Datenaufbereitung, Grafische Datenanalyse

Transkript

1 Datenaufbereitung, Grafische Datenanalyse R-Übung 2 Statistik III für Nebenfachstudierende LMU WS 2013/14 David Rügamer 6. & 13. November 2013 Nach einer Vorlage von Toni Hilger (WS 11/12) und Arne Kaldhusdal (WS 12/13) 1 / 23

2 Nachtrag: Matrizen matrix(data=na, nrow=1, ncol=1, byrow=false, dimnames=null) [i, j] Zugriff auf Element in i-ter Reihe und j-ter Spalte %*% Matrixmultiplikation t() transponieren solve() inverse Matrix M <- matrix(1:6, ncol = 2) N <- matrix(1:6, ncol = 2, byrow = TRUE) A <- matrix(1:4, ncol = 2) M [,1] [,2] [1,] 1 4 [2,] 2 5 [3,] 3 6 M[2, 2] [1] 5 N [,1] [,2] [1,] 1 2 [2,] 3 4 [3,] 5 6 A [,1] [,2] [1,] 1 3 [2,] / 23

3 Nachtrag: Matrizen M[, 2] [1] M T t(m) [,1] [,2] [,3] [1,] [2,] v M v <- c(2, 3, 8) v %*% M [,1] [,2] [1,] M[c(1, 3), ] [,1] [,2] [1,] 1 4 [2,] 3 6 A A 1 = I solve(a) [,1] [,2] [1,] [2,] A %*% solve(a) [,1] [,2] [1,] 1 0 [2,] / 23

4 Daten laden Arbeitsverzeichnis Mit getwd() (ohne Argument) wird das Arbeitsverzeichnis angezeigt Mit setwd("pfad") ändert man dieses Zu beachten: \ entweder durch / oder durch \\ ersetzen Mit Hilfe von RStudio: Session Set Working Directory Choose Directory Daten einlesen Mit Hilfe von RStudio: Workspace (in einem der vier Fenster) Import Dataset Manuell 4 / 23

5 SPSS- und Stata-Dateienimport Vorgehensweise: Paket foreign (über den Befehl library("foreign")) laden und Dateien mit read.spss() oder read.dta() einlesen. SPSS library(foreign) help(read.spss) # oder?read.spss my.data <- read.spss("my.spss.file") Stata library(foreign) help(read.dta) # oder?read.dta my.data <- read.dta("my.stata.file") Zu beachten: Weitere Übergabeparameter machen oft einen essentiellen Unterschied in der Gebrauchstauglichkeit der Objekte, die zurückgegeben werden. 5 / 23

6 data.frames Ein data.frame ist ähnlich zu einer Matrix und ist die wichtigste Datenstruktur für tabellierte Daten in R Ein data.frame ist eine Liste von Variablen mit derselben Anzahl von Reihen Spaltennamen meist notwendig bzw. sinnvoll Reihen: Beobachtungen Spalten: Variablen (Werte, Gruppen, Ja/Nein,... ) 6 / 23

7 data.frames Erzeugen eines beispielhaften data.frames: df <- data.frame(a = 1:3, B = 7:5, C = c("x", "z", "y")) Zugriff auf Spalten (bzw. Variablen) eines data.frames: $-Operator df$b [1] Mit [, ] und Spaltennamen df[, "C"] [1] x z y Levels: x y z Mit [, ] und Spaltennummer df[, 1] [1] / 23

8 Einschub: fakesoep red Datensatz Der Datensatz fakesoep ist dem sozioökonomischen Panel nachempfunden. fakesoep red besteht nur aus den ersten 200 befragten Personen des eigentlichen Datensatzes. Variable beink groesse alter dauer verh geschl deutsch abitur Bedeutung Bruttoverdienst im letzten Monat Körpergröße Alter in Jahren Dauer der Betriebszugehörigkeit in Jahren verheiratet (1: ja, 0: nein) Geschlecht (1: weiblich, 0: männlich) Deutsche Staatsangehörigkeit (1: ja, 0: nein) Abitur (1: ja, 0: nein) 8 / 23

9 Fehlende Daten Daten anschauen (daten <- fakesoep_red[1:5, ]) beink groesse alter dauer verh geschl deutsch abitur NA NA NA NA NA: Not Available complete.cases() gibt TRUE/FALSE zurück, je nachdem, ob eine Beobachtung (sprich: eine Zeile) vollständig ist oder nicht: complete.cases(daten) [1] TRUE FALSE TRUE FALSE TRUE # zweite und vierte Beobachtung nicht komplett (daten.komplett <- daten[complete.cases(daten) == TRUE, ]) beink groesse alter dauer verh geschl deutsch abitur / 23

10 Kennzahlen summary() erstellt 6-Punkte-Zusammenfassung getrennt nach Variablen (sprich: nach Spalten) hier immer sinnvoll? my.fakesoep <- fakesoep_red[complete.cases(fakesoep_red), ] summary(my.fakesoep) beink groesse alter dauer Min. : 513 Min. :150 Min. :22.0 Min. : st Qu.:1595 1st Qu.:166 1st Qu.:34.0 1st Qu.: 2.88 Median :2086 Median :173 Median :40.0 Median : 8.20 Mean :2408 Mean :173 Mean :40.6 Mean : rd Qu.:2988 3rd Qu.:180 3rd Qu.:46.8 3rd Qu.:13.35 Max. :7546 Max. :198 Max. :61.0 Max. :41.00 verh geschl deutsch abitur Min. :0.00 Min. :0.000 Min. :0.000 Min. : st Qu.:0.00 1st Qu.: st Qu.: st Qu.:0.000 Median :1.00 Median :0.000 Median :1.000 Median :0.000 Mean :0.67 Mean :0.451 Mean :0.885 Mean : rd Qu.:1.00 3rd Qu.: rd Qu.: rd Qu.:1.000 Max. :1.00 Max. :1.000 Max. :1.000 Max. : / 23

11 Kennzahlen Selber Effekt für eine Kennzahl (Standardabweichung): sapply(my.fakesoep, sd) beink groesse alter dauer verh geschl deutsch abitur sapply(daten, Funktion) wendet auf jede Variable von Daten eine selbstgewählte Funktion an sapply(my.fakesoep, quantile) beink groesse alter dauer verh geschl deutsch abitur 0% % % % % / 23

12 Kontingenztafeln / Kreuztabellen table(my.fakesoep$verh) table(my.fakesoep$verh, my.fakesoep$deutsch, dnn=c("verh", "deutsch")) deutsch verh ### Für prozentuale Werte je nach gewähltem Rand (margin) prop.table(table(my.fakesoep$verh, my.fakesoep$deutsch, dnn=c("verh", "deutsch")),margin=1) deutsch verh / 23

13 Untergruppen Was ist das mittlere Alter der Personen, die verheiratet sind? mean(my.fakesoep[my.fakesoep$verh == 1, "alter"]) # Untergruppe verh=1 [1] mean(my.fakesoep[my.fakesoep$verh == 0, "alter"]) # Untergruppe verh=0 [1] mean(my.fakesoep$alter) # alle [1] / 23

14 Korrelation Berechnung der Korrelation über cor() Änderung des Korrelationstyps mit dem Argument method Berücksichtigung von NA-Einträgen mit dem Argument use use="everything" keine Berücksichtigung use="complete.obs" nur vollständige Beobachtungen bzw. Zeilen cor(my.fakesoep$beink, my.fakesoep$groesse) [1] # Korrelation zwischen beink und groesse round(x, n) rundet Wert x auf n Nachkommastellen round(cor(my.fakesoep), 2) # Korrelationsmatrix beink groesse alter dauer verh geschl deutsch abitur beink groesse alter dauer verh geschl deutsch abitur / 23

15 Graphiken erstellen plot(my.fakesoep$groesse, my.fakesoep$beink) hist(my.fakesoep$beink, main="") boxplot(my.fakesoep$beink) boxplot(my.fakesoep$beink~ my.fakesoep$deutsch) / 23

16 Graphiken bearbeiten Farben: Beschriftungen main= Überschrift xlab= x-achse ylab= y-achse Farben col=... Symbol der Punkte: (point character) pch=... Linienart: lty=... col= 8 col= 1 col= 7 col= 6 col= 2 col= 3 col= 5 col= 4 Symbole: / 23

17 Beispielgraphiken Histogramm des Bruttoeinkommens Anzahl Bruttoeinkommen 17 / 23

18 Beispielgraphiken boxplot (beink~verh) beink : ledig / 1: verheiratet 18 / 23

19 Beispielgraphiken Streudiagramm Einkommen verheiratet ledig Körpergröße [cm] 19 / 23

20 Beispielgraphiken Nationalität getrennt nach Abitur Anzahl kein Abitur Abitur 0 1 0: nicht deutsch / 1: deutsch 20 / 23

21 Graphiken speichern Graphiken speichern mit pdf(), jpeg(), bmp(), png(),... In RStudio: Plots Save Plot as... Häufigste Argumente für pdf() sind file, width und height Vorgang mit pdf() starten, Plotbefehl ausführen, Vorgang mit dev.off() (ohne Argument) schließen pdf(file = "boxplot_beink.pdf", width = 7, height = 6) boxplot(my.fakesoep$beink) dev.off() 21 / 23

22 Befehle Befehl plot(x, y) hist() boxplot() barplot pie() curve(..., add=true) abline() points() text() par(mfrow=c(n, m))?par main="..." xlab=, ylab= col= cex=, pch= lty=, lwd= type= xlim=c(a,b), ylim=c(d,e) legend() Beschreibung Scatterplot x gegen y Histogramm Boxplot Balkendiagramm Tortendiagramm Zeichnen einer Kurve ins Diagramm Zeichnen einer Geraden ins Diagramm Zeichnen von Punkten ins Diagramm Einfügen eines Textes ins Diagramm n x m Plots in einem Fenster Hilfe zu graphischen Parametern Überschrift Achsenbeschriftung Farbwahl Größe und Symbol eines Punktes Linientyp, Liniendicke Typ (l=linie, p=punkte, b=beides) Achsenbereich von a bis b bzw. d bis e Hinzufügung einer Legende 22 / 23

23 Befehle Befehl pdf(), bmp(), jpeg() width=, height= dev.off() read.table() setwd() complete.cases() summary() table() attach() round(x, n) cor() Beschreibung Start Speichern einer Graphik Größe der zu speichernden Graphik Device schließen Speichern beenden Einlesen von Daten Arbeitsverzeichnis festlegen Überprüfung auf vollständige Zeilen Zusammenfassung Häufigkeits- und Kontingenztabellen direkter Zugriff auf Elemente möglich, sonst mit $ oder [,...] Runden von x auf n Nachkommastellen Korrelation und Korrelationsmatrix 23 / 23