LoslegenKostenlos loslegen

Startseite
Kurse
Fallstudie: Explorative Datenanalyse in R

Der UN-Abstimmungsdatensatz

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Diese Übung ist Teil des Kurses

Fallstudie: Explorative Datenanalyse in R

Geringe SchwierigkeitSchwierigkeitsgrad

5.0+

Kurs kostenlos starten

Am besten lernst du Datenaufbereitung, indem du sie auf eine konkrete Fallstudie anwendest. Hier lernst du, den UN-Abstimmungsdatensatz mit dem Paket dplyr zu bereinigen und zu filtern und ihn in kleinere, gut interpretierbare Einheiten zusammenzufassen.

Exercise 1: Der UN-Abstimmungsdatensatz

Aktuelle Übung

Exercise 2: Zeilen filtern Exercise 3: Eine Jahr-Spalte hinzufügen Exercise 4: Eine Länder-Spalte hinzufügen Exercise 5: Gruppieren und Zusammenfassen Exercise 6: Den gesamten Datensatz zusammenfassen Exercise 7: Nach Jahr zusammenfassen Exercise 8: Nach Land zusammenfassen Exercise 9: Zusammengefasste Daten sortieren und filtern Exercise 10: Nach Anteil der "yes"-Stimmen sortieren Exercise 11: Zusammengefasste Ausgabe filtern

Wenn Daten bereinigt und zusammengefasst sind, willst du sie visualisieren, um Trends zu verstehen und Erkenntnisse zu gewinnen. Hier nutzt du das Paket ggplot2, um Trends im Abstimmungsverhalten der Vereinten Nationen innerhalb jedes Landes über die Zeit zu erkunden.

Exercise 1: Visualisierung mit ggplot2 Exercise 2: Eine Ästhetik wählen Exercise 3: Eine Linie über die Zeit plotten Exercise 4: Weitere ggplot2-Layer Exercise 5: Nach Ländern visualisieren Exercise 6: Nach Jahr und Land zusammenfassen Exercise 7: Nur das Vereinigte Königreich über die Zeit plotten Exercise 8: Mehrere Länder visualisieren Exercise 9: Facetten nach Land Exercise 10: Zeitreihen facettieren Exercise 11: Facettierung mit freier y-Achse Exercise 12: Wähle deine eigenen Länder

Visualisierungen helfen dir, ein Land nach dem anderen zu verstehen, während statistische Modelle es ermöglichen, Trends über viele Länder hinweg zu quantifizieren und gemeinsam zu interpretieren. Hier lernst du, die Pakete tidyr, purrr und broom zu verwenden, um für jedes Land lineare Modelle zu schätzen, ihre Ausgaben zu verstehen und zu vergleichen.

Exercise 1: Lineare Regression Exercise 2: Lineare Regression für die Vereinigten Staaten Exercise 3: Die Steigung einer linearen Regression finden Exercise 4: Den p-Wert einer linearen Regression finden Exercise 5: Modelle mit broom aufbereiten Exercise 6: Ein lineares Regressionsmodell aufräumen Exercise 7: Modelle für mehrere Länder kombinieren Exercise 8: Nesting für mehrere Modelle Exercise 9: Einen Data Frame verschachteln Exercise 10: Listenspalten Exercise 11: Unnesting Exercise 12: Mehrere Modelle fitten Exercise 13: Lineare Regression auf jedem verschachtelten Datensatz durchführen Exercise 14: Jedes lineare Regressionsmodell aufräumen Exercise 15: Ein Data Frame unnesten Exercise 16: Arbeiten mit vielen tidy Modellen Exercise 17: Modellterme filtern Exercise 18: Nach signifikanten Ländern filtern Exercise 19: Nach Steigung sortieren

In diesem Kapitel lernst du, mehrere verwandte Datensätze zu kombinieren – zum Beispiel, Informationen über das Thema jeder Resolution in deine Abstimmungsanalyse einzubinden. Außerdem erfährst du, wie du unaufgeräumte Daten in tidy data verwandelst und wie tidy data deine Erkundung von Themen und Ländern im Zeitverlauf unterstützen kann.

Exercise 1: Datensätze verknüpfen Exercise 2: Datensätze mit inner_join verbinden Exercise 3: Den verknüpften Datensatz filtern Exercise 4: Kolonialismus-Abstimmungen visualisieren Exercise 5: Tidy Data Exercise 6: Tidy-Data-Beobachtungen Exercise 7: Mit gather einen Datensatz aufräumen Exercise 8: Themen neu codieren Exercise 9: Nach Land, Jahr und Thema zusammenfassen Exercise 10: Trends in Themen für ein Land visualisieren Exercise 11: Aufgeräumtes Modellieren nach Thema und Land Exercise 12: Nach Thema und Land schachteln Exercise 13: Aufgeräumte Modelle interpretieren Exercise 14: Stärkste Trends nach Thema Exercise 15: Modelle visuell überprüfen Exercise 16: Fazit