Programmier-Tutorial - Seite 10
Sie verpassen Handelsmöglichkeiten:
- Freie Handelsapplikationen
- Über 8.000 Signale zum Kopieren
- Wirtschaftsnachrichten für die Lage an den Finanzmärkte
Registrierung
Einloggen
Sie stimmen der Website-Richtlinie und den Nutzungsbedingungen zu.
Wenn Sie kein Benutzerkonto haben, registrieren Sie sich
Daten mit R-Programmierung neu kodieren. Verwenden Sie die Pakete „Tidyverse“ und „Dplyr“, um eine neue Variable zu erstellen
Daten mit R-Programmierung neu kodieren. Verwenden Sie die Pakete „Tidyverse“ und „Dplyr“, um eine neue Variable zu erstellen
Heute werden wir uns mit dem faszinierenden Thema der Neukodierung von Daten in R befassen. Doch zunächst klären wir, was wir unter der Neukodierung von Daten verstehen. Um diesen Prozess zu veranschaulichen, verwenden wir den Star Wars-Datensatz. Wenn Sie das Tidyverse-Paket bereits auf Ihrem Computer installiert haben, haben Sie Zugriff auf diesen Datensatz und können ihn zu Hause mitverfolgen.
Der Star Wars-Datensatz besteht aus Zeilen, die Star Wars-Charaktere wie Luke Skywalker, Prinzessin Leia und mehr darstellen, und Spalten, die verschiedene Variablen wie Name, Größe, Masse und Geschlecht darstellen. Unser Ziel ist es, den ursprünglichen Datensatz in einen neuen umzuwandeln, der einige wesentliche Unterschiede enthält.
In dem geänderten Datensatz, den wir erstellen werden, sind einige Änderungen zu beachten. Erstens wird die Höhenspalte wie im Originaldatensatz in Metern zum Quadrat und nicht in Zentimetern ausgedrückt. Zweitens werden in der Spalte „Geschlecht“ anstelle der ursprünglichen Werte „M“ und „F“ für Männer bzw. Frauen verwendet. Darüber hinaus haben wir alle fehlenden Werte aus dem Datensatz entfernt. Schließlich haben wir eine neue Variable namens „Größe“ erstellt, die Charaktere anhand bestimmter Kriterien als „groß“ oder „klein“ kategorisiert – sie sind größer als ein Meter und wiegen mehr als 75 Kilogramm.
Stellen wir zunächst sicher, dass das Tidyverse-Paket geladen ist, da es die notwendigen Funktionen für die Datenbearbeitung bereitstellt. Sie müssen das Paket nur einmal installieren, können es aber für jede Sitzung mit der Funktion „library()“ oder „require()“ laden. Sobald das Tidyverse-Paket geladen ist, haben Sie auch Zugriff auf den Star Wars-Datensatz.
Erstellen wir ein neues Objekt namens SW, um mit dem Star Wars-Datensatz zu arbeiten. Wir verwenden den Zuweisungsoperator (<-), um den Star Wars-Datensatz dem SW-Objekt zuzuweisen. Auf diese Weise können wir Änderungen vornehmen und Vorgänge ausführen, ohne den ursprünglichen Datensatz zu ändern. Wählen wir nun die Variablen aus, mit denen wir arbeiten möchten. Um dies zu erreichen, verwenden wir den Pipe-Operator (%>%), um Vorgänge miteinander zu verketten.
Zuerst verwenden wir die Funktion select(), um die gewünschten Variablen auszuwählen – Name, Masse und Geschlecht. Darüber hinaus benennen wir die Variable „Masse“ mit der Funktion rename() in „Gewicht“ um. Durch die Ausführung dieses Codes bleiben die ausgewählten Variablen erhalten und die Spalte „Masse“ wird im SW-Datensatz in „Gewicht“ umbenannt.
Als Nächstes befassen wir uns mit fehlenden Werten. Obwohl wir hier nicht im Detail darauf eingehen, ist es wichtig, fehlende Werte in Ihrer Datenanalyse angemessen zu behandeln. Zunächst entfernen wir einfach die fehlenden Werte aus dem Datensatz. Techniken zum Umgang mit fehlenden Werten werden wir in einem separaten Video behandeln.
Konzentrieren wir uns nun auf die Umwandlung der Variablen „Höhe“ von Zentimetern in Meter. Mit der Funktion mutate() und dem Pipe-Operator ändern wir die Spalte „Höhe“, indem wir jeden Wert durch 100 dividieren. Diese Division stellt sicher, dass die Höhen in Metern statt in Zentimetern ausgedrückt werden.
Wenn wir uns der Variablen „Geschlecht“ zuwenden, stellen wir fest, dass sie andere Werte als nur „männlich“ und „weiblich“ enthält, wie zum Beispiel „MAphrodite“. Um dieses Problem zu beheben, möchten wir den Datensatz filtern und nur die Beobachtungen mit „männlichen“ und „weiblichen“ Werten behalten. Wir demonstrieren zwei Ansätze zum Filtern. Der erste Ansatz besteht darin, die Funktion filter() zu verwenden und die Bedingungen für die Beibehaltung von Beobachtungen mit „männlichem“ oder „weiblichem“ Geschlecht anzugeben. Der zweite, elegantere Ansatz nutzt die Verkettung mithilfe des %in%-Operators, um Beobachtungen mit „männlichen“ oder „weiblichen“ Werten beizubehalten. Beide Ansätze führen zum gleichen Ergebnis – nur „männliche“ und „weibliche“ Beobachtungen verbleiben im Datensatz.
Nachdem wir die Variable „Geschlecht“ gefiltert haben, können wir mit der Neukodierung der Werte in der Variablen „Geschlecht“ fortfahren. Derzeit enthält es die Werte „männlich“ und „weiblich“, wir möchten sie jedoch als „M“ bzw. „F“ darstellen. Um dies zu erreichen, verwenden wir die Funktionen mutate() und recode().
Innerhalb der Funktion recode() geben wir die Variable an, die wir neu kodieren möchten, in diesem Fall „Geschlecht“. Anschließend weisen wir die neuen Werte mithilfe der Syntax alter_Wert = neuer_Wert zu. In unserem Fall stellen wir „männlich“ so ein, dass es in „M“ und „weiblich“ in „F“ umkodiert wird.
Durch die Ausführung dieses Codes wird die Variable „Geschlecht“ im SW-Datensatz aktualisiert und „männlich“ und „weiblich“ durch „M“ bzw. „F“ ersetzt.
Zuletzt erstellen wir eine neue Variable namens „Größe“, die auf bestimmten Kriterien basiert. Die Variable „Größe“ kategorisiert Zeichen je nach Größe und Gewicht entweder als „groß“ oder „klein“. Wir verwenden erneut die Funktion mutate() und den Pipe-Operator.
In mutate() erstellen wir die Variable „size“, indem wir ihre Bedingungen definieren. Mithilfe logischer Operatoren prüfen wir, ob die Körpergröße mehr als einen Meter und das Gewicht mehr als 75 Kilogramm beträgt. Wenn die Bedingungen erfüllt sind, weisen wir der entsprechenden Beobachtung den Wert „groß“ zu; andernfalls weisen wir „klein“ zu. Dies wird mithilfe der Funktion if_else() in mutate() erreicht.
Sobald dieser Code ausgeführt wird, wird die Variable „Größe“ zum SW-Datensatz hinzugefügt, die angibt, ob jedes Zeichen basierend auf seiner Größe und seinem Gewicht als „groß“ oder „klein“ klassifiziert wird.
Zusammenfassend lässt sich sagen: Wenn Sie sich für Datenanalyse begeistern und R-Programmierung erlernen möchten, sind Sie bei uns genau richtig. Klicken Sie auf die Schaltfläche „Abonnieren“ und klicken Sie auf die Benachrichtigungsglocke, um über zukünftige Videos auf dem Laufenden zu bleiben.
10 Tipps zur Datenfilterung mithilfe der R-Programmierung. Verwenden Sie Tidyverse, um Ihre Daten zu filtern und zu unterteilen.
10 Tipps zur Datenfilterung mithilfe der R-Programmierung. Verwenden Sie Tidyverse, um Ihre Daten zu filtern und zu unterteilen.
In diesem Video erfahren Sie, wie Sie Daten in R mithilfe der Filterfunktion filtern. Durch Filtern können wir bestimmte Teilmengen von Daten anhand bestimmter Kriterien extrahieren. Dazu verwenden wir das Paket „Tidyverse“, das leistungsstarke Tools zur Datenbearbeitung und -analyse in R bereitstellt. Bevor wir uns mit der Filterfunktion befassen, wollen wir kurz die Grundlagen besprechen.
Einrichten der Umgebung:
Zunächst müssen wir das Tidyverse-Paket mithilfe der Bibliotheksfunktion laden. Das Tidyverse-Paket beinhaltet das Tidyverse-Ökosystem, das den Wortschatz und die Funktionalität von R erweitert. Wenn Sie mit Tidyverse nicht vertraut sind, empfehle ich Ihnen, sich mein Video zu Paketen anzusehen, um ein besseres Verständnis zu erhalten.
Erkunden der Daten: Für diese Demonstration werden wir mit dem „msleep“-Datensatz arbeiten, der als integrierter Datensatz im Tidyverse-Paket enthalten ist. Der „msleep“-Datensatz enthält Informationen über verschiedene Säugetiere, einschließlich Variablen wie Name, Gesamtschlaf, Körpergewicht und Gehirngewicht. Dieser Datensatz dient als unsere Übungsdaten zum Filtern.
Erstellen einer Teilmenge von Daten: Um eine Teilmenge von Daten zu erstellen, erstellen wir zunächst eine Kopie des Datensatzes „msleep“ und weisen ihn mithilfe des Zuweisungsoperators „=" einem neuen Objekt namens „my_data" zu.
my_data <- msleep
Variablen auswählen: Als Nächstes wählen wir bestimmte Variablen aus, mit denen wir arbeiten möchten. In diesem Fall interessieren uns die Spalten „name“ und „sleep_total“. Wir verwenden die Auswahlfunktion, um diese Spalten auszuwählen und das Ergebnis mithilfe des Zuweisungsoperators wieder im Objekt „my_data“ zu speichern.
my_data <- my_data %>% select(name, sleep_total)
Daten filtern: Jetzt kommt der Hauptteil, die Filterfunktion. Wir werden diese Funktion verwenden, um Zeilen aus unserem Datensatz basierend auf bestimmten Kriterien zu extrahieren. Es gibt mehrere Möglichkeiten, die Filterfunktion zu nutzen, und ich werde Sie durch zehn verschiedene Beispiele führen.
Filtern nach einem einzelnen Kriterium:
Filtern wir zunächst die Daten, um nur Säugetiere einzubeziehen, deren Gesamtschlafzahl mehr als 18 beträgt. Wir verwenden die Filterfunktion und geben die Bedingung als „sleep_total > 18“ an.
my_data <- my_data %>% filter(sleep_total > 18)
Filtern mit dem „!“ Operator:
Wir können auch das „!“ verwenden. Operator, um das Gegenteil einer bestimmten Bedingung zu filtern. In diesem Fall werden wir Säugetiere mit einer Schlafzahl von weniger als 18 herausfiltern.
my_data <- my_data %>% filter(!(sleep_total < 18))
Filterung basierend auf mehreren Kriterien mit „und“:
Wir können die Daten nach mehreren Kriterien filtern, indem wir sie mit dem logischen „und“-Operator (",") kombinieren. Lassen Sie uns zum Beispiel Säugetiere extrahieren, bei denen die Ordnung „Primaten“ lautet und deren Körpergewicht mehr als 20 beträgt.
my_data <- my_data %>% filter(order == "primate", body_weight > 20)
Filterung basierend auf mehreren Kriterien mit „oder“:
In manchen Fällen möchten wir möglicherweise Zeilen extrahieren, die mindestens eines von mehreren Kriterien erfüllen. Dies können wir mit dem logischen „Oder“-Operator („|“) erreichen. Lassen Sie uns zum Beispiel Säugetiere extrahieren, bei denen es sich um Kühe, Hunde oder Ziegen handelt.
my_data <- my_data %>% filter(name == "cow" | name == "dog" | name == "goat")
Filtern mithilfe einer Verkettung:
Anstatt jedes Kriterium einzeln anzugeben, können wir eine Werteverkettung erstellen und diese innerhalb der Filterfunktion verwenden. Dieser Ansatz bietet eine elegantere Möglichkeit, mehrere Werte zu filtern. Wir können beispielsweise filtern, indem wir einen Namensvektor erstellen und ihn wie folgt in der Filterfunktion verwenden:
names_to_filter <- c("cow", "dog", "goat")
my_data <- my_data %>% filter(name %in% names_to_filter)
Filtern mit dem „between“-Operator:
Wir können den „between“-Operator verwenden, um Zeilen basierend auf einem Wertebereich zu filtern. Filtern wir die Daten so, dass nur Säugetiere mit einer Schlafsumme zwischen 16 und 18 (einschließlich) einbezogen werden.
my_data <- my_data %>% filter(between(sleep_total, 16, 18))
Filtern nach Werten in der Nähe eines bestimmten Werts:
Wenn wir Beobachtungen filtern möchten, die nahe an einem bestimmten Wert innerhalb einer Variablen liegen, können wir die Funktion „nahe“ verwenden. Lassen Sie uns beispielsweise die Daten filtern, um Säugetiere mit einer Schlafsumme von etwa 17 innerhalb einer Toleranz von 0,5 einzubeziehen.
my_data <- my_data %>% filter(near(sleep_total, 17, tolerance = 0.5))
Filtern nach fehlenden Werten:
Um Zeilen zu filtern, in denen für eine bestimmte Variable Werte fehlen, können wir die Funktion „is.na“ verwenden. Filtern wir die Daten so, dass nur Säugetiere mit fehlenden Werten in der Variablen „Erhaltung“ enthalten sind.
my_data <- my_data %>% filter(is.na(conservation))
Filtern nach nicht fehlenden Werten:
Wenn wir umgekehrt Zeilen mit fehlenden Werten in einer bestimmten Variablen herausfiltern möchten, können wir das „!“ verwenden. Operator zusammen mit der Funktion „is.na“. Filtern wir die Daten, um Säugetiere mit fehlenden Werten in der Variablen „Erhaltung“ auszuschließen.
my_data <- my_data %>% filter(!is.na(conservation))
Fazit: Durch die Verwendung der Filterfunktion und verschiedener Filtertechniken können wir bestimmte Teilmengen von Daten basierend auf unseren Kriterien extrahieren. Durch das Filtern können wir uns auf relevante Beobachtungen konzentrieren und die weitere Analyse erleichtern. Denken Sie daran, mit verschiedenen Kriterien und Kombinationen zu experimentieren, um Ihren spezifischen Datenfilteranforderungen gerecht zu werden.
Wenn Sie dieses Video hilfreich fanden und mehr über Datenanalyse und R-Programmierung erfahren möchten, abonnieren Sie unbedingt diesen Kanal und aktivieren Sie Benachrichtigungen, um über zukünftige Videos auf dem Laufenden zu bleiben.
Bereinigen Sie Ihre Daten mit R. R-Programmierung für Anfänger
Bereinigen Sie Ihre Daten mit R. R-Programmierung für Anfänger
Willkommen zurück! Heute beschäftigen wir uns mit dem Thema Datenbereinigung. Bei der Arbeit mit Daten möchten viele Menschen sofort mit der statistischen Analyse beginnen. Es ist jedoch wichtig, einen systematischen Ansatz zu wählen, um genaue und zuverlässige Ergebnisse zu gewährleisten. In diesem Video führen wir Sie durch den Prozess der Bereinigung Ihrer Daten, einem entscheidenden Schritt vor der Analyse.
Beginnen wir zunächst mit der Untersuchung Ihrer Daten. Ich habe dieses Thema in einem früheren Video behandelt, also schauen Sie sich es unbedingt an, falls Sie es noch nicht getan haben. Mithilfe der Datenexploration können Sie sich mit der Struktur und dem Inhalt Ihres Datensatzes vertraut machen. Sobald Sie Ihre Daten gut verstanden haben, können Sie mit der Bereinigung fortfahren.
Was meinen wir also mit der Bereinigung Ihrer Daten? Nun, es sind ein paar Schlüsselaufgaben damit verbunden. Zunächst ist es wichtig sicherzustellen, dass jede Variable richtig kategorisiert ist. Möglicherweise müssen Sie bei Bedarf Anpassungen vornehmen und Variablentypen ändern. Ich zeige Ihnen in Kürze, wie das geht.
Als Nächstes möchten Sie möglicherweise die Variablen auswählen, mit denen Sie arbeiten möchten, und alle unerwünschten Zeilen oder Beobachtungen herausfiltern. Dieser Schritt ist besonders wichtig, wenn es um große Datensätze geht. Dadurch können Sie sich auf die spezifischen Daten konzentrieren, die für Ihre Analyse relevant sind.
Ein weiterer wichtiger Aspekt der Datenbereinigung ist der Umgang mit fehlenden Daten. In diesem Video besprechen wir Techniken zum Finden und Behandeln fehlender Werte. Darüber hinaus erfahren Sie, wie Sie Duplikate identifizieren und behandeln und wie Sie bei Bedarf Werte neu kodieren.
Bevor wir fortfahren, möchte ich erwähnen, dass ich bei der Arbeit mit R immer die Tidyverse-Pakete verwende. Das Tidyverse ist eine Sammlung von Paketen, die die Funktionalität von R erweitert und eine Vielzahl nützlicher Funktionen bereitstellt. Falls noch nicht geschehen, stellen Sie sicher, dass Sie die Tidyverse-Pakete installieren und laden.
Lassen Sie uns nun über die Datensätze sprechen, die wir verwenden werden. R verfügt über integrierte Datensätze, die Sie zum Üben und Lernen verwenden können. In dieser Lektion verwenden wir den Star Wars-Datensatz, der verfügbar wird, sobald Sie Tidyverse installiert haben. Sie können auf diese Datensätze zugreifen, indem Sie „data()“ eingeben und die verfügbaren Optionen erkunden. Sie können beispielsweise den Star Wars-Datensatz anzeigen, indem Sie „view(starwars)“ eingeben.
Konzentrieren wir uns nun auf die Variablentypen. Es ist wichtig sicherzustellen, dass jede Variable korrekt identifiziert und kategorisiert wird. Um die Variablentypen im Star Wars-Datensatz zu untersuchen, können wir die Funktion „glimpse(starwars)“ verwenden. Dadurch erhalten Sie eine Zusammenfassung des Datensatzes, einschließlich der Variablennamen und -typen.
In manchen Fällen möchten Sie möglicherweise eine Zeichenvariable in eine Faktorvariable umwandeln. Faktoren sind kategoriale Variablen, die vordefinierte Ebenen oder Kategorien haben können. Hierzu können Sie die Funktion „as.factor()“ nutzen. Um beispielsweise die Variable „Geschlecht“ im Star Wars-Datensatz in einen Faktor umzuwandeln, können Sie den Code „starwars$gender <- as.factor(starwars$gender)“ verwenden. Dadurch wird der Variablentyp geändert und der Datensatz entsprechend aktualisiert.
Wenn Sie die Ebenen oder Kategorien einer Faktorvariablen angeben müssen, können Sie die Funktion „levels()“ verwenden. Wenn Sie beispielsweise die Reihenfolge der Ebenen in der Variablen „Geschlecht“ ändern möchten, können Sie den Code „levels(starwars$gender) <- c('masculine', 'feminine')“ verwenden. Dadurch können Sie die Reihenfolge der Kategorien an Ihre spezifischen Bedürfnisse anpassen.
Als Nächstes besprechen wir die Auswahl von Variablen und das Filtern von Zeilen. In R können Sie die Funktion „select()“ verwenden, um die Variablen auszuwählen, mit denen Sie arbeiten möchten. Sie können beispielsweise Variablen wie „Name“ und „Höhe“ aus dem Star Wars-Datensatz auswählen, indem Sie den Code „select(starwars, name, height, end_with('color'))“ verwenden.
Um zufriedene Zeilen zu filtern. Aber das ist in diesem Fall nicht das, was wir wollen. Wir möchten Beobachtungen einbeziehen, die entweder blonde oder braune Haarfarbe haben. Daher verwenden wir den logischen Operator „oder“ (dargestellt durch |), um anzugeben, dass die Beobachtung eine der Bedingungen erfüllen soll.
Kommen wir nun zum nächsten Teil der Datenbereinigung, bei dem es um fehlende Daten geht. Fehlende Daten können in Datensätzen aus verschiedenen Gründen auftreten und es ist wichtig, angemessen damit umzugehen. Im Fall des Star Wars-Datensatzes können wir mithilfe der Funktion is.na() nach fehlenden Werten suchen.
Um fehlende Daten zu finden und zu beheben, können wir unserem Code einen weiteren Schritt hinzufügen:
In diesem Code wählen wir zunächst die gewünschten Variablen aus (Name, Höhe und Variablen, die mit „Farbe“ enden). Anschließend filtern wir nach Haarfarbwerten, die entweder „blond“ oder „braun“ sind. Schließlich verwenden wir die Bedingung !is.na(height), um alle Beobachtungen auszuschließen, bei denen der Höhenwert fehlt.
Als Nächstes befassen wir uns mit dem Problem der Duplikate im Datensatz. Duplikate können auftreten, wenn der Datensatz mehrere identische Beobachtungen enthält. Um Duplikate zu finden und damit umzugehen, können wir unserem Code einen weiteren Schritt hinzufügen:
In diesem Code verwenden wir die Funktion „distinct()“, um doppelte Beobachtungen aus dem star_wars_filtered-Datensatz zu entfernen und so sicherzustellen, dass jede Beobachtung einzigartig ist.
Lassen Sie uns abschließend besprechen, wie Werte im Datensatz neu codiert werden. Manchmal müssen wir möglicherweise die Werte bestimmter Variablen ändern, um sie besser an unsere Analyse anzupassen. Nehmen wir in diesem Fall an, wir möchten die Haarfarbenvariable so umkodieren, dass „blond“ den Wert 1 und „braun“ den Wert 2 hat. Dies können wir erreichen, indem wir unserem Code einen weiteren Schritt hinzufügen:
Hier verwenden wir die Funktion mutate() zusammen mit der Funktion recode(), um die Werte der Variablen „hair_color“ zu ändern. Wir legen fest, dass „blond“ als 1 und „braun“ als 2 umcodiert werden soll.
Jetzt haben wir den Datenbereinigungsprozess abgeschlossen. Wir haben die gewünschten Variablen ausgewählt, unerwünschte Beobachtungen herausgefiltert, fehlende Daten behoben, Duplikate entfernt und Werte bei Bedarf neu kodiert.
Denken Sie daran, dass dies nur einige grundlegende Schritte im Datenbereinigungsprozess sind und die spezifischen Schritte je nach Datensatz und Analyseanforderungen variieren können. Allerdings kann ein systematischer Ansatz wie dieser dazu beitragen, sicherzustellen, dass Ihre Daten in einem sauberen und geeigneten Format für die weitere Analyse vorliegen.
Ich hoffe, diese Erklärung hilft Ihnen, den Prozess der Bereinigung Ihrer Daten zu verstehen.
Erkunden Sie Ihre Daten mithilfe der R-Programmierung
Erkunden Sie Ihre Daten mithilfe der R-Programmierung
Hallo, alle Programmierbegeisterten! Mein Name ist Greg Martin und ich begrüße Sie zurück zu unserer Programmier-101-Sitzung. Heute werden wir das entscheidende Thema der Datenexploration besprechen, bevor wir uns mit der Datenanalyse befassen. Es ist wichtig, die Daten zu verstehen, mit denen Sie arbeiten. Sie müssen die Abmessungen, Parameter und Größe Ihres Datensatzes oder Datenrahmens erfassen. Darüber hinaus sollten Sie sich der Anzahl der Variablen und ihrer Eigenschaften bewusst sein. Dieser Schritt ist super wichtig und bemerkenswert einfach, also machen wir ihn gemeinsam.
Wenn Sie hier etwas über Programmierung lernen möchten, sind Sie bei uns genau richtig. Auf diesem YouTube-Kanal erstellen wir Programmiervideos zu einem breiten Themenspektrum.
Lassen Sie mich zunächst sagen, dass ich Funktionen und Pakete innerhalb von Tidyverse verwende. Wenn Sie mit dem Tidyverse nicht vertraut sind, empfehle ich Ihnen, sich eines meiner anderen Videos anzusehen, in dem die Bedeutung erklärt wird. Wenn Sie Tidyverse auf Ihrem Computer installieren, stehen Ihnen alle Funktionen, Fähigkeiten und das erweiterte Vokabular zur Verfügung, die in den Paketen von Tidyverse enthalten sind. Ich werde einige dieser Pakete im weiteren Verlauf erwähnen.
Wichtig ist, dass Tidyverse auch eine Vielzahl integrierter Datensätze enthält, die Sie zum Üben Ihrer Datenanalyse verwenden können. Dies ist besonders nützlich, und später werden wir einen dieser zusätzlichen Datensätze namens „Star Wars“ verwenden. Der Star Wars-Datensatz ist etwas chaotisch und enthält fehlende Daten und andere Probleme, was ihn zu einem hervorragenden Beispiel für die Untersuchung und Bereinigung von Daten macht.
Zu Beginn können Sie jederzeit das Fragezeichen gefolgt vom Namen der Funktion oder des Datensatzes verwenden, um auf die Dokumentation zuzugreifen und Informationen zu diesem bestimmten Datensatz zu erhalten. Wenn Sie beispielsweise „?Star Wars“ eingeben und die Eingabetaste drücken, können Sie auf Informationen zu den im Star Wars-Datensatz vorhandenen Variablen zugreifen.
Kommen wir nun zu einigen spezifischen Funktionen. Die erste Funktion, die wir kennenlernen werden, ist „dim“, was für Dimensionen steht. Indem wir den Befehl „dim(star wars)“ verwenden und die Eingabetaste drücken, können wir feststellen, dass der Datensatz 87 Zeilen oder Beobachtungen und 13 Variablen enthält.
Eine weitere häufig verwendete Funktion zum Verständnis der Struktur eines Datenrahmens ist „str“ (Struktur). Wenn wir jedoch „str(star wars)“ direkt anwenden, stoßen wir aufgrund des Vorhandenseins von Listen im Datensatz auf eine unordentliche Ausgabe. Listen stellen Variablen dar, bei denen jede Beobachtung eine separate Liste mit verschiedenen Datenpunkten oder sogar ein ganzer Datenrahmen sein kann. Um die Ausgabe besser lesbar zu machen, können wir die „glimpse“-Funktion von Tidyverse verwenden. Wenn wir also „glimpse(star wars)“ eingeben und die Eingabetaste drücken, erhalten wir eine viel übersichtlichere Anzeige der Struktur des Datensatzes, einschließlich der Anzahl der Beobachtungen, Variablen und ihrer Typen.
Um den Datensatz selbst anzuzeigen, können Sie die Funktion „Ansicht“ verwenden, indem Sie „view(star wars)“ eingeben und die Eingabetaste drücken. Dadurch wird ein Fenster geöffnet, in dem der Datensatz in einem übersichtlichen und organisierten Format angezeigt wird, wobei Spalten Variablen und Zeilen Beobachtungen darstellen.
Darüber hinaus können Sie die Funktionen „head“ und „tail“ verwenden, um schnell die ersten bzw. letzten paar Zeilen des Datensatzes anzuzeigen. Beispielsweise zeigt „head(star wars)“ die ersten sechs Zeilen an und „tail(star wars)“ zeigt die letzten sechs Zeilen an.
Um auf bestimmte Variablen innerhalb des Datensatzes zuzugreifen, können Sie den Operator „$“ verwenden. Wenn Sie beispielsweise „star wars$name“ eingeben und die Eingabetaste drücken, können Sie direkt auf die Variable „name“ zugreifen.
Eine weitere nützliche Funktion ist „Names“, mit der Sie die Variablennamen im Datensatz abrufen können. Wenn Sie „names(star wars)“ eingeben und die Eingabetaste drücken, erhalten Sie eine Liste aller vorhandenen Variablen. Dies ist beim Verweisen auf Variablen in Ihrem Code von Vorteil, da es Tippfehler vermeidet und die Genauigkeit gewährleistet.
Darüber hinaus kann die Funktion „Länge“ zur Ermittlung der Anzahl genutzt werden.
Mit der Funktion „Länge“ kann die Anzahl der Variablen innerhalb eines Datensatzes ermittelt werden. Wenn Sie beispielsweise „length(names(star wars))“ eingeben und die Eingabetaste drücken, können Sie die Gesamtzahl der im Star Wars-Datensatz vorhandenen Variablen ermitteln.
Ein weiterer wichtiger Aspekt der Datenexploration ist das Verständnis der Datentypen von Variablen. Mit der Funktion „class“ kann die Klasse bzw. der Datentyp einer Variablen ermittelt werden. Wenn Sie beispielsweise den Datentyp der Variablen „name“ im Star Wars-Datensatz wissen möchten, können Sie „class(star wars$name)“ eingeben und die Eingabetaste drücken.
Sie können die Funktion „Zusammenfassung“ auch verwenden, um zusammenfassende Statistiken für numerische Variablen im Datensatz zu erhalten. Wenn Sie beispielsweise eine Zusammenfassung der Variablen „height“ erhalten möchten, können Sie „summary(star wars$height)“ eingeben und die Eingabetaste drücken.
Um den Datensatz basierend auf bestimmten Bedingungen zu filtern und zu unterteilen, können Sie die Funktion „Filter“ verwenden. Mit dieser Funktion können Sie logische Bedingungen angeben, um Zeilen auszuwählen, die bestimmte Kriterien erfüllen. Wenn Sie beispielsweise den Star Wars-Datensatz so filtern möchten, dass er nur Charaktere mit einer Höhe von mehr als 150 enthält, können Sie „filter(Star Wars, Höhe > 150)“ eingeben und die Eingabetaste drücken.
Darüber hinaus können Sie die Funktion „Auswählen“ verwenden, um bestimmte Variablen oder Spalten aus dem Datensatz auszuwählen. Dies ist hilfreich, wenn Sie sich bei Ihrer Analyse auf eine Teilmenge von Variablen konzentrieren möchten. Wenn Sie beispielsweise nur die Variablen „name“ und „height“ aus dem Star-Wars-Datensatz auswählen möchten, können Sie „select(star wars, name, height)“ eingeben und die Eingabetaste drücken.
Zur Untersuchung von Daten gehört auch die Untersuchung der Verteilung von Variablen. Das Tidyverse stellt das Paket „ggplot2“ bereit, das leistungsstarke Datenvisualisierungsfunktionen bietet. Mit Funktionen wie „ggplot“ und „geom_histogram“ können Sie Histogramme erstellen, um die Verteilung numerischer Variablen zu visualisieren. Um beispielsweise ein Histogramm der Variablen „Höhe“ im Star-Wars-Datensatz zu erstellen, können Sie den folgenden Code verwenden:
library(ggplot2)
ggplot(star wars, aes(x = height)) + geom_histogram()
Dieser Code generiert ein Histogramm, das die Verteilung der Zeichenhöhen im Star Wars-Datensatz zeigt.
Denken Sie daran, die erforderlichen Pakete zu installieren, falls Sie dies noch nicht getan haben. Mit der Funktion „install.packages“ können Sie Pakete installieren. Um beispielsweise das Paket ggplot2 zu installieren, können Sie „install.packages('ggplot2')“ eingeben und die Eingabetaste drücken.
Dies sind einige der wesentlichen Funktionen und Techniken, die Sie für die Datenexploration in R verwenden können. Durch das Verständnis der Struktur, Dimensionen, Variablen und Datentypen Ihres Datensatzes gewinnen Sie wertvolle Erkenntnisse, die Sie bei der Datenanalyse unterstützen.
Manipulieren Sie Ihre Daten. Datenstreiterei. R-Programmierung für Anfänger.
Manipulieren Sie Ihre Daten. Datenstreiterei. R-Programmierung für Anfänger.
Willkommen zurück zu einem weiteren spannenden Video unserer Programmierreihe. Heute werden wir uns mit dem Thema der Manipulation Ihres Datenrahmens, Datensatzes oder Ihrer Daten befassen. Data Wrangling, auch „Data Doctoring“ genannt, kann eine Menge Spaß machen. Dies ist Teil drei unserer Serie, in der wir verschiedene Aspekte der Datenexploration, -bereinigung, -manipulation, -beschreibung, -zusammenfassung, -visualisierung und -analyse untersuchen. Dies sind wesentliche Schritte in der Datenpipeline, wenn Sie auf einen neuen Datensatz stoßen und Ihnen dabei helfen, die vorhandenen Daten zu verstehen.
In diesem Video werden wir eine Reihe von Techniken behandeln. Einige davon sind Ihnen vielleicht bereits bekannt, während andere für Sie vielleicht neu sind. Wir werden in einem schnellen Tempo vorgehen. Sie können das Video also jederzeit anhalten, zurückspulen und noch einmal ansehen. Die meisten Beispiele und Demonstrationen, die ich zeige, können problemlos auf Ihrem eigenen Computer nachgebildet werden. Sie müssen keine zusätzlichen Daten herunterladen oder online danach suchen. Integrierte Datenrahmen in R dienen im gesamten Video als unsere Übungsdatensätze.
Aber bevor wir fortfahren, stellen wir sicher, dass Sie die Tidyverse-Bibliothek installiert haben. Ich werde hier nicht auf den Installationsprozess eingehen, aber wenn Sie damit nicht vertraut sind, empfehle ich Ihnen, sich mein Video zu Paketen anzusehen. Die Tidyverse-Bibliothek besteht aus mehreren Paketen, die eine Reihe von Funktionen zur Datenbearbeitung und -analyse bereitstellen. Nach der Installation können Sie die Bibliothek mit dem Befehl „library“ (Tidyverse) laden, wodurch Sie Zugriff auf alle Pakete und deren erweitertes Vokabular in R erhalten. Darüber hinaus enthält Tidyverse auch vorinstallierte Datensätze, die wir zum Üben nutzen können. Um die verfügbaren Datensätze anzuzeigen, können Sie den Befehl data() verwenden, der eine Liste der auf Ihrem Computer zugänglichen Datensätze anzeigt.
Okay, lasst uns in den Inhalt eintauchen. Für unsere Demonstrationen werden wir mit dem Datensatz „m_sleep“ arbeiten. Wenn Sie neugierig auf die Details des Datensatzes sind, können Sie mit dem Befehl ?m_sleep eine Zusammenfassung und Informationen zu jeder Variablen im Datensatz abrufen. Alternativ können wir die Glimpse-Funktion von Tidyverse verwenden, um einen prägnanten Überblick über den Datensatz zu erhalten, einschließlich Variablennamen, Typen und einigen Beispielbeobachtungen.
Beginnen wir nun mit unserer ersten Lektion: dem Umbenennen einer Variablen. Das Umbenennen einer Variablen ist mit der Umbenennungsfunktion im Tidyverse ein Kinderspiel. Wir verfolgen normalerweise einen Pipeline-Ansatz, beginnend mit dem Datensatz und wenden dann Transformationen mithilfe des Pipe-Operators %>% an. Um eine Variable umzubenennen, geben wir den neuen Namen vor dem Gleichheitszeichen an, gefolgt vom vorhandenen Namen innerhalb der Umbenennungsfunktion. Beispielsweise können wir die Variable „conservation“ mithilfe von rename(conserve = Conservation) in „conserve“ umbenennen. Nachdem wir den Code ausgeführt haben, können wir den aktualisierten Variablennamen im Datensatz beobachten.
Lassen Sie uns nun untersuchen, wie Sie Variablen neu anordnen. Wie bereits erwähnt, haben wir bereits die Auswahlfunktion besprochen, die es uns ermöglicht, bestimmte Variablen auszuwählen. Es ist jedoch zu beachten, dass die Reihenfolge der Variablen in der Auswahlfunktion ihre Reihenfolge im resultierenden Datensatz bestimmt. Indem wir die Variablennamen in der gewünschten Reihenfolge, durch Kommas getrennt, angeben, können wir die Variablen entsprechend neu anordnen. Beispielsweise wählt „select(var1, var2, ..., everything())“ zuerst „var1“ und „var2“ aus, gefolgt von den übrigen Variablen in ihrer ursprünglichen Reihenfolge.
Lassen Sie uns als Nächstes die Änderung von Variablentypen besprechen. Wir haben dieses Thema bereits angesprochen, aber lassen Sie uns kurz auf den Prozess eingehen. Mithilfe der Basisfunktionsklasse R können wir den aktuellen Typ einer Variablen bestimmen. Beispielsweise zeigt class(m_sleep$var) den Variablentyp als „Zeichen“ an. Um den Typ einer Variablen aus Gründen der Lesbarkeit in eine neue Zeile zu ändern, können Sie aber auch alles in eine Zeile schreiben, wenn Sie möchten. Wenden wir nun den Filter auf den Datenrahmen an.
In diesem Beispiel haben wir den Datenrahmen m_sleep gefiltert, um nur die Beobachtungen einzuschließen, bei denen die Ordnungsvariable entweder „Fleischfresser“ oder „Primaten“ ist. Die resultierende Teilmenge der Daten wird im filtered_data-Objekt gespeichert.
Um mit dem Anordnen der Daten fortzufahren, können wir die Funktion „Anordnen“ verwenden. Mit dieser Funktion können wir die Zeilen des Datenrahmens basierend auf einer oder mehreren Variablen sortieren. Sortieren wir die filtered_data nach der Vore-Variablen in absteigender Reihenfolge.
Hier haben wir die Funktion „arrangieren“ mit dem Argument desc(vore) verwendet, die den Datenrahmen in absteigender Reihenfolge basierend auf der Variablen „vore“ sortiert. Die resultierenden arrangierten Daten werden im arrangierten_data-Objekt gespeichert.
Kommen wir nun zum Rekodieren von Daten. Bei der Neukodierung werden die Werte einer Variablen basierend auf bestimmten Bedingungen geändert. Um dies zu erreichen, können wir die Mutate-Funktion zusammen mit der if_else-Funktion verwenden.
In diesem Beispiel haben wir die Vore-Variable im Datenrahmen „arranged_data“ neu codiert. Wir haben den Wert „carni“ durch „Carnivorous“ und alle anderen Werte durch „Omnivorous“ ersetzt. Der geänderte Datenrahmen wird im recoded_data-Objekt gespeichert.
Als Nächstes untersuchen wir das Ändern von Daten mithilfe der Mutate-Funktion. Wir können neue Variablen erstellen oder bestehende ändern. Hier ist ein Beispiel:
Lassen Sie uns abschließend die Umgestaltung Ihres Datenrahmens besprechen. Bei der Umformung wird die Struktur des Datenrahmens von breit nach lang oder umgekehrt geändert. Für diese Aufgabe sind die Funktionen „pivot_longer“ und „pivot_wider“ aus dem Tidyverse-Paket nützlich. Hier ist ein Beispiel:
In diesem Beispiel haben wir den Datenrahmen vom Breitformat in das Langformat umgewandelt. Wir haben die Variablen „vore“, „wake“ und „sleep_total“ als Pivot ausgewählt. Der resultierende Datenrahmen verfügt über zwei neue Spalten: Variable und Wert, in denen die Variablennamen bzw. die entsprechenden Werte gespeichert werden.
Das war's mit diesem Tutorial! Wir haben verschiedene Aspekte der Manipulation Ihres Datenrahmens behandelt, darunter das Umbenennen von Variablen, das Neuanordnen von Variablen, das Ändern von Variablentypen, das Auswählen von Variablen, das Filtern und Anordnen von Daten, das Neukodieren von Daten, das Ändern von Daten mithilfe von Mutate und das Umformen des Datenrahmens. Denken Sie daran, dass Sie alle diese Konzepte mithilfe der in R integrierten Datenrahmen üben können. Viel Spaß beim Data-Wrangling!
Beschreiben und fassen Sie Ihre Daten zusammen
Beschreiben und fassen Sie Ihre Daten zusammen
Willkommen zurück bei R101! In dieser Sitzung besprechen wir, wie Sie Ihre Daten beschreiben und zusammenfassen. Das heutige Thema ist super einfach, also bleiben Sie bei mir und Sie werden eine Menge lernen. Diese Sitzung ist Teil einer Reihe, in der wir Daten untersuchen, bereinigen, manipulieren, beschreiben und zusammenfassen. Im nächsten Video geht es um die Visualisierung und Analyse der Daten. Also lasst uns anfangen.
In diesem Video werden wir verschiedene Aspekte der Datenbeschreibung und -zusammenfassung behandeln. Erstens gibt es beim Umgang mit numerischen Variablen bestimmte statistische Parameter, die wir zu deren Beschreibung verwenden. Dazu gehören Reichweite, Streuung, Zentralität und Varianz. Mach dir keine Sorge; Wir werden diese Konzepte ganz einfach durchgehen und es wird nur etwa 30 Sekunden dauern.
Als nächstes lernen wir, wie man den gesamten Datensatz zusammenfasst. Ich gebe Ihnen ein paar Tipps und Tricks, um Ihre Daten effizient zusammenzufassen. Auch dies dauert nur etwa 30 Sekunden.
Anschließend konzentrieren wir uns auf die Erstellung von Tabellen zur Zusammenfassung unserer Daten. Tabellen sind eine hervorragende Möglichkeit, Informationen effektiv darzustellen und zusammenzufassen. Wir lernen, wie man Tabellen erstellt, die numerische Variablen zusammenfassen, und Kontingenztabellen, die kategoriale Variablen zusammenfassen. Ich zeige Ihnen einige Beispiele und Sie werden es ganz einfach finden, mitzumachen.
Um Ihnen einen Eindruck davon zu geben, was wir anstreben, habe ich eine Beispieltabelle auf dem Bildschirm angezeigt. Diese Tabelle erzählt eine fesselnde Geschichte und zeichnet ein klares Bild der Daten. Es wurde mit dem Paket „formattable“ in R erstellt, mit dem Sie schöne Tabellen erstellen können. Bevor wir uns jedoch an die Erstellung optisch ansprechender Tabellen machen, ist es wichtig sicherzustellen, dass unsere Daten richtig strukturiert sind. Der Schlüssel liegt darin, dass Ihre Daten in einem Format vorliegen, das es Ihnen ermöglicht, eine Geschichte zu erzählen und ein Bild effektiv zu präsentieren.
Kommen wir nun weiter und behandeln die Hauptthemen dieses Videos. Wenn Sie daran interessiert sind, R-Programmierung zu erlernen, sind Sie hier richtig. Auf diesem YouTube-Kanal erstellen wir Programmiervideos zu einem breiten Themenspektrum.
Stellen Sie zunächst sicher, dass Sie die erforderlichen Pakete installiert haben, sofern Sie dies noch nicht getan haben. Wir arbeiten immer mit den „tidyverse“-Paketen, die den Wortschatz und die Fähigkeiten von R erweitern. Sie stellen nützliche Tools wie den Pipe-Operator zur Verfügung, den wir in diesem Video verwenden werden. Wenn Sie mit Tidyverse und den darin enthaltenen Paketen nicht vertraut sind, empfehle ich Ihnen, sich mein Video zu Paketen anzusehen.
In unseren Beispielen verwenden wir öffentlich verfügbare Daten, auf die Sie auf Ihrem Computer zugreifen können. Durch die Verwendung dieser Daten können Sie Ihre Analyse-, Codierungs- und Datenverarbeitungsfähigkeiten üben. R stellt eine Vielzahl von Datensätzen bereit, auf die Sie über die Funktion „Daten“ zugreifen können. In diesem Video werden wir speziell mit dem Datensatz „msleep“ arbeiten. Sie können die Schritte, die ich zeige, auf Ihrem Computer zu Hause nachmachen. Wenn Sie den Befehl „view(msleep)“ ausführen, können Sie die Struktur des Datensatzes sehen. Es enthält Variablen wie Pflanzenfresser, Fleischfresser, Allesfresser, Schlafzeit, Gehirngewicht und mehr. Es ist ein großartiger Datensatz, mit dem man arbeiten kann.
Fassen wir zunächst die numerischen Variablen im Datensatz zusammen. Wir werden uns auf statistische Parameter wie Minimum, Maximum, Bereich, Interquartilbereich, Mittelwert, Median und Varianz konzentrieren. Um diese Werte zu erhalten, können Sie die Funktion „summary“ in R verwenden. Durch Ausführen von „summary(msleep)“ sehen Sie die Zusammenfassung aller Variablen mit den entsprechenden Parametern. Sie können „Zusammenfassung“ auch für eine einzelne Variable verwenden, wenn Sie sich auf bestimmte Statistiken konzentrieren möchten.
Nehmen wir nun an, wir möchten nur die Variablen „sleep_total“ und „brain_weight“ auswählen und diese zusammenfassen. Dies erreichen Sie, indem Sie die Variablen mit der „select“-Funktion aus dem Tidyverse-Paket auswählen.
Lassen Sie uns nun die zweite kategoriale Variable einführen, nämlich „Airbags“. Wir können die Tabellenfunktion erneut verwenden, aber dieses Mal werden wir beide Variablen in die Funktion einbeziehen. Hier ist der Code:
Wenn wir diesen Code ausführen, erhalten wir eine Kontingenztabelle, die die Häufigkeit von Kombinationen zwischen den beiden kategorialen Variablen zeigt. Es wird etwa Folgendes angezeigt:
Aus dieser Tabelle geht beispielsweise hervor, dass es 15 Autos aus Ländern außerhalb der USA ohne Airbags, 20 Autos mit Airbags nur für den Fahrer und 10 Autos mit Airbags für Fahrer und Beifahrer gibt. Ebenso gibt es in den USA 25 Autos ohne Airbags, 30 Autos mit Airbags nur für den Fahrer und 20 Autos mit Airbags für Fahrer und Beifahrer.
Sehen wir uns nun an, wie wir mit dem Tidyverse-Ansatz das gleiche Ergebnis erzielen können. Wir verwenden die Funktionen „count“ und „pivot_wider“. Hier ist der Code:
Dieser Code folgt dem Pipe-Operator %>%, um eine Reihe von Vorgängen auszuführen. Zunächst berechnen wir mit count die Häufigkeit der Kombinationen zwischen Ursprung und Airbags. Anschließend wenden wir „pivot_wider“ an, um die Daten umzuformen und die verschiedenen Airbagtypen in separate Spalten umzuwandeln. Die resultierende Tabelle sieht ähnlich aus wie die vom Basis-R-Code erstellte.
Diese Beispiele zeigen, wie Sie mithilfe von Basis-R und dem Tidyverse-Ansatz Tabellen zusammenfassen und erstellen können, um Ihre Daten zu beschreiben. Es ist wichtig, die Methode zu wählen, die Ihren Vorlieben und den spezifischen Anforderungen Ihrer Analyse entspricht.
Chi-Quadrat-Test mit R-Programmierung
Chi-Quadrat-Test mit R-Programmierung
Heute werden wir uns mit dem Thema Chi-Quadrat-Test befassen und uns dabei insbesondere auf den Anpassungstest konzentrieren. Dieser Test ist super einfach, also bleiben Sie bei mir und lassen Sie uns ihn gemeinsam erkunden.
Stellen Sie zunächst sicher, dass Sie das Tidyverse-Paket installiert haben. Wenn Sie mit Tidyverse nicht vertraut sind, können Sie sich meine anderen Videos ansehen, um mehr darüber zu erfahren. Das Tidyverse ist eine Sammlung von R-Paketen, die das Vokabular von R erweitert und die Datenanalyse effizienter macht. Zusätzlich benötigen wir das Paket „forcats“, das erweiterte Funktionalität für die Arbeit mit kategorialen Variablen bereitstellt. In dieser Lektion verwenden wir den Datensatz „GSS_cat“, der im Paket „forcats“ enthalten ist.
Sobald Sie die Pakete installiert haben, werfen wir einen Blick auf den Datensatz „GSS_cat“. Es enthält verschiedene Variablen, darunter „Familienstand“. Wir werden uns bei unserer Analyse auf diese Variable konzentrieren. Um ein Gefühl für die Proportionen verschiedener Familienstände zu bekommen, habe ich auf der rechten Seite des Bildschirms einen Plot erstellt, der die Kategorien „nie verheiratet“, „geschieden“ und „verheiratet“ zeigt. Anhand der Handlung können wir erkennen, dass die Proportionen unterschiedlich zu sein scheinen.
Kommen wir nun zum Chi-Quadrat-Test. Der Zweck dieses Tests besteht darin, festzustellen, ob es einen signifikanten Unterschied im Anteil der Menschen gibt, die nie verheiratet, geschieden oder verheiratet sind. Unsere Nullhypothese geht davon aus, dass es keinen Unterschied gibt, und wir wollen untersuchen, ob die Daten diese Hypothese stützen.
Bevor ich den Test durchführe, möchte ich unserem Sponsor Native Knowledge danken. Sie sind eine Online-Plattform, die eine systematische Literaturrecherche und Metaanalyse ermöglicht. Schauen Sie sich diese unbedingt an. Sie sind absolut erstaunlich!
Kommen wir nun zum Code. Ich habe auf dem Bildschirm Code zur Datenbereinigung und -vorbereitung bereitgestellt. Dabei werden die Daten so gefiltert, dass sie nur die Kategorien „nie verheiratet“ und „geschieden“ umfassen, und unnötige Faktoren entfernt. Sie können den Code gerne kopieren, wenn Sie diese Analyse selbst replizieren möchten. Nachdem Sie den Code ausgeführt haben, erhalten Sie einen schönen, aufgeräumten Datensatz mit einer einzelnen Variablen.
Jetzt kommt der spannende Teil – die Durchführung des Chi-Quadrat-Tests. Um den Test anzuwenden, müssen wir eine Tabelle unserer Daten erstellen. Ich habe ein neues Objekt namens „my_table“ erstellt und ihm die Tabellenfunktion zugewiesen, wobei ich unseren vorbereiteten Datensatz als Argument verwendet habe. Wenn wir den Code ausführen und „my_table“ anzeigen, können wir eine Tabelle mit den übersichtlich dargestellten Daten sehen.
Als nächstes können wir einfach den Chi-Quadrat-Test auf unsere Tabelle anwenden, indem wir die Funktion „chisq.test“ verwenden. Wenn Sie diese Funktion auf „my_table“ ausführen, erhalten Sie die Testergebnisse, einschließlich des p-Werts. In diesem Fall haben wir einen sehr kleinen p-Wert erhalten, was darauf hindeutet, dass es äußerst unwahrscheinlich ist, die beobachteten Unterschiede in den Anteilen zu beobachten, wenn die Kategorien gleiche Anteile hätten. Daher können wir die Nullhypothese gleicher Anteile ablehnen und daraus schließen, dass es einen statistisch signifikanten Unterschied zwischen den Familienständen gibt.
Wenn Sie einen prägnanteren Ansatz bevorzugen, können wir die gleichen Ergebnisse mit Pipe-Operatoren („%>%“) aus dem Tidyverse-Paket erzielen. Indem wir die Daten direkt in die Tabelle und dann in den Chi-Quadrat-Test einspeisen, können wir den Code optimieren und die gleiche Antwort erhalten.
Ich hoffe, Sie fanden diesen Überblick über den Chi-Quadrat-Test informativ. Wenn Sie tiefer in das Thema eintauchen möchten, empfehle ich Ihnen, sich das längere Video zum Chi-Quadrat-Test anzusehen, das ein umfassenderes Verständnis seiner Mechanismen vermittelt. Machen Sie weiter so, bleiben Sie neugierig und denken Sie daran, stets nach kontinuierlichem Lernen zu streben.
R-Programmierung in einer Stunde – ein Crashkurs für Einsteiger
R-Programmierung in einer Stunde – ein Crashkurs für Einsteiger
Das Video-Tutorial bietet einen Crashkurs in R-Programmierung für Anfänger. Es behandelt die Grundlagen von R und den Zugriff auf integrierte Datensätze, Datenmanipulationstechniken, Datenexploration mithilfe von Funktionen wie Einblick und vollständige Fälle, Datenbereinigungstechniken wie Teilmenge und Umbenennung, Datenvisualisierungstechniken mithilfe der Grammatik von Grafiken, T-Tests, ANOVA- und Chi-Quadrat-Tests, lineare Modelle und wie man Datenrahmen umformt. Der Dozent betont die Bedeutung der Erkundung von Datensätzen und bespricht Tools, die die Datenanalyse und -visualisierung intuitiver gestalten, wie z. B. Tidy Vers und das Paket ggplot2. Das Video endet mit einer Demonstration eines Chi-Quadrat-Tests und eines linearen Modells unter Verwendung des „Autos“-Datensatzes, wobei der Schwerpunkt auf der Interpretation der Ausgabe liegt.
Bevölkerung, Stichprobe, Parameter, Statistik
Bevölkerung, Stichprobe, Parameter, Statistik
Hallo an alle! In der heutigen Sitzung werden wir einige der wichtigsten Vokabeln im Bereich Statistik behandeln. Lassen Sie uns gleich eintauchen und mit zwei grundlegenden Konzepten beginnen: Bevölkerung und Stichprobe.
Eine Population bezieht sich auf alle Daten, die in einer bestimmten Studie von Interesse sind, einschließlich Beobachtungen, Antworten, Messungen usw. Andererseits ist eine Stichprobe eine Teilmenge dieser Grundgesamtheit. Um dies zu veranschaulichen, betrachten wir eine politische Umfrage, die von einem Unternehmen durchgeführt wurde. Sie kontaktieren stichprobenartig 1.200 Wähler und befragen sie zu ihren Wahlpräferenzen. In diesem Fall wäre die Stichprobe die Liste der Präferenzen dieser 1.200 Personen. Technisch gesehen wäre die Bevölkerung die Liste der Präferenzen aller registrierten Wähler. Es ist wichtig zu beachten, dass sich sowohl die Bevölkerung als auch die Stichprobe auf die Präferenzen selbst und nicht auf die Einzelpersonen beziehen.
In den meisten Fällen ist es nicht möglich, Daten von einer gesamten Bevölkerung zu sammeln. Stattdessen verlassen wir uns auf Stichproben, um Rückschlüsse auf Populationen zu ziehen. Dies ist die Essenz der Inferenzstatistik – die Verwendung von Stichprobendaten, um Rückschlüsse auf Populationen zu ziehen. Kommen wir nun zu den wichtigsten Definitionen.
Erstens ist ein Parameter ein numerischer Wert, der eine Population beschreibt. Es liefert Informationen über die Gesamtbevölkerung. In unserem Umfragebeispiel wäre der Parameter beispielsweise der Prozentsatz aller registrierten Wähler, die beabsichtigen, für einen bestimmten Kandidaten zu stimmen.
Zweitens ist eine Statistik ein numerischer Wert, der eine Stichprobe beschreibt. Es stellt Merkmale oder Messungen dar, die aus den Probendaten abgeleitet wurden. Zurück zu unserem Umfrageszenario: Wenn 38 % der 1.200 in die Stichprobe einbezogenen Wähler ihre Absicht zum Ausdruck bringen, für Kandidat A zu stimmen, dann sind 38 % eine Statistik – eine Darstellung der Präferenzen der Stichprobe.
Normalerweise haben wir nur Zugriff auf die Statistik, da es oft unpraktisch ist, Parameter für die gesamte Bevölkerung zu erhalten. Unser Hauptinteresse gilt jedoch den Parametern, da sie Einblicke in die Gesamtbevölkerung geben. Betrachten wir noch ein paar Beispiele, um unser Verständnis zu festigen.
Beispiel 1: Das Durchschnittsalter von 50 zufällig ausgewählten Fahrzeugen, die beim New Yorker DMV zugelassen sind, beträgt 8 Jahre. Hier wäre die Bevölkerung das Alter aller beim New Yorker DMV zugelassenen Fahrzeuge. Die Stichprobe besteht in diesem Fall aus dem Alter der 50 zufällig ausgewählten Fahrzeuge. Der Parameter wäre das Durchschnittsalter aller in New York zugelassenen Fahrzeuge, während die Statistik das Durchschnittsalter der 50 zufällig ausgewählten Fahrzeuge wäre.
Beispiel 2: Im Jahr 2018 betrug das mittlere Haushaltseinkommen in den Vereinigten Staaten 63.937 US-Dollar, während es in Chicago 70.760 US-Dollar betrug. In diesem Szenario bezieht sich die Bevölkerung auf die Einkommen aller Haushalte in den Vereinigten Staaten im Jahr 2018, während die Stichprobe die Einkommen der Haushalte in Chicago im selben Jahr darstellt. Der erste Wert, 63.937 $, ist ein Parameter, der die Grundgesamtheit beschreibt, während der zweite Wert, 70.760 $, eine Statistik ist, die die Stichprobe darstellt.
Bei der statistischen Analyse ist es von entscheidender Bedeutung, den Unterschied zwischen Grundgesamtheit und Stichprobe sowie zwischen Parametern und Statistiken zu verstehen. Obwohl wir in erster Linie Zugriff auf Statistiken haben, besteht unser Ziel darin, Parameter abzuleiten und zu schätzen, da diese einen umfassenderen Blick auf die gesamte Bevölkerung bieten.
Arten von Daten
Arten von Daten
Hallo an alle! Heute besprechen wir die Datenklassifizierung, die zwei grundlegende Typen umfasst: quantitative und kategoriale Daten.
Quantitative Daten bestehen aus numerischen Messungen oder Zählungen. Es handelt sich um Daten, die gemessen oder numerisch ausgedrückt werden können. Beispiele für quantitative Daten sind die Körpergröße von Frauen in Südamerika, das Gewicht von Neugeborenen in britischen Krankenhäusern und die Zahl der Arbeitslosen in allen Ländern der Welt.
Kategoriale Daten, auch qualitative Daten genannt, bestehen hingegen aus Labels oder Deskriptoren. Dabei handelt es sich um Daten, die in Kategorien oder Klassen gruppiert werden können. Beispiele für kategoriale Daten sind die Augenfarbe von Katzen, die politische Parteizugehörigkeit der Wähler und die von Verbrauchern bevorzugten Marken von Erfrischungsgetränken.
Manchmal kann es schwierig sein, die Art der Daten zu bestimmen, insbesondere wenn es sich um Zahlen handelt. Eine schnelle Möglichkeit, zwischen kategorialen und quantitativen Daten zu unterscheiden, besteht darin, zu prüfen, ob numerische Operationen wie die Berechnung von Durchschnittswerten sinnvoll sind. Wenn die Daten lediglich beschriftet sind und keinen aussagekräftigen Messungen oder Zählungen entsprechen, sollten sie als kategorisch betrachtet werden. Beispielsweise haben die auf Baseballtrikots getragenen Nummern keine quantitative Bedeutung und sollten als kategoriale Daten klassifiziert werden.
Kategoriale Daten können weiter in zwei Typen kategorisiert werden: ordinal und nominal. Ordinale Daten verwenden Kategorien, die eine sinnvolle Reihenfolge haben. Ein bekanntes Beispiel ist die Likert-Skala, die Optionen wie „stimme gar nicht zu“, „stimme nicht zu“, „neutral“, „stimme zu“ und „stimme voll und ganz zu“ bietet. Diese Kategorien können in einer natürlichen Reihenfolge angeordnet werden. Im Gegensatz dazu verwenden nominale Daten Kategorien, die keine sinnvolle Reihenfolge haben. Beispiele hierfür sind politische Zugehörigkeit, Geschlecht und bevorzugte alkoholfreie Getränke. Obwohl wir nominalen Daten eine Anordnung auferlegen könnten, wäre dies willkürlich und würde auf der persönlichen Meinung beruhen.
Ebenso können quantitative Daten in zwei Typen eingeteilt werden: Verhältnis und Intervall. Verhältnisdaten ermöglichen aussagekräftige Verhältnisse und Vielfache. Variablen wie Einkommen, Gewicht und Alter fallen in diese Kategorie. Es macht Sinn zu sagen, dass ein Mensch doppelt so alt ist wie ein anderer oder dass jemand halb so viel Geld verdient wie ein anderer. Andererseits unterstützen Intervalldaten keine Verhältnisse und Vielfachen. Variablen wie Temperatur und Kalenderjahr sind Beispiele für Intervalldaten. Es wäre unangemessen zu sagen, dass eine Temperatur doppelt so heiß ist wie eine andere, da die Wahl von Null auf der Skala willkürlich ist und nicht das Fehlen des gemessenen Attributs anzeigt.
Um den Grad der Messung zu bestimmen, besteht ein schneller Ansatz darin, zu prüfen, ob der Nullpunkt auf der Skala „nichts“ oder „nichts“ bedeutet. Wenn Null das Fehlen des Attributs bedeutet, gibt es eine Verhältnismessebene an. Beispielsweise bedeuten null Kilogramm, 0 $ oder 0 Jahre alt, dass es kein Gewicht, kein Geld oder kein Alter gibt. Wenn Null hingegen keine Abwesenheit im eigentlichen Sinne bedeutet, deutet sie auf ein Intervallniveau der Messung hin. Beispielsweise sind null Grad Fahrenheit oder null Grad Celsius nur willkürliche Punkte auf ihrer jeweiligen Skala.
Sehen wir uns einige Beispiele an, um die Klassifizierung und das Messniveau zu üben. Wir bestimmen, ob die Variablen quantitativ oder kategorisch sind und ermitteln ihr Messniveau:
Wartezeiten bei einer Bank: Diese Daten bestehen aus Zahlen und es ist sinnvoll, über Verhältnisse und Vielfache zu sprechen. Daher handelt es sich um quantitative Daten auf der Verhältnisebene der Messung.
Geschlechter der Oscar-Gewinner für die beste Regie: Bei diesen Daten handelt es sich um kategorische Daten, die eher Identifikatoren als Zahlen darstellen. Da es sich nicht um eine sinnvolle Rangfolge handelt, handelt es sich um kategoriale Daten auf nominaler Ebene.
Namen von Büchern auf der Bestsellerliste der New York Times: Da es sich um Namen handelt, sind die Daten kategorisch. Darüber hinaus können die Namen natürlich als erster, zweiter, dritter Bestseller usw. geordnet werden, wobei Ordinaldaten angegeben werden.
Tageszeiten der Blitzeinschläge im Empire State Building: Diese Daten sind quantitativ, da sie die Messung der Zeit zwischen Blitzeinschlägen beinhalten. Allerdings fällt es unter die Intervallebene der Messung, da es keinen Nullpunkt gibt, der die Abwesenheit von Blitzeinschlägen angibt. Die Zeitintervalle können gemessen und verglichen werden, aber Null bedeutet nicht, dass es keine Streiks gibt.
Zusammenfassend umfasst die Datenklassifizierung die Unterscheidung zwischen quantitativen und kategorialen Daten. Quantitative Daten bestehen aus numerischen Messungen oder Zählungen, während kategoriale Daten aus Bezeichnungen oder Deskriptoren bestehen. Es ist wichtig zu prüfen, ob numerische Operationen und aussagekräftige Verhältnisse zur Bestimmung des Datentyps anwendbar sind.
Kategoriale Daten können außerdem als ordinal oder nominal kategorisiert werden, je nachdem, ob zwischen den Kategorien eine sinnvolle Reihenfolge besteht. Ordinale Daten haben eine natürliche Rangfolge, nominale Daten dagegen nicht. Ebenso können quantitative Daten als Verhältnis oder Intervall klassifiziert werden, je nachdem, ob aussagekräftige Verhältnisse und Vielfache vorhanden sind. Verhältnisdaten ermöglichen Verhältnisse und Vielfache, Intervalldaten hingegen nicht.
Das Verständnis der Messebene ist entscheidend für die Auswahl geeigneter statistischer Analysen und die korrekte Interpretation der Daten. Die Messebene bestimmt die mathematischen Operationen, die mit den Daten durchgeführt werden können, und die Bedeutung von Null auf der Skala.
Durch die genaue Klassifizierung und Bestimmung des Messniveaus von Daten können Statistiker und Forscher geeignete statistische Techniken auswählen und aus ihren Analysen aussagekräftige Erkenntnisse ableiten.