrage2 <- umfrage2024 |>
rename(Frage10_gruppe = Frage10_GRUPPE,
Frage11_alter = Frage11_ALTER)
)# A tibble: 50 × 11
Frage01_log Frage02_log Frage03_log Frage04_num_invers Frage05_num_invers
<lgl> <lgl> <lgl> <int> <int>
1 TRUE FALSE FALSE 5 3
2 FALSE TRUE TRUE 2 4
3 TRUE FALSE FALSE 3 2
4 TRUE TRUE TRUE 4 5
5 FALSE TRUE TRUE 5 1
6 TRUE TRUE TRUE 5 4
7 FALSE FALSE TRUE 4 2
8 TRUE FALSE FALSE 3 5
9 TRUE FALSE FALSE 3 2
10 TRUE FALSE FALSE 4 2
# ℹ 40 more rows
# ℹ 6 more variables: Frage06_num <int>, Frage07_num <int>,
# Frage08_num_invers <int>, Frage09_geschlecht <dbl>, Frage10_gruppe <chr>,
# Frage11_alter <dbl>(umfrage3 <- umfrage2 |>
drop_na() |>
filter(between(Frage11_alter, 18, 30))
)# A tibble: 44 × 11
Frage01_log Frage02_log Frage03_log Frage04_num_invers Frage05_num_invers
<lgl> <lgl> <lgl> <int> <int>
1 TRUE FALSE FALSE 5 3
2 FALSE TRUE TRUE 2 4
3 TRUE FALSE FALSE 3 2
4 FALSE TRUE TRUE 5 1
5 TRUE TRUE TRUE 5 4
6 FALSE FALSE TRUE 4 2
7 TRUE FALSE FALSE 3 5
8 TRUE FALSE FALSE 3 2
9 TRUE FALSE FALSE 4 2
10 FALSE FALSE TRUE 5 5
# ℹ 34 more rows
# ℹ 6 more variables: Frage06_num <int>, Frage07_num <int>,
# Frage08_num_invers <int>, Frage09_geschlecht <dbl>, Frage10_gruppe <chr>,
# Frage11_alter <dbl>(umfrage4 <- umfrage3 |> mutate(across(ends_with("log"),
\(x) ifelse(x, "ja", "nein")))
)# A tibble: 44 × 11
Frage01_log Frage02_log Frage03_log Frage04_num_invers Frage05_num_invers
<chr> <chr> <chr> <int> <int>
1 ja nein nein 5 3
2 nein ja ja 2 4
3 ja nein nein 3 2
4 nein ja ja 5 1
5 ja ja ja 5 4
6 nein nein ja 4 2
7 ja nein nein 3 5
8 ja nein nein 3 2
9 ja nein nein 4 2
10 nein nein ja 5 5
# ℹ 34 more rows
# ℹ 6 more variables: Frage06_num <int>, Frage07_num <int>,
# Frage08_num_invers <int>, Frage09_geschlecht <dbl>, Frage10_gruppe <chr>,
# Frage11_alter <dbl>(umfrage5 <- umfrage4 |> mutate(across(contains("num"),
\(x) x-1))
)# A tibble: 44 × 11
Frage01_log Frage02_log Frage03_log Frage04_num_invers Frage05_num_invers
<chr> <chr> <chr> <dbl> <dbl>
1 ja nein nein 4 2
2 nein ja ja 1 3
3 ja nein nein 2 1
4 nein ja ja 4 0
5 ja ja ja 4 3
6 nein nein ja 3 1
7 ja nein nein 2 4
8 ja nein nein 2 1
9 ja nein nein 3 1
10 nein nein ja 4 4
# ℹ 34 more rows
# ℹ 6 more variables: Frage06_num <dbl>, Frage07_num <dbl>,
# Frage08_num_invers <dbl>, Frage09_geschlecht <dbl>, Frage10_gruppe <chr>,
# Frage11_alter <dbl>(umfrage6 <- umfrage5 |> mutate(across(ends_with("invers"),
\(x) 4-x))
)# A tibble: 44 × 11
Frage01_log Frage02_log Frage03_log Frage04_num_invers Frage05_num_invers
<chr> <chr> <chr> <dbl> <dbl>
1 ja nein nein 0 2
2 nein ja ja 3 1
3 ja nein nein 2 3
4 nein ja ja 0 4
5 ja ja ja 0 1
6 nein nein ja 1 3
7 ja nein nein 2 0
8 ja nein nein 2 3
9 ja nein nein 1 3
10 nein nein ja 0 0
# ℹ 34 more rows
# ℹ 6 more variables: Frage06_num <dbl>, Frage07_num <dbl>,
# Frage08_num_invers <dbl>, Frage09_geschlecht <dbl>, Frage10_gruppe <chr>,
# Frage11_alter <dbl>umfrage7 <- umfrage6 |> mutate(across(Frage09_geschlecht,
\(x) case_when(x == 0 ~ "weiblich",
x == 1 ~ "maennlich",
x == 2 ~ "divers")))
# sinnvollen Teil ansehen:
umfrage7 |> select(Frage09_geschlecht)# A tibble: 44 × 1
Frage09_geschlecht
<chr>
1 weiblich
2 weiblich
3 maennlich
4 weiblich
5 weiblich
6 maennlich
7 maennlich
8 divers
9 maennlich
10 maennlich
# ℹ 34 more rowsumfrage8 <- umfrage7 |> mutate(across(c(ends_with("log"),
Frage09_geschlecht,
Frage10_gruppe), factor))(umfrageEnde <- umfrage2024 |>
drop_na() |>
rename(Frage10_gruppe = Frage10_GRUPPE,
Frage11_alter = Frage11_ALTER) |>
filter(between(Frage11_alter, 18, 30)) |>
mutate(across(ends_with("log"), \(x) {ifelse(x, "ja", "nein")}),
across(contains("num"), \(x) {x-1}),
across(ends_with("invers"),\(x) {4-x}),
across(Frage09_geschlecht,
\(x) case_when(x == 0 ~ "weiblich",
x == 1 ~ "maennlich",
x == 2 ~ "divers")),
across(c(ends_with("log"),
Frage09_geschlecht,
Frage10_gruppe), factor)
)
)# A tibble: 44 × 11
Frage01_log Frage02_log Frage03_log Frage04_num_invers Frage05_num_invers
<fct> <fct> <fct> <dbl> <dbl>
1 ja nein nein 0 2
2 nein ja ja 3 1
3 ja nein nein 2 3
4 nein ja ja 0 4
5 ja ja ja 0 1
6 nein nein ja 1 3
7 ja nein nein 2 0
8 ja nein nein 2 3
9 ja nein nein 1 3
10 nein nein ja 0 0
# ℹ 34 more rows
# ℹ 6 more variables: Frage06_num <dbl>, Frage07_num <dbl>,
# Frage08_num_invers <dbl>, Frage09_geschlecht <fct>, Frage10_gruppe <fct>,
# Frage11_alter <dbl>summary(umfrage2024) Frage01_log Frage02_log Frage03_log Frage04_num_invers
Mode :logical Mode :logical Mode :logical Min. :1.00
FALSE:23 FALSE:29 FALSE:21 1st Qu.:3.00
TRUE :26 TRUE :19 TRUE :29 Median :4.00
NAs :1 NAs :2 Mean :3.58
3rd Qu.:5.00
Max. :5.00
Frage05_num_invers Frage06_num Frage07_num Frage08_num_invers
Min. :1.00 Min. :1.00 Min. :1.00 Min. :2.00
1st Qu.:2.00 1st Qu.:1.25 1st Qu.:1.00 1st Qu.:3.00
Median :3.50 Median :2.50 Median :2.00 Median :4.00
Mean :3.44 Mean :2.52 Mean :2.62 Mean :3.70
3rd Qu.:5.00 3rd Qu.:3.00 3rd Qu.:4.00 3rd Qu.:4.75
Max. :5.00 Max. :5.00 Max. :5.00 Max. :5.00
Frage09_geschlecht Frage10_GRUPPE Frage11_ALTER
Min. :0.00 Length :50 Min. :14.0
1st Qu.:0.00 N.unique : 2 1st Qu.:20.0
Median :1.00 N.blank : 0 Median :22.0
Mean :0.56 Min.nchar: 1 Mean :24.3
3rd Qu.:1.00 Max.nchar: 1 3rd Qu.:25.0
Max. :2.00 Max. :83.0 summary(umfrageEnde) Frage01_log Frage02_log Frage03_log Frage04_num_invers Frage05_num_invers
ja :21 ja :16 ja :25 Min. :0.000 Min. :0.000
nein:23 nein:28 nein:19 1st Qu.:0.000 1st Qu.:0.000
Median :1.000 Median :1.500
Mean :1.409 Mean :1.568
3rd Qu.:2.250 3rd Qu.:3.000
Max. :4.000 Max. :4.000
Frage06_num Frage07_num Frage08_num_invers Frage09_geschlecht
Min. :0.000 Min. :0.000 Min. :0.000 divers : 1
1st Qu.:0.000 1st Qu.:0.000 1st Qu.:0.750 maennlich:23
Median :1.500 Median :1.000 Median :1.000 weiblich :20
Mean :1.477 Mean :1.659 Mean :1.295
3rd Qu.:2.000 3rd Qu.:3.000 3rd Qu.:2.000
Max. :4.000 Max. :4.000 Max. :3.000
Frage10_gruppe Frage11_alter
A:22 Min. :19.00
B:22 1st Qu.:20.00
Median :22.00
Mean :22.48
3rd Qu.:24.25
Max. :28.00 ggplot-Grafik. Ihre Erklärung könnte die Stichworte Daten(tabelle), Merkmale, Beobachtungen, +, Mapping / Aesthetics, geometrische Funktion, Schichten / Layer enthalten.ggplot erstellt wurden. Geben Sie für die dargestellten Merkmale sinnvolle Skalenniveaus an, sowie die verwendeten geometrischen Funktionen. Nicht jede Graphik zeigt drei Merkmale! Markieren Sie, wenn ein Merkmal nicht benötigt wird (z.B. durch ein X in der jeweiligen Zelle).g1, g2, g3, g4, g5 und g6 sind?
| Nr. | Merkmal 1 | Merkmal 2 | Merkmal 3 | Geometrische Funktion(en) |
|---|---|---|---|---|
| (1) | ||||
| (2) | ||||
| (3) | ||||
| (4) | ||||
| (5) | ||||
| (6) |
Lösung
ggplot2 erstellt werden sind in Layern aufgebaut.ggplot()-Aufruf, alle weiteren Befehle werden mit + verbunden. Hier bzw.~in den geometrischen Funktionen, wir den Achsen, Farben, Formen, etc. ein Merkmal mit Hilfe der Funktion aes() (Aesthetics) zugeordnet.| Nr. | Merkmal 1 | Merkmal 2 | Merkmal 3 | Geometrische Funktion(en) |
|---|---|---|---|---|
| (1) | nominal | X | X | geom_bar() |
| (2) | metrisch | metrisch | X | geom_point() |
| (3) | metrisch | metrisch | nominal | geom_point(), facet_grid() |
| (4) | metrisch | nominal | X | geom_violin() |
| (5) | nominal | nominal | X | geom_mosaic() |
| (6) | metrisch | metrisch | nominal | geom_line() |
patchwork.(g1|g2)/(g3|g4)/(g5|g6).Für diese Aufgabe sollen Sie die KI nutzen! Bitte achten Sie aber darauf, dass Sie Funktionen aus dem Tidyverse nutzen! Versuchen Sie zu verstehen was passiert.
Für diese Aufgabe benötigen Sie neben tidyverse die Pakete dslabs, ggrepel und scales. Ziel der Aufgabe ist es Graphiken zu erstellen und die Darstellung (Farbgebung, Achsenbeschriftungen, Legende, Logarithmische Skala, etc.) anzupassen.
Betrachten sie die Datentabelle gapminder aus dem Paket dslabs. Wandeln Sie die Tabelle in einen Tibble um und verschaffen sie sich eine kurze Übersicht über den Datensatz.
Erstellen Sie ein Liniendiagramm in der Sie die Entwicklung der Bevölkerung der Länder: China, Indien, Deutschland, Vereinigte Staaten, Kanada und Großbritannien im Zeitraum von 1960 bis 2015 darstellen. Was fällt auf? Tipp: Nutzen Sie beim Filtern den Operator %in%.
Ändern sie die Graphik aus dem vorherigen Aufgabenteil derart ab, dass Sie die relative Entwicklung der Bevölkerung ablesen können (logarithmische Skala). Kann man nun allein anhand der Graphik sagen welche Länder den relativ größten Zuwachs hatten?
Beschriften sie die Achsen derart, dass die \(x\)-Achse alle 10 Jahre zeigt, und die \(y\)-Achse eine schöne wissenschaftliche Darstellung (zum Beispiel \(10^{8}\) statt \(10e8\)) hat.
Ändern Sie nun die Achsen- und Legendenbeschriftung, so dass diese entweder übersetzt oder zumindest kapitalisiert sind, und geben Sie der Graphik eine Überschrift.
Ändern Sie mit Hilfe der Funktionen theme_*() den Hintergrund der Graphik.
Die Standardeinstellung ist, dass die Legende rechts neben der Graphik eingeblendet ist. Versetzen sie diese so, dass sie unterhalb der Graphik erscheint.
Lösung
library(pacman)
p_load(tidyverse, dslabs, ggrepel)
# i)
gapminder <- gapminder |> as_tibble()
# ii)
mycountries <- c("China", "India", "Germany", "Canada", "United Kingdom", "United States")
gapminder |> filter(country %in% mycountries,
between(year, 1960, 2015)) |>
ggplot(aes(x = year, y = population)) +
geom_line(aes(color = country)) 
# Problem: China und Indien ein bis zwei Größenordnungen (Zehnerpotenzen) größer als andere
# iii)
gapminder |> filter(country %in% mycountries,
between(year, 1960, 2015)) |>
ggplot(aes(x = year, y = population)) +
geom_line(aes(color = country)) +
scale_y_continuous(trans = 'log10')
# Log-Skala besser, da relativer Zuwachs sichtbar:
# Indien, China, Canada, USA, GB, Deutschland
# Rechnung (nicht gefragt in der Aufgabe):
gapminder |> select(country, year, population) |>
filter(between(year, 1960, 2015)) |>
filter(country %in% mycountries) |> # auskommentieren ist interessant!
pivot_wider(names_from = year,
values_from = population) |>
transmute(country, popratio = `2015`/`1960`) |>
arrange(desc(popratio))# A tibble: 6 × 2
country popratio
<fct> <dbl>
1 India 2.92
2 China 2.14
3 Canada 2.01
4 United States 1.73
5 United Kingdom 1.23
6 Germany 1.10# iv)
# Eine kurze Recherche liefert, dass es gut ist das Paket scales zu nutzen:
p_load(scales)
gapminder |> filter(country %in% mycountries,
between(year, 1960, 2015)) |>
ggplot(aes(x = year, y = population)) +
geom_line(aes(color = country)) +
scale_y_continuous(trans = log10_trans(),
breaks = trans_breaks("log10", function(x) 10^x),
labels = trans_format("log10", math_format(10^.x))) +
scale_x_continuous(breaks = seq(1960,2010,10))
# v) + vi)
gapminder |> filter(country %in% mycountries,
between(year, 1960, 2015)) |>
ggplot(aes(x = year, y = population)) +
geom_line(aes(color = country)) +
scale_y_continuous(trans = log10_trans(),
breaks = trans_breaks("log10", function(x) 10^x),
labels = trans_format("log10", math_format(10^.x))) +
scale_x_continuous(breaks = seq(1960,2010,10)) +
labs(x = "Jahr", y = "Einwohner", title = "Bevölkerungsentwicklung") +
theme_bw()
# vii)
gapminder |> filter(country %in% mycountries,
between(year, 1960, 2015)) |>
ggplot(aes(x = year, y = population)) +
geom_line(aes(color = country)) +
scale_y_continuous(trans = log10_trans(),
breaks = trans_breaks("log10", function(x) 10^x),
labels = trans_format("log10", math_format(10^.x))) +
scale_x_continuous(breaks = seq(1960,2010,10)) +
labs(x = "Jahr",
y = "Einwohner",
title = "Bevölkerungsentwicklung",
color = "Länder") +
theme_bw() +
theme(legend.position="bottom")
Bemerkung: Im letzten Schritt würden alle Labels, inklusiv der der Legende geändert. Die Syntax labs(color = "Länder")) überrascht vielleicht. Die Idee hier ist, color das Argument ist mit dem die Farben vergeben wurden und daher auch darüber die Legende einen Namen bekommt. Analoges geht für fill, size und so weiter.