Übung vom 27.10.2026

## Laden von Tidyverse, das brauchen wir immer...

library(pacman)    
p_load(tidyverse)

Wie untersucht man Daten(tabellen)

Als Beispiel nehmen wir den Datensatz Salaries aus dem Paket carData. Da dieser Datensatz ein Data Frame ist und kein Tibble wandeln wir diesen um (und benennen ihn anders).

p_load(carData)

salaries <- as_tibble(Salaries)

Wie sehen die Daten aus?

Die Funktion glimpse() gibt einen ersten Überblick. Die Funktion summary() eine Zusammnfassung geeigneter Kenngrößen.

glimpse(salaries)

Rows: 397
Columns: 6
$ rank          <fct> Prof, Prof, AsstProf, Prof, Prof, AssocProf, Prof, Prof,…
$ discipline    <fct> B, B, B, B, B, B, B, B, B, B, B, B, B, B, B, B, B, A, A,…
$ yrs.since.phd <int> 19, 20, 4, 45, 40, 6, 30, 45, 21, 18, 12, 7, 1, 2, 20, 1…
$ yrs.service   <int> 18, 16, 3, 39, 41, 6, 23, 45, 20, 18, 8, 2, 1, 0, 18, 3,…
$ sex           <fct> Male, Male, Male, Male, Male, Male, Male, Male, Male, Fe…
$ salary        <int> 139750, 173200, 79750, 115000, 141500, 97000, 175000, 14…

summary(salaries)

        rank     discipline yrs.since.phd    yrs.service        sex     
 AsstProf : 67   A:181      Min.   : 1.00   Min.   : 0.00   Female: 39  
 AssocProf: 64   B:216      1st Qu.:12.00   1st Qu.: 7.00   Male  :358  
 Prof     :266              Median :21.00   Median :16.00               
                            Mean   :22.31   Mean   :17.61               
                            3rd Qu.:32.00   3rd Qu.:27.00               
                            Max.   :56.00   Max.   :60.00               
     salary      
 Min.   : 57800  
 1st Qu.: 91000  
 Median :107300  
 Mean   :113706  
 3rd Qu.:134185  
 Max.   :231545

Grafische Darstellung der Daten (ein Merkmal)

Die Skalenniveaus geben vor welche Grafiken wir verwenden. Im obigen Beispiel sind rank, discipline und sex kategoriale Merkmale, yrs.since.phd, yrs.servie und salarysind metrisch.

Für die kategorialen Merkmale nehmen wir Säulendiagramme, für die metrischen Histogramme, wobei wir bei den Histogrammen darauf achten, dass die Anzahl der Bins (Argument: bins=) oder die Breite der Bins (Argument: binwidth=) sinnvoll gewählt ist. Gegebenenfalls müssen wir dies ein wenig ausprobieren bzw. aus den Daten erschließen.

p_load(patchwork) # um Grafiken zu positionieren

k1 <- salaries |> ggplot(aes(x = rank)) + geom_bar()
k2 <- salaries |> ggplot(aes(x = discipline)) + geom_bar()
k3 <- salaries |> ggplot(aes(x = sex)) + geom_bar()

m1 <- salaries |> ggplot(aes(x = yrs.service)) + geom_histogram(binwidth = 1)
m2 <- salaries |> ggplot(aes(x = yrs.since.phd)) + geom_histogram(binwidth = 1)
m3 <- salaries |> ggplot(aes(x = salary)) + geom_histogram(bins = 40)

(k1|k2|k3)/(m1|m2|m3)

Grafische Darstellung der Daten (zwei Merkmale)

Um einen Überblick über alle Paare zu erhalten können wir das Paket GGallynutzen. Dies stellt die Funktion ggpairs() bereit.

p_load(GGally)
ggpairs(salaries)

`stat_bin()` using `bins = 30`. Pick better value `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.
`stat_bin()` using `bins = 30`. Pick better value `binwidth`.

Aus dieser Grafik kann man nun entnehmen welche Grafiken für die weitere EDA interessant sind. Zum Beispiel

p_load(ggmosaic)
salaries |> ggplot() + 
            geom_mosaic(aes(product(sex, rank), fill = sex))

salaries |> ggplot() + 
            geom_boxplot(aes(sex, salary))

Weitere Fragen

Warum `weight=` in `geom_*`-Funktionen ?

p_load(DA.students)
dat.studenten |> ggplot(aes(x = Wohnform)) + geom_bar()

Die Funktion geom_bar() zählt wie oft jede der Wohnformen im Datensatz dat.studenten vorkommt und stellt diese dar. Sind Daten nun aggregiert muss das Argument weight= verwendet werden.

## Erstellen der aggregierten Daten:
## (Der Teil muss jetzt noch nicht verstanden werden)
da.aggr <- dat.studenten |> group_by(Wohnform) |> 
                          summarize(n = n())
da.aggr

# A tibble: 5 × 2
  Wohnform       n
  <chr>      <int>
1 Appartment   131
2 Eltern       648
3 Sonstige     217
4 WG           253
5 <NA>           5

da.aggr |> ggplot() + geom_bar(aes(x = Wohnform, weight = n))

Die Funktion `paste()` und `paste0()`

## Vektoren erstellen:

(x <- 1:5)

[1] 1 2 3 4 5

(y <- LETTERS[1:5])

[1] "A" "B" "C" "D" "E"

(z <- c(1,2,3,NA, NA, 5))

[1]  1  2  3 NA NA  5

paste(x,y)

[1] "1 A" "2 B" "3 C" "4 D" "5 E"

paste0(x,y)

[1] "1A" "2B" "3C" "4D" "5E"

paste(x,y, sep = "-")

[1] "1-A" "2-B" "3-C" "4-D" "5-E"

paste(x,y, sep = "-", collapse = "+")

[1] "1-A+2-B+3-C+4-D+5-E"

Mit [] hinter einem Vektor wählt man die Elemente des Vektors aus. Entweder durch die Position im Vektor

y[c(4,2,2,2)]

[1] "D" "B" "B" "B"

oder mit Hilfe eines logischen Vktors, der die gleiche Länge haben muss wie der Vektor aus dem Elemente ausgewählt werden.

y[c(TRUE, FALSE, TRUE, TRUE, FALSE)]

[1] "A" "C" "D"

y[y > 2]

[1] "A" "B" "C" "D" "E"

Dabei werden NAs in einem der beiden Vektoren als NAs wiedergegeben.

zahlen          <- 11:18
zahlen_mit_na   <- c(11, 12, NA, 14, NA, 16, 17, 18)

zahlen > 16

[1] FALSE FALSE FALSE FALSE FALSE FALSE  TRUE  TRUE

zahlen[zahlen > 16]

[1] 17 18

zahlen_mit_na[zahlen_mit_na > 16]

[1] NA NA 17 18

zahlen[zahlen_mit_na > 16]

[1] NA NA 17 18

Der `:`-Operator

2.3:9

[1] 2.3 3.3 4.3 5.3 6.3 7.3 8.3

Der Doppelpunktoperator erzeugt Vektoren, der Start ist links von :, das maximale Ende rechts von :.